Vol. 12/ Núm. 4 2025 pág. 618
https://doi.org/10.69639/arandu.v12i4.1694
Pensar con máquinas: El rol de la IA generativa en la
formación investigativa de estudiantes de ingeniería
Thinking with Machines: The Role of Generative AI in the Research Training of
Engineering Students
Jonathan Alexis Tapia Chamba
jtapiac3@uteq.edu.ec
https://orcid.org/0009-0001-0121-9923
Universidad Técnica Estatal de Quevedo
Quevedo – Ecuador
Bella Elena Chamba Palacios
bella.chamba@educacion.gob.ec
https://orcid.org/0009-0009-7623-3787
Escuela de Educación Básica “Destacamento Banderas”
Orellana – Ecuador
Artículo recibido: 18 septiembre 2025 -Aceptado para publicación: 28 octubre 2025
Conflictos de intereses: Ninguno que declarar.
RESUMEN
La irrupción de herramientas de inteligencia artificial generativa como ChatGPT ha transformado
el paisaje de la educación superior, desafiando los marcos tradicionales de enseñanza, evaluación
y producción del conocimiento. En este escenario, el presente estudio se propone analizar la
influencia del uso de IA generativa en la calidad de los proyectos de investigación científica y en
el aprendizaje del método científico por parte de estudiantes de carreras de ingeniería. Para ello,
se implementó un diseño cuasiexperimental con dos grupos: uno que utilizó IA en el desarrollo
de su proyecto final, y otro que no. Ambos grupos elaboraron proyectos de investigación
científica, los cuales fueron evaluados mediante una rúbrica estandarizada compuesta por nueve
criterios clave. Además, se aplicaron encuestas diferenciadas a cada grupo para recoger
percepciones cualitativas sobre la experiencia. Los resultados muestran que el grupo con IA
obtuvo mejores puntuaciones en ocho de los nueve criterios evaluados, destacándose en
redacción, formulación de objetivos, discusión y coherencia teórica. Las respuestas cualitativas
evidencian un uso crítico de la herramienta, mediado por la guía docente, y orientado a estructurar
ideas, mejorar la argumentación y explorar alternativas metodológicas. En contraste, el grupo sin
IA enfrentó mayores dificultades en tareas de organización, escritura y delimitación del problema.
Se concluye que, bajo una orientación pedagógica adecuada, la IA generativa puede actuar como
un mediador cognitivo valioso, especialmente en contextos formativos donde la dimensión
epistemológica suele estar desplazada, como en carreras técnicas. El estudio propone
Vol. 12/ Núm. 4 2025 pág. 619
lineamientos éticos y pedagógicos para una integración crítica de la IA en la educación
universitaria.
Palabras clave: aprendizaje, ChatGPT, educación superior, ingeniería, método científico
ABSTRACT
The emergence of generative artificial intelligence tools such as ChatGPT has transformed the
landscape of higher education, challenging traditional frameworks of teaching, assessment, and
knowledge production. In this context, the present study aims to analyze how the use of generative
AI influences the quality of scientific research projects and the learning of the scientific method
among university students. A quasi-experimental design was implemented with two groups: one
used AI during the development of their final research project, while the other did not. Both
groups produced scientific research reports, which were evaluated using standardized rubric
composed of nine key criteria. Additionally, differentiated surveys were applied to each group to
collect qualitative perceptions about their experience. Results indicate that the AI-assisted group
achieved higher scores in eight out of nine evaluated criteria, particularly in writing quality,
formulation of objectives, discussion, and theoretical coherence. Qualitative responses revealed a
critical use of the tool, mediated by teacher guidance, and oriented toward idea structuring,
argumentative improvement, and methodological exploration. In contrast, the non-AI group faced
greater challenges in tasks such as organizing, writing, and problem delimitation. The study
concludes that, under appropriate pedagogical guidance, generative AI can serve as a valuable
cognitive mediator, especially in educational contexts where epistemological reflection is often
secondary, such as in technical or professional programs. Ethical and pedagogical
recommendations are offered for the critical integration of AI in university education.
Keywords: learning, ChatGPT, higher education, engineering, scientific method
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
lineamientos éticos y pedagógicos para una integración crítica de la IA en la educación
universitaria.
Palabras clave: aprendizaje, ChatGPT, educación superior, ingeniería, método científico
ABSTRACT
The emergence of generative artificial intelligence tools such as ChatGPT has transformed the
landscape of higher education, challenging traditional frameworks of teaching, assessment, and
knowledge production. In this context, the present study aims to analyze how the use of generative
AI influences the quality of scientific research projects and the learning of the scientific method
among university students. A quasi-experimental design was implemented with two groups: one
used AI during the development of their final research project, while the other did not. Both
groups produced scientific research reports, which were evaluated using standardized rubric
composed of nine key criteria. Additionally, differentiated surveys were applied to each group to
collect qualitative perceptions about their experience. Results indicate that the AI-assisted group
achieved higher scores in eight out of nine evaluated criteria, particularly in writing quality,
formulation of objectives, discussion, and theoretical coherence. Qualitative responses revealed a
critical use of the tool, mediated by teacher guidance, and oriented toward idea structuring,
argumentative improvement, and methodological exploration. In contrast, the non-AI group faced
greater challenges in tasks such as organizing, writing, and problem delimitation. The study
concludes that, under appropriate pedagogical guidance, generative AI can serve as a valuable
cognitive mediator, especially in educational contexts where epistemological reflection is often
secondary, such as in technical or professional programs. Ethical and pedagogical
recommendations are offered for the critical integration of AI in university education.
Keywords: learning, ChatGPT, higher education, engineering, scientific method
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
Vol. 12/ Núm. 4 2025 pág. 620
INTRODUCCIÓN
La Inteligencia Artificial Generativa (IAG) no es una innovación tecnológica más en una
corriente de incontables invenciones. En realidad, la IA constituye un fenómeno tecnológico que
al igual que la electricidad o el internet, tiene el potencial de redefinir prácticamente todos los
aspectos de la sociedad. La IA está transformado —y lo hará cada vez con mayor intensidad—
sectores clave como la salud y medicina, la agricultura y alimentación, la industria y producción,
la banca y las finanzas, el comercio y las ventas, el transporte y la logística, los medios y el
entretenimiento, la seguridad, el derecho, el marketing, la tecnología, y por supuesto, la
investigación científica y la educación. La IA en la educación, en su principal forma, se basa en
la utilización de IAG como ChatGPT o Deep Seek para obtener respuestas prácticas a las
peticiones o consultas de los estudiantes y profesores en un amplio abanico de temas. Sin
embargo, la irrupción de la IA en todos los niveles educativos —sobre todo el superior— no solo
se limita a transformar los instrumentos disponibles para el estudio o la investigación, sino que
pone de manifiesto un escenario de desestructuración de los fundamentos tradicionales sobre los
que se construía el acto mismo de aprender.
En efecto, la nuestra es una época en la que la apropiación progresiva del conocimiento —
que tradicionalmente se obtenía por medio de la lectura crítica, la formulación de problemas, la
argumentación y la escritura académica— contrasta y en muchos casos se reemplaza con una
interacción automatizada que promete resultados inmediatos y formalmente aceptables sin
necesariamente pasar por el proceso de construcción de una comprensión profunda sobre una
temática en particular. Este fenómeno no puede ser interpretado únicamente como un avance
técnico o una herramienta de apoyo. Como muestra la literatura reciente (Wang, Liu, Wu y Zhang,
2024; Marzuki, Suryanto y Yunita, 2023; Tramallino y Pairetti, 2024), la IAG plantea una
reorganización estructural de la agencia epistémica: el estudiante ya no es solo productor, sino
editor de conocimientos generados algorítmicamente; el docente ya no es transmisor de contenido,
sino curador y mediador crítico; y la escritura académica deja de ser un proceso formativo para
convertirse en un producto automatizable. Estas transformaciones han suscitado posiciones
encontradas: por un lado, se destacan los beneficios en términos de accesibilidad, eficiencia y
democratización del conocimiento, pero por otro, se advierte el riesgo de un vaciamiento
cognitivo que provoca que el pensamiento se delegue y la reflexión se simule (Loayza-Maturrano,
2024; Román-Acosta, Rodríguez Torres, Baquedano Montoya, López Zavala y Pérez Gamboa,
2024).
El problema adquiere una dimensión particular en entornos donde la formación científica
se concibe de manera instrumental, como sucede con frecuencia en las carreras de ingeniería. En
este tipo de carreras, la investigación científica suele limitarse a la aplicación mecánica de
métodos y técnicas, pasando por alto la dimensión epistemológica del proceso de investigación.
INTRODUCCIÓN
La Inteligencia Artificial Generativa (IAG) no es una innovación tecnológica más en una
corriente de incontables invenciones. En realidad, la IA constituye un fenómeno tecnológico que
al igual que la electricidad o el internet, tiene el potencial de redefinir prácticamente todos los
aspectos de la sociedad. La IA está transformado —y lo hará cada vez con mayor intensidad—
sectores clave como la salud y medicina, la agricultura y alimentación, la industria y producción,
la banca y las finanzas, el comercio y las ventas, el transporte y la logística, los medios y el
entretenimiento, la seguridad, el derecho, el marketing, la tecnología, y por supuesto, la
investigación científica y la educación. La IA en la educación, en su principal forma, se basa en
la utilización de IAG como ChatGPT o Deep Seek para obtener respuestas prácticas a las
peticiones o consultas de los estudiantes y profesores en un amplio abanico de temas. Sin
embargo, la irrupción de la IA en todos los niveles educativos —sobre todo el superior— no solo
se limita a transformar los instrumentos disponibles para el estudio o la investigación, sino que
pone de manifiesto un escenario de desestructuración de los fundamentos tradicionales sobre los
que se construía el acto mismo de aprender.
En efecto, la nuestra es una época en la que la apropiación progresiva del conocimiento —
que tradicionalmente se obtenía por medio de la lectura crítica, la formulación de problemas, la
argumentación y la escritura académica— contrasta y en muchos casos se reemplaza con una
interacción automatizada que promete resultados inmediatos y formalmente aceptables sin
necesariamente pasar por el proceso de construcción de una comprensión profunda sobre una
temática en particular. Este fenómeno no puede ser interpretado únicamente como un avance
técnico o una herramienta de apoyo. Como muestra la literatura reciente (Wang, Liu, Wu y Zhang,
2024; Marzuki, Suryanto y Yunita, 2023; Tramallino y Pairetti, 2024), la IAG plantea una
reorganización estructural de la agencia epistémica: el estudiante ya no es solo productor, sino
editor de conocimientos generados algorítmicamente; el docente ya no es transmisor de contenido,
sino curador y mediador crítico; y la escritura académica deja de ser un proceso formativo para
convertirse en un producto automatizable. Estas transformaciones han suscitado posiciones
encontradas: por un lado, se destacan los beneficios en términos de accesibilidad, eficiencia y
democratización del conocimiento, pero por otro, se advierte el riesgo de un vaciamiento
cognitivo que provoca que el pensamiento se delegue y la reflexión se simule (Loayza-Maturrano,
2024; Román-Acosta, Rodríguez Torres, Baquedano Montoya, López Zavala y Pérez Gamboa,
2024).
El problema adquiere una dimensión particular en entornos donde la formación científica
se concibe de manera instrumental, como sucede con frecuencia en las carreras de ingeniería. En
este tipo de carreras, la investigación científica suele limitarse a la aplicación mecánica de
métodos y técnicas, pasando por alto la dimensión epistemológica del proceso de investigación.
Vol. 12/ Núm. 4 2025 pág. 621
No obstante, la introducción de IA generativa puede constituirse como una valiosa herramienta
de apoyo en este tipo de contextos formativos, en cuanto que puede consolidar prácticas de
delegación intelectual acompañadas de una mediación pedagógica que promueva el juicio crítico,
la comprensión conceptual y la apropiación reflexiva del método científico (Tramallino y Pairetti,
2024; Justo Aracayo et al., 2024; Meza-Fregoso et al., 2024).
Desde una pedagogía crítica, la pregunta no es si la IA puede ayudar a investigar, sino cómo
debe integrarse para que su uso no sustituya la formación intelectual y al contrario, la potencie.
Esto requiere identificar y problematizar las condiciones para que la IA se convierta en un
mediador epistémico en lugar de un atajo cognitivo, y exige una reevaluación profunda del rol del
docente, del currículo, de las prácticas de evaluación en la enseñanza universitaria, y de los
fundamentos mismos de lo que entendemos por educación desde el contexto nacional y regional.
El presente artículo intenta aportar a esta discusión. A través de un diseño
cuasiexperimental, se evaluaron los proyectos de investigación científica elaborados por dos
grandes grupos de estudiantes universitarios: uno que utilizó herramientas de IA generativa y otro
que no. La calidad de los trabajos fue analizada mediante una rúbrica compuesta por nueve
criterios académicos, y los resultados se complementaron con encuestas aplicadas a los
participantes para explorar percepciones, prácticas y reflexiones sobre el uso (o no uso) de estas
tecnologías en su proceso de aprendizaje. Por consiguiente, el objetivo central de este estudio es
analizar de qué modo el uso de inteligencia artificial generativa influye en la calidad académica
de los proyectos de investigación científica y en la apropiación del método científico en
estudiantes universitarios, con especial atención a los entornos de formación técnico-práctica.
En virtud de lo anterior, la pregunta que guía la presente investigación es: ¿hasta qué punto
el uso de IAG incide en la mejora o el deterioro de la calidad académica de los trabajos científicos
elaborados por estudiantes universitarios, y qué tipo de mediación —pedagógica, epistémica,
docente— resulta necesaria para que esta tecnología opere como recurso formativo y no como
simulador cognitivo? Para responder a esta pregunta, el artículo se organiza en cinco secciones:
(i) una reconstrucción crítica del marco teórico sobre la relación entre IA, aprendizaje e
investigación; (ii) una descripción detallada del diseño metodológico y los instrumentos
utilizados; (iii) una presentación rigurosa de los resultados cuantitativos y cualitativos; (iv) una
discusión pedagógica y epistemológica sobre los hallazgos; y (v) una conclusión con propuestas
de mejora institucional para una integración crítica y formativa de la inteligencia artificial
generativa en la educación superior.
Marco teórico
La Irrupción de la IAG en la educación superior
En los últimos años, la irrupción de herramientas de inteligencia artificial generativa (IAG),
como ChatGPT, ha desencadenado una transformación sin precedentes en los entornos
universitarios. Esta transformación no puede ser comprendida únicamente desde su impacto
No obstante, la introducción de IA generativa puede constituirse como una valiosa herramienta
de apoyo en este tipo de contextos formativos, en cuanto que puede consolidar prácticas de
delegación intelectual acompañadas de una mediación pedagógica que promueva el juicio crítico,
la comprensión conceptual y la apropiación reflexiva del método científico (Tramallino y Pairetti,
2024; Justo Aracayo et al., 2024; Meza-Fregoso et al., 2024).
Desde una pedagogía crítica, la pregunta no es si la IA puede ayudar a investigar, sino cómo
debe integrarse para que su uso no sustituya la formación intelectual y al contrario, la potencie.
Esto requiere identificar y problematizar las condiciones para que la IA se convierta en un
mediador epistémico en lugar de un atajo cognitivo, y exige una reevaluación profunda del rol del
docente, del currículo, de las prácticas de evaluación en la enseñanza universitaria, y de los
fundamentos mismos de lo que entendemos por educación desde el contexto nacional y regional.
El presente artículo intenta aportar a esta discusión. A través de un diseño
cuasiexperimental, se evaluaron los proyectos de investigación científica elaborados por dos
grandes grupos de estudiantes universitarios: uno que utilizó herramientas de IA generativa y otro
que no. La calidad de los trabajos fue analizada mediante una rúbrica compuesta por nueve
criterios académicos, y los resultados se complementaron con encuestas aplicadas a los
participantes para explorar percepciones, prácticas y reflexiones sobre el uso (o no uso) de estas
tecnologías en su proceso de aprendizaje. Por consiguiente, el objetivo central de este estudio es
analizar de qué modo el uso de inteligencia artificial generativa influye en la calidad académica
de los proyectos de investigación científica y en la apropiación del método científico en
estudiantes universitarios, con especial atención a los entornos de formación técnico-práctica.
