Vol 13/ Núm. 1 2026 pág. 3585
https://doi.org/10.69639/arandu.v13i1.2136
El uso de la inteligencia artificial y su influencia en la práctica
docente universitaria: una revisión sistemática
The use of artificial intelligence and its influence on university teaching practice: a
systematic review
Carmen Angélica Anilema Yanez
canilemay2@unemi.edu.ec
https://orcid.org/0000-0001-8915-3377
Universidad Estatal de Milagro
Ecuador – Milagro
Carla Alexandra Yandún - Cartagena
cyandunc@unemi.edu.ec
https://orcid.org/0000-0002-2264-4072
Universidad Estatal de Milagro
Ecuador – Milagro
Artículo recibido: 18 febrero 2026-Aceptado para publicación: 20 marzo 2026
Conflictos de intereses: Ninguno que declarar.
RESUMEN
La incorporación de la inteligencia artificial (IA) en la educación superior ha generado
transformaciones profundas en la práctica docente, especialmente en los procesos de enseñanza,
evaluación y personalización del aprendizaje. Comprender de manera sistemática qué dice la
evidencia científica sobre estas transformaciones resulta urgente para quienes toman decisiones
pedagógicas e institucionales. Este artículo presenta los resultados de una revisión sistemática de
la literatura siguiendo las directrices PRISMA 2020. La búsqueda se realizó en las bases de datos
Scopus, SciELO y Latindex 2.0, considerando estudios publicados entre 2020 y 2025 en español
e inglés. Tras aplicar criterios de inclusión y exclusión previamente definidos, se seleccionaron
20 estudios para el análisis. La calidad metodológica fue evaluada mediante los criterios del
Joanna Briggs Institute (JBI) y los datos se analizaron mediante un enfoque temático cualitativo.
Los hallazgos revelan una creciente utilización de la IA en la docencia universitaria, con
aplicaciones destacadas en sistemas de tutoría inteligente, plataformas de aprendizaje adaptativo,
evaluación automatizada y chatbots educativos. Los resultados muestran un impacto positivo en
la personalización del aprendizaje, la eficiencia evaluativa y el apoyo a la planificación docente.
Sin embargo, persisten desafíos vinculados a la formación del profesorado, la ética en el uso de
datos y las brechas de acceso tecnológico. Se concluye que la IA constituye una herramienta con
alto potencial transformador en la educación superior, aunque su implementación exige un
enfoque crítico, contextualizado y éticamente fundamentado. Se recomienda fortalecer la
Vol 13/ Núm. 1 2026 pág. 3586
investigación en contextos latinoamericanos e impulsar procesos de formación docente que
faciliten una integración pedagógica efectiva y equitativa.
Palabras clave: inteligencia artificial, educación superior, docencia universitaria,
revisión sistemática (PRISMA), innovación educativa
ABSTRACT
The incorporation of artificial intelligence (AI) into higher education has generated profound
transformations in teaching practice, particularly in instruction, assessment, and learning
personalization processes. Systematically understanding what scientific evidence says about these
transformations is urgent for those who make pedagogical and institutional decisions. This article
presents the results of a systematic literature review following PRISMA 2020 guidelines. The
search was conducted in Scopus, SciELO, and Latindex 2.0 databases, considering studies
published between 2020 and 2025 in Spanish and English. After applying predefined inclusion
and exclusion criteria, 20 studies were selected for analysis. Methodological quality was assessed
using the Joanna Briggs Institute (JBI) criteria and data were analyzed through a qualitative
thematic approach. Findings reveal a growing use of AI in university teaching, with notable
applications in intelligent tutoring systems, adaptive learning platforms, automated assessment,
and educational chatbots. Results show a positive impact on learning personalization, assessment
efficiency, and support for instructional planning. However, challenges persist related to teacher
training, data ethics, and technological access gaps. It is concluded that AI represents a tool with
high transformative potential in higher education, though its implementation requires a critical,
contextualized, and ethically grounded approach. Strengthening research in Latin American
contexts and promoting teacher training processes that facilitate effective and equitable
pedagogical integration is recommended.
Keywords: artificial intelligence, higher education, university teaching, systematic
review (PRISMA), educational innovation
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
investigación en contextos latinoamericanos e impulsar procesos de formación docente que
faciliten una integración pedagógica efectiva y equitativa.
Palabras clave: inteligencia artificial, educación superior, docencia universitaria,
revisión sistemática (PRISMA), innovación educativa
ABSTRACT
The incorporation of artificial intelligence (AI) into higher education has generated profound
transformations in teaching practice, particularly in instruction, assessment, and learning
personalization processes. Systematically understanding what scientific evidence says about these
transformations is urgent for those who make pedagogical and institutional decisions. This article
presents the results of a systematic literature review following PRISMA 2020 guidelines. The
search was conducted in Scopus, SciELO, and Latindex 2.0 databases, considering studies
published between 2020 and 2025 in Spanish and English. After applying predefined inclusion
and exclusion criteria, 20 studies were selected for analysis. Methodological quality was assessed
using the Joanna Briggs Institute (JBI) criteria and data were analyzed through a qualitative
thematic approach. Findings reveal a growing use of AI in university teaching, with notable
applications in intelligent tutoring systems, adaptive learning platforms, automated assessment,
and educational chatbots. Results show a positive impact on learning personalization, assessment
efficiency, and support for instructional planning. However, challenges persist related to teacher
training, data ethics, and technological access gaps. It is concluded that AI represents a tool with
high transformative potential in higher education, though its implementation requires a critical,
contextualized, and ethically grounded approach. Strengthening research in Latin American
contexts and promoting teacher training processes that facilitate effective and equitable
pedagogical integration is recommended.
Keywords: artificial intelligence, higher education, university teaching, systematic
review (PRISMA), educational innovation
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 13/ Núm. 1 2026 pág. 3587
INTRODUCCIÓN
La transformación digital en la educación superior ha modificado sustancialmente los
modelos educativos, las prácticas pedagógicas y los roles tradicionales de docentes y estudiantes.
En respuesta a las demandas de una sociedad orientada al conocimiento y mediada por la
tecnología, las universidades han incorporado progresivamente herramientas digitales con el
propósito de mejorar la calidad educativa, fomentar la innovación pedagógica y fortalecer el
desarrollo de competencias en los procesos de enseñanza y aprendizaje (Martínez, 2025). En este
escenario, la inteligencia artificial (IA) emerge como una de las tecnologías con mayor potencial
de transformación.
La IA se ha consolidado como un recurso emergente en la docencia universitaria al abrir
nuevas posibilidades para personalizar el aprendizaje, automatizar procesos de retroalimentación
y analizar datos educativos orientados a la toma de decisiones pedagógicas (Escudero et al., 2025).
Sus aplicaciones van desde sistemas de tutoría inteligente y plataformas de aprendizaje
adaptativo, hasta el uso de herramientas de IA generativa para la creación de contenidos, el diseño
de actividades evaluativas y el apoyo a la planificación docente. Esta diversidad ha captado el
interés de la comunidad académica, que reconoce en la IA un recurso capaz de transformar
profundamente los procesos educativos en la educación superior.
Sin embargo, la adopción de la IA en las universidades se ha producido de manera
acelerada, especialmente a partir de 2020, sin que en muchos casos exista una reflexión
pedagógica sistemática ni lineamientos institucionales claros que orienten su integración. Esta
situación ha generado tensiones asociadas al uso no reflexivo de estas tecnologías, lo que plantea
interrogantes sobre su impacto real en la labor docente, la calidad formativa y los procesos de
enseñanza y evaluación (Campoverde et al., 2025). La diversidad de enfoques y resultados
dificulta una comprensión integral del fenómeno y limita la formulación de decisiones
pedagógicas basadas en evidencia.
Desde una perspectiva pedagógica, analizar la IA en la docencia universitaria implica
trascender una visión meramente tecnológica para centrarse en cómo incide en la práctica docente
concreta. Carballo (2025) señala que la IA tiene el potencial de personalizar la enseñanza a una
escala sin precedentes, al permitir adaptaciones en tiempo real a partir del desempeño de los
estudiantes; esto representa una oportunidad para reducir brechas de equidad, mejorar la retención
académica y fortalecer los procesos de investigación en la educación superior. No obstante, su
integración efectiva exige que el profesorado cuente no solo con habilidades técnicas, sino
también con criterios pedagógicos que permitan un uso crítico, ético y contextualizado.
El presente estudio se justifica por su triple relevancia: académica, pedagógica e
institucional. En lo académico, organiza y analiza críticamente la producción científica sobre el
uso de la IA en la docencia universitaria. En lo pedagógico e institucional, los hallazgos resultan
INTRODUCCIÓN
La transformación digital en la educación superior ha modificado sustancialmente los
modelos educativos, las prácticas pedagógicas y los roles tradicionales de docentes y estudiantes.
En respuesta a las demandas de una sociedad orientada al conocimiento y mediada por la
tecnología, las universidades han incorporado progresivamente herramientas digitales con el
propósito de mejorar la calidad educativa, fomentar la innovación pedagógica y fortalecer el
desarrollo de competencias en los procesos de enseñanza y aprendizaje (Martínez, 2025). En este
escenario, la inteligencia artificial (IA) emerge como una de las tecnologías con mayor potencial
de transformación.
La IA se ha consolidado como un recurso emergente en la docencia universitaria al abrir
nuevas posibilidades para personalizar el aprendizaje, automatizar procesos de retroalimentación
y analizar datos educativos orientados a la toma de decisiones pedagógicas (Escudero et al., 2025).
Sus aplicaciones van desde sistemas de tutoría inteligente y plataformas de aprendizaje
adaptativo, hasta el uso de herramientas de IA generativa para la creación de contenidos, el diseño
de actividades evaluativas y el apoyo a la planificación docente. Esta diversidad ha captado el
interés de la comunidad académica, que reconoce en la IA un recurso capaz de transformar
profundamente los procesos educativos en la educación superior.
Sin embargo, la adopción de la IA en las universidades se ha producido de manera
acelerada, especialmente a partir de 2020, sin que en muchos casos exista una reflexión
pedagógica sistemática ni lineamientos institucionales claros que orienten su integración. Esta
situación ha generado tensiones asociadas al uso no reflexivo de estas tecnologías, lo que plantea
interrogantes sobre su impacto real en la labor docente, la calidad formativa y los procesos de
enseñanza y evaluación (Campoverde et al., 2025). La diversidad de enfoques y resultados
dificulta una comprensión integral del fenómeno y limita la formulación de decisiones
pedagógicas basadas en evidencia.
Desde una perspectiva pedagógica, analizar la IA en la docencia universitaria implica
trascender una visión meramente tecnológica para centrarse en cómo incide en la práctica docente
concreta. Carballo (2025) señala que la IA tiene el potencial de personalizar la enseñanza a una
escala sin precedentes, al permitir adaptaciones en tiempo real a partir del desempeño de los
estudiantes; esto representa una oportunidad para reducir brechas de equidad, mejorar la retención
académica y fortalecer los procesos de investigación en la educación superior. No obstante, su
integración efectiva exige que el profesorado cuente no solo con habilidades técnicas, sino
también con criterios pedagógicos que permitan un uso crítico, ético y contextualizado.
El presente estudio se justifica por su triple relevancia: académica, pedagógica e
institucional. En lo académico, organiza y analiza críticamente la producción científica sobre el
uso de la IA en la docencia universitaria. En lo pedagógico e institucional, los hallazgos resultan
Vol 13/ Núm. 1 2026 pág. 3588
pertinentes para docentes y gestores educativos, en tanto la IA plantea desafíos éticos vinculados
al tratamiento de datos personales, la transparencia algorítmica y los posibles sesgos que inciden
directamente en la equidad educativa (Tituaña et al., 2024).
A pesar del crecimiento sostenido de investigaciones sobre IA en educación, la literatura
reciente evidencia vacíos importantes: en particular, una escasa sistematización de evidencias que
analicen específicamente la influencia de la IA en la práctica docente desde la perspectiva del
profesorado universitario (Vaque et al., 2025). Ante este panorama, surge la pregunta orientadora
de este trabajo: ¿De qué manera la inteligencia artificial está influyendo en la práctica docente
universitaria y cuáles son los principales beneficios, desafíos y consideraciones éticas reportados
en la literatura científica reciente?
Objetivo general: Analizar de manera sistemática la evidencia científica publicada entre
2020 y 2025 sobre el uso de la inteligencia artificial y su influencia en la práctica docente
universitaria, siguiendo las directrices del protocolo PRISMA 2020 (Page et al., 2021). El análisis
se focaliza específicamente en cómo la IA ha sido incorporada en los procesos de enseñanza,
evaluación y planificación docente, así como en los beneficios, desafíos y consideraciones éticas
identificados. Dado el enfoque metodológico adoptado —revisión sistemática de carácter
cualitativo-interpretativo—, el estudio no formula hipótesis causales, sino que se orienta a
identificar tendencias, enfoques teóricos y vacíos investigativos que contribuyan a una
comprensión crítica y actualizada del campo.
MATERIALES Y MÉTODOS
Diseño de la revisión sistemática
El estudio se llevó a cabo mediante una revisión sistemática de la literatura, guiada por
los lineamientos de la declaración PRISMA 2020 (Preferred Reporting Items for Systematic
Reviews and Meta-Analyses), con el propósito de garantizar la transparencia, la replicabilidad y
el rigor metodológico del proceso investigativo.
El protocolo de la revisión fue elaborado con anticipación y registrado en la plataforma
Open Science Framework (OSF), lo que permitió establecer previamente los criterios de
búsqueda, selección y análisis de los estudios. La investigación se enmarcó en un enfoque
cualitativo-interpretativo, centrado en el análisis temático de la evidencia científica relacionada
con la aplicación de la IA en la docencia universitaria.
