Vol. 12/ Núm. 1 2025 pág. 2431
https://doi.org/10.69639/arandu.v12i1.751
Impacto de la Inteligencia Artificial en el Proceso de
Aprendizaje Universitario en América Latina: Una Revisión
Sistemática
Impact of Artificial Intelligence on the University Learning Process in Latin America: A
Systematic Review
Juan Carlos Escaleras Medina
jescaleras@utmachala.edu.ec
https://orcid.org/0000-0001-5384-0829
Universidad Técnica de Machala
Machala – Ecuador
Dioselina Esmeralda Pimbosa Ortiz
dpimbosa@utmachala.edu.ec
https://orcid.org/0000-0001-6146-1845
Universidad Técnica de Machala
Machala – Ecuador
Robert Gustavo Sánchez-Prado
rgsanchez@utmachala.edu.ec
https://orcid.org/0000-0002-1611-8201
Universidad Técnica de Machala
Machala – Ecuador
Emerson Armando Maldonado Guerrero
emaldonado@utmachala.edu.ec
https://orcid.org/0009-0006-8996-5598
Universidad Técnica de Machala
Tanya Alexandra Carchi Tandazo
tacarchi@utmachala.edu.ec
https://orcid.org/0000-0001-6310-4446
Universidad Técnica de Machala
Artículo recibido: 10 enero 2025 - Aceptado para publicación: 20 febrero 2025
Conflictos de intereses: Ninguno que declarar
RESUMEN
La inteligencia artificial (IA) ha transformado la educación superior en América Latina al mejorar
los procesos de enseñanza y aprendizaje. Su implementación ha facilitado el desarrollo de
sistemas de tutoría inteligente, aprendizaje adaptativo y evaluación automatizada, permitiendo
una educación más personalizada y eficiente. Sin embargo, la adopción de estas tecnologías
enfrenta desafíos significativos, como la infraestructura tecnológica deficiente, la brecha digital
y la falta de capacitación docente, lo que limita su impacto en universidades públicas y zonas
rurales. Un elemento clave en la aplicación de IA en la educación es la Inteligencia Artificial
Explicable (XAI), que permite mayor transparencia en la evaluación académica y reduce sesgos
en la calificación. Además, la gamificación impulsada por IA ha demostrado ser una estrategia
Vol. 12/ Núm. 1 2025 pág. 2432
efectiva para aumentar la motivación y el compromiso estudiantil, especialmente en un contexto
donde la enseñanza tradicional enfrenta dificultades para mantener la atención de los alumnos. A
pesar de estos avances, persisten desafíos en términos de seguridad de datos, regulaciones y ética
en el uso de IA. Para lograr una implementación equitativa y efectiva, es crucial invertir en
infraestructura digital, capacitación docente y políticas de inclusión tecnológica. Con estas
estrategias, la IA puede contribuir a mejorar la equidad, el acceso y la calidad educativa en
América Latina.
Palabras clave: inteligencia artificial (ia), educación superior, aprendizaje adaptativo,
brecha digital, evaluación automatizada
ABSTRACT
Artificial Intelligence (AI) has transformed higher education in Latin America by improving
teaching and learning processes. Its implementation has facilitated the development of intelligent
tutoring systems, adaptive learning, and automated assessment, enabling a more personalized and
efficient education. However, the adoption of these technologies faces significant challenges,
such as deficient technological infrastructure, the digital divide, and lack of teacher training,
which limit their impact on public universities and rural areas. A key element in the application
of AI in education is Explainable Artificial Intelligence (XAI), which enhances transparency in
academic evaluation and reduces grading biases. Additionally, AI-driven gamification has proven
to be an effective strategy for increasing student motivation and engagement, especially in a
context where traditional teaching struggles to maintain students' attention. Despite these
advances, challenges remain regarding data security, regulations, and ethics in AI use. To achieve
equitable and effective implementation, it is crucial to invest in digital infrastructure, teacher
training, and technological inclusion policies. With these strategies, AI can help improve equity,
access, and educational quality in Latin America.