En virtud de lo anterior, la pregunta que guía la presente investigación es: ¿hasta qué punto
el uso de IAG incide en la mejora o el deterioro de la calidad académica de los trabajos científicos
elaborados por estudiantes universitarios, y qué tipo de mediación —pedagógica, epistémica,
docente— resulta necesaria para que esta tecnología opere como recurso formativo y no como
simulador cognitivo? Para responder a esta pregunta, el artículo se organiza en cinco secciones:
(i) una reconstrucción crítica del marco teórico sobre la relación entre IA, aprendizaje e
investigación; (ii) una descripción detallada del diseño metodológico y los instrumentos
utilizados; (iii) una presentación rigurosa de los resultados cuantitativos y cualitativos; (iv) una
discusión pedagógica y epistemológica sobre los hallazgos; y (v) una conclusión con propuestas
de mejora institucional para una integración crítica y formativa de la inteligencia artificial
generativa en la educación superior.
Marco teórico
La Irrupción de la IAG en la educación superior
En los últimos años, la irrupción de herramientas de inteligencia artificial generativa (IAG),
como ChatGPT, ha desencadenado una transformación sin precedentes en los entornos
universitarios. Esta transformación no puede ser comprendida únicamente desde su impacto
Vol. 12/ Núm. 4 2025 pág. 622
técnico o funcional, sino como un fenómeno que desafía los supuestos epistemológicos,
pedagógicos y éticos que han estructurado tradicionalmente los procesos de enseñanza-
aprendizaje y la producción académica.
Si bien el acceso automatizado al conocimiento, la capacidad de redacción instantánea y la
asistencia en múltiples lenguajes se presentan como avances significativos, estos mismos
atributos han comenzado a tensionar los fundamentos sobre los que se construyen prácticas
académicas como la escritura, la investigación y la evaluación. Como señala Posso-Pacheco
(2025), “la inteligencia artificial generativa no eliminó la necesidad del docente, sino que la
amplificó en términos de complejidad, transversalidad e implicación ética” (p. 7). Esta afirmación
no sólo redefine el rol del profesorado, sino que da cuenta de un giro más profundo: el paso de
una lógica de transmisión de información a una pedagogía centrada en la mediación crítica de la
generación de saber.
Desde una perspectiva más amplia, este fenómeno representa un punto de inflexión en la
relación entre tecnología y conocimiento. Ya no se trata únicamente de dotar al aula de
herramientas digitales, sino de preguntarse cómo estas tecnologías reconfiguran los modos de
aprender, investigar y producir conocimiento en la universidad. La IAG no es una simple
extensión de la mente humana, sino un artefacto cultural que introduce nuevas formas de
delegación cognitiva, externalización de la escritura, y automatización del pensamiento. De allí
que autores como Romero-Rodríguez (2023) insistan en que su incorporación debe ser leída desde
un marco de complejidad, donde confluyan lo pedagógico, lo ético, lo institucional y lo
epistémico, en cuanto que “no es posible abordar la integración de ChatGPT desde una mirada
simplificada (…) la lógica funcionalista oculta las implicaciones formativas profundas de este
tipo de herramientas” (p. 5).
El entusiasmo inicial con que fue recibida la IAG en ámbitos académicos responde, en
parte, a su capacidad de resolver con eficacia tareas que antes demandaban un esfuerzo
considerable: redacción de textos, corrección de estilo, elaboración de resúmenes o estructuración
de argumentos. No obstante, esta misma eficiencia plantea interrogantes sobre el tipo de
aprendizaje que se promueve desde las instituciones de educación superior cuando el proceso es
sustituido por el resultado, y cuando la resolución automática que ofrece la IA desplaza la
problematización como eje de la formación científica.
De este modo, la universidad contemporánea se encuentra ante una disyuntiva crítica: ¿es
la IAG un apoyo legítimo para la producción académica o una amenaza a los fundamentos
epistémicos y cognitivos de la investigación? Esta interrogante, lejos de ser meramente operativa,
apunta a la discusión estructural de intentar responder qué significa aprender, investigar y escribir
en un entorno donde la IA no solo media, sino que en ocasiones reemplaza, los procesos
cognitivos del pensamiento humano.
técnico o funcional, sino como un fenómeno que desafía los supuestos epistemológicos,
pedagógicos y éticos que han estructurado tradicionalmente los procesos de enseñanza-
aprendizaje y la producción académica.
Si bien el acceso automatizado al conocimiento, la capacidad de redacción instantánea y la
asistencia en múltiples lenguajes se presentan como avances significativos, estos mismos
atributos han comenzado a tensionar los fundamentos sobre los que se construyen prácticas
académicas como la escritura, la investigación y la evaluación. Como señala Posso-Pacheco
(2025), “la inteligencia artificial generativa no eliminó la necesidad del docente, sino que la
amplificó en términos de complejidad, transversalidad e implicación ética” (p. 7). Esta afirmación
no sólo redefine el rol del profesorado, sino que da cuenta de un giro más profundo: el paso de
una lógica de transmisión de información a una pedagogía centrada en la mediación crítica de la
generación de saber.
Desde una perspectiva más amplia, este fenómeno representa un punto de inflexión en la
relación entre tecnología y conocimiento. Ya no se trata únicamente de dotar al aula de
herramientas digitales, sino de preguntarse cómo estas tecnologías reconfiguran los modos de
aprender, investigar y producir conocimiento en la universidad. La IAG no es una simple
extensión de la mente humana, sino un artefacto cultural que introduce nuevas formas de
delegación cognitiva, externalización de la escritura, y automatización del pensamiento. De allí
que autores como Romero-Rodríguez (2023) insistan en que su incorporación debe ser leída desde
un marco de complejidad, donde confluyan lo pedagógico, lo ético, lo institucional y lo
epistémico, en cuanto que “no es posible abordar la integración de ChatGPT desde una mirada
simplificada (…) la lógica funcionalista oculta las implicaciones formativas profundas de este
tipo de herramientas” (p. 5).
El entusiasmo inicial con que fue recibida la IAG en ámbitos académicos responde, en
parte, a su capacidad de resolver con eficacia tareas que antes demandaban un esfuerzo
considerable: redacción de textos, corrección de estilo, elaboración de resúmenes o estructuración
de argumentos. No obstante, esta misma eficiencia plantea interrogantes sobre el tipo de
aprendizaje que se promueve desde las instituciones de educación superior cuando el proceso es
sustituido por el resultado, y cuando la resolución automática que ofrece la IA desplaza la
problematización como eje de la formación científica.
De este modo, la universidad contemporánea se encuentra ante una disyuntiva crítica: ¿es
la IAG un apoyo legítimo para la producción académica o una amenaza a los fundamentos
epistémicos y cognitivos de la investigación? Esta interrogante, lejos de ser meramente operativa,
apunta a la discusión estructural de intentar responder qué significa aprender, investigar y escribir
en un entorno donde la IA no solo media, sino que en ocasiones reemplaza, los procesos
cognitivos del pensamiento humano.
Vol. 12/ Núm. 4 2025 pág. 623
Desde este punto de partida, la presente investigación busca problematizar críticamente el
impacto de la IAG en la formación científico-investigativa de estudiantes de carreras de
ingeniería, articulando distintas perspectivas que permitirán comprender bajo qué condiciones
esta tecnología puede fortalecer —o debilitar— la calidad académica y el aprendizaje del método
científico del grupo de estudio antes mencionado.
Impactos pedagógicos de la IAG
La discusión en torno a la IAG en el ámbito educativo ha oscilado entre dos polos
discursivos: por un lado, quienes la consideran una herramienta con un alto potencial pedagógico,
capaz de fortalecer el aprendizaje, democratizar el acceso al conocimiento y agilizar procesos de
producción académica; por otro, quienes alertan sobre el empobrecimiento cognitivo, la pérdida
de habilidades críticas y el riesgo de una dependencia tecnológica que sustituya —en lugar de
acompañar— el esfuerzo intelectual.
Desde una mirada instrumental, estudios como el de Meza Fregoso et al. (2024) evidencian
mejoras significativas en el rendimiento académico de estudiantes que utilizaron ChatGPT,
quienes obtuvieron calificaciones más altas y reportaron una mayor retención de la información.
En la misma línea, Justo Aracayo et al. (2024) encontraron una correlación positiva entre el uso
de ChatGPT y el desarrollo del pensamiento crítico, siempre y cuando el uso fuera guiado, ético
y orientado hacia la evaluación activa de los contenidos generados. Estas investigaciones sugieren
que la IAG no opera en el vacío: su impacto depende, en gran medida, del tipo de tarea, del grado
de alfabetización digital del estudiante y del marco pedagógico que regule su uso.
Sin embargo, esta visión optimista contrasta con estudios que advierten que el uso intensivo
y acrítico de estas herramientas puede erosionar las capacidades fundamentales para el
aprendizaje autónomo y el pensamiento profundo. En un experimento controlado, Ju (2023)
documentó que los participantes que dependieron completamente de la IAG para redactar textos
presentaron una disminución del 25.1 % en precisión en pruebas de comprensión, en comparación
con quienes realizaron las tareas sin asistencia automatizada (Ju, 2023). El estudio no solo muestra
una pérdida de exactitud, sino una forma más difusa de empobrecimiento: el debilitamiento del
vínculo entre lectura, interpretación y expresión propia.
Esta tensión entre productividad y profundidad se vuelve especialmente crítica en entornos
universitarios donde el objetivo no es solo resolver tareas, sino sembrar en los estudiantes una
manera crítica y reflexiva de pensar, como ocurre con la enseñanza del método científico. La
capacidad de formular preguntas relevantes, construir hipótesis, diseñar procedimientos y analizar
datos exige no solo conocimientos técnicos, sino también procesos cognitivos de alta complejidad
que difícilmente pueden ser reemplazados por una herramienta que genera texto en función de
correlaciones estadísticas.
Como advierten Zhai, Wibowo y Li (2024), cuando los estudiantes utilizan IAG sin
mediación docente tienden a delegar el razonamiento complejo en la herramienta y a emplear
Desde este punto de partida, la presente investigación busca problematizar críticamente el
impacto de la IAG en la formación científico-investigativa de estudiantes de carreras de
ingeniería, articulando distintas perspectivas que permitirán comprender bajo qué condiciones
esta tecnología puede fortalecer —o debilitar— la calidad académica y el aprendizaje del método
científico del grupo de estudio antes mencionado.
Impactos pedagógicos de la IAG
La discusión en torno a la IAG en el ámbito educativo ha oscilado entre dos polos
discursivos: por un lado, quienes la consideran una herramienta con un alto potencial pedagógico,
capaz de fortalecer el aprendizaje, democratizar el acceso al conocimiento y agilizar procesos de
producción académica; por otro, quienes alertan sobre el empobrecimiento cognitivo, la pérdida
de habilidades críticas y el riesgo de una dependencia tecnológica que sustituya —en lugar de
acompañar— el esfuerzo intelectual.
Desde una mirada instrumental, estudios como el de Meza Fregoso et al. (2024) evidencian
mejoras significativas en el rendimiento académico de estudiantes que utilizaron ChatGPT,
quienes obtuvieron calificaciones más altas y reportaron una mayor retención de la información.
En la misma línea, Justo Aracayo et al. (2024) encontraron una correlación positiva entre el uso
de ChatGPT y el desarrollo del pensamiento crítico, siempre y cuando el uso fuera guiado, ético
y orientado hacia la evaluación activa de los contenidos generados. Estas investigaciones sugieren
que la IAG no opera en el vacío: su impacto depende, en gran medida, del tipo de tarea, del grado
de alfabetización digital del estudiante y del marco pedagógico que regule su uso.
Sin embargo, esta visión optimista contrasta con estudios que advierten que el uso intensivo
y acrítico de estas herramientas puede erosionar las capacidades fundamentales para el
aprendizaje autónomo y el pensamiento profundo. En un experimento controlado, Ju (2023)
documentó que los participantes que dependieron completamente de la IAG para redactar textos
presentaron una disminución del 25.1 % en precisión en pruebas de comprensión, en comparación
con quienes realizaron las tareas sin asistencia automatizada (Ju, 2023). El estudio no solo muestra
una pérdida de exactitud, sino una forma más difusa de empobrecimiento: el debilitamiento del
vínculo entre lectura, interpretación y expresión propia.
Esta tensión entre productividad y profundidad se vuelve especialmente crítica en entornos
universitarios donde el objetivo no es solo resolver tareas, sino sembrar en los estudiantes una
manera crítica y reflexiva de pensar, como ocurre con la enseñanza del método científico. La
capacidad de formular preguntas relevantes, construir hipótesis, diseñar procedimientos y analizar
datos exige no solo conocimientos técnicos, sino también procesos cognitivos de alta complejidad
que difícilmente pueden ser reemplazados por una herramienta que genera texto en función de
correlaciones estadísticas.
Como advierten Zhai, Wibowo y Li (2024), cuando los estudiantes utilizan IAG sin
mediación docente tienden a delegar el razonamiento complejo en la herramienta y a emplear
Vol. 12/ Núm. 4 2025 pág. 624
atajos cognitivos, mientras que quienes contaban con una guía clara usaron la IA como apoyo
parcial, sin abandonar su agencia epistémica (Tramallino, Pairetti, & Rodríguez, 2024). Lo que
está en juego, entonces, no es solo la utilidad de la IA, sino el tipo de sujeto que forma: un
estudiante autónomo que se apoya críticamente en tecnologías disruptivas, o un usuario que
confunde automatización con comprensión y aprendizaje.
Estas tensiones permiten inferir que la IAG no es en sí misma buena ni mala para el
aprendizaje; su efecto depende del modo en que se integra a la práctica pedagógica y del lugar
que ocupa en el proceso cognitivo. Puede potenciar habilidades cuando se usa como herramienta
auxiliar en etapas intermedias de redacción, análisis o síntesis; pero también puede debilitar el
desarrollo de competencias si reemplaza la reflexión, la duda o el encuentro con el error. La clave
parece estar no solo en qué hace la IA, sino en qué deja de hacer el estudiante cuando la usa.
Pensamiento crítico, método científico y redacción académica: dimensiones en disputa
Uno de los principales focos de tensión en el debate sobre el uso de IAG en educación
superior gira en torno a su impacto sobre la escritura académica, el pensamiento crítico y los
procesos de aprendizaje vinculados al método científico. Estos tres componentes no son
accesorios en la formación universitaria. Por lo contrario, constituyen la estructura cognitiva y
epistémica del saber disciplinar del campo de estudio del estudiante, especialmente en carreras
orientadas a la investigación.
Escribir académicamente no consiste simplemente en transcribir información de forma
ordenada, sino en articular una posición, jerarquizar fuentes, defender una hipótesis, modular el
tono, y responder a convenciones epistemológicas que estructuran cada campo. Por ello, la
automatización de la escritura representa no solo un cambio en la mecánica de producción textual,
sino una amenaza latente a las competencias reflexivas y al carácter formativo de la redacción
como herramienta de pensamiento.
En esa línea, Liu, Park y McMinn (2024) advierten que, si bien los estudiantes valoran el
potencial de la IAG para perfeccionar aspectos técnicos de la redacción —como la corrección
gramatical o la coherencia estructural—, reconocen sus limitaciones para sostener razonamientos
complejos, profundizar ideas o adaptar respuestas a contextos disciplinares específicos. Los
autores subrayan que la herramienta facilita la fluidez lingüística, pero no reemplaza las
operaciones cognitivas superiores implicadas en la construcción de un argumento propio o en la
defensa de una tesis. De allí que, cuando la mediación docente es insuficiente, existe el riesgo de
que la IAG sea interpretada como sustituto del razonamiento crítico, reduciendo la escritura a un
ejercicio de forma sin contenido.