Preguntas de investigación
El proceso de revisión se orientó a responder tres preguntas fundamentales:
• ¿De qué manera se utiliza la inteligencia artificial en la práctica docente universitaria,
según la literatura científica reciente?
• ¿Qué tendencias metodológicas y enfoques de investigación predominan en los estudios
sobre IA aplicada a la docencia universitaria?
pertinentes para docentes y gestores educativos, en tanto la IA plantea desafíos éticos vinculados
al tratamiento de datos personales, la transparencia algorítmica y los posibles sesgos que inciden
directamente en la equidad educativa (Tituaña et al., 2024).
A pesar del crecimiento sostenido de investigaciones sobre IA en educación, la literatura
reciente evidencia vacíos importantes: en particular, una escasa sistematización de evidencias que
analicen específicamente la influencia de la IA en la práctica docente desde la perspectiva del
profesorado universitario (Vaque et al., 2025). Ante este panorama, surge la pregunta orientadora
de este trabajo: ¿De qué manera la inteligencia artificial está influyendo en la práctica docente
universitaria y cuáles son los principales beneficios, desafíos y consideraciones éticas reportados
en la literatura científica reciente?
Objetivo general: Analizar de manera sistemática la evidencia científica publicada entre
2020 y 2025 sobre el uso de la inteligencia artificial y su influencia en la práctica docente
universitaria, siguiendo las directrices del protocolo PRISMA 2020 (Page et al., 2021). El análisis
se focaliza específicamente en cómo la IA ha sido incorporada en los procesos de enseñanza,
evaluación y planificación docente, así como en los beneficios, desafíos y consideraciones éticas
identificados. Dado el enfoque metodológico adoptado —revisión sistemática de carácter
cualitativo-interpretativo—, el estudio no formula hipótesis causales, sino que se orienta a
identificar tendencias, enfoques teóricos y vacíos investigativos que contribuyan a una
comprensión crítica y actualizada del campo.
MATERIALES Y MÉTODOS
Diseño de la revisión sistemática
El estudio se llevó a cabo mediante una revisión sistemática de la literatura, guiada por
los lineamientos de la declaración PRISMA 2020 (Preferred Reporting Items for Systematic
Reviews and Meta-Analyses), con el propósito de garantizar la transparencia, la replicabilidad y
el rigor metodológico del proceso investigativo.
El protocolo de la revisión fue elaborado con anticipación y registrado en la plataforma
Open Science Framework (OSF), lo que permitió establecer previamente los criterios de
búsqueda, selección y análisis de los estudios. La investigación se enmarcó en un enfoque
cualitativo-interpretativo, centrado en el análisis temático de la evidencia científica relacionada
con la aplicación de la IA en la docencia universitaria.
Preguntas de investigación
El proceso de revisión se orientó a responder tres preguntas fundamentales:
• ¿De qué manera se utiliza la inteligencia artificial en la práctica docente universitaria,
según la literatura científica reciente?
• ¿Qué tendencias metodológicas y enfoques de investigación predominan en los estudios
sobre IA aplicada a la docencia universitaria?
Vol 13/ Núm. 1 2026 pág. 3589
• ¿Cuáles son los principales beneficios, desafíos y limitaciones asociados al uso de la IA
en la práctica docente universitaria?
Estrategia de búsqueda
La búsqueda sistemática se efectuó en las siguientes bases de datos: Scopus, SciELO y
Latindex 2.0. El periodo de estudio comprendió publicaciones entre 2020 y 2025, considerando
el crecimiento acelerado de la IA en el entorno educativo. Se incluyeron publicaciones en español
e inglés. La estrategia de indagación se estructuró mediante descriptores y operadores booleanos
aplicados en título, resumen y palabras clave, tal como se detalla en la Tabla 1.
Tabla 1
Estrategia de búsqueda por base de datos
Base de datos Ecuación de búsqueda Campos de
búsqueda
Filtros aplicados
Scopus ("artificial intelligence" OR
"inteligencia artificial") AND
("teaching practice" OR "práctica
docente" OR "docencia universitaria")
AND ("higher education" OR
"educación superior")
Title, Abstract,
Keywords
Años 2020–2025;
Artículos y revisiones;
Educación; Idioma
inglés y español
SciELO ("inteligencia artificial") AND
("práctica docente" OR "docencia
universitaria") AND ("educación
superior")
Título, Resumen,
Palabras clave
Años 2020–2025;
Artículos científicos;
Idioma español e
inglés
Latindex 2.0 Búsqueda manual: "inteligencia
artificial"; "educación superior";
"docencia universitaria"
Título y Resumen Años 2020–2025;
Artículos; Educación
superior
Nota. La ecuación de búsqueda fue adaptada según los criterios técnicos de cada base
de datos. Elaboración propia (2026).
Criterios de inclusión y exclusión
Con el propósito de garantizar la calidad, pertinencia y coherencia de la información
analizada, se definieron criterios explícitos de inclusión y exclusión en correspondencia con el
objetivo general y las directrices PRISMA 2020 (Page et al., 2021).
Criterios de inclusión
• Artículos científicos revisados por pares.
• Estudios empíricos, teóricos o revisiones sistemáticas que describieran claramente su
procedimiento metodológico.
• Investigaciones en el contexto de educación superior universitaria.
• Relación directa entre inteligencia artificial y práctica docente.
• ¿Cuáles son los principales beneficios, desafíos y limitaciones asociados al uso de la IA
en la práctica docente universitaria?
Estrategia de búsqueda
La búsqueda sistemática se efectuó en las siguientes bases de datos: Scopus, SciELO y
Latindex 2.0. El periodo de estudio comprendió publicaciones entre 2020 y 2025, considerando
el crecimiento acelerado de la IA en el entorno educativo. Se incluyeron publicaciones en español
e inglés. La estrategia de indagación se estructuró mediante descriptores y operadores booleanos
aplicados en título, resumen y palabras clave, tal como se detalla en la Tabla 1.
Tabla 1
Estrategia de búsqueda por base de datos
Base de datos Ecuación de búsqueda Campos de
búsqueda
Filtros aplicados
Scopus ("artificial intelligence" OR
"inteligencia artificial") AND
("teaching practice" OR "práctica
docente" OR "docencia universitaria")
AND ("higher education" OR
"educación superior")
Title, Abstract,
Keywords
Años 2020–2025;
Artículos y revisiones;
Educación; Idioma
inglés y español
SciELO ("inteligencia artificial") AND
("práctica docente" OR "docencia
universitaria") AND ("educación
superior")
Título, Resumen,
Palabras clave
Años 2020–2025;
Artículos científicos;
Idioma español e
inglés
Latindex 2.0 Búsqueda manual: "inteligencia
artificial"; "educación superior";
"docencia universitaria"
Título y Resumen Años 2020–2025;
Artículos; Educación
superior
Nota. La ecuación de búsqueda fue adaptada según los criterios técnicos de cada base
de datos. Elaboración propia (2026).
Criterios de inclusión y exclusión
Con el propósito de garantizar la calidad, pertinencia y coherencia de la información
analizada, se definieron criterios explícitos de inclusión y exclusión en correspondencia con el
objetivo general y las directrices PRISMA 2020 (Page et al., 2021).
Criterios de inclusión
• Artículos científicos revisados por pares.
• Estudios empíricos, teóricos o revisiones sistemáticas que describieran claramente su
procedimiento metodológico.
• Investigaciones en el contexto de educación superior universitaria.
• Relación directa entre inteligencia artificial y práctica docente.
Vol 13/ Núm. 1 2026 pág. 3590
• Publicaciones en español o inglés.
• Acceso a texto completo.
• Publicados entre 2020 y 2025.
Criterios de exclusión
• Estudios duplicados.
• Investigaciones en niveles educativos no universitarios no aplicables al contexto de este
estudio.
• Literatura gris: tesis, informes institucionales, actas de congresos y publicaciones en
blogs.
• Artículos sin rigor metodológico o sin descripción clara del procedimiento empleado.
• Estudios no relacionados directamente con el objeto de estudio.
Tabla 2
Criterios de inclusión y exclusión
Criterios de inclusión Criterios de exclusión
Estudios empíricos y teóricos sobre IA en educación Estudios duplicados
Contexto de educación superior universitaria Educación básica o media no aplicable al contexto
universitario
Relación directa entre IA y práctica docente Documentos sin acceso a texto completo
Artículos revisados por pares Literatura gris (tesis, informes, actas de congreso)
Publicaciones en español e inglés Falta de claridad o rigor metodológico
Publicados entre 2020 y 2025 Estudios no relacionados directamente con el objeto
de estudio
Nota. Elaboración propia (2026).
Proceso de selección de estudios
El proceso de selección se desarrolló conforme a las cuatro fases del modelo PRISMA:
• Identificación: recuperación de registros en las bases de datos seleccionadas.
• Cribado: eliminación de duplicados y revisión de títulos y resúmenes con base en los
criterios definidos.
• Elegibilidad: lectura a texto completo aplicando los criterios de inclusión y exclusión.
• Inclusión: selección final de 20 estudios para el análisis.
La Figura 1 presenta el diagrama de flujo PRISMA que ilustra el proceso de selección de
estudios:
• Publicaciones en español o inglés.
• Acceso a texto completo.
• Publicados entre 2020 y 2025.
Criterios de exclusión
• Estudios duplicados.
• Investigaciones en niveles educativos no universitarios no aplicables al contexto de este
estudio.
• Literatura gris: tesis, informes institucionales, actas de congresos y publicaciones en
blogs.
• Artículos sin rigor metodológico o sin descripción clara del procedimiento empleado.
• Estudios no relacionados directamente con el objeto de estudio.
Tabla 2
Criterios de inclusión y exclusión
Criterios de inclusión Criterios de exclusión
Estudios empíricos y teóricos sobre IA en educación Estudios duplicados
Contexto de educación superior universitaria Educación básica o media no aplicable al contexto
universitario
Relación directa entre IA y práctica docente Documentos sin acceso a texto completo
Artículos revisados por pares Literatura gris (tesis, informes, actas de congreso)
Publicaciones en español e inglés Falta de claridad o rigor metodológico
Publicados entre 2020 y 2025 Estudios no relacionados directamente con el objeto
de estudio
Nota. Elaboración propia (2026).
Proceso de selección de estudios
El proceso de selección se desarrolló conforme a las cuatro fases del modelo PRISMA:
• Identificación: recuperación de registros en las bases de datos seleccionadas.
• Cribado: eliminación de duplicados y revisión de títulos y resúmenes con base en los
criterios definidos.
• Elegibilidad: lectura a texto completo aplicando los criterios de inclusión y exclusión.
• Inclusión: selección final de 20 estudios para el análisis.
La Figura 1 presenta el diagrama de flujo PRISMA que ilustra el proceso de selección de
estudios:
Vol 13/ Núm. 1 2026 pág. 3591
Tabla 3
Diagrama de flujo PRISMA para la selección de artículos
FASE 1: IDENTIFICACIÓN
Registros identificados en bases de datos: Scopus (n = 870+) | SciELO (n = 102+) |
Latindex 2.0 (n = 750+) Total inicial: n ≈ 1.722 registros
FASE 2: CRIBADO
Registros tras eliminar duplicados y revisar títulos/resúmenes Excluidos por
título/resumen: n ≈ 1.600 | Registros cribados: n ≈ 122
FASE 3: ELEGIBILIDAD
Artículos evaluados a texto completo: n ≈ 55 Excluidos por criterios de elegibilidad: n ≈
35 (sin texto completo, sin rigor metodológico, fuera del tema)
FASE 4: INCLUSIÓN FINAL — 20 estudios seleccionados para análisis
SciELO: n = 10 | Scopus: n = 6 | Latindex 2.0: n = 4
Nota. Elaboración propia siguiendo las directrices PRISMA 2020 (Page et al., 2021). Los números de registros
identificados son aproximados según los reportes de cada base de datos.
Evaluación de la calidad metodológica
La calidad de los estudios incluidos fue evaluada mediante las listas de verificación del
Joanna Briggs Institute (JBI), seleccionadas según el tipo de diseño de cada investigación
(cualitativo, cuantitativo o mixto). Se consideraron cinco criterios: claridad del objetivo,
adecuación del diseño metodológico, rigor en la recolección de datos, validez del análisis y
coherencia entre resultados y conclusiones. Cada estudio fue valorado de forma independiente y
clasificado como de alta calidad, calidad moderada o baja calidad. Se priorizaron en el análisis
los estudios con calidad alta y moderada.
Tabla 4
Evaluación de calidad metodológica de los estudios incluidos
Autor (año) Tipo de
estudio
Claridad
obj.
Diseño
adecuado
Recolección Análisis Coherencia Calidad
Cepeda
Campoverde
et al. (2025)
Mixto ✔ ✔ ✔ ✔ ✔ Alta
Zambrana
Copaja et al.