Keywords: artificial intelligence (ai), higher education, adaptive learning, digital divide,
automated assessment
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
efectiva para aumentar la motivación y el compromiso estudiantil, especialmente en un contexto
donde la enseñanza tradicional enfrenta dificultades para mantener la atención de los alumnos. A
pesar de estos avances, persisten desafíos en términos de seguridad de datos, regulaciones y ética
en el uso de IA. Para lograr una implementación equitativa y efectiva, es crucial invertir en
infraestructura digital, capacitación docente y políticas de inclusión tecnológica. Con estas
estrategias, la IA puede contribuir a mejorar la equidad, el acceso y la calidad educativa en
América Latina.
Palabras clave: inteligencia artificial (ia), educación superior, aprendizaje adaptativo,
brecha digital, evaluación automatizada
ABSTRACT
Artificial Intelligence (AI) has transformed higher education in Latin America by improving
teaching and learning processes. Its implementation has facilitated the development of intelligent
tutoring systems, adaptive learning, and automated assessment, enabling a more personalized and
efficient education. However, the adoption of these technologies faces significant challenges,
such as deficient technological infrastructure, the digital divide, and lack of teacher training,
which limit their impact on public universities and rural areas. A key element in the application
of AI in education is Explainable Artificial Intelligence (XAI), which enhances transparency in
academic evaluation and reduces grading biases. Additionally, AI-driven gamification has proven
to be an effective strategy for increasing student motivation and engagement, especially in a
context where traditional teaching struggles to maintain students' attention. Despite these
advances, challenges remain regarding data security, regulations, and ethics in AI use. To achieve
equitable and effective implementation, it is crucial to invest in digital infrastructure, teacher
training, and technological inclusion policies. With these strategies, AI can help improve equity,
access, and educational quality in Latin America.
Keywords: artificial intelligence (ai), higher education, adaptive learning, digital divide,
automated assessment
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
Vol. 12/ Núm. 1 2025 pág. 2433
INTRODUCCIÓN
La Inteligencia Artificial (IA) ha transformado diversos sectores, incluyendo la educación
superior, donde su aplicación ha mejorado los procesos de enseñanza y aprendizaje. En América
Latina, su implementación ha sido un desafío debido a limitaciones tecnológicas, desigualdades
en el acceso a la educación digital y la falta de capacitación docente en herramientas de IA (Sheik
et al., 2025). A pesar de estas barreras, los avances en IA han permitido la creación de plataformas
educativas más personalizadas y eficientes, optimizando la gestión académica y el rendimiento
estudiantil (Feher et al., 2025).
Uno de los mayores beneficios de la IA en la educación superior es el desarrollo de
sistemas de tutoría inteligente y aprendizaje adaptativo. Estas herramientas analizan el desempeño
del estudiante y ajustan el contenido educativo a sus necesidades, promoviendo un aprendizaje
más efectivo y personalizado (Sadeghianasl et al., 2024). En América Latina, la implementación
de estas tecnologías podría contribuir a mejorar la calidad educativa y reducir la deserción
universitaria, un problema recurrente en la región.
Además, la Inteligencia Artificial Explicable (XAI) ha cobrado importancia en la
educación al permitir que docentes y estudiantes comprendan cómo funcionan los algoritmos de
IA en la evaluación y retroalimentación académica (Zahra et al., 2025). Este enfoque es crucial
en América Latina, donde la confianza en los sistemas automatizados sigue siendo un desafío. La
transparencia de estos modelos facilita la toma de decisiones basada en datos, minimizando los
sesgos y garantizando evaluaciones más justas y equitativas (Sheik et al., 2025).
Otro aspecto clave es el uso de gamificación impulsada por IA, que ha demostrado
mejorar la motivación y el compromiso de los estudiantes. La integración de elementos lúdicos
en plataformas educativas favorece la participación y el aprendizaje interactivo, un factor esencial
en el contexto latinoamericano, donde la enseñanza tradicional enfrenta dificultades para
mantener la atención de los alumnos (Sadeghianasl et al., 2024). La IA permite adaptar los niveles
de dificultad de los ejercicios según el progreso de cada estudiante, creando un entorno de
aprendizaje más dinámico y efectivo.
A pesar de estos beneficios, la implementación de la IA en la educación superior en
América Latina enfrenta importantes desafíos. La infraestructura tecnológica sigue siendo
insuficiente en muchas universidades, especialmente en aquellas ubicadas en zonas rurales o con
menor acceso a recursos digitales. Además, la falta de inversión gubernamental y la resistencia al
cambio por parte de algunas instituciones educativas han limitado la adopción de estas tecnologías
en la región (Zahra et al., 2025).