Estos hallazgos coinciden con lo señalado por Román-Acosta et al. (2024), quienes
subrayan que, aunque los estudiantes perciben mejoras en la forma de sus textos gracias a
ChatGPT, reconocen que la herramienta no sustituye la reflexión crítica ni la toma de decisiones
epistemológicas implicadas en la escritura académica rigurosa. Esta distinción es clave: el valor
atajos cognitivos, mientras que quienes contaban con una guía clara usaron la IA como apoyo
parcial, sin abandonar su agencia epistémica (Tramallino, Pairetti, & Rodríguez, 2024). Lo que
está en juego, entonces, no es solo la utilidad de la IA, sino el tipo de sujeto que forma: un
estudiante autónomo que se apoya críticamente en tecnologías disruptivas, o un usuario que
confunde automatización con comprensión y aprendizaje.
Estas tensiones permiten inferir que la IAG no es en sí misma buena ni mala para el
aprendizaje; su efecto depende del modo en que se integra a la práctica pedagógica y del lugar
que ocupa en el proceso cognitivo. Puede potenciar habilidades cuando se usa como herramienta
auxiliar en etapas intermedias de redacción, análisis o síntesis; pero también puede debilitar el
desarrollo de competencias si reemplaza la reflexión, la duda o el encuentro con el error. La clave
parece estar no solo en qué hace la IA, sino en qué deja de hacer el estudiante cuando la usa.
Pensamiento crítico, método científico y redacción académica: dimensiones en disputa
Uno de los principales focos de tensión en el debate sobre el uso de IAG en educación
superior gira en torno a su impacto sobre la escritura académica, el pensamiento crítico y los
procesos de aprendizaje vinculados al método científico. Estos tres componentes no son
accesorios en la formación universitaria. Por lo contrario, constituyen la estructura cognitiva y
epistémica del saber disciplinar del campo de estudio del estudiante, especialmente en carreras
orientadas a la investigación.
Escribir académicamente no consiste simplemente en transcribir información de forma
ordenada, sino en articular una posición, jerarquizar fuentes, defender una hipótesis, modular el
tono, y responder a convenciones epistemológicas que estructuran cada campo. Por ello, la
automatización de la escritura representa no solo un cambio en la mecánica de producción textual,
sino una amenaza latente a las competencias reflexivas y al carácter formativo de la redacción
como herramienta de pensamiento.
En esa línea, Liu, Park y McMinn (2024) advierten que, si bien los estudiantes valoran el
potencial de la IAG para perfeccionar aspectos técnicos de la redacción —como la corrección
gramatical o la coherencia estructural—, reconocen sus limitaciones para sostener razonamientos
complejos, profundizar ideas o adaptar respuestas a contextos disciplinares específicos. Los
autores subrayan que la herramienta facilita la fluidez lingüística, pero no reemplaza las
operaciones cognitivas superiores implicadas en la construcción de un argumento propio o en la
defensa de una tesis. De allí que, cuando la mediación docente es insuficiente, existe el riesgo de
que la IAG sea interpretada como sustituto del razonamiento crítico, reduciendo la escritura a un
ejercicio de forma sin contenido.
Estos hallazgos coinciden con lo señalado por Román-Acosta et al. (2024), quienes
subrayan que, aunque los estudiantes perciben mejoras en la forma de sus textos gracias a
ChatGPT, reconocen que la herramienta no sustituye la reflexión crítica ni la toma de decisiones
epistemológicas implicadas en la escritura académica rigurosa. Esta distinción es clave: el valor
Vol. 12/ Núm. 4 2025 pág. 625
formativo de escribir no radica en la producción del texto final, sino en el proceso mismo de
organizar ideas, tensionar argumentos y construir sentido en diálogo con una comunidad
disciplinar. Desde esa perspectiva, la IAG no solo transforma la manera en que los estudiantes
redactan, sino también el modo en que piensan, cuestionan y aprenden.
Esta tensión entre productividad y profundidad cognitiva se vuelve más evidente cuando el
análisis se traslada a tareas asociadas al pensamiento científico. En el estudio de Tramallino et al.
(2024), se observa que los estudiantes obtienen buenos resultados cuando emplean ChatGPT para
resolver tareas técnicas o estructuradas, como programar funciones o traducir código, pero
enfrentan serias dificultades al solicitarle la redacción de un resumen académico coherente o la
formulación de objetivos de investigación. Este contraste refuerza la idea de que la IAG es eficaz
en la automatización de procesos formales, pero deficiente en actividades que exigen autonomía
interpretativa, problematización o razonamiento inferencial.
En consecuencia, el riesgo de delegar la escritura a la IA no radica únicamente en el plagio
o la autoría, sino en lo que se pierde al hacerlo: el acto mismo de pensar escribiendo, de descubrir
mientras se redacta y de transformar la incertidumbre en conocimiento. La investigación
científica, entendida en su dimensión pedagógica, no es un resultado que pueda externalizarse,
sino una práctica formativa que moldea la capacidad del estudiante para generar sentido, formular
preguntas y construir argumentos con independencia intelectual.
En este punto, la reflexión pedagógica adquiere un matiz crítico: si la IAG transforma la
escritura académica en un ejercicio de edición automática, ¿qué sucede con la capacidad de
formular preguntas científicas? ¿Cómo se enseña a investigar en un contexto donde el estudiante
puede delegar no solo la redacción, sino la construcción misma del problema? La respuesta a estas
preguntas requiere volver a centrar el foco en el proceso, no solo en el producto, y en el lugar que
la escritura ocupa dentro del aprendizaje del método científico.
Condiciones que median el impacto de la IAG: contexto, agencia y mediación pedagógica
El debate sobre los efectos de la inteligencia artificial generativa (IAG) en la educación
superior tiende a polarizarse entre discursos entusiastas que la celebran como una herramienta
democratizadora, y posiciones críticas que advierten sobre su potencial empobrecedor. Sin
embargo, un número creciente de investigaciones empíricas y marcos teóricos han comenzado a
señalar que el impacto real de estas tecnologías no es uniforme ni automático, sino que depende
de una compleja constelación de factores situados: competencias previas del estudiante, contexto
disciplinar, objetivos pedagógicos, y la presencia o ausencia de mediación docente.
Este enfoque “condicional” rompe con la idea de que la IAG sea buena o mala en sí misma
y permite comprenderla como una tecnología socio-técnica, cuyo uso educativo exige
interpretación crítica, apropiación situada y regulación contextualizada. Investigaciones recientes
han mostrado que la percepción de utilidad y facilidad de uso de las tecnologías inteligentes
depende de factores como la familiaridad del estudiante con el entorno digital y el
formativo de escribir no radica en la producción del texto final, sino en el proceso mismo de
organizar ideas, tensionar argumentos y construir sentido en diálogo con una comunidad
disciplinar. Desde esa perspectiva, la IAG no solo transforma la manera en que los estudiantes
redactan, sino también el modo en que piensan, cuestionan y aprenden.
Esta tensión entre productividad y profundidad cognitiva se vuelve más evidente cuando el
análisis se traslada a tareas asociadas al pensamiento científico. En el estudio de Tramallino et al.
(2024), se observa que los estudiantes obtienen buenos resultados cuando emplean ChatGPT para
resolver tareas técnicas o estructuradas, como programar funciones o traducir código, pero
enfrentan serias dificultades al solicitarle la redacción de un resumen académico coherente o la
formulación de objetivos de investigación. Este contraste refuerza la idea de que la IAG es eficaz
en la automatización de procesos formales, pero deficiente en actividades que exigen autonomía
interpretativa, problematización o razonamiento inferencial.
En consecuencia, el riesgo de delegar la escritura a la IA no radica únicamente en el plagio
o la autoría, sino en lo que se pierde al hacerlo: el acto mismo de pensar escribiendo, de descubrir
mientras se redacta y de transformar la incertidumbre en conocimiento. La investigación
científica, entendida en su dimensión pedagógica, no es un resultado que pueda externalizarse,
sino una práctica formativa que moldea la capacidad del estudiante para generar sentido, formular
preguntas y construir argumentos con independencia intelectual.
En este punto, la reflexión pedagógica adquiere un matiz crítico: si la IAG transforma la
escritura académica en un ejercicio de edición automática, ¿qué sucede con la capacidad de
formular preguntas científicas? ¿Cómo se enseña a investigar en un contexto donde el estudiante
puede delegar no solo la redacción, sino la construcción misma del problema? La respuesta a estas
preguntas requiere volver a centrar el foco en el proceso, no solo en el producto, y en el lugar que
la escritura ocupa dentro del aprendizaje del método científico.
Condiciones que median el impacto de la IAG: contexto, agencia y mediación pedagógica
El debate sobre los efectos de la inteligencia artificial generativa (IAG) en la educación
superior tiende a polarizarse entre discursos entusiastas que la celebran como una herramienta
democratizadora, y posiciones críticas que advierten sobre su potencial empobrecedor. Sin
embargo, un número creciente de investigaciones empíricas y marcos teóricos han comenzado a
señalar que el impacto real de estas tecnologías no es uniforme ni automático, sino que depende
de una compleja constelación de factores situados: competencias previas del estudiante, contexto
disciplinar, objetivos pedagógicos, y la presencia o ausencia de mediación docente.
Este enfoque “condicional” rompe con la idea de que la IAG sea buena o mala en sí misma
y permite comprenderla como una tecnología socio-técnica, cuyo uso educativo exige
interpretación crítica, apropiación situada y regulación contextualizada. Investigaciones recientes
han mostrado que la percepción de utilidad y facilidad de uso de las tecnologías inteligentes
depende de factores como la familiaridad del estudiante con el entorno digital y el
Vol. 12/ Núm. 4 2025 pág. 626
acompañamiento institucional y docente que reciba durante su aprendizaje (Wang & Fan, 2025).
En ese sentido, la eficacia pedagógica de la IAG no radica en la herramienta per se, sino en la
capacidad del estudiante y de la institución para integrarla dentro de una cultura académica
reflexiva.
De forma complementaria, Qu (2024) encontró diferencias significativas en los patrones
de uso de herramientas generativas entre estudiantes de distintas disciplinas: quienes poseen
mayor formación o experiencia académica tienden a utilizarlas de manera estratégica y puntual,
mientras que aquellos con menor dominio disciplinar recurren a un uso más rutinario y
dependiente. Este hallazgo sugiere que la incorporación de la IAG reproduce y visibiliza
asimetrías de agencia epistemológica, pues no todos los estudiantes poseen las mismas
capacidades para decidir cómo, cuándo y con qué propósito emplear estas tecnologías en sus
procesos de aprendizaje.
Otro factor que media el impacto de la IAG es la presencia de una guía pedagógica
explícita. Cuando los docentes introducen la inteligencia artificial generativa como parte del
proceso formativo —con objetivos claros, acompañamiento y espacios de reflexión—, los
estudiantes tienden a evaluar críticamente sus respuestas, revisar sus propios procesos de
pensamiento y usar la herramienta como apoyo cognitivo, no como sustituto del razonamiento.
Por el contrario, cuando su utilización se deja a la espontaneidad o al autoaprendizaje, se
reproducen prácticas instrumentales y se pierde la oportunidad de desarrollar habilidades
metacognitivas y de autorregulación. En este sentido, Mazari (2025) demuestra que la integración
guiada de herramientas de IA en la educación superior promueve la reflexión sobre el propio
aprendizaje y fortalece la capacidad de los estudiantes para planificar, monitorear y evaluar su
desempeño académico.
Este componente formativo es subrayado también por Niño-Carrasco et al. (2025), quienes
muestran que muchos estudiantes usan la IAG sin conocer su funcionamiento, sus limitaciones o
sus implicaciones éticas, lo que da lugar a una apropiación superficial y funcionalista. Esta
percepción de utilidad inmediata, desligada de una comprensión crítica, genera el riesgo de
automatizar procesos complejos sin entender sus bases metodológicas ni epistémicas.
Por otro lado, también debe considerarse la dimensión estructural del acceso, un factor que
condiciona profundamente las oportunidades de apropiación tecnológica en el ámbito educativo.
Meza-Fregoso, Peralta-Garay y Silva-Peña (2024) observaron que una parte significativa de los
estudiantes no utilizaba ChatGPT no por falta de interés, sino por desconocimiento, escasas
habilidades técnicas o limitaciones de acceso a dispositivos y versiones de pago. Esta brecha
tecnológica reproduce desigualdades educativas preexistentes, vinculadas al nivel
socioeconómico, al tipo de institución y al capital digital acumulado. En consecuencia, el discurso
que presenta la IAG como una herramienta universal o democratizadora del aprendizaje resulta
acompañamiento institucional y docente que reciba durante su aprendizaje (Wang & Fan, 2025).
En ese sentido, la eficacia pedagógica de la IAG no radica en la herramienta per se, sino en la
capacidad del estudiante y de la institución para integrarla dentro de una cultura académica
reflexiva.
De forma complementaria, Qu (2024) encontró diferencias significativas en los patrones
de uso de herramientas generativas entre estudiantes de distintas disciplinas: quienes poseen
mayor formación o experiencia académica tienden a utilizarlas de manera estratégica y puntual,
mientras que aquellos con menor dominio disciplinar recurren a un uso más rutinario y
dependiente. Este hallazgo sugiere que la incorporación de la IAG reproduce y visibiliza
asimetrías de agencia epistemológica, pues no todos los estudiantes poseen las mismas
capacidades para decidir cómo, cuándo y con qué propósito emplear estas tecnologías en sus
procesos de aprendizaje.
Otro factor que media el impacto de la IAG es la presencia de una guía pedagógica
explícita. Cuando los docentes introducen la inteligencia artificial generativa como parte del
proceso formativo —con objetivos claros, acompañamiento y espacios de reflexión—, los
estudiantes tienden a evaluar críticamente sus respuestas, revisar sus propios procesos de
pensamiento y usar la herramienta como apoyo cognitivo, no como sustituto del razonamiento.
Por el contrario, cuando su utilización se deja a la espontaneidad o al autoaprendizaje, se
reproducen prácticas instrumentales y se pierde la oportunidad de desarrollar habilidades
metacognitivas y de autorregulación. En este sentido, Mazari (2025) demuestra que la integración
guiada de herramientas de IA en la educación superior promueve la reflexión sobre el propio
aprendizaje y fortalece la capacidad de los estudiantes para planificar, monitorear y evaluar su
desempeño académico.
Este componente formativo es subrayado también por Niño-Carrasco et al. (2025), quienes
muestran que muchos estudiantes usan la IAG sin conocer su funcionamiento, sus limitaciones o
sus implicaciones éticas, lo que da lugar a una apropiación superficial y funcionalista. Esta
percepción de utilidad inmediata, desligada de una comprensión crítica, genera el riesgo de
automatizar procesos complejos sin entender sus bases metodológicas ni epistémicas.
Por otro lado, también debe considerarse la dimensión estructural del acceso, un factor que
condiciona profundamente las oportunidades de apropiación tecnológica en el ámbito educativo.
Meza-Fregoso, Peralta-Garay y Silva-Peña (2024) observaron que una parte significativa de los
estudiantes no utilizaba ChatGPT no por falta de interés, sino por desconocimiento, escasas
habilidades técnicas o limitaciones de acceso a dispositivos y versiones de pago. Esta brecha
tecnológica reproduce desigualdades educativas preexistentes, vinculadas al nivel
socioeconómico, al tipo de institución y al capital digital acumulado. En consecuencia, el discurso
que presenta la IAG como una herramienta universal o democratizadora del aprendizaje resulta
Vol. 12/ Núm. 4 2025 pág. 627
problemático, pues su potencial transformador depende de condiciones materiales y formativas
que no están igualmente distribuidas.
La accesibilidad tecnológica, por tanto, no puede asumirse como un hecho dado, sino como
una construcción institucional y política que requiere acompañamiento, formación digital y
estrategias inclusivas para evitar que la innovación amplíe las brechas que promete cerrar. En
síntesis, el impacto de la IAG sobre el aprendizaje universitario no puede evaluarse sin atender a
las condiciones de su implementación. La herramienta misma no garantiza ni el deterioro ni el
fortalecimiento del pensamiento científico; lo decisivo es el modo en que es introducida, mediada
y situada dentro de un proceso pedagógico. Solo desde esta perspectiva es posible comprender
por qué, en unos contextos, su uso potencia la calidad académica, mientras que en otros,
empobrece los procesos formativos.