(2025)
Rev.
sistemática
mixta
✔ ✔ ✔ ✔ ✔ Alta
Lossio-Larrea
et al. (2025)
Rev.
sistemática
(PRISMA)
✔ ✔ ✔ ✔ ✔ Alta
Fadlelmula &
Qadhi (2024)
Rev.
sistemática
(PRISMA)
✔ ✔ ✔ ✔ ✔ Alta
Romani Pillpe
et al. (2025)
Rev.
sistemática
(PRISMA)
✔ ✔ ✔ ✔ ✔ Alta
Tabla 3
Diagrama de flujo PRISMA para la selección de artículos
FASE 1: IDENTIFICACIÓN
Registros identificados en bases de datos: Scopus (n = 870+) | SciELO (n = 102+) |
Latindex 2.0 (n = 750+) Total inicial: n ≈ 1.722 registros
FASE 2: CRIBADO
Registros tras eliminar duplicados y revisar títulos/resúmenes Excluidos por
título/resumen: n ≈ 1.600 | Registros cribados: n ≈ 122
FASE 3: ELEGIBILIDAD
Artículos evaluados a texto completo: n ≈ 55 Excluidos por criterios de elegibilidad: n ≈
35 (sin texto completo, sin rigor metodológico, fuera del tema)
FASE 4: INCLUSIÓN FINAL — 20 estudios seleccionados para análisis
SciELO: n = 10 | Scopus: n = 6 | Latindex 2.0: n = 4
Nota. Elaboración propia siguiendo las directrices PRISMA 2020 (Page et al., 2021). Los números de registros
identificados son aproximados según los reportes de cada base de datos.
Evaluación de la calidad metodológica
La calidad de los estudios incluidos fue evaluada mediante las listas de verificación del
Joanna Briggs Institute (JBI), seleccionadas según el tipo de diseño de cada investigación
(cualitativo, cuantitativo o mixto). Se consideraron cinco criterios: claridad del objetivo,
adecuación del diseño metodológico, rigor en la recolección de datos, validez del análisis y
coherencia entre resultados y conclusiones. Cada estudio fue valorado de forma independiente y
clasificado como de alta calidad, calidad moderada o baja calidad. Se priorizaron en el análisis
los estudios con calidad alta y moderada.
Tabla 4
Evaluación de calidad metodológica de los estudios incluidos
Autor (año) Tipo de
estudio
Claridad
obj.
Diseño
adecuado
Recolección Análisis Coherencia Calidad
Cepeda
Campoverde
et al. (2025)
Mixto ✔ ✔ ✔ ✔ ✔ Alta
Zambrana
Copaja et al.
(2025)
Rev.
sistemática
mixta
✔ ✔ ✔ ✔ ✔ Alta
Lossio-Larrea
et al. (2025)
Rev.
sistemática
(PRISMA)
✔ ✔ ✔ ✔ ✔ Alta
Fadlelmula &
Qadhi (2024)
Rev.
sistemática
(PRISMA)
✔ ✔ ✔ ✔ ✔ Alta
Romani Pillpe
et al. (2025)
Rev.
sistemática
(PRISMA)
✔ ✔ ✔ ✔ ✔ Alta
Vol 13/ Núm. 1 2026 pág. 3592
Yandún-
Cartagena et
al. (2025)
Rev.
sistemática
(PRISMA)
✔ ✔ ✔ ✖ ✔ Moderada
Cepeda
Campoverde
et al. (2025)*
Mixto ✔ ✔ ✔ ✔ ✔ Alta
Lossio-Larrea
et al. (2025)*
Rev.
sistemática
(PRISMA)
✔ ✔ ✔ ✔ ✔ Alta
Rodríguez
Vieira et al.
(2024)
Rev.
sistemática
✔ ✔ ✖ ✔ ✔ Moderada
Macedo et al.
(2025)
Rev.
sistemática
(PRISMA)
✔ ✔ ✔ ✔ ✔ Alta
Heredia Arias
et al. (2025)
Rev.
sistemática
cualitativa
✔ ✔ ✔ ✖ ✔ Moderada
Lachheb et al.
(2024)
Bibliométrico
+ cualitativo
✔ ✔ ✔ ✔ ✔ Alta
Ogunleye et
al. (2024)
Rev.
sistemática +
bibliometría
✔ ✔ ✔ ✔ ✔ Alta
Okagbue et al.
(2023)
Estudio
bibliométrico
✔ ✔ ✔ ✔ ✔ Alta
López-Chila
et al. (2024)
Estudio
bibliométrico
✔ ✔ ✔ ✖ ✔ Moderada
Quiroz
Martínez
(2025)
Rev.
sistemática
(PRISMA)
✔ ✔ ✔ ✔ ✔ Alta
Puente
Tituaña et al.
(2024)
Rev.
sistemática
(PRISMA)
✔ ✔ ✔ ✔ ✔ Alta
Vite Vaque et
al. (2025)
Rev.
sistemática
(PRISMA)
✔ ✔ ✔ ✔ ✔ Alta
Arista Huaco
et al. (2025)
Rev.
bibliográfica
narrativa
✔ ✔ ✖ ✔ ✔ Moderada
Castillo-
Salazar &
Mora-Rosales
(2024)
Rev.
sistemática
(PRISMA)
✔ ✔ ✖ ✔ ✔ Moderada
Nota. La columna 'Calidad global' integra los cinco criterios JBI evaluados. ✔ = cumple el criterio; ✖ = limitación
identificada. Elaboración propia (2026).
La evaluación de calidad evidenció que 14 de los 20 estudios presentan calidad alta, con
coherencia entre objetivos, diseño metodológico y resultados. En su mayoría se trata de revisiones
sistemáticas que siguen el protocolo PRISMA de manera rigurosa, lo que les confiere alto nivel
de fiabilidad y replicabilidad. Los 6 estudios restantes fueron clasificados como de calidad
Yandún-
Cartagena et
al. (2025)
Rev.
sistemática
(PRISMA)
✔ ✔ ✔ ✖ ✔ Moderada
Cepeda
Campoverde
et al. (2025)*
Mixto ✔ ✔ ✔ ✔ ✔ Alta
Lossio-Larrea
et al. (2025)*
Rev.
sistemática
(PRISMA)
✔ ✔ ✔ ✔ ✔ Alta
Rodríguez
Vieira et al.
(2024)
Rev.
sistemática
✔ ✔ ✖ ✔ ✔ Moderada
Macedo et al.
(2025)
Rev.
sistemática
(PRISMA)
✔ ✔ ✔ ✔ ✔ Alta
Heredia Arias
et al. (2025)
Rev.
sistemática
cualitativa
✔ ✔ ✔ ✖ ✔ Moderada
Lachheb et al.
(2024)
Bibliométrico
+ cualitativo
✔ ✔ ✔ ✔ ✔ Alta
Ogunleye et
al. (2024)
Rev.
sistemática +
bibliometría
✔ ✔ ✔ ✔ ✔ Alta
Okagbue et al.
(2023)
Estudio
bibliométrico
✔ ✔ ✔ ✔ ✔ Alta
López-Chila
et al. (2024)
Estudio
bibliométrico
✔ ✔ ✔ ✖ ✔ Moderada
Quiroz
Martínez
(2025)
Rev.
sistemática
(PRISMA)
✔ ✔ ✔ ✔ ✔ Alta
Puente
Tituaña et al.
(2024)
Rev.
sistemática
(PRISMA)
✔ ✔ ✔ ✔ ✔ Alta
Vite Vaque et
al. (2025)
Rev.
sistemática
(PRISMA)
✔ ✔ ✔ ✔ ✔ Alta
Arista Huaco
et al. (2025)
Rev.
bibliográfica
narrativa
✔ ✔ ✖ ✔ ✔ Moderada
Castillo-
Salazar &
Mora-Rosales
(2024)
Rev.
sistemática
(PRISMA)
✔ ✔ ✖ ✔ ✔ Moderada
Nota. La columna 'Calidad global' integra los cinco criterios JBI evaluados. ✔ = cumple el criterio; ✖ = limitación
identificada. Elaboración propia (2026).
La evaluación de calidad evidenció que 14 de los 20 estudios presentan calidad alta, con
coherencia entre objetivos, diseño metodológico y resultados. En su mayoría se trata de revisiones
sistemáticas que siguen el protocolo PRISMA de manera rigurosa, lo que les confiere alto nivel
de fiabilidad y replicabilidad. Los 6 estudios restantes fueron clasificados como de calidad
Vol 13/ Núm. 1 2026 pág. 3593
moderada debido a limitaciones metodológicas específicas, principalmente en la rigurosidad del
análisis o en el proceso de recolección de datos.
Extracción y análisis de datos
La extracción de información se realizó mediante una matriz de análisis estructurada que
sistematizó los siguientes elementos: autor y año, país de afiliación, tipo de estudio, tipo de
inteligencia artificial utilizada, contexto educativo y principales hallazgos. Este procedimiento
facilitó la organización de la información y su comparación entre estudios.
El análisis se efectuó mediante un enfoque temático de carácter cualitativo, orientado a
identificar patrones y categorías emergentes en la literatura. Los estudios fueron codificados y
agrupados en cuatro categorías principales: (1) aplicaciones de IA en la planificación docente, (2)
evaluación y retroalimentación automatizada, (3) personalización del aprendizaje, y (4)
implicaciones éticas y pedagógicas. Este enfoque permitió interpretar de manera integral el
impacto de la IA en la educación superior.
RESULTADOS
Proceso de selección de estudios
El proceso de identificación, cribado y selección se realizó conforme al protocolo
PRISMA (Page et al., 2021). Tras la aplicación de los criterios de inclusión y exclusión, se
seleccionaron 20 estudios en la muestra final (Figura 1). En cuanto a la procedencia por base de
datos, los artículos se distribuyen de la siguiente manera: SciELO (n = 10), Scopus (n = 6) y
Latindex 2.0 (n = 4). La mayor representación de publicaciones indexadas en SciELO evidencia
una sólida producción regional latinoamericana en el campo.
Esta concentración refleja la accesibilidad de SciELO para los investigadores de la región
y un creciente interés por visibilizar el conocimiento generado en entornos locales. La inclusión
de Latindex 2.0, aunque en menor proporción, evidencia un esfuerzo por captar revistas de
carácter regional no siempre indexadas en grandes repositorios internacionales, lo que enriquece
la diversidad de enfoques (Andrade, 2024). Esta decisión metodológica fortalece la pertinencia
contextual del estudio al fundamentarlo en realidades educativas afines al entorno
latinoamericano.
Características generales de los estudios
La revisión sistemática identificó 20 estudios publicados entre 2020 y 2025 centrados en
el uso de la IA en la práctica docente universitaria. En cuanto a la distribución geográfica, se
observa predominancia de investigaciones de América Latina, con menor representación de
contextos asiáticos y del mundo anglosajón, lo que evidencia una brecha regional en la producción
científica global sobre esta temática. Respecto al diseño metodológico, predominan los estudios
de revisión sistemática y bibliométricos, seguidos por enfoques mixtos e investigaciones
empíricas de menor escala.
moderada debido a limitaciones metodológicas específicas, principalmente en la rigurosidad del
análisis o en el proceso de recolección de datos.
Extracción y análisis de datos
La extracción de información se realizó mediante una matriz de análisis estructurada que
sistematizó los siguientes elementos: autor y año, país de afiliación, tipo de estudio, tipo de
inteligencia artificial utilizada, contexto educativo y principales hallazgos. Este procedimiento
facilitó la organización de la información y su comparación entre estudios.
El análisis se efectuó mediante un enfoque temático de carácter cualitativo, orientado a
identificar patrones y categorías emergentes en la literatura. Los estudios fueron codificados y
agrupados en cuatro categorías principales: (1) aplicaciones de IA en la planificación docente, (2)
evaluación y retroalimentación automatizada, (3) personalización del aprendizaje, y (4)
implicaciones éticas y pedagógicas. Este enfoque permitió interpretar de manera integral el
impacto de la IA en la educación superior.
RESULTADOS
Proceso de selección de estudios
El proceso de identificación, cribado y selección se realizó conforme al protocolo
PRISMA (Page et al., 2021). Tras la aplicación de los criterios de inclusión y exclusión, se
seleccionaron 20 estudios en la muestra final (Figura 1). En cuanto a la procedencia por base de
datos, los artículos se distribuyen de la siguiente manera: SciELO (n = 10), Scopus (n = 6) y
Latindex 2.0 (n = 4). La mayor representación de publicaciones indexadas en SciELO evidencia
una sólida producción regional latinoamericana en el campo.
Esta concentración refleja la accesibilidad de SciELO para los investigadores de la región
y un creciente interés por visibilizar el conocimiento generado en entornos locales. La inclusión
de Latindex 2.0, aunque en menor proporción, evidencia un esfuerzo por captar revistas de
carácter regional no siempre indexadas en grandes repositorios internacionales, lo que enriquece
la diversidad de enfoques (Andrade, 2024). Esta decisión metodológica fortalece la pertinencia
contextual del estudio al fundamentarlo en realidades educativas afines al entorno
latinoamericano.
Características generales de los estudios
La revisión sistemática identificó 20 estudios publicados entre 2020 y 2025 centrados en
el uso de la IA en la práctica docente universitaria. En cuanto a la distribución geográfica, se
observa predominancia de investigaciones de América Latina, con menor representación de
contextos asiáticos y del mundo anglosajón, lo que evidencia una brecha regional en la producción
científica global sobre esta temática. Respecto al diseño metodológico, predominan los estudios
de revisión sistemática y bibliométricos, seguidos por enfoques mixtos e investigaciones
empíricas de menor escala.
Vol 13/ Núm. 1 2026 pág. 3594
Tabla 5
Características generales de los estudios incluidos (n = 20)
Variable Categoría Frecuencia (n)
Base de datos SciELO 10
Scopus 6
Latindex 2.0 4
País de origen Ecuador 7
Perú 5
Venezuela 2
Otros (EE. UU., Reino Unido, China/Hong Kong,
Países del Golfo)
6
Diseño metodológico Revisión sistemática con protocolo PRISMA 13
Estudio bibliométrico 3
Enfoque mixto (encuestas + entrevistas) 2
Revisión narrativa / bibliográfica 2
Calidad metodológica Alta calidad 14
Calidad moderada 6
Nota. Elaboración propia (2026).