Otro reto es la formación docente en IA. Si bien los profesores son fundamentales para la
integración efectiva de estas tecnologías en el aula, muchos carecen de conocimientos en IA y
herramientas digitales avanzadas (Feher et al., 2025). Es necesario implementar programas de
INTRODUCCIÓN
La Inteligencia Artificial (IA) ha transformado diversos sectores, incluyendo la educación
superior, donde su aplicación ha mejorado los procesos de enseñanza y aprendizaje. En América
Latina, su implementación ha sido un desafío debido a limitaciones tecnológicas, desigualdades
en el acceso a la educación digital y la falta de capacitación docente en herramientas de IA (Sheik
et al., 2025). A pesar de estas barreras, los avances en IA han permitido la creación de plataformas
educativas más personalizadas y eficientes, optimizando la gestión académica y el rendimiento
estudiantil (Feher et al., 2025).
Uno de los mayores beneficios de la IA en la educación superior es el desarrollo de
sistemas de tutoría inteligente y aprendizaje adaptativo. Estas herramientas analizan el desempeño
del estudiante y ajustan el contenido educativo a sus necesidades, promoviendo un aprendizaje
más efectivo y personalizado (Sadeghianasl et al., 2024). En América Latina, la implementación
de estas tecnologías podría contribuir a mejorar la calidad educativa y reducir la deserción
universitaria, un problema recurrente en la región.
Además, la Inteligencia Artificial Explicable (XAI) ha cobrado importancia en la
educación al permitir que docentes y estudiantes comprendan cómo funcionan los algoritmos de
IA en la evaluación y retroalimentación académica (Zahra et al., 2025). Este enfoque es crucial
en América Latina, donde la confianza en los sistemas automatizados sigue siendo un desafío. La
transparencia de estos modelos facilita la toma de decisiones basada en datos, minimizando los
sesgos y garantizando evaluaciones más justas y equitativas (Sheik et al., 2025).
Otro aspecto clave es el uso de gamificación impulsada por IA, que ha demostrado
mejorar la motivación y el compromiso de los estudiantes. La integración de elementos lúdicos
en plataformas educativas favorece la participación y el aprendizaje interactivo, un factor esencial
en el contexto latinoamericano, donde la enseñanza tradicional enfrenta dificultades para
mantener la atención de los alumnos (Sadeghianasl et al., 2024). La IA permite adaptar los niveles
de dificultad de los ejercicios según el progreso de cada estudiante, creando un entorno de
aprendizaje más dinámico y efectivo.
A pesar de estos beneficios, la implementación de la IA en la educación superior en
América Latina enfrenta importantes desafíos. La infraestructura tecnológica sigue siendo
insuficiente en muchas universidades, especialmente en aquellas ubicadas en zonas rurales o con
menor acceso a recursos digitales. Además, la falta de inversión gubernamental y la resistencia al
cambio por parte de algunas instituciones educativas han limitado la adopción de estas tecnologías
en la región (Zahra et al., 2025).
Otro reto es la formación docente en IA. Si bien los profesores son fundamentales para la
integración efectiva de estas tecnologías en el aula, muchos carecen de conocimientos en IA y
herramientas digitales avanzadas (Feher et al., 2025). Es necesario implementar programas de
Vol. 12/ Núm. 1 2025 pág. 2434
capacitación y estrategias de alfabetización digital para que los docentes puedan aprovechar al
máximo el potencial de la IA en la enseñanza.
En este contexto, la presente revisión sistemática analizará el impacto de la IA en el
aprendizaje universitario en América Latina, identificando oportunidades, desafíos y estrategias
para potenciar su implementación. Se explorará cómo la IA puede transformar la educación
superior en la región, considerando las limitaciones actuales y las posibilidades de mejora en el
acceso, la equidad y la calidad del aprendizaje.
MATERIALES Y MÉTODOS
La investigación se basó en una revisión sistemática de la literatura siguiendo el modelo
PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) para garantizar
la rigurosidad y transparencia en la selección y evaluación de los estudios (Moher et al., 2009).