El docente frente a la IAG: de transmisor a diseñador ético y curador epistémico
El despliegue de la IAG en entornos universitarios no solo interpela a los estudiantes como
usuarios activos, sino que desafía profundamente el rol del docente. En un sistema educativo
tradicionalmente centrado en la transmisión de conocimientos, la aparición de una tecnología
capaz de generar respuestas inmediatas, redactar ensayos, resumir textos y hasta formular
preguntas de examen, plantea una pregunta estructural: ¿qué función cumple ahora el profesor
universitario? ¿Qué sentido conserva su labor en un contexto donde la producción textual, el
acceso a la información y parte del razonamiento lógico pueden ser automatizados?
Frente a esta disyuntiva, se dibujan dos horizontes posibles. El primero, tecnocentrista, ve
al docente como un agente obsoleto o en vías de delegar parte de sus funciones a sistemas
automatizados. El segundo, más reflexivo, reconoce que precisamente cuando la técnica puede
replicar ciertos procedimientos, el docente adquiere una centralidad distinta: la de formar sujetos
capaces de pensar ética y reflexivamente, argumentar críticamente y decidir con autonomía.
Desde esta última perspectiva, autores como Posso-Pacheco (2025) señalan que el nuevo
rol docente implica dejar de ser un mero transmisor de contenidos para convertirse en diseñador
de experiencias formativas auténticas, promotor de competencias del siglo XXI y mediador ético
frente al uso tecnológico. Esta triple función requiere no solo nuevos conocimientos técnicos,
sino un reposicionamiento pedagógico y ético: el profesor no debería estar para vigilar el uso de
IA, sino para acompañar su incorporación crítica, diseñando actividades que estimulen la agencia
del estudiante y no su dependencia con esta tecnología.
El valor del docente se refuerza, además, en su capacidad para guiar procesos formativos
que la inteligencia artificial no puede replicar: el debate argumentado, la problematización
situada, la lectura crítica, el análisis de contradicciones y la construcción de sentido desde una
perspectiva ética y cultural. Como plantea Romero-Rodríguez (2023), “la figura del docente no
desaparece ante ChatGPT, sino que se transforma en el único actor capaz de articular los
diferentes planos —ético, epistémico, metodológico y afectivo— implicados en el proceso de
problemático, pues su potencial transformador depende de condiciones materiales y formativas
que no están igualmente distribuidas.
La accesibilidad tecnológica, por tanto, no puede asumirse como un hecho dado, sino como
una construcción institucional y política que requiere acompañamiento, formación digital y
estrategias inclusivas para evitar que la innovación amplíe las brechas que promete cerrar. En
síntesis, el impacto de la IAG sobre el aprendizaje universitario no puede evaluarse sin atender a
las condiciones de su implementación. La herramienta misma no garantiza ni el deterioro ni el
fortalecimiento del pensamiento científico; lo decisivo es el modo en que es introducida, mediada
y situada dentro de un proceso pedagógico. Solo desde esta perspectiva es posible comprender
por qué, en unos contextos, su uso potencia la calidad académica, mientras que en otros,
empobrece los procesos formativos.
El docente frente a la IAG: de transmisor a diseñador ético y curador epistémico
El despliegue de la IAG en entornos universitarios no solo interpela a los estudiantes como
usuarios activos, sino que desafía profundamente el rol del docente. En un sistema educativo
tradicionalmente centrado en la transmisión de conocimientos, la aparición de una tecnología
capaz de generar respuestas inmediatas, redactar ensayos, resumir textos y hasta formular
preguntas de examen, plantea una pregunta estructural: ¿qué función cumple ahora el profesor
universitario? ¿Qué sentido conserva su labor en un contexto donde la producción textual, el
acceso a la información y parte del razonamiento lógico pueden ser automatizados?
Frente a esta disyuntiva, se dibujan dos horizontes posibles. El primero, tecnocentrista, ve
al docente como un agente obsoleto o en vías de delegar parte de sus funciones a sistemas
automatizados. El segundo, más reflexivo, reconoce que precisamente cuando la técnica puede
replicar ciertos procedimientos, el docente adquiere una centralidad distinta: la de formar sujetos
capaces de pensar ética y reflexivamente, argumentar críticamente y decidir con autonomía.
Desde esta última perspectiva, autores como Posso-Pacheco (2025) señalan que el nuevo
rol docente implica dejar de ser un mero transmisor de contenidos para convertirse en diseñador
de experiencias formativas auténticas, promotor de competencias del siglo XXI y mediador ético
frente al uso tecnológico. Esta triple función requiere no solo nuevos conocimientos técnicos,
sino un reposicionamiento pedagógico y ético: el profesor no debería estar para vigilar el uso de
IA, sino para acompañar su incorporación crítica, diseñando actividades que estimulen la agencia
del estudiante y no su dependencia con esta tecnología.
El valor del docente se refuerza, además, en su capacidad para guiar procesos formativos
que la inteligencia artificial no puede replicar: el debate argumentado, la problematización
situada, la lectura crítica, el análisis de contradicciones y la construcción de sentido desde una
perspectiva ética y cultural. Como plantea Romero-Rodríguez (2023), “la figura del docente no
desaparece ante ChatGPT, sino que se transforma en el único actor capaz de articular los
diferentes planos —ético, epistémico, metodológico y afectivo— implicados en el proceso de
Vol. 12/ Núm. 4 2025 pág. 628
aprendizaje” (p. 6). En otras palabras, el rol docente no se diluye ante la presencia de la IA, sino
que se complejiza: pasa de transmitir información a diseñar experiencias de pensamiento,
acompañar procesos reflexivos y orientar la toma de decisiones éticas frente al uso de
herramientas generativas. Desde esta perspectiva, el docente no compite con la tecnología, sino
que media entre la automatización y la comprensión, preservando la dimensión humana, crítica y
contextual del aprendizaje.
Esta transformación exige, sin embargo, un cambio institucional. No basta con llamar a los
docentes a asumir nuevos roles si no se generan las condiciones materiales y simbólicas para ello.
La formación docente, la adecuación de estrategias evaluativas, la actualización de los marcos
normativos y la reflexión colectiva sobre el sentido de enseñar en la era de la automatización
algorítmica son pasos ineludibles si se quiere evitar un escenario de colapso pedagógico, donde
la tecnología avance más rápido que la capacidad de educar críticamente sobre su uso.
En este sentido, la práctica docente ya no puede centrarse en controlar lo que el estudiante
hace, sino en generar escenarios donde el uso de IA no sea visto como “hacer trampa”, sino un
punto de partida para la reflexión y la construcción colaborativa de saberes. En este sentido, el
docente actúa no solo como un filtro de calidad epistemológica, sino como un interlocutor activo
que ayuda al estudiante a distinguir entre reproducir información y construir conocimiento.
Esta función cobra especial importancia en el contexto del aprendizaje del método
científico, donde cada fase —formulación del problema, revisión de literatura, construcción de
hipótesis, diseño metodológico, análisis de datos— puede ser abordada desde la IAG, pero solo
adquiere sentido formativo si es guiada por una intencionalidad pedagógica e investigativa clara.
Es allí donde el docente puede y debe intervenir: no para prohibir el uso de estas herramientas,
sino para enseñar a usarlas de forma ética, productiva y epistemológicamente significativa.
Tensiones éticas, autoría y agencia epistémica en entornos mediados por IAG
Uno de los efectos más disruptivos de la inteligencia artificial generativa en el ámbito
educativo no radica necesariamente en lo que produce, sino más bien en aquello que desdibuja,
esto es, la frontera entre el trabajo propio y el ajeno, entre autoría y colaboración, entre aprender
y externalizar el esfuerzo cognitivo. Estas tensiones éticas y epistémicas no son un apéndice del
debate, sino un nudo estructural que atraviesa la escritura académica, la evaluación del
aprendizaje y el sentido mismo de formar investigadores en la universidad.
Como se mencionó anteriormente, el acto de escribir, en la tradición académica, no es
meramente instrumental, sino una práctica de producción de conocimiento que implica
responsabilidad autoral, juicio crítico y apropiación conceptual. La introducción de una
tecnología que puede generar textos coherentes, bien redactados e incluso con apariencia
académica, pone en crisis ese entramado. Como lo muestran Román-Acosta et al. (2024), un alto
porcentaje de estudiantes que usan ChatGPT no citan ni reconocen su uso, lo cual revela no solo
aprendizaje” (p. 6). En otras palabras, el rol docente no se diluye ante la presencia de la IA, sino
que se complejiza: pasa de transmitir información a diseñar experiencias de pensamiento,
acompañar procesos reflexivos y orientar la toma de decisiones éticas frente al uso de
herramientas generativas. Desde esta perspectiva, el docente no compite con la tecnología, sino
que media entre la automatización y la comprensión, preservando la dimensión humana, crítica y
contextual del aprendizaje.
Esta transformación exige, sin embargo, un cambio institucional. No basta con llamar a los
docentes a asumir nuevos roles si no se generan las condiciones materiales y simbólicas para ello.
La formación docente, la adecuación de estrategias evaluativas, la actualización de los marcos
normativos y la reflexión colectiva sobre el sentido de enseñar en la era de la automatización
algorítmica son pasos ineludibles si se quiere evitar un escenario de colapso pedagógico, donde
la tecnología avance más rápido que la capacidad de educar críticamente sobre su uso.
En este sentido, la práctica docente ya no puede centrarse en controlar lo que el estudiante
hace, sino en generar escenarios donde el uso de IA no sea visto como “hacer trampa”, sino un
punto de partida para la reflexión y la construcción colaborativa de saberes. En este sentido, el
docente actúa no solo como un filtro de calidad epistemológica, sino como un interlocutor activo
que ayuda al estudiante a distinguir entre reproducir información y construir conocimiento.
Esta función cobra especial importancia en el contexto del aprendizaje del método
científico, donde cada fase —formulación del problema, revisión de literatura, construcción de
hipótesis, diseño metodológico, análisis de datos— puede ser abordada desde la IAG, pero solo
adquiere sentido formativo si es guiada por una intencionalidad pedagógica e investigativa clara.
Es allí donde el docente puede y debe intervenir: no para prohibir el uso de estas herramientas,
sino para enseñar a usarlas de forma ética, productiva y epistemológicamente significativa.
Tensiones éticas, autoría y agencia epistémica en entornos mediados por IAG
Uno de los efectos más disruptivos de la inteligencia artificial generativa en el ámbito
educativo no radica necesariamente en lo que produce, sino más bien en aquello que desdibuja,
esto es, la frontera entre el trabajo propio y el ajeno, entre autoría y colaboración, entre aprender
y externalizar el esfuerzo cognitivo. Estas tensiones éticas y epistémicas no son un apéndice del
debate, sino un nudo estructural que atraviesa la escritura académica, la evaluación del
aprendizaje y el sentido mismo de formar investigadores en la universidad.
Como se mencionó anteriormente, el acto de escribir, en la tradición académica, no es
meramente instrumental, sino una práctica de producción de conocimiento que implica
responsabilidad autoral, juicio crítico y apropiación conceptual. La introducción de una
tecnología que puede generar textos coherentes, bien redactados e incluso con apariencia
académica, pone en crisis ese entramado. Como lo muestran Román-Acosta et al. (2024), un alto
porcentaje de estudiantes que usan ChatGPT no citan ni reconocen su uso, lo cual revela no solo
Vol. 12/ Núm. 4 2025 pág. 629
un vacío normativo, sino una falla en la comprensión de lo que significa construir conocimiento
con integridad.
Sin embargo, este desdibujamiento de la autoría no ocurre de forma deliberada en todos los
casos. La literatura reciente muestra un patrón de ambivalencia estudiantil: al tiempo que valoran
el apoyo de la IAG para mejorar la forma del texto, también reconocen límites en su aporte al
razonamiento y a la integridad académica (Liu, Park y McMinn, 2024). En paralelo, se ha descrito
una “zona gris” en la que la agencia creativa y la autoría quedan difuminadas entre usuarios y
sistemas generativos, lo que tensiona la noción de originalidad y compromete el sentido formativo
del escribir (Hau, 2025).
Lo problemático no es solo que se delegue la redacción, sino que se disuelva la agencia
epistémica del estudiante. El riesgo se traduce entonces en formar usuarios competentes en
prompts, pero incapaces de sostener una posición argumentativa, de justificar una metodología o
de enfrentar críticamente una fuente. En este sentido, lo que está en juego no es la originalidad
textual, sino la autonomía intelectual. Como lo plantea Loayza-Maturrano (2024), “la delegación
del esfuerzo cognitivo a una máquina sin comprensión plena de su funcionamiento técnico o
implicaciones éticas puede conducir a una forma sofisticada de heteronomía académica” (p. 5)
Estas tensiones éticas se agravan cuando las instituciones educativas carecen de marcos
claros sobre el uso permitido, aceptable o formativo de estas herramientas. Tal como denuncian
Niño-Carrasco et al. (2025), muchos estudiantes operan desde la intuición o el sentido común, sin
formación previa ni reglas explícitas, lo que abre la puerta a prácticas desinformadas o incluso
involuntariamente fraudulentas. Esta ausencia de orientación no solo genera confusión, sino que
produce desigualdad ética: algunos estudiantes se autocensuran, otros se exceden, y la institución
se limita a sancionar sin haber educado.
Pero además del plano normativo, hay un plano pedagógico más profundo: ¿cómo formar
una ética de la autoría y del pensamiento crítico en un entorno donde cada vez es más fácil
producir textos sin escribirlos? ¿qué significa “aprender” cuando no se distingue entre redactar
una idea y obtenerla generada en segundos? Estas preguntas no tienen respuestas simples, pero
exigen que la comunidad académica no se limite a discutir el plagio, sino que reflexione sobre la
transformación del acto de escribir y de pensar en la era de la automatización.
En consecuencia, como advierte Justo Aracayo et al. (2025), el uso ético y crítico de la IAG
no se logra mediante prohibiciones ni vigilancias, sino mediante estrategias pedagógicas que
inviten a los estudiantes a asumir una posición activa y reflexiva frente al conocimiento: analizar
los resultados de la IA, discutir sus sesgos, contrastar sus afirmaciones, y reconstruir los textos
desde una perspectiva situada y crítica.
Hacia una integración crítica y situada de la IAG en el aprendizaje científico
Hasta este punto hemos visto que los debates contemporáneos en torno al uso de IAG en la
educación superior revelan un campo en tensión. La IAG no se trata simplemente de una
un vacío normativo, sino una falla en la comprensión de lo que significa construir conocimiento
con integridad.
Sin embargo, este desdibujamiento de la autoría no ocurre de forma deliberada en todos los
casos. La literatura reciente muestra un patrón de ambivalencia estudiantil: al tiempo que valoran
el apoyo de la IAG para mejorar la forma del texto, también reconocen límites en su aporte al
razonamiento y a la integridad académica (Liu, Park y McMinn, 2024). En paralelo, se ha descrito
una “zona gris” en la que la agencia creativa y la autoría quedan difuminadas entre usuarios y
sistemas generativos, lo que tensiona la noción de originalidad y compromete el sentido formativo
del escribir (Hau, 2025).
Lo problemático no es solo que se delegue la redacción, sino que se disuelva la agencia
epistémica del estudiante. El riesgo se traduce entonces en formar usuarios competentes en
prompts, pero incapaces de sostener una posición argumentativa, de justificar una metodología o
de enfrentar críticamente una fuente. En este sentido, lo que está en juego no es la originalidad
textual, sino la autonomía intelectual. Como lo plantea Loayza-Maturrano (2024), “la delegación
del esfuerzo cognitivo a una máquina sin comprensión plena de su funcionamiento técnico o
implicaciones éticas puede conducir a una forma sofisticada de heteronomía académica” (p. 5)
Estas tensiones éticas se agravan cuando las instituciones educativas carecen de marcos
claros sobre el uso permitido, aceptable o formativo de estas herramientas. Tal como denuncian
Niño-Carrasco et al. (2025), muchos estudiantes operan desde la intuición o el sentido común, sin
formación previa ni reglas explícitas, lo que abre la puerta a prácticas desinformadas o incluso
involuntariamente fraudulentas. Esta ausencia de orientación no solo genera confusión, sino que
produce desigualdad ética: algunos estudiantes se autocensuran, otros se exceden, y la institución
se limita a sancionar sin haber educado.