Matriz de extracción de datos
La Tabla 5 presenta la matriz completa de extracción de datos de los 20 estudios incluidos
en la revisión, organizada por autor, país, tipo de IA, metodología, resultados principales y base
de datos de origen.
Tabla 6
Matriz de extracción de datos de los estudios incluidos en la revisión sistemática
N° Autor/Año País Tipo de IA Metodología Resultados principales Base de
datos
1 Cepeda
Campoverde et
al. (2025)
Ecuador IA aplicada a
educación /
percepción docente
Enfoque mixto:
encuestas +
entrevistas
Docentes conocen avances
de IA; perciben
oportunidades pedagógicas
y desafíos de formación;
consideran que la IA
influye de forma creciente
en la enseñanza superior.
SciELO
2 Zambrana
Copaja et al.
(2025)
Bolivia,
México,
Ecuador,
Argentina
Sistemas tutores
inteligentes,
analítica de
aprendizaje, IA para
accesibilidad e
inclusión
Revisión sistemática
mixta: 110 registros
→ 21 artículos
La IA favorece la
personalización e
inclusión, pero su
adopción en América
Latina es limitada por
brechas tecnológicas y
falta de formación docente
y marcos éticos.
SciELO
3 Lossio-Larrea et
al. (2025)
Perú ITS, analítica de
aprendizaje,
aprendizaje
Rev. sistemática
PRISMA en Scopus
(2020–2025): 88
La IA en tutorías mejora
personalización y
rendimiento. Persisten
SciELO
Tabla 5
Características generales de los estudios incluidos (n = 20)
Variable Categoría Frecuencia (n)
Base de datos SciELO 10
Scopus 6
Latindex 2.0 4
País de origen Ecuador 7
Perú 5
Venezuela 2
Otros (EE. UU., Reino Unido, China/Hong Kong,
Países del Golfo)
6
Diseño metodológico Revisión sistemática con protocolo PRISMA 13
Estudio bibliométrico 3
Enfoque mixto (encuestas + entrevistas) 2
Revisión narrativa / bibliográfica 2
Calidad metodológica Alta calidad 14
Calidad moderada 6
Nota. Elaboración propia (2026).
Matriz de extracción de datos
La Tabla 5 presenta la matriz completa de extracción de datos de los 20 estudios incluidos
en la revisión, organizada por autor, país, tipo de IA, metodología, resultados principales y base
de datos de origen.
Tabla 6
Matriz de extracción de datos de los estudios incluidos en la revisión sistemática
N° Autor/Año País Tipo de IA Metodología Resultados principales Base de
datos
1 Cepeda
Campoverde et
al. (2025)
Ecuador IA aplicada a
educación /
percepción docente
Enfoque mixto:
encuestas +
entrevistas
Docentes conocen avances
de IA; perciben
oportunidades pedagógicas
y desafíos de formación;
consideran que la IA
influye de forma creciente
en la enseñanza superior.
SciELO
2 Zambrana
Copaja et al.
(2025)
Bolivia,
México,
Ecuador,
Argentina
Sistemas tutores
inteligentes,
analítica de
aprendizaje, IA para
accesibilidad e
inclusión
Revisión sistemática
mixta: 110 registros
→ 21 artículos
La IA favorece la
personalización e
inclusión, pero su
adopción en América
Latina es limitada por
brechas tecnológicas y
falta de formación docente
y marcos éticos.
SciELO
3 Lossio-Larrea et
al. (2025)
Perú ITS, analítica de
aprendizaje,
aprendizaje
Rev. sistemática
PRISMA en Scopus
(2020–2025): 88
La IA en tutorías mejora
personalización y
rendimiento. Persisten
SciELO
Vol 13/ Núm. 1 2026 pág. 3595
adaptativo,
retroalimentación
automatizada
registros → 23
estudios
desafíos en sesgo
algorítmico, integración
tecnológica y formación
docente.
4 Fadlelmula &
Qadhi (2024)
Países del GCC AIED: chatbots,
ML, sistemas
expertos,
aprendizaje
personalizado
Rev. sistemática
PRISMA; 32
estudios en Scopus
La IA mejora resultados
académicos y eficiencia
institucional. Barreras:
baja competencia
tecnológica,
infraestructura limitada,
resistencia al cambio.
Scopus
5 Romani Pillpe et
al. (2025)
Perú IA Generativa
(GenIA): ChatGPT,
chatbots educativos,
analítica de
aprendizaje
Rev. sistemática
PRISMA en Scopus
y WoS: 460 registros
→ 35 artículos
GenIA favorece el
aprendizaje personalizado
y la participación.
Requiere alfabetización en
IA y mediación docente.
Persisten retos éticos y
brecha digital.
SciELO
6 Yandún-
Cartagena et al.
(2025)
Ecuador TIC, IA y RA
aplicadas al
aprendizaje
Rev. sistemática
PRISMA en Scopus,
SciELO y Dialnet:
750 → 20 estudios
El uso planificado de
tecnología mejora
motivación y rendimiento.
El uso improvisado genera
distracción y brecha
digital.
SciELO
7 Cepeda
Campoverde,
Durán Núñez &
Ocaña Ocaña
(2025)
Ecuador IA generativa
(ChatGPT, Gemini)
y herramientas
digitales
Encuesta a 333
docentes + 7
entrevistas
semiestructuradas;
análisis interpretativo
Conocimiento medio de
IA; uso centrado en
preparación de clases.
63% recibió capacitación
no sistematizada. Ausencia
de políticas institucionales
explícitas.
SciELO
8 Lossio-Larrea et
al. (2025)
Venezuela IA en tutoría
académica
Rev. sistemática con
PRISMA (23
estudios)
La IA transforma tutorías
promoviendo
personalización,
retroalimentación
inmediata y eficiencia
docente; persisten desafíos
de brecha digital y
formación.
SciELO
9 Rodríguez
Vieira et al.
(2024)
Venezuela IA educativa:
tutoría inteligente,
herramientas IA,
analítica de datos y
GenIA
Rev. sistemática de
16 artículos con
criterios PRISMA
La IA favorece la
personalización, tutoría
adaptativa y creación de
contenidos. Persisten
desafíos éticos (plagio,
SciELO
adaptativo,
retroalimentación
automatizada
registros → 23
estudios
desafíos en sesgo
algorítmico, integración
tecnológica y formación
docente.
4 Fadlelmula &
Qadhi (2024)
Países del GCC AIED: chatbots,
ML, sistemas
expertos,
aprendizaje
personalizado
Rev. sistemática
PRISMA; 32
estudios en Scopus
La IA mejora resultados
académicos y eficiencia
institucional. Barreras:
baja competencia
tecnológica,
infraestructura limitada,
resistencia al cambio.
Scopus
5 Romani Pillpe et
al. (2025)
Perú IA Generativa
(GenIA): ChatGPT,
chatbots educativos,
analítica de
aprendizaje
Rev. sistemática
PRISMA en Scopus
y WoS: 460 registros
→ 35 artículos
GenIA favorece el
aprendizaje personalizado
y la participación.
Requiere alfabetización en
IA y mediación docente.
Persisten retos éticos y
brecha digital.
SciELO
6 Yandún-
Cartagena et al.
(2025)
Ecuador TIC, IA y RA
aplicadas al
aprendizaje
Rev. sistemática
PRISMA en Scopus,
SciELO y Dialnet:
750 → 20 estudios
El uso planificado de
tecnología mejora
motivación y rendimiento.
El uso improvisado genera
distracción y brecha
digital.
SciELO
7 Cepeda
Campoverde,
Durán Núñez &
Ocaña Ocaña
(2025)
Ecuador IA generativa
(ChatGPT, Gemini)
y herramientas
digitales
Encuesta a 333
docentes + 7
entrevistas
semiestructuradas;
análisis interpretativo
Conocimiento medio de
IA; uso centrado en
preparación de clases.
63% recibió capacitación
no sistematizada. Ausencia
de políticas institucionales
explícitas.
SciELO
8 Lossio-Larrea et
al. (2025)
Venezuela IA en tutoría
académica
Rev. sistemática con
PRISMA (23
estudios)
La IA transforma tutorías
promoviendo
personalización,
retroalimentación
inmediata y eficiencia
docente; persisten desafíos
de brecha digital y
formación.
SciELO
9 Rodríguez
Vieira et al.
(2024)
Venezuela IA educativa:
tutoría inteligente,
herramientas IA,
analítica de datos y
GenIA
Rev. sistemática de
16 artículos con
criterios PRISMA
La IA favorece la
personalización, tutoría
adaptativa y creación de
contenidos. Persisten
desafíos éticos (plagio,
SciELO
Vol 13/ Núm. 1 2026 pág. 3596
privacidad, sesgos) y
necesidad de marcos
regulatorios.
10 Macedo et al.
(2025)
Perú IA generativa y
herramientas IA
para redacción,
evaluación y apoyo
académico
Rev. sistemática
PRISMA: 23
estudios (2022–
2025) en SciELO y
Dialnet; criterios JBI
La IA favorece
personalización,
autonomía y evaluación
automatizada. Riesgos:
dependencia tecnológica y
pérdida de habilidades
críticas.
SciELO
11 Heredia Arias et
al. (2025)
Ecuador IA educativa
(personalización,
entornos
interactivos,
automatización)
Rev. sistemática
cualitativa (2019–
2024): 102 estudios
→ 31 finales en
SciELO, Redalyc,
Dialnet y Google
Scholar
La IA mejora la
personalización del
aprendizaje, interactividad
y eficiencia administrativa.
Persisten retos éticos:
privacidad, sesgos y
dependencia tecnológica.
SciELO
12 Lachheb et al.
(2024)
Estados Unidos IA en Educación
Superior (IA
generativa, tutores
inteligentes,
plataformas
adaptativas, LLM)
Bibliométrico +
modelado de tópicos
+ análisis cualitativo
crítico. Corpus de
332 publicaciones de
Scopus
Preocupaciones actuales
centradas en ética,
inclusión y alfabetización
en IA. Docentes e
instituciones carecen de
preparación crítica y
marcos normativos.
Scopus
13 Ogunleye et al.
(2024)
Reino Unido IA Generativa
(LLMs: ChatGPT,
GPT-4, Gemini)
Rev. sistemática
PRISMA en Scopus:
625 registros, 355
incluidos; análisis
bibliométrico
Crecimiento exponencial
desde 2023. Tendencias:
integridad académica,
evaluación, ética, prompt
engineering. Necesidad de
marcos regulatorios.
Scopus
14 Okagbue et al.
(2023)
China / Hong
Kong
(afiliaciones
internacionales)
IA y Machine
Learning aplicadas
a la pedagogía
(chatbots, smart
tutoring, robótica
educativa)
Estudio
bibliométrico (2000–
2021). Análisis de
publicaciones, citas,
autores, países y
herramientas
Bajo nivel de integración
de IA/ML en pedagogía.
Barreras: desconocimiento
docente, percepción
negativa y falta de
infraestructura y políticas
institucionales.
Scopus
15 López-Chila et
al. (2024)
Ecuador /
España
IA en educación
superior: ML, deep
learning, ChatGPT,
big data
Estudio
bibliométrico en
Scopus (2017–2023):
870 artículos;
análisis con
VOSviewer
Crecimiento sostenido de
publicaciones. Lideran
China y EE. UU.
Tendencias en 'ChatGPT',
'machine learning' y
'COVID-19'. Evidencia
interdisciplinariedad.
Scopus
privacidad, sesgos) y
necesidad de marcos
regulatorios.
10 Macedo et al.
(2025)
Perú IA generativa y
herramientas IA
para redacción,
evaluación y apoyo
académico
Rev. sistemática
PRISMA: 23
estudios (2022–
2025) en SciELO y
Dialnet; criterios JBI
La IA favorece
personalización,
autonomía y evaluación
automatizada. Riesgos:
dependencia tecnológica y
pérdida de habilidades
críticas.
SciELO
11 Heredia Arias et
al. (2025)
Ecuador IA educativa
(personalización,
entornos
interactivos,
automatización)
Rev. sistemática
cualitativa (2019–
2024): 102 estudios
→ 31 finales en
SciELO, Redalyc,
Dialnet y Google
Scholar
La IA mejora la
personalización del
aprendizaje, interactividad
y eficiencia administrativa.
Persisten retos éticos:
privacidad, sesgos y
dependencia tecnológica.
SciELO
12 Lachheb et al.
(2024)
Estados Unidos IA en Educación
Superior (IA
generativa, tutores
inteligentes,
plataformas
adaptativas, LLM)
Bibliométrico +
modelado de tópicos
+ análisis cualitativo
crítico. Corpus de
332 publicaciones de
Scopus
Preocupaciones actuales
centradas en ética,
inclusión y alfabetización
en IA. Docentes e
instituciones carecen de
preparación crítica y
marcos normativos.
Scopus
13 Ogunleye et al.
(2024)
Reino Unido IA Generativa
(LLMs: ChatGPT,
GPT-4, Gemini)
Rev. sistemática
PRISMA en Scopus:
625 registros, 355
incluidos; análisis
bibliométrico
Crecimiento exponencial
desde 2023. Tendencias:
integridad académica,
evaluación, ética, prompt
engineering. Necesidad de
marcos regulatorios.
Scopus
14 Okagbue et al.
(2023)
China / Hong
Kong
(afiliaciones
internacionales)
IA y Machine
Learning aplicadas
a la pedagogía
(chatbots, smart
tutoring, robótica
educativa)
Estudio
bibliométrico (2000–
2021). Análisis de
publicaciones, citas,
autores, países y
herramientas
Bajo nivel de integración
de IA/ML en pedagogía.