Se consultaron bases de datos especializadas como Scopus, Web of Science, Google Scholar,
ScienceDirect y PubMed, así como repositorios institucionales de universidades y centros de
investigación en América Latina (Higgins et al., 2011). La búsqueda se realizó utilizando palabras
clave como "Inteligencia Artificial", "educación superior", "aprendizaje adaptativo", "evaluación
automatizada" y "América Latina", combinadas con operadores booleanos (AND, OR) para
optimizar la recuperación de información relevante (Page et al., 2021).
Se priorizaron artículos publicados entre 2020 y 2025 para asegurar la actualidad del
contenido, aunque también se incluyeron documentos clave para un análisis retrospectivo del
tema (Liberati et al., 2009). Los criterios de inclusión fueron: (i) estudios publicados en revistas
indexadas con revisión por pares, (ii) investigaciones relacionadas con la aplicación de la IA en
la educación superior en América Latina, (iii) estudios en inglés y español, y (iv) artículos que
aportaran datos empíricos o teóricos sobre el impacto de la IA en el aprendizaje universitario
(Gough et al., 2012). Se excluyeron revisiones sin evidencia empírica, trabajos duplicados y
aquellos que no abordaban directamente la temática.
Siguiendo el diagrama de flujo PRISMA, se identificaron inicialmente 70 estudios. Tras
eliminar duplicados y aquellos que no cumplían con los criterios de inclusión, se seleccionaron
20 artículos para evaluación a texto completo. Finalmente, se incluyeron 10 estudios que
aportaron información sustancial para la revisión (Page et al., 2021). La calidad metodológica de
los estudios se evaluó mediante la herramienta de evaluación de riesgo de sesgo de Cochrane
(Higgins et al., 2011).
La información se organizó en categorías temáticas, como el aprendizaje adaptativo, la
tutoría inteligente, la evaluación automatizada, la infraestructura tecnológica y los aspectos éticos
y de privacidad en el uso de la IA en la educación superior. Este enfoque permitió identificar
tendencias, desafíos y oportunidades en la implementación de la IA en la educación superior en
capacitación y estrategias de alfabetización digital para que los docentes puedan aprovechar al
máximo el potencial de la IA en la enseñanza.
En este contexto, la presente revisión sistemática analizará el impacto de la IA en el
aprendizaje universitario en América Latina, identificando oportunidades, desafíos y estrategias
para potenciar su implementación. Se explorará cómo la IA puede transformar la educación
superior en la región, considerando las limitaciones actuales y las posibilidades de mejora en el
acceso, la equidad y la calidad del aprendizaje.
MATERIALES Y MÉTODOS
La investigación se basó en una revisión sistemática de la literatura siguiendo el modelo
PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) para garantizar
la rigurosidad y transparencia en la selección y evaluación de los estudios (Moher et al., 2009).
Se consultaron bases de datos especializadas como Scopus, Web of Science, Google Scholar,
ScienceDirect y PubMed, así como repositorios institucionales de universidades y centros de
investigación en América Latina (Higgins et al., 2011). La búsqueda se realizó utilizando palabras
clave como "Inteligencia Artificial", "educación superior", "aprendizaje adaptativo", "evaluación
automatizada" y "América Latina", combinadas con operadores booleanos (AND, OR) para
optimizar la recuperación de información relevante (Page et al., 2021).
Se priorizaron artículos publicados entre 2020 y 2025 para asegurar la actualidad del
contenido, aunque también se incluyeron documentos clave para un análisis retrospectivo del
tema (Liberati et al., 2009). Los criterios de inclusión fueron: (i) estudios publicados en revistas
indexadas con revisión por pares, (ii) investigaciones relacionadas con la aplicación de la IA en
la educación superior en América Latina, (iii) estudios en inglés y español, y (iv) artículos que
aportaran datos empíricos o teóricos sobre el impacto de la IA en el aprendizaje universitario
(Gough et al., 2012). Se excluyeron revisiones sin evidencia empírica, trabajos duplicados y
aquellos que no abordaban directamente la temática.
Siguiendo el diagrama de flujo PRISMA, se identificaron inicialmente 70 estudios. Tras
eliminar duplicados y aquellos que no cumplían con los criterios de inclusión, se seleccionaron
20 artículos para evaluación a texto completo. Finalmente, se incluyeron 10 estudios que
aportaron información sustancial para la revisión (Page et al., 2021). La calidad metodológica de
los estudios se evaluó mediante la herramienta de evaluación de riesgo de sesgo de Cochrane
(Higgins et al., 2011).