Pero además del plano normativo, hay un plano pedagógico más profundo: ¿cómo formar
una ética de la autoría y del pensamiento crítico en un entorno donde cada vez es más fácil
producir textos sin escribirlos? ¿qué significa “aprender” cuando no se distingue entre redactar
una idea y obtenerla generada en segundos? Estas preguntas no tienen respuestas simples, pero
exigen que la comunidad académica no se limite a discutir el plagio, sino que reflexione sobre la
transformación del acto de escribir y de pensar en la era de la automatización.
En consecuencia, como advierte Justo Aracayo et al. (2025), el uso ético y crítico de la IAG
no se logra mediante prohibiciones ni vigilancias, sino mediante estrategias pedagógicas que
inviten a los estudiantes a asumir una posición activa y reflexiva frente al conocimiento: analizar
los resultados de la IA, discutir sus sesgos, contrastar sus afirmaciones, y reconstruir los textos
desde una perspectiva situada y crítica.
Hacia una integración crítica y situada de la IAG en el aprendizaje científico
Hasta este punto hemos visto que los debates contemporáneos en torno al uso de IAG en la
educación superior revelan un campo en tensión. La IAG no se trata simplemente de una
Vol. 12/ Núm. 4 2025 pág. 630
innovación técnica que debe ser incorporada o rechazada, sino de un artefacto disruptivo que
redefine los marcos epistémicos, éticos y pedagógicos desde los cuales se enseña, se aprende y se
investiga en la universidad. La discusión ya no puede limitarse a su utilidad operativa ni a su
peligrosidad potencial: lo que está en juego es cómo se integra, bajo qué condiciones, y con qué
propósitos formativos.
En este sentido, diversos autores coinciden en que el impacto de la IAG es profundamente
contingente, es decir, depende de una constelación de factores: las competencias previas de los
estudiantes, el diseño pedagógico, las normativas institucionales, el nivel de alfabetización digital
crítica, y el tipo de acompañamiento docente. Desde una perspectiva compleja, Romero-
Rodríguez (2023) propone comprender esta tecnología no desde un enfoque binario de
oportunidad/riesgo, sino como parte de un sistema pedagógico en transformación, donde lo
técnico se entrelaza con lo ético, lo epistémico y lo institucional: “no se trata de si ChatGPT debe
usarse, sino de cómo se integra a un modelo educativo centrado en el sentido, la agencia y la
construcción crítica del conocimiento” (p. 6)
Este enfoque exige superar tanto la euforia tecnocentrista como el pánico moral. No se trata
de defender a la IA ni de demonizarla, sino de asumir su presencia como una realidad
irreversible, y desde allí, pensar sus usos pedagógicos de forma propositiva. Como lo plantea
Meza Fregoso et al. (2024), la IA puede mejorar el desempeño académico y facilitar ciertos
procesos de aprendizaje, pero solo cuando su uso está mediado por un enfoque formativo ético y
reflexivo, y no cuando se convierte en un atajo que desplaza el ejercicio intelectual.
Integrar la IAG críticamente implica diseñar actividades que no solo permitan usar la
herramienta, sino también problematizarla, evaluarla, discutir sus sesgos, y contrastar sus
resultados con los marcos de conocimiento propios de cada disciplina. Al mismo tiempo significa
transformar la evaluación, priorizando los procesos sobre los productos, y exigiendo al estudiante
no solo respuestas correctas, sino explicaciones, argumentaciones y decisiones justificadas. En
este escenario, el aprendizaje del método científico se vuelve un terreno ideal para explorar estas
nuevas formas de pensar con —y contra— la tecnología.
Además, una integración crítica debe considerar las condiciones materiales de acceso.
Como evidencian varios estudios, el uso efectivo de estas tecnologías está mediado por el idioma,
el tipo de carrera, el acceso a dispositivos y la formación previa. Por tanto, no puede pensarse una
política de integración sin atender a las desigualdades estructurales que afectan el acceso y la
apropiación significativa de la IAG. Cualquier incorporación acrítica corre el riesgo de reforzar
las brechas que dice querer cerrar.
Finalmente, integrar la IAG de forma situada significa también respetar los tiempos y
niveles de apropiación de cada comunidad académica. No todas las disciplinas se relacionan de
igual manera con la escritura, la argumentación o la formulación de hipótesis; y no todos los
docentes están en condiciones de adaptar sus prácticas sin apoyo institucional. Por eso, una
innovación técnica que debe ser incorporada o rechazada, sino de un artefacto disruptivo que
redefine los marcos epistémicos, éticos y pedagógicos desde los cuales se enseña, se aprende y se
investiga en la universidad. La discusión ya no puede limitarse a su utilidad operativa ni a su
peligrosidad potencial: lo que está en juego es cómo se integra, bajo qué condiciones, y con qué
propósitos formativos.
En este sentido, diversos autores coinciden en que el impacto de la IAG es profundamente
contingente, es decir, depende de una constelación de factores: las competencias previas de los
estudiantes, el diseño pedagógico, las normativas institucionales, el nivel de alfabetización digital
crítica, y el tipo de acompañamiento docente. Desde una perspectiva compleja, Romero-
Rodríguez (2023) propone comprender esta tecnología no desde un enfoque binario de
oportunidad/riesgo, sino como parte de un sistema pedagógico en transformación, donde lo
técnico se entrelaza con lo ético, lo epistémico y lo institucional: “no se trata de si ChatGPT debe
usarse, sino de cómo se integra a un modelo educativo centrado en el sentido, la agencia y la
construcción crítica del conocimiento” (p. 6)
Este enfoque exige superar tanto la euforia tecnocentrista como el pánico moral. No se trata
de defender a la IA ni de demonizarla, sino de asumir su presencia como una realidad
irreversible, y desde allí, pensar sus usos pedagógicos de forma propositiva. Como lo plantea
Meza Fregoso et al. (2024), la IA puede mejorar el desempeño académico y facilitar ciertos
procesos de aprendizaje, pero solo cuando su uso está mediado por un enfoque formativo ético y
reflexivo, y no cuando se convierte en un atajo que desplaza el ejercicio intelectual.
Integrar la IAG críticamente implica diseñar actividades que no solo permitan usar la
herramienta, sino también problematizarla, evaluarla, discutir sus sesgos, y contrastar sus
resultados con los marcos de conocimiento propios de cada disciplina. Al mismo tiempo significa
transformar la evaluación, priorizando los procesos sobre los productos, y exigiendo al estudiante
no solo respuestas correctas, sino explicaciones, argumentaciones y decisiones justificadas. En
este escenario, el aprendizaje del método científico se vuelve un terreno ideal para explorar estas
nuevas formas de pensar con —y contra— la tecnología.
Además, una integración crítica debe considerar las condiciones materiales de acceso.
Como evidencian varios estudios, el uso efectivo de estas tecnologías está mediado por el idioma,
el tipo de carrera, el acceso a dispositivos y la formación previa. Por tanto, no puede pensarse una
política de integración sin atender a las desigualdades estructurales que afectan el acceso y la
apropiación significativa de la IAG. Cualquier incorporación acrítica corre el riesgo de reforzar
las brechas que dice querer cerrar.
Finalmente, integrar la IAG de forma situada significa también respetar los tiempos y
niveles de apropiación de cada comunidad académica. No todas las disciplinas se relacionan de
igual manera con la escritura, la argumentación o la formulación de hipótesis; y no todos los
docentes están en condiciones de adaptar sus prácticas sin apoyo institucional. Por eso, una
Vol. 12/ Núm. 4 2025 pág. 631
política educativa responsable debe promover formación docente continua, diseño curricular
adaptativo y marcos normativos claros, que favorezcan el uso pedagógico, reflexivo y ético de la
IA sin caer en tecnocracias o prohibiciones estériles.
En síntesis, la IAG no es una solución mágica pero tampoco una amenaza inevitable. Su
impacto dependerá de la capacidad que tenga la universidad de integrar esta tecnología desde una
pedagogía crítica, situada y orientada a formar sujetos epistémicamente activos y éticamente
comprometidos. Esa es la tarea urgente que debe apuntarse en las agendas de las instituciones de
educación superior del país y de la región.
MATERIALES Y MÉTODOS
Este estudio se desarrolló bajo un enfoque cuantitativo con diseño cuasiexperimental de
tipo comparativo, orientado a analizar la influencia del uso de IAG en la calidad de los proyectos
de investigación científica elaborados por estudiantes universitarios de una carrera de ingeniería.
El objetivo fue identificar diferencias significativas entre un grupo que utilizó IA en el desarrollo
de sus trabajos finales y otro que no empleó estas herramientas. Además, se integró una estrategia
complementaria de recolección de datos cualitativos mediante encuestas, con el propósito de
enriquecer la interpretación de los resultados cuantitativos obtenidos.
Participantes
La muestra del estudio estuvo conformada por dos cohortes de estudiantes de segundo nivel
de la carrera de Ingeniería en Alimentos de la Universidad Técnica Estatal de Quevedo, quienes
cursaron la asignatura ‘Método Científico’ en periodos académicos distintos. Cada cohorte
desarrolló 18 trabajos finales en modalidad grupal, orientados al diseño y ejecución de un
proyecto de investigación científica. Ambos grupos fueron guiados por el mismo docente, bajo
los mismos objetivos curriculares, con tiempos de trabajo equivalentes y una estructura
metodológica uniforme. El grupo que utilizó herramientas de inteligencia artificial generativa
corresponde al primer y segundo periodo académico 2024-2025, mientras que el grupo que no
usó la IA fue evaluado en el primer y segundo periodo académico 2023-2024. Esta diferencia
temporal permitió observar los efectos del uso de IA bajo condiciones comparables, pero evitando
interferencias simultáneas entre los grupos. Adicionalmente, se aplicaron encuestas diferenciadas
a cada grupo. La encuesta para el grupo con IA obtuvo 32 respuestas completas, mientras que la
encuesta dirigida al grupo sin IA recogió 23 respuestas.
Instrumentos
La calidad de los trabajos de investigación científica fue evaluada mediante una rúbrica
construida con base en los resultados de aprendizaje de la asignatura, validada por tres docentes
investigadores con experiencia en pedagogía universitaria. La rúbrica consideró nueve criterios
fundamentales: planteamiento del problema, formulación de objetivos, construcción del marco
teórico, adecuación metodológica, presentación de resultados, discusión de hallazgos,
política educativa responsable debe promover formación docente continua, diseño curricular
adaptativo y marcos normativos claros, que favorezcan el uso pedagógico, reflexivo y ético de la
IA sin caer en tecnocracias o prohibiciones estériles.
En síntesis, la IAG no es una solución mágica pero tampoco una amenaza inevitable. Su
impacto dependerá de la capacidad que tenga la universidad de integrar esta tecnología desde una
pedagogía crítica, situada y orientada a formar sujetos epistémicamente activos y éticamente
comprometidos. Esa es la tarea urgente que debe apuntarse en las agendas de las instituciones de
educación superior del país y de la región.
MATERIALES Y MÉTODOS
Este estudio se desarrolló bajo un enfoque cuantitativo con diseño cuasiexperimental de
tipo comparativo, orientado a analizar la influencia del uso de IAG en la calidad de los proyectos
de investigación científica elaborados por estudiantes universitarios de una carrera de ingeniería.
El objetivo fue identificar diferencias significativas entre un grupo que utilizó IA en el desarrollo
de sus trabajos finales y otro que no empleó estas herramientas. Además, se integró una estrategia
complementaria de recolección de datos cualitativos mediante encuestas, con el propósito de
enriquecer la interpretación de los resultados cuantitativos obtenidos.
Participantes
La muestra del estudio estuvo conformada por dos cohortes de estudiantes de segundo nivel
de la carrera de Ingeniería en Alimentos de la Universidad Técnica Estatal de Quevedo, quienes
cursaron la asignatura ‘Método Científico’ en periodos académicos distintos. Cada cohorte
desarrolló 18 trabajos finales en modalidad grupal, orientados al diseño y ejecución de un
proyecto de investigación científica. Ambos grupos fueron guiados por el mismo docente, bajo
los mismos objetivos curriculares, con tiempos de trabajo equivalentes y una estructura
metodológica uniforme. El grupo que utilizó herramientas de inteligencia artificial generativa
corresponde al primer y segundo periodo académico 2024-2025, mientras que el grupo que no
usó la IA fue evaluado en el primer y segundo periodo académico 2023-2024. Esta diferencia
temporal permitió observar los efectos del uso de IA bajo condiciones comparables, pero evitando
interferencias simultáneas entre los grupos. Adicionalmente, se aplicaron encuestas diferenciadas
a cada grupo. La encuesta para el grupo con IA obtuvo 32 respuestas completas, mientras que la
encuesta dirigida al grupo sin IA recogió 23 respuestas.
Instrumentos
La calidad de los trabajos de investigación científica fue evaluada mediante una rúbrica
construida con base en los resultados de aprendizaje de la asignatura, validada por tres docentes
investigadores con experiencia en pedagogía universitaria. La rúbrica consideró nueve criterios
fundamentales: planteamiento del problema, formulación de objetivos, construcción del marco
teórico, adecuación metodológica, presentación de resultados, discusión de hallazgos,
Vol. 12/ Núm. 4 2025 pág. 632
conclusiones, calidad de la redacción y estructura, y originalidad del trabajo. Cada criterio fue
calificado en una escala de 0 a 5 puntos, considerando niveles crecientes de calidad académica.
Todos los trabajos fueron evaluados por el mismo docente responsable, de forma ciega, sin
conocer a qué grupo pertenecía cada documento.
Las encuestas aplicadas a los estudiantes contenían preguntas tipo Likert y preguntas
abiertas. En el grupo con IA, se indagó sobre la percepción del uso de herramientas como
ChatGPT en el proceso investigativo, mientras que en el grupo sin IA se consultó sobre las
dificultades encontradas durante el desarrollo autónomo del trabajo. Ambos cuestionarios fueron
diseñados con fines exploratorios y su análisis se integró a la interpretación de los resultados
cuantitativos.
Procedimiento
Ambos grupos trabajaron de forma asincrónica el desarrollo progresivo de sus proyectos
de investigación. El grupo experimental tuvo acceso guiado a herramientas como ChatGPT,
Perplexity y otras plataformas de IAG, las cuales utilizaron bajo mediación docente para
desarrollar las diferentes etapas y elaborar el producto del proceso investigativo. Por su parte, el
grupo de control elaboró sus trabajos sin recurrir a la IA, utilizando exclusivamente recursos
bibliográficos tradicionales y estrategias de escritura convencionales. Así mismo, se aplicó una
rúbrica estandarizada a todos los informes, y se procedió a la recolección de datos cualitativos
mediante las encuestas.
Estrategia de análisis de datos
Los resultados de las evaluaciones fueron sometidos a análisis estadístico descriptivo y
comparativo. Se calcularon promedios y desviaciones estándar por cada uno de los nueve criterios
evaluados, y se aplicó la prueba t de Student para muestras independientes, con un nivel de
significancia de α = 0.05, a fin de establecer la existencia de diferencias estadísticamente
significativas entre ambos grupos. Complementariamente, se analizó la fiabilidad interna de los
instrumentos cualitativos mediante el coeficiente alfa de Cronbach, que arrojó un valor de 0.89
para el grupo con IA y 0.82 para el grupo sin IA, lo cual indica una alta consistencia interna en
ambos cuestionarios. Las respuestas abiertas fueron abordadas mediante análisis temático
inductivo, lo que permitió identificar patrones de uso, sentido formativo atribuido a la
herramienta, y valoraciones subjetivas sobre el proceso de trabajo investigativo.