Barreras: desconocimiento
docente, percepción
negativa y falta de
infraestructura y políticas
institucionales.
Scopus
15 López-Chila et
al. (2024)
Ecuador /
España
IA en educación
superior: ML, deep
learning, ChatGPT,
big data
Estudio
bibliométrico en
Scopus (2017–2023):
870 artículos;
análisis con
VOSviewer
Crecimiento sostenido de
publicaciones. Lideran
China y EE. UU.
Tendencias en 'ChatGPT',
'machine learning' y
'COVID-19'. Evidencia
interdisciplinariedad.
Scopus
Vol 13/ Núm. 1 2026 pág. 3597
16 Quiroz Martínez
(2025)
Perú IA generativa
(ChatGPT, sistemas
adaptativos,
analítica de datos)
Rev. sistemática
PRISMA (2019–
2024): 129 estudios
de Scopus, ProQuest,
ScienceDirect y
EBSCO. Enfoque
PICO
La IA Gen potencia
personalización,
retroalimentación y
eficiencia
docente/administrativa.
Persisten retos éticos,
brecha de acceso y
necesidad de formación.
Latindex
2.0
17 Puente Tituaña
et al. (2024)
Ecuador IA educativa
(tutores inteligentes,
chatbots, evaluación
automatizada,
analítica predictiva)
Rev. sistemática
PRISMA (2010–
2024) en Scopus,
WoS y Google
Scholar. Enfoque
PICO
La IA favorece
personalización, tutoría y
gestión académica.
Brechas: falta de marco
pedagógico, escalabilidad
limitada y retos éticos.
Latindex
2.0
18 Vite Vaque et al.
(2025)
Ecuador IA educativa y
generativa
(automatización,
analítica, apoyo a
investigación)
Rev. sistemática
PRISMA 2020
(2019–2025) en
Scopus, WoS, ERIC
y SciELO
La IA mejora la
productividad docente y
calidad investigativa.
Persisten vacíos éticos,
baja integración
pedagógica no STEM y
necesidad de políticas.
Latindex
2.0
19 Arista Huaco et
al. (2025)
Perú IA educativa
(tutoría inteligente,
aprendizaje
adaptativo,
evaluación
automatizada,
gestión)
Revisión
bibliográfica
narrativa: 53
artículos (2021–
2024) en Scopus con
filtro PRISMA
La IA personaliza el
aprendizaje, mejora la
evaluación y apoya la
gestión. Persisten retos
éticos, brecha de acceso y
necesidad de formación
docente.
Latindex
2.0
20 Castillo-Salazar
& Mora-Rosales
(2024)
Ecuador IA educativa
(personalización,
tutores virtuales,
analítica predictiva,
gestión
administrativa)
Rev. sistemática
PRISMA: 5 estudios
(2010–2024) en
Google Scholar,
RedALyC y
ScienceDirect
La IA mejora
personalización, eficiencia
y gestión. Persisten
barreras: brecha
tecnológica, resistencia
docente, riesgos éticos y
falta de políticas.
Latindex
2.0
Nota. La matriz evidencia un claro predominio de estudios realizados en Ecuador y Perú, mayoritariamente revisiones
sistemáticas con protocolo PRISMA. Existe consenso transversal en identificar la personalización del aprendizaje como
principal oportunidad, mientras que la brecha digital, la falta de formación docente y la ausencia de marcos éticos son
los desafíos más recurrentes. Elaboración propia (2026).
Aplicaciones de la inteligencia artificial en la docencia
Los estudios analizados identifican diversas aplicaciones de la IA en la docencia
universitaria. En el ámbito de la tutoría académica, los sistemas tutoriales inteligentes son los más
recurrentes: permiten simular la interacción con un tutor humano, ofrecer retroalimentación
inmediata, guía personalizada y seguimiento del progreso estudiantil. Lossio-Larrea et al. (2025)
16 Quiroz Martínez
(2025)
Perú IA generativa
(ChatGPT, sistemas
adaptativos,
analítica de datos)
Rev. sistemática
PRISMA (2019–
2024): 129 estudios
de Scopus, ProQuest,
ScienceDirect y
EBSCO. Enfoque
PICO
La IA Gen potencia
personalización,
retroalimentación y
eficiencia
docente/administrativa.
Persisten retos éticos,
brecha de acceso y
necesidad de formación.
Latindex
2.0
17 Puente Tituaña
et al. (2024)
Ecuador IA educativa
(tutores inteligentes,
chatbots, evaluación
automatizada,
analítica predictiva)
Rev. sistemática
PRISMA (2010–
2024) en Scopus,
WoS y Google
Scholar. Enfoque
PICO
La IA favorece
personalización, tutoría y
gestión académica.
Brechas: falta de marco
pedagógico, escalabilidad
limitada y retos éticos.
Latindex
2.0
18 Vite Vaque et al.
(2025)
Ecuador IA educativa y
generativa
(automatización,
analítica, apoyo a
investigación)
Rev. sistemática
PRISMA 2020
(2019–2025) en
Scopus, WoS, ERIC
y SciELO
La IA mejora la
productividad docente y
calidad investigativa.
Persisten vacíos éticos,
baja integración
pedagógica no STEM y
necesidad de políticas.
Latindex
2.0
19 Arista Huaco et
al. (2025)
Perú IA educativa
(tutoría inteligente,
aprendizaje
adaptativo,
evaluación
automatizada,
gestión)
Revisión
bibliográfica
narrativa: 53
artículos (2021–
2024) en Scopus con
filtro PRISMA
La IA personaliza el
aprendizaje, mejora la
evaluación y apoya la
gestión. Persisten retos
éticos, brecha de acceso y
necesidad de formación
docente.
Latindex
2.0
20 Castillo-Salazar
& Mora-Rosales
(2024)
Ecuador IA educativa
(personalización,
tutores virtuales,
analítica predictiva,
gestión
administrativa)
Rev. sistemática
PRISMA: 5 estudios
(2010–2024) en
Google Scholar,
RedALyC y
ScienceDirect
La IA mejora
personalización, eficiencia
y gestión. Persisten
barreras: brecha
tecnológica, resistencia
docente, riesgos éticos y
falta de políticas.
Latindex
2.0
Nota. La matriz evidencia un claro predominio de estudios realizados en Ecuador y Perú, mayoritariamente revisiones
sistemáticas con protocolo PRISMA. Existe consenso transversal en identificar la personalización del aprendizaje como
principal oportunidad, mientras que la brecha digital, la falta de formación docente y la ausencia de marcos éticos son
los desafíos más recurrentes. Elaboración propia (2026).
Aplicaciones de la inteligencia artificial en la docencia
Los estudios analizados identifican diversas aplicaciones de la IA en la docencia
universitaria. En el ámbito de la tutoría académica, los sistemas tutoriales inteligentes son los más
recurrentes: permiten simular la interacción con un tutor humano, ofrecer retroalimentación
inmediata, guía personalizada y seguimiento del progreso estudiantil. Lossio-Larrea et al. (2025)
Vol 13/ Núm. 1 2026 pág. 3598
documentan que estos sistemas transforman la tutoría al promover la personalización del
aprendizaje y mejorar la eficiencia docente, aunque su implementación enfrenta desafíos como la
brecha digital y la necesidad de formación especializada. Zambrana Copaja et al. (2025) destacan
su potencial para favorecer la inclusión en América Latina, siempre que se acompañen de políticas
claras y marcos éticos.
En cuanto a evaluación y retroalimentación, las herramientas de evaluación automatizada
y analítica del aprendizaje permiten analizar grandes volúmenes de datos para identificar patrones
de desempeño, predecir riesgos académicos y ofrecer retroalimentación inmediata y
personalizada. Rodríguez Vieira et al. (2024) señalan que estas aplicaciones mejoran la eficiencia
en la gestión evaluativa, aunque advierten sobre los riesgos de un uso acrítico, como el sesgo
algorítmico y la pérdida de la dimensión cualitativa de la evaluación. Macedo et al. (2025)
complementan esta perspectiva al enfatizar la necesidad de preservar la integridad académica y
el desarrollo del pensamiento crítico.
Las plataformas adaptativas y los chatbots educativos representan otra categoría
relevante: utilizan IA para ajustar contenidos, ritmos y niveles de complejidad según las
necesidades individuales. Romani Pillpe et al. (2025) y Quiroz Martínez (2025) coinciden en que
la IA generativa y los sistemas adaptativos potencian la personalización del aprendizaje, pero
resaltan la necesidad de una mediación docente consciente que evite la dependencia tecnológica
y garantice la equidad en el acceso.
En conjunto, la literatura revisada muestra que las aplicaciones de IA en la docencia son
diversas y prometedoras, pero su implementación efectiva está condicionada por factores
contextuales como la infraestructura tecnológica, la formación docente y la existencia de marcos
ético-pedagógicos que orienten su uso.
Impacto en la práctica docente
La integración de la IA reconfigura la práctica docente universitaria en múltiples
dimensiones. En primer lugar, impacta la planificación y gestión docente: herramientas de IA
generativa permiten automatizar tareas administrativas, diseñar actividades de aprendizaje,
generar contenidos educativos y elaborar rúbricas de evaluación. Cepeda Campoverde et al.
(2025) reportan que los docentes utilizan estas herramientas para optimizar su tiempo y redirigir
esfuerzos hacia la interacción pedagógica; no obstante, advierten que esta automatización, sin un
criterio profesional sólido, puede reducir al docente a un mero validador de contenidos
algorítmicos.
En segundo lugar, la IA incide en los procesos de mediación pedagógica. La literatura
revisada sugiere que el rol docente se transforma hacia una función de mediación crítica, en la
que el profesorado debe interpretar y contextualizar las recomendaciones de los sistemas
inteligentes. Heredia Arias et al. (2025) y Vite Vaque et al. (2025) destacan que la IA no sustituye
al docente, sino que exige nuevas competencias para guiar el aprendizaje en entornos híbridos,
documentan que estos sistemas transforman la tutoría al promover la personalización del
aprendizaje y mejorar la eficiencia docente, aunque su implementación enfrenta desafíos como la
brecha digital y la necesidad de formación especializada. Zambrana Copaja et al. (2025) destacan
su potencial para favorecer la inclusión en América Latina, siempre que se acompañen de políticas
claras y marcos éticos.
En cuanto a evaluación y retroalimentación, las herramientas de evaluación automatizada
y analítica del aprendizaje permiten analizar grandes volúmenes de datos para identificar patrones
de desempeño, predecir riesgos académicos y ofrecer retroalimentación inmediata y
personalizada. Rodríguez Vieira et al. (2024) señalan que estas aplicaciones mejoran la eficiencia
en la gestión evaluativa, aunque advierten sobre los riesgos de un uso acrítico, como el sesgo
algorítmico y la pérdida de la dimensión cualitativa de la evaluación. Macedo et al. (2025)
complementan esta perspectiva al enfatizar la necesidad de preservar la integridad académica y
el desarrollo del pensamiento crítico.
Las plataformas adaptativas y los chatbots educativos representan otra categoría
relevante: utilizan IA para ajustar contenidos, ritmos y niveles de complejidad según las
necesidades individuales. Romani Pillpe et al. (2025) y Quiroz Martínez (2025) coinciden en que
la IA generativa y los sistemas adaptativos potencian la personalización del aprendizaje, pero
resaltan la necesidad de una mediación docente consciente que evite la dependencia tecnológica
y garantice la equidad en el acceso.
En conjunto, la literatura revisada muestra que las aplicaciones de IA en la docencia son
diversas y prometedoras, pero su implementación efectiva está condicionada por factores
contextuales como la infraestructura tecnológica, la formación docente y la existencia de marcos
ético-pedagógicos que orienten su uso.
Impacto en la práctica docente
La integración de la IA reconfigura la práctica docente universitaria en múltiples
dimensiones. En primer lugar, impacta la planificación y gestión docente: herramientas de IA
generativa permiten automatizar tareas administrativas, diseñar actividades de aprendizaje,
generar contenidos educativos y elaborar rúbricas de evaluación. Cepeda Campoverde et al.
(2025) reportan que los docentes utilizan estas herramientas para optimizar su tiempo y redirigir
esfuerzos hacia la interacción pedagógica; no obstante, advierten que esta automatización, sin un
criterio profesional sólido, puede reducir al docente a un mero validador de contenidos
algorítmicos.
En segundo lugar, la IA incide en los procesos de mediación pedagógica. La literatura
revisada sugiere que el rol docente se transforma hacia una función de mediación crítica, en la
que el profesorado debe interpretar y contextualizar las recomendaciones de los sistemas
inteligentes. Heredia Arias et al. (2025) y Vite Vaque et al. (2025) destacan que la IA no sustituye
al docente, sino que exige nuevas competencias para guiar el aprendizaje en entornos híbridos,
Vol 13/ Núm. 1 2026 pág. 3599
promover el pensamiento crítico frente a la información generada por IA y garantizar un uso ético
de estas tecnologías.
En tercer lugar, la IA impacta la personalización de la enseñanza: los sistemas adaptativos
permiten atender la diversidad del estudiantado de manera más eficiente. Fadlelmula & Qadhi
(2024) y Puente Tituaña et al. (2024) señalan que esta capacidad mejora el rendimiento académico
y la motivación, particularmente en contextos de masificación universitaria. Sin embargo,
Lachheb et al. (2024) matizan que una personalización excesiva puede fragmentar el
conocimiento si no se fomenta la construcción colectiva del saber.