RESULTADOS Y DISCUSIÓN
Los resultados empíricos obtenidos permiten sostener una afirmación categórica: el grupo
que integró inteligencia artificial generativa (IAG) en el desarrollo de su investigación
superó al grupo de control en casi todos los criterios evaluados, con diferencias
estadísticamente significativas en los aspectos fundamentales del proceso investigativo
universitario. Esta constatación no se limita a una mejora estilística o superficial, sino que abarca
conclusiones, calidad de la redacción y estructura, y originalidad del trabajo. Cada criterio fue
calificado en una escala de 0 a 5 puntos, considerando niveles crecientes de calidad académica.
Todos los trabajos fueron evaluados por el mismo docente responsable, de forma ciega, sin
conocer a qué grupo pertenecía cada documento.
Las encuestas aplicadas a los estudiantes contenían preguntas tipo Likert y preguntas
abiertas. En el grupo con IA, se indagó sobre la percepción del uso de herramientas como
ChatGPT en el proceso investigativo, mientras que en el grupo sin IA se consultó sobre las
dificultades encontradas durante el desarrollo autónomo del trabajo. Ambos cuestionarios fueron
diseñados con fines exploratorios y su análisis se integró a la interpretación de los resultados
cuantitativos.
Procedimiento
Ambos grupos trabajaron de forma asincrónica el desarrollo progresivo de sus proyectos
de investigación. El grupo experimental tuvo acceso guiado a herramientas como ChatGPT,
Perplexity y otras plataformas de IAG, las cuales utilizaron bajo mediación docente para
desarrollar las diferentes etapas y elaborar el producto del proceso investigativo. Por su parte, el
grupo de control elaboró sus trabajos sin recurrir a la IA, utilizando exclusivamente recursos
bibliográficos tradicionales y estrategias de escritura convencionales. Así mismo, se aplicó una
rúbrica estandarizada a todos los informes, y se procedió a la recolección de datos cualitativos
mediante las encuestas.
Estrategia de análisis de datos
Los resultados de las evaluaciones fueron sometidos a análisis estadístico descriptivo y
comparativo. Se calcularon promedios y desviaciones estándar por cada uno de los nueve criterios
evaluados, y se aplicó la prueba t de Student para muestras independientes, con un nivel de
significancia de α = 0.05, a fin de establecer la existencia de diferencias estadísticamente
significativas entre ambos grupos. Complementariamente, se analizó la fiabilidad interna de los
instrumentos cualitativos mediante el coeficiente alfa de Cronbach, que arrojó un valor de 0.89
para el grupo con IA y 0.82 para el grupo sin IA, lo cual indica una alta consistencia interna en
ambos cuestionarios. Las respuestas abiertas fueron abordadas mediante análisis temático
inductivo, lo que permitió identificar patrones de uso, sentido formativo atribuido a la
herramienta, y valoraciones subjetivas sobre el proceso de trabajo investigativo.
RESULTADOS Y DISCUSIÓN
Los resultados empíricos obtenidos permiten sostener una afirmación categórica: el grupo
que integró inteligencia artificial generativa (IAG) en el desarrollo de su investigación
superó al grupo de control en casi todos los criterios evaluados, con diferencias
estadísticamente significativas en los aspectos fundamentales del proceso investigativo
universitario. Esta constatación no se limita a una mejora estilística o superficial, sino que abarca
Vol. 12/ Núm. 4 2025 pág. 633
dimensiones epistémicas clave como la formulación de objetivos (p = 0.001), la construcción del
marco teórico (p = 0.0011), la elaboración de las conclusiones (p = 0.0), y la discusión de
resultados (p = 0.0).
Tabla 1
Comparación de promedios y p-valores por criterio entre grupo con IA y sin IA
Criterio evaluado Media grupo
con IA
Media grupo
sin IA
p-valor Significancia
estadística
Planteamiento del
problema
4.06 2.82 0.001 Significativa
Formulación de
objetivos
3.81 2.59 0.001 Significativa
Marco teórico 3.38 2.74 0.012 Significativa
Metodología 3.00 2.79 0.239 No significativa
Resultados 3.75 2.85 0.001 Significativa
Discusión 3.00 2.00 0.001 Significativa
Conclusiones 3.63 2.50 0.001 Significativa
Redacción y
estructura
4.00 2.47 0.001 Significativa
Originalidad 3.69 2.62 0.001 Significativa
Estos hallazgos contradicen de forma directa la tesis según la cual la IAG empobrece el
pensamiento científico cuando es incorporada al proceso formativo. Por el contrario, cuando su
uso está mediado pedagógicamente, como en el presente caso, los estudiantes no solo mejoran la
organización formal de sus escritos, sino que desarrollan productos más sólidos en cuanto a
coherencia lógica, profundidad argumentativa y articulación de saberes. Esta evidencia empírica
pone en cuestión lo observado por Ju (2023), donde el uso de IAG sin orientación condujo a una
caída en la precisión y comprensión conceptual. La diferencia está en el contexto: en la presente
investigación el uso de la IA no fue espontáneo ni acrítico, sino parte de una propuesta didáctica
orientada a explorar y tensionar sus capacidades.
Más aún, el criterio de formulación de objetivos resultó particularmente revelador en la
comparación entre grupos. El grupo que trabajó con apoyo de inteligencia artificial generativa
alcanzó un promedio de 3.81, frente a 2.59 del grupo sin IA, con una diferencia estadísticamente
significativa (p < 0.001). Este resultado sugiere que el uso estratégico de la IAG no se limita a la
mejora superficial de la redacción o la coherencia lingüística, sino que puede favorecer procesos
de estructuración conceptual y cognitiva, ayudando a los estudiantes a organizar metas y
jerarquizar ideas con mayor claridad. En este sentido, la IA actúa como mediador cognitivo, capaz
dimensiones epistémicas clave como la formulación de objetivos (p = 0.001), la construcción del
marco teórico (p = 0.0011), la elaboración de las conclusiones (p = 0.0), y la discusión de
resultados (p = 0.0).
Tabla 1
Comparación de promedios y p-valores por criterio entre grupo con IA y sin IA
Criterio evaluado Media grupo
con IA
Media grupo
sin IA
p-valor Significancia
estadística
Planteamiento del
problema
4.06 2.82 0.001 Significativa
Formulación de
objetivos
3.81 2.59 0.001 Significativa
Marco teórico 3.38 2.74 0.012 Significativa
Metodología 3.00 2.79 0.239 No significativa
Resultados 3.75 2.85 0.001 Significativa
Discusión 3.00 2.00 0.001 Significativa
Conclusiones 3.63 2.50 0.001 Significativa
Redacción y
estructura
4.00 2.47 0.001 Significativa
Originalidad 3.69 2.62 0.001 Significativa
Estos hallazgos contradicen de forma directa la tesis según la cual la IAG empobrece el
pensamiento científico cuando es incorporada al proceso formativo. Por el contrario, cuando su
uso está mediado pedagógicamente, como en el presente caso, los estudiantes no solo mejoran la
organización formal de sus escritos, sino que desarrollan productos más sólidos en cuanto a
coherencia lógica, profundidad argumentativa y articulación de saberes. Esta evidencia empírica
pone en cuestión lo observado por Ju (2023), donde el uso de IAG sin orientación condujo a una
caída en la precisión y comprensión conceptual. La diferencia está en el contexto: en la presente
investigación el uso de la IA no fue espontáneo ni acrítico, sino parte de una propuesta didáctica
orientada a explorar y tensionar sus capacidades.
Más aún, el criterio de formulación de objetivos resultó particularmente revelador en la
comparación entre grupos. El grupo que trabajó con apoyo de inteligencia artificial generativa
alcanzó un promedio de 3.81, frente a 2.59 del grupo sin IA, con una diferencia estadísticamente
significativa (p < 0.001). Este resultado sugiere que el uso estratégico de la IAG no se limita a la
mejora superficial de la redacción o la coherencia lingüística, sino que puede favorecer procesos
de estructuración conceptual y cognitiva, ayudando a los estudiantes a organizar metas y
jerarquizar ideas con mayor claridad. En este sentido, la IA actúa como mediador cognitivo, capaz
Vol. 12/ Núm. 4 2025 pág. 634
de ofrecer andamiaje para la construcción de pensamiento reflexivo cuando su uso se orienta a la
planificación y al diseño de problemas de investigación.
Estos hallazgos coinciden con lo reportado por Justo Aracayo et al. (2024), quienes
encontraron un fortalecimiento del pensamiento crítico y la toma de decisiones éticas en contextos
donde la IA fue incorporada dentro de un marco pedagógico deliberado. Los autores sostienen
que la presencia de una mediación docente y de criterios éticos claros permite que los estudiantes
trasciendan el uso instrumental de la tecnología y desarrollen una comprensión más profunda y
responsable del conocimiento. De esta manera, la IAG se convierte no solo en una herramienta
de apoyo, sino en un recurso epistémico que amplía las posibilidades del aprendizaje autónomo y
significativo.
Un patrón similar se verifica en las dimensiones “discusión” y “conclusiones”, donde las
diferencias son también estadísticamente significativas (p = 0.001 en ambos casos). Aquí, la IAG
parece haber funcionado como un andamiaje que permitió a los estudiantes formular relaciones
entre datos, interpretar hallazgos y derivar implicaciones argumentadas, superando las
limitaciones discursivas y cognitivas que mostró el grupo de control. Este resultado apoya lo
planteado por Meza Fregoso et al. [13], quienes sostienen que el uso estratégico de la IA puede
nivelar las desigualdades epistémicas entre estudiantes con distintos niveles de capital académico.
Sin embargo, no todas las dimensiones evaluadas mostraron una diferencia significativa.
En el criterio “Metodología”, ambos grupos obtuvieron resultados similares (3.00 para el grupo
con IA, 2.79 para el grupo sin IA), sin alcanzar significancia estadística (p = 0.156). Esta
excepción confirma que el diseño metodológico, por su estructura lógica y su dependencia de
marcos normativos específicos, no puede ser sustituido fácilmente por un modelo generativo.
Aquí, la IAG no actúa como facilitador, sino más bien como limitador, tal como advertían Liu et
al. (2024), quienes observaron que los estudiantes tienden a delegar en la IA los aspectos más
mecánicos, pero se muestran inseguros o imprecisos al aplicar criterios metodológicos formales.
Figura 1
Comparación visual de promedios por criterio entre ambos grupos
de ofrecer andamiaje para la construcción de pensamiento reflexivo cuando su uso se orienta a la
planificación y al diseño de problemas de investigación.
Estos hallazgos coinciden con lo reportado por Justo Aracayo et al. (2024), quienes
encontraron un fortalecimiento del pensamiento crítico y la toma de decisiones éticas en contextos
donde la IA fue incorporada dentro de un marco pedagógico deliberado. Los autores sostienen
que la presencia de una mediación docente y de criterios éticos claros permite que los estudiantes
trasciendan el uso instrumental de la tecnología y desarrollen una comprensión más profunda y
responsable del conocimiento. De esta manera, la IAG se convierte no solo en una herramienta
de apoyo, sino en un recurso epistémico que amplía las posibilidades del aprendizaje autónomo y
significativo.
Un patrón similar se verifica en las dimensiones “discusión” y “conclusiones”, donde las
diferencias son también estadísticamente significativas (p = 0.001 en ambos casos). Aquí, la IAG
parece haber funcionado como un andamiaje que permitió a los estudiantes formular relaciones
entre datos, interpretar hallazgos y derivar implicaciones argumentadas, superando las
limitaciones discursivas y cognitivas que mostró el grupo de control. Este resultado apoya lo
planteado por Meza Fregoso et al. [13], quienes sostienen que el uso estratégico de la IA puede
nivelar las desigualdades epistémicas entre estudiantes con distintos niveles de capital académico.
Sin embargo, no todas las dimensiones evaluadas mostraron una diferencia significativa.
En el criterio “Metodología”, ambos grupos obtuvieron resultados similares (3.00 para el grupo
con IA, 2.79 para el grupo sin IA), sin alcanzar significancia estadística (p = 0.156). Esta
excepción confirma que el diseño metodológico, por su estructura lógica y su dependencia de
marcos normativos específicos, no puede ser sustituido fácilmente por un modelo generativo.
Aquí, la IAG no actúa como facilitador, sino más bien como limitador, tal como advertían Liu et
al. (2024), quienes observaron que los estudiantes tienden a delegar en la IA los aspectos más
mecánicos, pero se muestran inseguros o imprecisos al aplicar criterios metodológicos formales.
Figura 1
Comparación visual de promedios por criterio entre ambos grupos
Vol. 12/ Núm. 4 2025 pág. 635
Además del análisis de productos, las encuestas aplicadas a ambos grupos permiten
triangular los hallazgos. En el grupo experimental, el 84.3 % de los estudiantes reportó que la IA
les ayudó a organizar sus ideas; el 71.8 % señaló mejoras en redacción; y el 65.6 % afirmó haber
ganado seguridad al construir su marco teórico. Estas percepciones no solo reflejan satisfacción
funcional, sino también una apropiación formativa de la herramienta, compatible con la noción
de agencia epistémica situada. Esto concuerda con el modelo propuesto por Romero-Rodríguez
(2023), quien plantea que el impacto de la IAG no puede ser evaluado en términos binarios
(ayuda/perjudica), sino en función de las condiciones pedagógicas que median su integración.
Por su parte, los estudiantes del grupo de control expresaron mayor incertidumbre y
dificultad en el desarrollo del marco teórico y la formulación de objetivos, lo cual sugiere que la
ausencia de IAG no garantiza aprendizajes profundos si no está compensada por un andamiaje
formativo robusto. Así, la comparación entre grupos no debe interpretarse como una competencia
entre estudiantes más o menos “capaces”, sino como evidencia de que la mediación tecnológica,
en contextos bien diseñados, puede actuar como catalizador epistémico y no como obstáculo.
En definitiva, los resultados de esta investigación permiten afirmar que el uso guiado de la
inteligencia artificial generativa (IAG) no obstaculiza el aprendizaje del método científico, sino
que lo reconfigura y amplía. Cuando su incorporación se da bajo criterios pedagógicos y éticos
claros, la IAG favorece una relación más crítica y reflexiva del estudiante con el conocimiento,
potenciando su capacidad para formular preguntas, analizar información y estructurar
argumentos. Más que una simple herramienta funcional aplicable a distintas fases del proceso
investigativo, la IAG puede entenderse como un asistente cognitivo o colaborador epistémico,
que interactúa de manera horizontal con el estudiante en la co-construcción del saber.
Esta perspectiva redefine la enseñanza del método científico en la educación superior,
orientándola hacia un modelo de aprendizaje aumentado, donde la tecnología no sustituye la
reflexión humana, sino que la acompaña, la tensiona y la expande.Este hallazgo no implica
abandonar la enseñanza tradicional, sino repensarla: diseñar entornos donde la IAG no suplante
la agencia del estudiante, sino que la potencie; donde la escritura no sea solo textual, sino
reflexiva; y donde investigar implique dialogar críticamente con las tecnologías disponibles, no
rendirse ante ellas.
En este orden de ideas, los datos aquí presentados no solo tienen valor analítico, sino
también implicaciones curriculares urgentes. Si la IAG puede potenciar la comprensión y el
desempeño académico cuando se integra críticamente, entonces su enseñanza no puede dejarse al
azar ni limitarse a “permitir o prohibir” su uso. Se vuelve necesario, más bien, incluir su manejo
crítico dentro del currículo universitario, particularmente en asignaturas metodológicas, donde el
riesgo de automatización superficial es mayor. Del mismo modo, el rol del docente debe
reconfigurarse: no como fiscal de plagio, sino como diseñador de tareas que inviten a confrontar,
cuestionar y reinterpretar lo que la IAG produce. En suma, no se trata de formar operadores de
Además del análisis de productos, las encuestas aplicadas a ambos grupos permiten
triangular los hallazgos. En el grupo experimental, el 84.3 % de los estudiantes reportó que la IA
les ayudó a organizar sus ideas; el 71.8 % señaló mejoras en redacción; y el 65.6 % afirmó haber
ganado seguridad al construir su marco teórico. Estas percepciones no solo reflejan satisfacción
funcional, sino también una apropiación formativa de la herramienta, compatible con la noción
de agencia epistémica situada. Esto concuerda con el modelo propuesto por Romero-Rodríguez
(2023), quien plantea que el impacto de la IAG no puede ser evaluado en términos binarios
(ayuda/perjudica), sino en función de las condiciones pedagógicas que median su integración.