Finalmente, la IA genera impactos en la identidad profesional del docente: plantea
tensiones entre la tradición pedagógica y la innovación tecnológica. Okagbue et al. (2023)
observan resistencia al cambio derivada del desconocimiento y la falta de formación, mientras
que Yandún-Cartagena et al. (2025) encuentran que el uso planificado y reflexivo de la IA
fortalece la innovación docente. En cualquier caso, existe consenso en que el profesorado requiere
una alfabetización en IA que le permita ejercer su autonomía en entornos mediados por
algoritmos.
Desafíos en la implementación
A pesar del potencial transformador de la IA, los estudios revisados identifican desafíos
persistentes que condicionan su integración efectiva y equitativa. Un desafío recurrente es la
desigualdad en el acceso a tecnología y conectividad. Zambrana Copaja et al. (2025) y Castillo-
Salazar & Mora-Rosales (2024) señalan que en contextos latinoamericanos la falta de
infraestructura tecnológica limita la implementación de herramientas de IA, profundizando las
brechas educativas existentes.
La literatura también evidencia una carencia generalizada de programas de formación
docente que preparen al profesorado para integrar críticamente la IA en su práctica. Cepeda
Campoverde et al. (2025) reportan que, aunque muchos docentes han recibido capacitaciones,
estas suelen ser aisladas y no sistematizadas. Lachheb et al. (2024) y Ogunleye et al. (2024)
enfatizan la urgencia de desarrollar competencias en alfabetización en IA de carácter crítico y
reflexivo.
La falta de lineamientos institucionales claros sobre el uso ético de la IA constituye otro
desafío central: la ausencia de políticas explícitas genera incertidumbre sobre privacidad de datos,
propiedad intelectual, sesgos algorítmicos e integridad académica. Heredia Arias et al. (2025),
Macedo et al. (2025) y Rodríguez Vieira et al. (2024) coinciden en que las universidades requieren
marcos éticos participativos y contextualizados que orienten la integración de la IA protegiendo
los derechos de los estudiantes y la autonomía docente.
Entre los riesgos más mencionados se encuentran el incremento del plagio académico, la
dependencia tecnológica, la pérdida de habilidades cognitivas superiores y la generación de
sesgos en los sistemas de evaluación. Lachheb et al. (2024) advierten que la lógica comercial que
promover el pensamiento crítico frente a la información generada por IA y garantizar un uso ético
de estas tecnologías.
En tercer lugar, la IA impacta la personalización de la enseñanza: los sistemas adaptativos
permiten atender la diversidad del estudiantado de manera más eficiente. Fadlelmula & Qadhi
(2024) y Puente Tituaña et al. (2024) señalan que esta capacidad mejora el rendimiento académico
y la motivación, particularmente en contextos de masificación universitaria. Sin embargo,
Lachheb et al. (2024) matizan que una personalización excesiva puede fragmentar el
conocimiento si no se fomenta la construcción colectiva del saber.
Finalmente, la IA genera impactos en la identidad profesional del docente: plantea
tensiones entre la tradición pedagógica y la innovación tecnológica. Okagbue et al. (2023)
observan resistencia al cambio derivada del desconocimiento y la falta de formación, mientras
que Yandún-Cartagena et al. (2025) encuentran que el uso planificado y reflexivo de la IA
fortalece la innovación docente. En cualquier caso, existe consenso en que el profesorado requiere
una alfabetización en IA que le permita ejercer su autonomía en entornos mediados por
algoritmos.
Desafíos en la implementación
A pesar del potencial transformador de la IA, los estudios revisados identifican desafíos
persistentes que condicionan su integración efectiva y equitativa. Un desafío recurrente es la
desigualdad en el acceso a tecnología y conectividad. Zambrana Copaja et al. (2025) y Castillo-
Salazar & Mora-Rosales (2024) señalan que en contextos latinoamericanos la falta de
infraestructura tecnológica limita la implementación de herramientas de IA, profundizando las
brechas educativas existentes.
La literatura también evidencia una carencia generalizada de programas de formación
docente que preparen al profesorado para integrar críticamente la IA en su práctica. Cepeda
Campoverde et al. (2025) reportan que, aunque muchos docentes han recibido capacitaciones,
estas suelen ser aisladas y no sistematizadas. Lachheb et al. (2024) y Ogunleye et al. (2024)
enfatizan la urgencia de desarrollar competencias en alfabetización en IA de carácter crítico y
reflexivo.
La falta de lineamientos institucionales claros sobre el uso ético de la IA constituye otro
desafío central: la ausencia de políticas explícitas genera incertidumbre sobre privacidad de datos,
propiedad intelectual, sesgos algorítmicos e integridad académica. Heredia Arias et al. (2025),
Macedo et al. (2025) y Rodríguez Vieira et al. (2024) coinciden en que las universidades requieren
marcos éticos participativos y contextualizados que orienten la integración de la IA protegiendo
los derechos de los estudiantes y la autonomía docente.
Entre los riesgos más mencionados se encuentran el incremento del plagio académico, la
dependencia tecnológica, la pérdida de habilidades cognitivas superiores y la generación de
sesgos en los sistemas de evaluación. Lachheb et al. (2024) advierten que la lógica comercial que
Vol 13/ Núm. 1 2026 pág. 3600
subyace al desarrollo de muchas herramientas de IA prioriza la eficiencia sobre la equidad y la
transparencia. Finalmente, Okagbue et al. (2023) y Vite Vaque et al. (2025) señalan que la
adopción de la IA requiere no solo tecnología, sino un cambio cultural que transforme las
concepciones pedagógicas establecidas.
Categorías temáticas emergentes
Tabla 7
Categorías y subcategorías emergentes del análisis temático
Del análisis temático se identificaron cuatro categorías principales, presentadas en la Tabla 6.
Nota. Elaboración propia (2026).
IA para planificación docente
Los estudios documentan el uso de IA para generación de contenidos, diseño de
actividades, elaboración de rúbricas y apoyo en la planificación académica (Macedo et al., 2025;
Cepeda Campoverde et al., 2025; Romani Pillpe et al., 2025). Se reporta además la automatización
de procesos administrativos y la optimización del tiempo docente. Esta aplicación responde a una
demanda histórica del profesorado: disponer de más tiempo para la interacción con los
estudiantes. No obstante, resulta fundamental que la planificación asistida por IA se conciba como
herramienta de apoyo y no como sustituto del criterio profesional docente.
IA en evaluación y retroalimentación
Se identificó el uso de sistemas tutoriales inteligentes, analítica de aprendizaje y
evaluación automatizada para proporcionar retroalimentación inmediata y personalizada (Lossio-
Larrea et al., 2025; Ogunleye et al., 2024; Rodríguez Vieira et al., 2024). Estos sistemas
contribuyen al seguimiento académico y al rendimiento estudiantil, especialmente en entornos
virtuales con grandes grupos. Sin embargo, conviene recordar que la evaluación educativa no es
solo medición, sino comprensión de procesos, y que aspectos cualitativos como la creatividad o
el pensamiento crítico aún resisten una evaluación puramente automática.
Categoría Subcategorías identificadas
IA para planificación docente Generación de contenidos, diseño de clases, elaboración de
rúbricas, automatización de tareas administrativas
IA en evaluación y retroalimentación Evaluación automatizada, retroalimentación inmediata y
personalizada, analítica de aprendizaje, seguimiento del
desempeño
IA y personalización del aprendizaje Tutores inteligentes, chatbots educativos, sistemas adaptativos,
LLMs, ajuste de contenidos y ritmos individuales
Desafíos éticos y pedagógicos Plagio e integridad académica, sesgos algorítmicos, privacidad
de datos, brecha digital, ausencia de marcos regulatorios,
dependencia tecnológica
subyace al desarrollo de muchas herramientas de IA prioriza la eficiencia sobre la equidad y la
transparencia. Finalmente, Okagbue et al. (2023) y Vite Vaque et al. (2025) señalan que la
adopción de la IA requiere no solo tecnología, sino un cambio cultural que transforme las
concepciones pedagógicas establecidas.
Categorías temáticas emergentes
Tabla 7
Categorías y subcategorías emergentes del análisis temático
Del análisis temático se identificaron cuatro categorías principales, presentadas en la Tabla 6.
Nota. Elaboración propia (2026).
IA para planificación docente
Los estudios documentan el uso de IA para generación de contenidos, diseño de
actividades, elaboración de rúbricas y apoyo en la planificación académica (Macedo et al., 2025;
Cepeda Campoverde et al., 2025; Romani Pillpe et al., 2025). Se reporta además la automatización
de procesos administrativos y la optimización del tiempo docente. Esta aplicación responde a una
demanda histórica del profesorado: disponer de más tiempo para la interacción con los
estudiantes. No obstante, resulta fundamental que la planificación asistida por IA se conciba como
herramienta de apoyo y no como sustituto del criterio profesional docente.
IA en evaluación y retroalimentación
Se identificó el uso de sistemas tutoriales inteligentes, analítica de aprendizaje y
evaluación automatizada para proporcionar retroalimentación inmediata y personalizada (Lossio-
Larrea et al., 2025; Ogunleye et al., 2024; Rodríguez Vieira et al., 2024). Estos sistemas
contribuyen al seguimiento académico y al rendimiento estudiantil, especialmente en entornos
virtuales con grandes grupos. Sin embargo, conviene recordar que la evaluación educativa no es
solo medición, sino comprensión de procesos, y que aspectos cualitativos como la creatividad o
el pensamiento crítico aún resisten una evaluación puramente automática.
Categoría Subcategorías identificadas
IA para planificación docente Generación de contenidos, diseño de clases, elaboración de
rúbricas, automatización de tareas administrativas
IA en evaluación y retroalimentación Evaluación automatizada, retroalimentación inmediata y
personalizada, analítica de aprendizaje, seguimiento del
desempeño
IA y personalización del aprendizaje Tutores inteligentes, chatbots educativos, sistemas adaptativos,
LLMs, ajuste de contenidos y ritmos individuales
Desafíos éticos y pedagógicos Plagio e integridad académica, sesgos algorítmicos, privacidad
de datos, brecha digital, ausencia de marcos regulatorios,
dependencia tecnológica
Vol 13/ Núm. 1 2026 pág. 3601
IA y personalización del aprendizaje
Diversos estudios reportan la implementación de chatbots educativos, modelos de
lenguaje de gran escala y sistemas adaptativos que favorecen experiencias personalizadas (Quiroz
Martínez, 2025; Ogunleye et al., 2024; Romani Pillpe et al., 2025). La IA puede adaptar
contenidos, ritmos y niveles de complejidad según las necesidades del estudiante. Esta categoría
encarna el mayor potencial transformador de la IA, alineado con los principios del aprendizaje
centrado en el estudiante. Sin embargo, implica riesgos de fragmentación del conocimiento si la
personalización se traduce en trayectorias excesivamente individualizadas que no fomenten la
construcción colectiva del saber.
Desafíos éticos y pedagógicos
De manera transversal, los estudios identifican preocupaciones relacionadas con
integridad académica, sesgos algorítmicos, privacidad de datos, brecha digital y falta de marcos
regulatorios (Heredia Arias et al., 2025; Lachheb et al., 2024; Macedo et al., 2025; UNESCO,
2021). La ausencia de regulaciones claras en la mayoría de los países analizados deja un vacío
que puede ser aprovechado por intereses comerciales en detrimento de la equidad y la
transparencia. Por ello, resulta urgente que las instituciones de educación superior impulsen
debates amplios y participativos que deriven en lineamientos éticos contextualizados y programas
de formación que empoderen a los docentes como agentes críticos frente a estas tecnologías.
DISCUSIÓN
Interpretación de los hallazgos
Los hallazgos de esta revisión sistemática confirman que la IA se ha consolidado como
un recurso emergente en la práctica docente universitaria, particularmente en personalización del
aprendizaje, automatización de la evaluación y apoyo a la toma de decisiones pedagógicas. Estos
resultados coinciden con estudios recientes que destacan el potencial de la IA para transformar
los modelos educativos hacia enfoques más adaptativos (Fadlelmula & Qadhi, 2024; Lossio-
Larrea et al., 2025). No obstante, también se identifican desafíos relevantes en formación docente,
ética en el uso de datos y dependencia tecnológica (Lachheb et al., 2024; Macedo et al., 2025).
El predominio de revisiones sistemáticas y estudios bibliométricos indica que el campo
se encuentra en una fase de consolidación conceptual más que experimental, resultado que
coincide con lo reportado por Lossio-Larrea et al. (2025) y Quiroz Martínez (2025). Esta
tendencia revela que la comunidad académica está construyendo bases teóricas sólidas antes de
precipitarse en aplicaciones pedagógicas masivas. Desde una perspectiva funcional, los resultados
ubican el uso de la IA principalmente en tres ámbitos: planificación docente, evaluación y
personalización del aprendizaje, lo que permite una clasificación estructurada del estado actual
del conocimiento.
IA y personalización del aprendizaje
Diversos estudios reportan la implementación de chatbots educativos, modelos de
lenguaje de gran escala y sistemas adaptativos que favorecen experiencias personalizadas (Quiroz
Martínez, 2025; Ogunleye et al., 2024; Romani Pillpe et al., 2025). La IA puede adaptar
contenidos, ritmos y niveles de complejidad según las necesidades del estudiante. Esta categoría
encarna el mayor potencial transformador de la IA, alineado con los principios del aprendizaje
centrado en el estudiante. Sin embargo, implica riesgos de fragmentación del conocimiento si la
personalización se traduce en trayectorias excesivamente individualizadas que no fomenten la
construcción colectiva del saber.
Desafíos éticos y pedagógicos
De manera transversal, los estudios identifican preocupaciones relacionadas con
integridad académica, sesgos algorítmicos, privacidad de datos, brecha digital y falta de marcos
regulatorios (Heredia Arias et al., 2025; Lachheb et al., 2024; Macedo et al., 2025; UNESCO,
2021). La ausencia de regulaciones claras en la mayoría de los países analizados deja un vacío
que puede ser aprovechado por intereses comerciales en detrimento de la equidad y la
transparencia. Por ello, resulta urgente que las instituciones de educación superior impulsen
debates amplios y participativos que deriven en lineamientos éticos contextualizados y programas
de formación que empoderen a los docentes como agentes críticos frente a estas tecnologías.
DISCUSIÓN
Interpretación de los hallazgos
Los hallazgos de esta revisión sistemática confirman que la IA se ha consolidado como
un recurso emergente en la práctica docente universitaria, particularmente en personalización del
aprendizaje, automatización de la evaluación y apoyo a la toma de decisiones pedagógicas. Estos
resultados coinciden con estudios recientes que destacan el potencial de la IA para transformar
los modelos educativos hacia enfoques más adaptativos (Fadlelmula & Qadhi, 2024; Lossio-
Larrea et al., 2025). No obstante, también se identifican desafíos relevantes en formación docente,
ética en el uso de datos y dependencia tecnológica (Lachheb et al., 2024; Macedo et al., 2025).
El predominio de revisiones sistemáticas y estudios bibliométricos indica que el campo
se encuentra en una fase de consolidación conceptual más que experimental, resultado que
coincide con lo reportado por Lossio-Larrea et al. (2025) y Quiroz Martínez (2025). Esta
tendencia revela que la comunidad académica está construyendo bases teóricas sólidas antes de
precipitarse en aplicaciones pedagógicas masivas. Desde una perspectiva funcional, los resultados
ubican el uso de la IA principalmente en tres ámbitos: planificación docente, evaluación y
personalización del aprendizaje, lo que permite una clasificación estructurada del estado actual
del conocimiento.
Vol 13/ Núm. 1 2026 pág. 3602
La integración de la IA en la educación superior no debe limitarse a una adopción
instrumental: requiere un enfoque pedagógico crítico que articule la tecnología con los objetivos
formativos. La literatura revisada resalta que el simple acceso a herramientas de IA no garantiza
mejora educativa; por el contrario, se necesita un acompañamiento sistemático que promueva la
alfabetización digital y el pensamiento crítico del profesorado (Cepeda Campoverde et al., 2025;
Heredia Arias et al., 2025), planteamiento que dialoga con los trabajos de Lachheb et al. (2024)
y Ogunleye et al. (2024), quienes enfatizan que la IA debe potenciar la mediación docente, no
desplazarla.
Concentración geográfica y vacíos investigativos
Se observa una concentración de estudios en contextos latinoamericanos, especialmente
Ecuador, Perú y Venezuela, lo que sugiere la necesidad de fortalecer la investigación en estos
contextos para comprender las particularidades socioculturales de la implementación de IA. Sin
embargo, la mayoría de los estudios corresponden a revisiones sistemáticas o análisis
bibliométricos, con escasa presencia de investigaciones empíricas longitudinales o
experimentales que evalúen el impacto real de la IA en el aprendizaje y la equidad. Este hallazgo
coincide con lo reportado por Okagbue et al. (2023) y López-Chila et al. (2024), quienes advierten
que el campo aún está en fase de consolidación conceptual, lo que limita la generalización de
resultados causales.
Perspectiva ética y comparación con estudios previos
Desde una perspectiva ética, los resultados evidencian que el impacto de la IA depende
en gran medida del nivel de preparación docente y de las políticas institucionales que orienten su
uso. La ausencia de marcos regulatorios y de programas de formación continua constituye una de
las principales barreras identificadas (Rodríguez Vieira et al., 2024; Arista Huaco et al., 2025).
La UNESCO (2021) señala la urgencia de construir un contrato social para la educación que
incorpore principios de transparencia, equidad y participación en el diseño e implementación de
tecnologías de IA.
Comparando con estudios previos, se observa una evolución en las preocupaciones
académicas: mientras investigaciones iniciales se centraban en la viabilidad técnica de la IA en
educación (Richter et al., 2019), la producción reciente pone el foco en las implicaciones éticas,
la formación docente y la necesidad de una integración pedagógica crítica (Bond, 2024). Esta
transición refleja una maduración del debate, que ahora reconoce la tecnología como un artefacto
sociocultural cuyo sentido se construye en la práctica educativa.
Aportes teóricos y prácticos
Desde el punto de vista teórico, la principal contribución de este estudio radica en la
integración sistemática de la evidencia reciente en cuatro categorías estructurales que organizan
el estado actual del conocimiento, aportando un marco analítico que puede servir como referencia
para futuras investigaciones comparativas. En el plano práctico, los hallazgos sugieren que la IA
La integración de la IA en la educación superior no debe limitarse a una adopción
instrumental: requiere un enfoque pedagógico crítico que articule la tecnología con los objetivos
formativos. La literatura revisada resalta que el simple acceso a herramientas de IA no garantiza
mejora educativa; por el contrario, se necesita un acompañamiento sistemático que promueva la
alfabetización digital y el pensamiento crítico del profesorado (Cepeda Campoverde et al., 2025;
Heredia Arias et al., 2025), planteamiento que dialoga con los trabajos de Lachheb et al. (2024)
y Ogunleye et al. (2024), quienes enfatizan que la IA debe potenciar la mediación docente, no
desplazarla.
Concentración geográfica y vacíos investigativos
Se observa una concentración de estudios en contextos latinoamericanos, especialmente
Ecuador, Perú y Venezuela, lo que sugiere la necesidad de fortalecer la investigación en estos
contextos para comprender las particularidades socioculturales de la implementación de IA. Sin
embargo, la mayoría de los estudios corresponden a revisiones sistemáticas o análisis
bibliométricos, con escasa presencia de investigaciones empíricas longitudinales o
experimentales que evalúen el impacto real de la IA en el aprendizaje y la equidad. Este hallazgo
coincide con lo reportado por Okagbue et al. (2023) y López-Chila et al. (2024), quienes advierten
que el campo aún está en fase de consolidación conceptual, lo que limita la generalización de
resultados causales.
Perspectiva ética y comparación con estudios previos
Desde una perspectiva ética, los resultados evidencian que el impacto de la IA depende
en gran medida del nivel de preparación docente y de las políticas institucionales que orienten su
uso. La ausencia de marcos regulatorios y de programas de formación continua constituye una de
las principales barreras identificadas (Rodríguez Vieira et al., 2024; Arista Huaco et al., 2025).
La UNESCO (2021) señala la urgencia de construir un contrato social para la educación que
incorpore principios de transparencia, equidad y participación en el diseño e implementación de
tecnologías de IA.
Comparando con estudios previos, se observa una evolución en las preocupaciones
académicas: mientras investigaciones iniciales se centraban en la viabilidad técnica de la IA en
educación (Richter et al., 2019), la producción reciente pone el foco en las implicaciones éticas,
la formación docente y la necesidad de una integración pedagógica crítica (Bond, 2024). Esta
transición refleja una maduración del debate, que ahora reconoce la tecnología como un artefacto
sociocultural cuyo sentido se construye en la práctica educativa.
Aportes teóricos y prácticos
Desde el punto de vista teórico, la principal contribución de este estudio radica en la
integración sistemática de la evidencia reciente en cuatro categorías estructurales que organizan
el estado actual del conocimiento, aportando un marco analítico que puede servir como referencia
para futuras investigaciones comparativas. En el plano práctico, los hallazgos sugieren que la IA
Vol 13/ Núm. 1 2026 pág. 3603
redefine el rol docente hacia funciones de mediación crítica, supervisión ética y diseño estratégico
del aprendizaje (Heredia Arias et al., 2025), transformación que exige el fortalecimiento de
competencias digitales avanzadas entendidas, fundamentalmente, como competencias para
ejercer la autonomía profesional en entornos mediados por inteligencia artificial.
Novedad científica y prospectiva
La novedad científica de este estudio radica en ofrecer una síntesis actualizada de
investigaciones desarrolladas tras la consolidación de la IA generativa, con énfasis en el contexto
latinoamericano. Las líneas futuras de investigación prioritarias incluyen: (1) estudios
experimentales que midan el impacto real de la IA en los resultados de aprendizaje; (2)
investigaciones longitudinales que comprendan la transformación del rol docente en contextos
mediados por IA; y (3) el desarrollo de modelos éticos institucionales que orienten una integración
responsable en la educación superior. Estas líneas permitirían superar los diseños descriptivos
predominantes y proporcionar fundamentos empíricos más sólidos para la toma de decisiones
pedagógicas e institucionales.
CONCLUSIONES
La presente revisión sistemática permitió analizar el estado actual de la investigación
sobre la inteligencia artificial en la práctica docente universitaria, evidenciando su creciente
relevancia en los procesos educativos contemporáneos. Los hallazgos confirman que la IA
contribuye significativamente a la mejora de la enseñanza mediante la personalización del
aprendizaje, la optimización de la evaluación y el apoyo a la gestión educativa. Sin embargo, su
implementación plantea desafíos reales relacionados con la ética, la formación docente y la
equidad en el acceso a la tecnología.
En conjunto, los resultados evidencian que la integración de la IA en la docencia
universitaria no es un proceso meramente técnico, sino profundamente pedagógico, ético y
político. Su éxito dependerá de la capacidad de las instituciones y del profesorado para adoptar
un enfoque crítico, colaborativo y contextualizado que ponga en el centro la calidad educativa y
la equidad. La IA no reemplaza al docente; lo convoca a reinventarse como mediador crítico y
estratégico del aprendizaje en la era digital.
Como aporte teórico, este estudio sistematiza las principales tendencias y enfoques
investigativos del campo. A nivel práctico, ofrece orientaciones para la integración crítica de la
IA en la educación superior. Se recomienda que futuras investigaciones profundicen en estudios
empíricos en contextos latinoamericanos y analicen el impacto a largo plazo de estas tecnologías
en los procesos de enseñanza-aprendizaje, atendiendo especialmente a las poblaciones en
situación de mayor vulnerabilidad educativa.
redefine el rol docente hacia funciones de mediación crítica, supervisión ética y diseño estratégico
del aprendizaje (Heredia Arias et al., 2025), transformación que exige el fortalecimiento de
competencias digitales avanzadas entendidas, fundamentalmente, como competencias para
ejercer la autonomía profesional en entornos mediados por inteligencia artificial.
Novedad científica y prospectiva
La novedad científica de este estudio radica en ofrecer una síntesis actualizada de
investigaciones desarrolladas tras la consolidación de la IA generativa, con énfasis en el contexto
latinoamericano. Las líneas futuras de investigación prioritarias incluyen: (1) estudios
experimentales que midan el impacto real de la IA en los resultados de aprendizaje; (2)
investigaciones longitudinales que comprendan la transformación del rol docente en contextos
mediados por IA; y (3) el desarrollo de modelos éticos institucionales que orienten una integración
responsable en la educación superior. Estas líneas permitirían superar los diseños descriptivos
predominantes y proporcionar fundamentos empíricos más sólidos para la toma de decisiones
pedagógicas e institucionales.
CONCLUSIONES
La presente revisión sistemática permitió analizar el estado actual de la investigación
sobre la inteligencia artificial en la práctica docente universitaria, evidenciando su creciente
relevancia en los procesos educativos contemporáneos. Los hallazgos confirman que la IA
contribuye significativamente a la mejora de la enseñanza mediante la personalización del
aprendizaje, la optimización de la evaluación y el apoyo a la gestión educativa. Sin embargo, su
implementación plantea desafíos reales relacionados con la ética, la formación docente y la
equidad en el acceso a la tecnología.
En conjunto, los resultados evidencian que la integración de la IA en la docencia
universitaria no es un proceso meramente técnico, sino profundamente pedagógico, ético y
político. Su éxito dependerá de la capacidad de las instituciones y del profesorado para adoptar
un enfoque crítico, colaborativo y contextualizado que ponga en el centro la calidad educativa y
la equidad. La IA no reemplaza al docente; lo convoca a reinventarse como mediador crítico y
estratégico del aprendizaje en la era digital.
Como aporte teórico, este estudio sistematiza las principales tendencias y enfoques
investigativos del campo. A nivel práctico, ofrece orientaciones para la integración crítica de la
IA en la educación superior. Se recomienda que futuras investigaciones profundicen en estudios
empíricos en contextos latinoamericanos y analicen el impacto a largo plazo de estas tecnologías
en los procesos de enseñanza-aprendizaje, atendiendo especialmente a las poblaciones en
situación de mayor vulnerabilidad educativa.
Vol 13/ Núm. 1 2026 pág. 3604
Limitaciones del estudio
El presente estudio presenta limitaciones que deben considerarse al interpretar los
resultados. En primer lugar, la revisión se circunscribió a tres bases de datos académicas
indexadas, lo que pudo dejar fuera investigaciones relevantes publicadas en otros repositorios o
en literatura gris. En segundo lugar, los criterios lingüísticos establecidos (español e inglés)
limitaron el análisis a determinados contextos académicos, excluyendo posibles aportes
publicados en portugués, francés, mandarín u otros idiomas. Finalmente, como en toda revisión
sistemática, existe la posibilidad de sesgos asociados al proceso de selección y análisis, como el
sesgo de publicación. No obstante, se procuró minimizar estos riesgos mediante la aplicación
rigurosa de criterios de inclusión y exclusión previamente definidos y la evaluación sistemática
de la calidad metodológica mediante criterios JBI.