Por su parte, los estudiantes del grupo de control expresaron mayor incertidumbre y
dificultad en el desarrollo del marco teórico y la formulación de objetivos, lo cual sugiere que la
ausencia de IAG no garantiza aprendizajes profundos si no está compensada por un andamiaje
formativo robusto. Así, la comparación entre grupos no debe interpretarse como una competencia
entre estudiantes más o menos “capaces”, sino como evidencia de que la mediación tecnológica,
en contextos bien diseñados, puede actuar como catalizador epistémico y no como obstáculo.
En definitiva, los resultados de esta investigación permiten afirmar que el uso guiado de la
inteligencia artificial generativa (IAG) no obstaculiza el aprendizaje del método científico, sino
que lo reconfigura y amplía. Cuando su incorporación se da bajo criterios pedagógicos y éticos
claros, la IAG favorece una relación más crítica y reflexiva del estudiante con el conocimiento,
potenciando su capacidad para formular preguntas, analizar información y estructurar
argumentos. Más que una simple herramienta funcional aplicable a distintas fases del proceso
investigativo, la IAG puede entenderse como un asistente cognitivo o colaborador epistémico,
que interactúa de manera horizontal con el estudiante en la co-construcción del saber.
Esta perspectiva redefine la enseñanza del método científico en la educación superior,
orientándola hacia un modelo de aprendizaje aumentado, donde la tecnología no sustituye la
reflexión humana, sino que la acompaña, la tensiona y la expande.Este hallazgo no implica
abandonar la enseñanza tradicional, sino repensarla: diseñar entornos donde la IAG no suplante
la agencia del estudiante, sino que la potencie; donde la escritura no sea solo textual, sino
reflexiva; y donde investigar implique dialogar críticamente con las tecnologías disponibles, no
rendirse ante ellas.
En este orden de ideas, los datos aquí presentados no solo tienen valor analítico, sino
también implicaciones curriculares urgentes. Si la IAG puede potenciar la comprensión y el
desempeño académico cuando se integra críticamente, entonces su enseñanza no puede dejarse al
azar ni limitarse a “permitir o prohibir” su uso. Se vuelve necesario, más bien, incluir su manejo
crítico dentro del currículo universitario, particularmente en asignaturas metodológicas, donde el
riesgo de automatización superficial es mayor. Del mismo modo, el rol del docente debe
reconfigurarse: no como fiscal de plagio, sino como diseñador de tareas que inviten a confrontar,
cuestionar y reinterpretar lo que la IAG produce. En suma, no se trata de formar operadores de
Vol. 12/ Núm. 4 2025 pág. 636
prompts, sino sujetos epistémicamente activos, capaces de investigar con herramientas
contemporáneas sin subordinarse a ellas.
Propuestas de solución o mejoras
Los hallazgos de esta investigación no deben entenderse solamente como una constatación
empírica del rendimiento diferencial entre dos grupos, sino como una invitación a repensar de
manera estructural las condiciones sociotecnológicas y epistemológicas en las que se produce el
aprendizaje del método científico en la universidad contemporánea, particularmente en carreras
de orientación técnica. Las ventajas que mostró el grupo que integró IAG en su proceso de
investigación no pueden ser atribuidas únicamente a la herramienta como tal, sino a un entramado
más complejo que incluye mediación pedagógica, apropiación crítica y condiciones
institucionales de uso.
En este sentido, la primera propuesta apunta a la necesidad de trascender el binarismo
simplista entre “uso” y “no uso” de la IA, e ir hacia el diseño de ecosistemas formativos en los
que la inteligencia artificial se articule con prácticas docentes orientadas por principios
epistémicos claros. Más allá de incorporar la IA como un recurso aislado, de lo que se trata es de
reconfigurar el entorno de enseñanza-aprendizaje para que la IA pueda operar como una
tecnología epistémica que no necesariamente sustituye la producción del conocimiento, sino que
opera como una suerte de ‘aliado’ o ‘asistente’ que permite reorganizar, tensionar y ampliar los
datos, información e ideas utilizadas en un proceso de investigación. Para ello, es apremiante
repensar los fundamentos de la ‘educación 2.0’ o la educación en la era de la IA, pasado desde la
arquitectura curricular hasta las formas de evaluación.
En segundo lugar, los datos revelan que los estudiantes que no utilizaron IA tuvieron
mayores dificultades en aquellos aspectos del trabajo de investigación que requieren abstracción,
articulación argumentativa y estructuración lógica. Esta evidencia pone en entredicho la
capacidad de los actuales planes de estudio para formar competencias metacognitivas y
epistemológicas, sobre todo en carreras donde predomina una visión tecnocentrista del saber,
como las ingenierías y las tecnologías. Por tanto, se propone que las universidades avancen hacia
una suerte de ‘epistemologización’ de la formación técnica, incorporando asignaturas o módulos
de filosofía de la ciencia, lógica argumentativa y construcción del conocimiento, incluso en
entornos tradicionalmente ajenos a estos saberes. Lejos de obstaculizar la formación práctica,
estos contenidos fortalecerían las capacidades de los estudiantes para formar un pensamiento
crítico, riguroso y fundamentado, lo que les permitirá adquirir mayores competencias para la
innovación y la resolución de problemas a través del cuestionamiento y la abstracción.
Por otro lado, es necesario resaltar que el efecto positivo del uso de la IAG en los
estudiantes solo fue posible bajo condiciones de orientación pedagógica activa y supervisión
crítica. Esta mediación evitó que la IA fuera utilizada de manera automatizada o fraudulenta, y
permitió que los estudiantes pudieran reconocer sus propios límites cognitivos, así como las
prompts, sino sujetos epistémicamente activos, capaces de investigar con herramientas
contemporáneas sin subordinarse a ellas.
Propuestas de solución o mejoras
Los hallazgos de esta investigación no deben entenderse solamente como una constatación
empírica del rendimiento diferencial entre dos grupos, sino como una invitación a repensar de
manera estructural las condiciones sociotecnológicas y epistemológicas en las que se produce el
aprendizaje del método científico en la universidad contemporánea, particularmente en carreras
de orientación técnica. Las ventajas que mostró el grupo que integró IAG en su proceso de
investigación no pueden ser atribuidas únicamente a la herramienta como tal, sino a un entramado
más complejo que incluye mediación pedagógica, apropiación crítica y condiciones
institucionales de uso.
En este sentido, la primera propuesta apunta a la necesidad de trascender el binarismo
simplista entre “uso” y “no uso” de la IA, e ir hacia el diseño de ecosistemas formativos en los
que la inteligencia artificial se articule con prácticas docentes orientadas por principios
epistémicos claros. Más allá de incorporar la IA como un recurso aislado, de lo que se trata es de
reconfigurar el entorno de enseñanza-aprendizaje para que la IA pueda operar como una
tecnología epistémica que no necesariamente sustituye la producción del conocimiento, sino que
opera como una suerte de ‘aliado’ o ‘asistente’ que permite reorganizar, tensionar y ampliar los
datos, información e ideas utilizadas en un proceso de investigación. Para ello, es apremiante
repensar los fundamentos de la ‘educación 2.0’ o la educación en la era de la IA, pasado desde la
arquitectura curricular hasta las formas de evaluación.
En segundo lugar, los datos revelan que los estudiantes que no utilizaron IA tuvieron
mayores dificultades en aquellos aspectos del trabajo de investigación que requieren abstracción,
articulación argumentativa y estructuración lógica. Esta evidencia pone en entredicho la
capacidad de los actuales planes de estudio para formar competencias metacognitivas y
epistemológicas, sobre todo en carreras donde predomina una visión tecnocentrista del saber,
como las ingenierías y las tecnologías. Por tanto, se propone que las universidades avancen hacia
una suerte de ‘epistemologización’ de la formación técnica, incorporando asignaturas o módulos
de filosofía de la ciencia, lógica argumentativa y construcción del conocimiento, incluso en
entornos tradicionalmente ajenos a estos saberes. Lejos de obstaculizar la formación práctica,
estos contenidos fortalecerían las capacidades de los estudiantes para formar un pensamiento
crítico, riguroso y fundamentado, lo que les permitirá adquirir mayores competencias para la
innovación y la resolución de problemas a través del cuestionamiento y la abstracción.
Por otro lado, es necesario resaltar que el efecto positivo del uso de la IAG en los
estudiantes solo fue posible bajo condiciones de orientación pedagógica activa y supervisión
crítica. Esta mediación evitó que la IA fuera utilizada de manera automatizada o fraudulenta, y
permitió que los estudiantes pudieran reconocer sus propios límites cognitivos, así como las
Vol. 12/ Núm. 4 2025 pág. 637
limitaciones inherentes al modelo. Esto implica que el rol del docente, en la era de la IA pasa de
ser un mero transmisor de conocimientos a convertirse en un curador cognitivo y ético, capaz de
guiar procesos de indagación mediados tecnológicamente. Se propone, por tanto, que las
instituciones de educación superior desarrollen programas formativos para el profesorado que
aborden no solo los aspectos técnicos de la IA, sino también su dimensión crítica: sesgos
algorítmicos, usos estratégicos, límites epistémicos y riesgos de fraude intelectual.
Finalmente, resulta urgente que las universidades dejen de abordar la IA desde un marco
normativo centrado en la prohibición o la sospecha, y comiencen a construir regímenes
institucionales que comprendan la IA como una condición de posibilidad del conocimiento
contemporáneo. Esto implica no solo reglamentar su uso con criterios ético-académicos, sino
también repensar los fines mismos de la educación superior en un mundo donde la producción
simbólica se ve crecientemente mediada por sistemas automatizados.
CONCLUSIONES
Los resultados de esta investigación permiten afirmar con claridad que el uso
pedagógicamente mediado de IAG no limita el aprendizaje del método científico en carreras
técnicas de contextos universitarios, sino que puede potenciarlo de manera significativa. Lejos de
empobrecer el razonamiento o fomentar la dependencia, la IAG, cuando es integrada como
herramienta de apoyo crítico, fortalece el desempeño académico en aspectos clave del proceso
investigativo: formulación del problema, construcción del marco teórico, argumentación, y
elaboración de conclusiones.
Sin embargo, esta mejora no ocurre de forma espontánea ni universal. La diferencia
sustancial entre nuestro estudio y aquellos que reportan efectos negativos del uso de IA radica en
la presencia de una mediación pedagógica intencionada, orientada a formar estudiantes que no
solo utilicen la tecnología, sino que reflexionen activamente sobre su uso, su alcance y sus límites.
Esta constatación obliga a repensar el lugar que la inteligencia artificial ocupa en la universidad:
no como una amenaza externa ni como una solución mágica, sino como un objeto pedagógico
que debe ser enseñado, discutido e integrado críticamente en el currículo.
Desde esta perspectiva, los hallazgos aquí presentados no solo aportan evidencia empírica,
sino que demandan una actualización estructural de la formación investigativa en la educación
superior. Será necesario incluir, dentro de las asignaturas metodológicas, contenidos que aborden
el funcionamiento técnico y los dilemas epistémicos de herramientas como ChatGPT, no desde la
fascinación tecnológica ni desde el rechazo moral, sino desde una alfabetización crítica que
permita a los estudiantes comprender y evaluar las operaciones de la IA. Del mismo modo, las
rúbricas de evaluación deberán ser revisadas para valorar no solo el producto final, sino la
capacidad del estudiante para justificar las decisiones tomadas, integrar críticamente los aportes
de la IA y evidenciar agencia epistémica a lo largo del proceso. Como hemos insistido, este
limitaciones inherentes al modelo. Esto implica que el rol del docente, en la era de la IA pasa de
ser un mero transmisor de conocimientos a convertirse en un curador cognitivo y ético, capaz de
guiar procesos de indagación mediados tecnológicamente. Se propone, por tanto, que las
instituciones de educación superior desarrollen programas formativos para el profesorado que
aborden no solo los aspectos técnicos de la IA, sino también su dimensión crítica: sesgos
algorítmicos, usos estratégicos, límites epistémicos y riesgos de fraude intelectual.
Finalmente, resulta urgente que las universidades dejen de abordar la IA desde un marco
normativo centrado en la prohibición o la sospecha, y comiencen a construir regímenes
institucionales que comprendan la IA como una condición de posibilidad del conocimiento
contemporáneo. Esto implica no solo reglamentar su uso con criterios ético-académicos, sino
también repensar los fines mismos de la educación superior en un mundo donde la producción
simbólica se ve crecientemente mediada por sistemas automatizados.
CONCLUSIONES
Los resultados de esta investigación permiten afirmar con claridad que el uso
pedagógicamente mediado de IAG no limita el aprendizaje del método científico en carreras
técnicas de contextos universitarios, sino que puede potenciarlo de manera significativa. Lejos de
empobrecer el razonamiento o fomentar la dependencia, la IAG, cuando es integrada como
herramienta de apoyo crítico, fortalece el desempeño académico en aspectos clave del proceso
investigativo: formulación del problema, construcción del marco teórico, argumentación, y
elaboración de conclusiones.
Sin embargo, esta mejora no ocurre de forma espontánea ni universal. La diferencia
sustancial entre nuestro estudio y aquellos que reportan efectos negativos del uso de IA radica en
la presencia de una mediación pedagógica intencionada, orientada a formar estudiantes que no
solo utilicen la tecnología, sino que reflexionen activamente sobre su uso, su alcance y sus límites.
Esta constatación obliga a repensar el lugar que la inteligencia artificial ocupa en la universidad:
no como una amenaza externa ni como una solución mágica, sino como un objeto pedagógico
que debe ser enseñado, discutido e integrado críticamente en el currículo.
Desde esta perspectiva, los hallazgos aquí presentados no solo aportan evidencia empírica,
sino que demandan una actualización estructural de la formación investigativa en la educación
superior. Será necesario incluir, dentro de las asignaturas metodológicas, contenidos que aborden
el funcionamiento técnico y los dilemas epistémicos de herramientas como ChatGPT, no desde la
fascinación tecnológica ni desde el rechazo moral, sino desde una alfabetización crítica que
permita a los estudiantes comprender y evaluar las operaciones de la IA. Del mismo modo, las
rúbricas de evaluación deberán ser revisadas para valorar no solo el producto final, sino la
capacidad del estudiante para justificar las decisiones tomadas, integrar críticamente los aportes
de la IA y evidenciar agencia epistémica a lo largo del proceso. Como hemos insistido, este
Vol. 12/ Núm. 4 2025 pág. 638
enfoque no sería posible sin una transformación profunda del rol docente: ya no basta con
transmitir contenidos ni con fiscalizar posibles plagios, sino que se vuelve imprescindible diseñar
escenarios de aprendizaje donde el uso de IA se convierta en una oportunidad para el pensamiento
reflexivo, el análisis comparativo y la construcción situada del conocimiento.
Estas propuestas no implican abandonar los principios tradicionales del pensamiento
científico, sino actualizarlos desde una pedagogía consciente del contexto digital y de los desafíos
de la automatización. En este sentido, el aporte de esta investigación es doble: empírico, al mostrar
que la calidad de los productos mejora significativamente cuando la IA se integra con
acompañamiento docente; y pedagógico-político, al sostener que el futuro de la formación
científica no dependerá de la tecnología en sí misma, sino del tipo de relaciones epistémicas,
éticas y formativas que construyamos en torno a ella.
Recomendaciones
A partir de los hallazgos obtenidos, se recomienda que las universidades comiencen a
incorporar progresivamente la inteligencia artificial generativa como herramienta de apoyo en la
enseñanza del método científico, particularmente en escenarios educativos donde se ha
evidenciado que al carecer de una formación científico-epistemológica previa, los estudiantes
presentan dificultades en la formulación de objetivos, la redacción académica o la articulación
teórica. Esta incorporación debe realizarse bajo un marco pedagógico que contemple lineamientos
éticos, protocolos de uso y criterios de calidad. Una vía concreta para alcanzar este objetivo
consiste en el diseño de guías didácticas específicas que orienten a los estudiantes en el uso de IA
durante las distintas fases del proceso investigativo. Tales guías deberían incluir ejemplos,
advertencias sobre posibles sesgos algorítmicos, criterios de evaluación del contenido generado
y ejercicios que fortalezcan la reflexión epistemológica sobre lo que significa investigar en un
entorno mediado por tecnologías automatizadas.
Asimismo, el papel del profesorado emerge como un componente fundamental en este
proceso. Por ello, resulta prioritario desarrollar instancias formativas dirigidas a los docentes, no
sólo para familiarizarlos con las herramientas tecnológicas en sí mismas, sino para capacitarlos
en estrategias de mediación crítica que les permitan acompañar, supervisar y orientar el uso que
sus estudiantes hagan de la inteligencia artificial en contextos de investigación. De cara al
desarrollo institucional, se considera pertinente que las universidades revisen sus modelos de
evaluación para contemplar el uso competente y éticamente responsable de IA, reconociendo su
valor como herramienta cognitiva sin dejar de preservar el rol activo del estudiante como sujeto
de conocimiento. La inclusión de nuevos indicadores en las rúbricas de evaluación puede
constituir una vía para valorar no solo los resultados, sino también los procesos mediante los
cuales esos resultados fueron alcanzados.
En paralelo, sería deseable promover líneas de investigación educativa que exploren de
forma sistemática el impacto de la IA en distintos niveles de formación y en diferentes campos
enfoque no sería posible sin una transformación profunda del rol docente: ya no basta con
transmitir contenidos ni con fiscalizar posibles plagios, sino que se vuelve imprescindible diseñar
escenarios de aprendizaje donde el uso de IA se convierta en una oportunidad para el pensamiento
reflexivo, el análisis comparativo y la construcción situada del conocimiento.
Estas propuestas no implican abandonar los principios tradicionales del pensamiento
científico, sino actualizarlos desde una pedagogía consciente del contexto digital y de los desafíos
de la automatización. En este sentido, el aporte de esta investigación es doble: empírico, al mostrar
que la calidad de los productos mejora significativamente cuando la IA se integra con
acompañamiento docente; y pedagógico-político, al sostener que el futuro de la formación
científica no dependerá de la tecnología en sí misma, sino del tipo de relaciones epistémicas,
éticas y formativas que construyamos en torno a ella.
Recomendaciones
A partir de los hallazgos obtenidos, se recomienda que las universidades comiencen a
incorporar progresivamente la inteligencia artificial generativa como herramienta de apoyo en la
enseñanza del método científico, particularmente en escenarios educativos donde se ha
evidenciado que al carecer de una formación científico-epistemológica previa, los estudiantes
presentan dificultades en la formulación de objetivos, la redacción académica o la articulación
teórica. Esta incorporación debe realizarse bajo un marco pedagógico que contemple lineamientos
éticos, protocolos de uso y criterios de calidad. Una vía concreta para alcanzar este objetivo
consiste en el diseño de guías didácticas específicas que orienten a los estudiantes en el uso de IA
durante las distintas fases del proceso investigativo. Tales guías deberían incluir ejemplos,
advertencias sobre posibles sesgos algorítmicos, criterios de evaluación del contenido generado
y ejercicios que fortalezcan la reflexión epistemológica sobre lo que significa investigar en un
entorno mediado por tecnologías automatizadas.
Asimismo, el papel del profesorado emerge como un componente fundamental en este
proceso. Por ello, resulta prioritario desarrollar instancias formativas dirigidas a los docentes, no
sólo para familiarizarlos con las herramientas tecnológicas en sí mismas, sino para capacitarlos
en estrategias de mediación crítica que les permitan acompañar, supervisar y orientar el uso que
sus estudiantes hagan de la inteligencia artificial en contextos de investigación. De cara al
desarrollo institucional, se considera pertinente que las universidades revisen sus modelos de
evaluación para contemplar el uso competente y éticamente responsable de IA, reconociendo su
valor como herramienta cognitiva sin dejar de preservar el rol activo del estudiante como sujeto
de conocimiento. La inclusión de nuevos indicadores en las rúbricas de evaluación puede
constituir una vía para valorar no solo los resultados, sino también los procesos mediante los
cuales esos resultados fueron alcanzados.
En paralelo, sería deseable promover líneas de investigación educativa que exploren de
forma sistemática el impacto de la IA en distintos niveles de formación y en diferentes campos
Vol. 12/ Núm. 4 2025 pág. 639
del saber, con especial atención a las carreras técnicas, donde la IA podría suplir —aunque nunca
sustituir completamente— las carencias formativas de orden epistemológico. Estas
investigaciones permitirían no sólo comprender mejor los efectos de estas tecnologías, sino
también retroalimentar las prácticas docentes con evidencia empírica sólida. Por último, se
recomienda reforzar la dimensión epistemológica de la formación universitaria en carreras de
ingeniería y afines, integrando contenidos que fomenten el pensamiento científico, la lógica
argumentativa y la reflexión crítica sobre el conocimiento. Sin estos cimientos, la IA corre el
riesgo de ser utilizada como una muleta tecnológica que impide en lugar de facilitar el desarrollo
de la autonomía intelectual. En este sentido, el despliegue de la inteligencia artificial generativa
en contextos educativos no debe ser entendido como una solución automática, sino como una
oportunidad estratégica para revisar y potenciar los marcos de formación actuales.
del saber, con especial atención a las carreras técnicas, donde la IA podría suplir —aunque nunca
sustituir completamente— las carencias formativas de orden epistemológico. Estas
investigaciones permitirían no sólo comprender mejor los efectos de estas tecnologías, sino
también retroalimentar las prácticas docentes con evidencia empírica sólida. Por último, se
recomienda reforzar la dimensión epistemológica de la formación universitaria en carreras de
ingeniería y afines, integrando contenidos que fomenten el pensamiento científico, la lógica
argumentativa y la reflexión crítica sobre el conocimiento. Sin estos cimientos, la IA corre el
riesgo de ser utilizada como una muleta tecnológica que impide en lugar de facilitar el desarrollo
de la autonomía intelectual. En este sentido, el despliegue de la inteligencia artificial generativa
en contextos educativos no debe ser entendido como una solución automática, sino como una
oportunidad estratégica para revisar y potenciar los marcos de formación actuales.
Vol. 12/ Núm. 4 2025 pág. 640
REFERENCIAS
Hau, M. F. (2025). Writing with machines? Reconceptualizing student work in the age of
generative AI. Frontiers in Communication, 10, 1598988.
https://doi.org/10.3389/fcomm.2025.1598988
Justo Aracayo, J., Cutipa Santi, Y., Calderon Rivera, M. E., Quispe Tunco, L. P., Cutipa Santi,
M. N., Quelca Velasquez, D. C., & Mamani Luque, O. M. (2024). Percepción del uso de
ChatGPT y pensamiento crítico en estudiantes universitarios del sur altiplánico. Revista
Veritas de Difusión Científica, 5(3), 219–234. https://doi.org/10.61616/rvdc.v5i3.200
Ju, Q. R. (2023). Experimental evidence on negative impact of generative AI on scientific learning
outcomes (A pilot research). Research Square. https://doi.org/10.21203/rs.3.rs-3371292/v1
Liu, Y., Park, J., & McMinn, S. (2024). Using generative artificial intelligence/ChatGPT for
academic communication: Students’ perspectives. International Journal of Applied
Linguistics, 34(4), 1437–1461. https://doi.org/10.1111/ijal.12574
Loayza-Maturrano, E. F. (2024). Percepción de estudiantes de una universidad de Lima sobre el
uso de ChatGPT en la escritura académica. Educare et Comunicare, 12(2), 28–38.
https://doi.org/10.35383/educare.v12i2.1195
Marzuki, M., Suryanto, R., & Yunita, R. (2023). The impact of AI writing tools on the content
and organization of students’ writing: EFL teachers’ perspective. Journal of Language
Teaching and Research, 14(1), 147–155. https://doi.org/10.17507/jltr.1401.16
Mazari, N. (2025). Building metacognitive skills using AI tools to help higher education students
reflect on their learning process. Revista Humanismo y Sociedad, 13(1), 1–20.
https://doi.org/10.22209/rhs.v13n1a04
Meza-Fregoso, M., Peralta-Garay, V., & Silva-Peña, D. (2024). Writing with AI: What college
students learned from utilizing ChatGPT for a writing assignment. International Journal
of Technology in Education and Science, 8(1), 15–33.
https://doi.org/10.48168/RICCE.v2n4p91
Niño-Carrasco, S. A., Ramos-Villalobos, C. D., & Rodríguez-Zúñiga, J. A. (2025). Percepciones
de estudiantes universitarios sobre los usos de inteligencia artificial en educación. Revista
Iberoamericana de Tecnología Educativa, 18(1), 35–52.
https://doi.org/10.12795/revistafuentes.2025.26356
Posso-Pacheco, R. J. (2025). El rol del docente en la era de la inteligencia artificial: De
transmisor de contenidos a formador de habilidades y valores para el siglo XXI. Mentor,
4(11), 1–8. https://doi.org/10.56200/mried.v4i11.10185
Qu, Y. (2024). Disciplinary differences in undergraduate students' GenAI knowledge, usage
intentions, and task-specific engagement across academic disciplines. Smart Learning
Environments, 11(1), 14. https://doi.org/10.1186/s40561-024-00341-6
REFERENCIAS
Hau, M. F. (2025). Writing with machines? Reconceptualizing student work in the age of
generative AI. Frontiers in Communication, 10, 1598988.
https://doi.org/10.3389/fcomm.2025.1598988
Justo Aracayo, J., Cutipa Santi, Y., Calderon Rivera, M. E., Quispe Tunco, L. P., Cutipa Santi,
M. N., Quelca Velasquez, D. C., & Mamani Luque, O. M. (2024). Percepción del uso de
ChatGPT y pensamiento crítico en estudiantes universitarios del sur altiplánico. Revista
Veritas de Difusión Científica, 5(3), 219–234. https://doi.org/10.61616/rvdc.v5i3.200
Ju, Q. R. (2023). Experimental evidence on negative impact of generative AI on scientific learning
outcomes (A pilot research). Research Square. https://doi.org/10.21203/rs.3.rs-3371292/v1
Liu, Y., Park, J., & McMinn, S. (2024). Using generative artificial intelligence/ChatGPT for
academic communication: Students’ perspectives. International Journal of Applied
Linguistics, 34(4), 1437–1461. https://doi.org/10.1111/ijal.12574
Loayza-Maturrano, E. F. (2024). Percepción de estudiantes de una universidad de Lima sobre el
uso de ChatGPT en la escritura académica. Educare et Comunicare, 12(2), 28–38.
https://doi.org/10.35383/educare.v12i2.1195
Marzuki, M., Suryanto, R., & Yunita, R. (2023). The impact of AI writing tools on the content
and organization of students’ writing: EFL teachers’ perspective. Journal of Language
Teaching and Research, 14(1), 147–155. https://doi.org/10.17507/jltr.1401.16
Mazari, N. (2025). Building metacognitive skills using AI tools to help higher education students
reflect on their learning process. Revista Humanismo y Sociedad, 13(1), 1–20.
https://doi.org/10.22209/rhs.v13n1a04
Meza-Fregoso, M., Peralta-Garay, V., & Silva-Peña, D. (2024). Writing with AI: What college
students learned from utilizing ChatGPT for a writing assignment. International Journal
of Technology in Education and Science, 8(1), 15–33.
https://doi.org/10.48168/RICCE.v2n4p91
Niño-Carrasco, S. A., Ramos-Villalobos, C. D., & Rodríguez-Zúñiga, J. A. (2025). Percepciones
de estudiantes universitarios sobre los usos de inteligencia artificial en educación. Revista
Iberoamericana de Tecnología Educativa, 18(1), 35–52.
https://doi.org/10.12795/revistafuentes.2025.26356
Posso-Pacheco, R. J. (2025). El rol del docente en la era de la inteligencia artificial: De
transmisor de contenidos a formador de habilidades y valores para el siglo XXI. Mentor,
4(11), 1–8. https://doi.org/10.56200/mried.v4i11.10185
Qu, Y. (2024). Disciplinary differences in undergraduate students' GenAI knowledge, usage
intentions, and task-specific engagement across academic disciplines. Smart Learning
Environments, 11(1), 14. https://doi.org/10.1186/s40561-024-00341-6
Vol. 12/ Núm. 4 2025 pág. 641
Román-Acosta, D. D., Rodríguez Torres, E., Baquedano Montoya, M. B., López Zavala, L. C.,
& Pérez Gamboa, A. J. (2024). ChatGPT and its use to improve academic writing in
postgraduate students. Praxis, 24(36), 53–75.
https://doi.org/10.26620/uniminuto.praxis.24.36.2024.53–75
Romero-Rodríguez, L. M. (2023). La incorporación del ChatGPT en la educación superior. 593
Digital Publisher, 8(5), 213–225. https://doi.org/10.33386/593dp.2023.5.1976
Tramallino, C., Pairetti, C., & Rodríguez, G. L. (2024). Reflexiones en torno al uso de IA en
educación superior: Dos casos comparados. Revista Iberoamericana de Tecnología en
Educación y Educación en Tecnología, (37), e9. https://doi.org/10.24215/18509959.37.e9
Wang, X., Liu, Y., Wu, T., & Zhang, Q. (2024). ChatGPT performs on the Chinese National
Medical Licensing Examination. JMIR Medical Education, 10, e48650.
https://www.researchsquare.com/article/rs-2584079/v1
Wang, Y., & Fan, J. (2025). The effect of ChatGPT on students’ learning performance, learning
perception, and higher-order thinking: Insights from a meta-analysis. Humanities and
Social Sciences Communications, 12(1), 47. https://doi.org/10.1057/s41599-025-04787-y
Zhai, C., Wibowo, S., & Li, L. D. (2024). The effects of excessive reliance on AI dialogue systems
on students’ cognitive abilities: A systematic review. Smart Learning Environments, 11,
28. https://doi.org/10.1186/s40561-024-00316-7
Román-Acosta, D. D., Rodríguez Torres, E., Baquedano Montoya, M. B., López Zavala, L. C.,
& Pérez Gamboa, A. J. (2024). ChatGPT and its use to improve academic writing in
postgraduate students. Praxis, 24(36), 53–75.
https://doi.org/10.26620/uniminuto.praxis.24.36.2024.53–75
Romero-Rodríguez, L. M. (2023). La incorporación del ChatGPT en la educación superior. 593
Digital Publisher, 8(5), 213–225. https://doi.org/10.33386/593dp.2023.5.1976
Tramallino, C., Pairetti, C., & Rodríguez, G. L. (2024). Reflexiones en torno al uso de IA en
educación superior: Dos casos comparados. Revista Iberoamericana de Tecnología en
Educación y Educación en Tecnología, (37), e9. https://doi.org/10.24215/18509959.37.e9
Wang, X., Liu, Y., Wu, T., & Zhang, Q. (2024). ChatGPT performs on the Chinese National
Medical Licensing Examination. JMIR Medical Education, 10, e48650.
https://www.researchsquare.com/article/rs-2584079/v1
Wang, Y., & Fan, J. (2025). The effect of ChatGPT on students’ learning performance, learning
perception, and higher-order thinking: Insights from a meta-analysis. Humanities and
Social Sciences Communications, 12(1), 47. https://doi.org/10.1057/s41599-025-04787-y
Zhai, C., Wibowo, S., & Li, L. D. (2024). The effects of excessive reliance on AI dialogue systems
on students’ cognitive abilities: A systematic review. Smart Learning Environments, 11,
28. https://doi.org/10.1186/s40561-024-00316-7