Estas limitaciones no invalidan los hallazgos, pero sí orientan la agenda de investigación
futura hacia diseños metodológicos más robustos, mayor diversidad geográfica y lingüística, y
estudios que aporten evidencia empírica sólida sobre los efectos concretos y sostenidos de la IA
en la docencia universitaria.
Limitaciones del estudio
El presente estudio presenta limitaciones que deben considerarse al interpretar los
resultados. En primer lugar, la revisión se circunscribió a tres bases de datos académicas
indexadas, lo que pudo dejar fuera investigaciones relevantes publicadas en otros repositorios o
en literatura gris. En segundo lugar, los criterios lingüísticos establecidos (español e inglés)
limitaron el análisis a determinados contextos académicos, excluyendo posibles aportes
publicados en portugués, francés, mandarín u otros idiomas. Finalmente, como en toda revisión
sistemática, existe la posibilidad de sesgos asociados al proceso de selección y análisis, como el
sesgo de publicación. No obstante, se procuró minimizar estos riesgos mediante la aplicación
rigurosa de criterios de inclusión y exclusión previamente definidos y la evaluación sistemática
de la calidad metodológica mediante criterios JBI.
Estas limitaciones no invalidan los hallazgos, pero sí orientan la agenda de investigación
futura hacia diseños metodológicos más robustos, mayor diversidad geográfica y lingüística, y
estudios que aporten evidencia empírica sólida sobre los efectos concretos y sostenidos de la IA
en la docencia universitaria.
Vol 13/ Núm. 1 2026 pág. 3605
REFERENCIAS
Andrade, E. (2024). Aplicación de la inteligencia artificial en la educación superior. DOCERE.
Arista Huaco, J., Soto Zedano, I., Trujillo Reyna, J., & Díaz Manrique, J. (2025). Inteligencia
artificial en la educación superior: una revisión de la literatura. Revista Científica de
Educación Superior.
Bhutoria, A. (2022). Personalized education and Artificial Intelligence in the United States,
China, and India: A systematic review using a Human-In-The-Loop model. Computers
and Education: Artificial Intelligence, 3, 100068.
Bond, M. K. (2024). A meta systematic review of artificial intelligence in higher education: A
call for increased ethics, collaboration, and rigour. British Journal of Educational
Technology, 55(5), 1893–1924.
Campoverde, L., & Campoverde, M. (2025). Escasa integración de la inteligencia artificial en
políticas institucionales: Una limitación para su impacto en investigación y docencia.
Revista Ciencia Latina.
Castillo-Salazar, D., & Mora-Rosales, B. (2024). Inteligencia artificial en la educación superior:
oportunidades y desafíos. Revista Latinoamericana de Ciencias Sociales.
Cepeda Campoverde, E. V., Durán Núñez, Y. I., & Ocaña Ocaña, A. (2025). Inteligencia artificial
en la docencia universitaria: percepciones y desafíos en la Universidad Estatal de
Milagro. SciELO.
Cruz, F., López, R., & Ramírez, M. (2023). Intelligent tutoring systems in higher education: A
systematic literature review. Journal of Educational Computing Research, 732–758.
Departamento de Educación de los Estados Unidos. (2023). Artificial Intelligence and the Future
of Teaching and Learning: Insights and Recommendations. Office of Educational
Technology.
Dolenc, K., & Brumen, M. (2024). Exploring the integration of artificial intelligence in higher
education: A systematic review. Education and Information Technologies, 1–25.
Du, H. S., & Jiang, H. (2024). The impact of artificial intelligence on higher education: A
systematic review. Computers and Education: Artificial Intelligence.
Fadlelmula, F., & Qadhi, S. (2024). A systematic review of artificial intelligence in higher
education in the GCC countries: Trends and opportunities. Scopus.
Heredia Arias, D., Chicaiza Machay, M., Erraez Solano, B., & Cuenca Ullaguari, L. (2025).
Inteligencia artificial en la educación superior: una revisión sistemática de la literatura.
SciELO.
Holmes, W., Bialik, M., & Fadel, C. (2021). Artificial Intelligence in Education: Promises and
Implications for Teaching and Learning. Routledge.
REFERENCIAS
Andrade, E. (2024). Aplicación de la inteligencia artificial en la educación superior. DOCERE.
Arista Huaco, J., Soto Zedano, I., Trujillo Reyna, J., & Díaz Manrique, J. (2025). Inteligencia
artificial en la educación superior: una revisión de la literatura. Revista Científica de
Educación Superior.
Bhutoria, A. (2022). Personalized education and Artificial Intelligence in the United States,
China, and India: A systematic review using a Human-In-The-Loop model. Computers
and Education: Artificial Intelligence, 3, 100068.
Bond, M. K. (2024). A meta systematic review of artificial intelligence in higher education: A
call for increased ethics, collaboration, and rigour. British Journal of Educational
Technology, 55(5), 1893–1924.
Campoverde, L., & Campoverde, M. (2025). Escasa integración de la inteligencia artificial en
políticas institucionales: Una limitación para su impacto en investigación y docencia.
Revista Ciencia Latina.
Castillo-Salazar, D., & Mora-Rosales, B. (2024). Inteligencia artificial en la educación superior:
oportunidades y desafíos. Revista Latinoamericana de Ciencias Sociales.
Cepeda Campoverde, E. V., Durán Núñez, Y. I., & Ocaña Ocaña, A. (2025). Inteligencia artificial
en la docencia universitaria: percepciones y desafíos en la Universidad Estatal de
Milagro. SciELO.
Cruz, F., López, R., & Ramírez, M. (2023). Intelligent tutoring systems in higher education: A
systematic literature review. Journal of Educational Computing Research, 732–758.
Departamento de Educación de los Estados Unidos. (2023). Artificial Intelligence and the Future
of Teaching and Learning: Insights and Recommendations. Office of Educational
Technology.
Dolenc, K., & Brumen, M. (2024). Exploring the integration of artificial intelligence in higher
education: A systematic review. Education and Information Technologies, 1–25.
Du, H. S., & Jiang, H. (2024). The impact of artificial intelligence on higher education: A
systematic review. Computers and Education: Artificial Intelligence.
Fadlelmula, F., & Qadhi, S. (2024). A systematic review of artificial intelligence in higher
education in the GCC countries: Trends and opportunities. Scopus.
Heredia Arias, D., Chicaiza Machay, M., Erraez Solano, B., & Cuenca Ullaguari, L. (2025).
Inteligencia artificial en la educación superior: una revisión sistemática de la literatura.
SciELO.
Holmes, W., Bialik, M., & Fadel, C. (2021). Artificial Intelligence in Education: Promises and
Implications for Teaching and Learning. Routledge.
Vol 13/ Núm. 1 2026 pág. 3606
Lachheb, A., Leung, J., Abramenko-Lachheb, V., & Sankaranarayanan, S. (2024). Mapping the
landscape of artificial intelligence in higher education: A bibliometric and topic modeling
analysis. Scopus.
López-Chila, R., Llerena-Izquierdo, J., Sumba-Nacipucha, N., & Cueva-Estrada, J. (2024).
Producción científica sobre inteligencia artificial en educación superior: un análisis
bibliométrico en Scopus. Scopus.
Lossio-Larrea, P. E., León-Palacios, M. L., Carrasco-Camones, G., Puente-Paredes, E. W., &
Holgado-Quispe, A. M. (2025). Sistemas tutoriales inteligentes en la educación superior:
una revisión sistemática. SciELO.
Macedo, S., Amasifuen, L., Apolinario, O., Benancio, P., & Santisteban, J. (2025). Inteligencia
artificial generativa en la educación superior: revisión sistemática. SciELO.
Ogunleye, B., Zakariyyah, K., Ajao, O., Olayinka, A., & Sharma, S. (2024). A systematic review
of generative AI in higher education: trends, challenges, and opportunities. Scopus.
Okagbue, H. I., Ezeachikulo, U., Akintunde, T. Y., Tsakuwa, M., Ilokanulo, S. N., Obiasoanya,
K. M., Ilodibe, A. C., & Ouattara, C. (2023). A bibliometric analysis of artificial
intelligence and machine learning in pedagogy. Scopus.
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., &
Moher, D. (2021). The PRISMA 2020 statement: an updated guideline for reporting
systematic reviews. BMJ, 372, n71.
Pedro, F., Subosa, M., Rivas, A., & Valverde, P. (2019). Artificial intelligence in education:
Challenges and opportunities for sustainable development. UNESCO.
Puente Tituaña, S., Bajaña Jiménez, B., Serrano Torres, S., & Vallejo Flores, L. (2024).
Inteligencia artificial en la educación superior: una revisión sistemática de la literatura.
Latindex 2.0.
Quiroz Martínez, R. (2025). Inteligencia artificial generativa en la educación superior: una
revisión sistemática. Latindex 2.0.
Richter, O., Marín, V., Bond, M., & Gouverneur, F. (2019). Systematic review of research on
artificial intelligence applications in higher education–where are the educators?
International Journal of Educational Technology in Higher Education, 1–27.
Rodríguez Vieira, I. M., Marín Díaz, V., & Maiuri Del Buono, P. (2024). La inteligencia artificial
en la educación superior: una revisión sistemática. SciELO.
Romani Pillpe, G., Macedo Inca, K. S., Soto Loza, G. E., Franco Guevara, A. M., & Ore Choque,
M. K. (2025). Inteligencia artificial generativa en la educación superior: una revisión
sistemática. SciELO.
UNESCO. (2021). Reimagining our futures together: A new social contract for education.
UNESCO Publishing.
Lachheb, A., Leung, J., Abramenko-Lachheb, V., & Sankaranarayanan, S. (2024). Mapping the
landscape of artificial intelligence in higher education: A bibliometric and topic modeling
analysis. Scopus.
López-Chila, R., Llerena-Izquierdo, J., Sumba-Nacipucha, N., & Cueva-Estrada, J. (2024).
Producción científica sobre inteligencia artificial en educación superior: un análisis
bibliométrico en Scopus. Scopus.
Lossio-Larrea, P. E., León-Palacios, M. L., Carrasco-Camones, G., Puente-Paredes, E. W., &
Holgado-Quispe, A. M. (2025). Sistemas tutoriales inteligentes en la educación superior:
una revisión sistemática. SciELO.
Macedo, S., Amasifuen, L., Apolinario, O., Benancio, P., & Santisteban, J. (2025). Inteligencia
artificial generativa en la educación superior: revisión sistemática. SciELO.
Ogunleye, B., Zakariyyah, K., Ajao, O., Olayinka, A., & Sharma, S. (2024). A systematic review
of generative AI in higher education: trends, challenges, and opportunities. Scopus.
Okagbue, H. I., Ezeachikulo, U., Akintunde, T. Y., Tsakuwa, M., Ilokanulo, S. N., Obiasoanya,
K. M., Ilodibe, A. C., & Ouattara, C. (2023). A bibliometric analysis of artificial
intelligence and machine learning in pedagogy. Scopus.
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., &
Moher, D. (2021). The PRISMA 2020 statement: an updated guideline for reporting
systematic reviews. BMJ, 372, n71.
Pedro, F., Subosa, M., Rivas, A., & Valverde, P. (2019). Artificial intelligence in education:
Challenges and opportunities for sustainable development. UNESCO.
Puente Tituaña, S., Bajaña Jiménez, B., Serrano Torres, S., & Vallejo Flores, L. (2024).
Inteligencia artificial en la educación superior: una revisión sistemática de la literatura.
Latindex 2.0.
Quiroz Martínez, R. (2025). Inteligencia artificial generativa en la educación superior: una
revisión sistemática. Latindex 2.0.
Richter, O., Marín, V., Bond, M., & Gouverneur, F. (2019). Systematic review of research on
artificial intelligence applications in higher education–where are the educators?
International Journal of Educational Technology in Higher Education, 1–27.
Rodríguez Vieira, I. M., Marín Díaz, V., & Maiuri Del Buono, P. (2024). La inteligencia artificial
en la educación superior: una revisión sistemática. SciELO.
Romani Pillpe, G., Macedo Inca, K. S., Soto Loza, G. E., Franco Guevara, A. M., & Ore Choque,
M. K. (2025). Inteligencia artificial generativa en la educación superior: una revisión
sistemática. SciELO.
UNESCO. (2021). Reimagining our futures together: A new social contract for education.
UNESCO Publishing.
Vol 13/ Núm. 1 2026 pág. 3607
Vite Vaque, H., Borja Mora, D., Benavides Rodríguez, A., & Tufiño Gavidia, M. (2025).
Inteligencia artificial en la educación superior: una revisión sistemática de la literatura
(2019–2025). Latindex 2.0.
Yandún-Cartagena, C. A., Moreno-Yandún, C. E., Haro-Oña, L. M., & Navarrete-Alarcón, J. E.
(2025). Tecnología educativa en el aprendizaje: una revisión sistemática. SciELO.
Zambrana Copaja, R., Salinas Montemayor, A. D., Macías García, F. A., & Escobar, E. E. (2025).
Inteligencia artificial para la inclusión educativa en América Latina: una revisión
sistemática. SciELO.
Vite Vaque, H., Borja Mora, D., Benavides Rodríguez, A., & Tufiño Gavidia, M. (2025).
Inteligencia artificial en la educación superior: una revisión sistemática de la literatura
(2019–2025). Latindex 2.0.
Yandún-Cartagena, C. A., Moreno-Yandún, C. E., Haro-Oña, L. M., & Navarrete-Alarcón, J. E.
(2025). Tecnología educativa en el aprendizaje: una revisión sistemática. SciELO.
Zambrana Copaja, R., Salinas Montemayor, A. D., Macías García, F. A., & Escobar, E. E. (2025).
Inteligencia artificial para la inclusión educativa en América Latina: una revisión
sistemática. SciELO.