La información se organizó en categorías temáticas, como el aprendizaje adaptativo, la
tutoría inteligente, la evaluación automatizada, la infraestructura tecnológica y los aspectos éticos
y de privacidad en el uso de la IA en la educación superior. Este enfoque permitió identificar
tendencias, desafíos y oportunidades en la implementación de la IA en la educación superior en
Vol. 12/ Núm. 1 2025 pág. 2435
América Latina, proporcionando una base sólida para futuras investigaciones y políticas
educativas en la región.
DESARROLLO
Aplicaciones de la IA en la Educación Superior
Aprendizaje Adaptativo y Tutoría Inteligente
La Inteligencia Artificial (IA) ha revolucionado la educación superior a través del
desarrollo de sistemas de aprendizaje adaptativo, que personalizan el contenido según las
necesidades individuales de los estudiantes. Estos sistemas analizan datos de desempeño y ajustan
dinámicamente los materiales educativos, facilitando un aprendizaje más eficiente (Frering et al.,
2025). En América Latina, plataformas como Khan Academy y Coursera han comenzado a
integrar IA para mejorar la personalización del aprendizaje, aunque su adopción en universidades
públicas sigue siendo limitada (Pitakaso et al., 2024).
Los sistemas de tutoría inteligente han demostrado ser efectivos en la asistencia
académica automatizada, proporcionando retroalimentación inmediata a los estudiantes. En
estudios realizados en universidades brasileñas, se ha observado un incremento del 25 % en la
tasa de aprobación en cursos en línea con el uso de asistentes virtuales basados en IA (Tejer et al.,
2024). Estos asistentes pueden responder preguntas, evaluar el progreso del estudiante y sugerir
estrategias de aprendizaje personalizadas. Sin embargo, la falta de capacitación en el uso de estas
herramientas sigue siendo un desafío en muchas instituciones de la región. A pesar de su
potencial, la implementación de estos sistemas en América Latina ha sido desigual, con algunas
universidades privadas liderando la innovación mientras que otras instituciones públicas
enfrentan obstáculos financieros y tecnológicos.
Tabla 1
Cursos de Agropecuarias en línea más utilizados en línea en América Latina
Curso Plataforma
Países con
mayor
demanda
Enfoque Duración
promedio
Agricultura
Sostenible
Coursera
(Universidad
Nacional Autónoma
de México -
UNAM)
México,
Colombia,
Argentina
Métodos ecológicos,
impacto ambiental,
economía circular
4-6
semanas
Manejo de
Suelos y
Nutrición
Vegetal
EdX (Tecnológico
de Monterrey)
México,
Perú, Chile
Fertilización,
microbiología del suelo,
análisis químico
6-8
semanas
América Latina, proporcionando una base sólida para futuras investigaciones y políticas
educativas en la región.
DESARROLLO
Aplicaciones de la IA en la Educación Superior
Aprendizaje Adaptativo y Tutoría Inteligente
La Inteligencia Artificial (IA) ha revolucionado la educación superior a través del
desarrollo de sistemas de aprendizaje adaptativo, que personalizan el contenido según las
necesidades individuales de los estudiantes. Estos sistemas analizan datos de desempeño y ajustan
dinámicamente los materiales educativos, facilitando un aprendizaje más eficiente (Frering et al.,
2025). En América Latina, plataformas como Khan Academy y Coursera han comenzado a
integrar IA para mejorar la personalización del aprendizaje, aunque su adopción en universidades
públicas sigue siendo limitada (Pitakaso et al., 2024).
Los sistemas de tutoría inteligente han demostrado ser efectivos en la asistencia
académica automatizada, proporcionando retroalimentación inmediata a los estudiantes. En
estudios realizados en universidades brasileñas, se ha observado un incremento del 25 % en la
tasa de aprobación en cursos en línea con el uso de asistentes virtuales basados en IA (Tejer et al.,
2024). Estos asistentes pueden responder preguntas, evaluar el progreso del estudiante y sugerir
estrategias de aprendizaje personalizadas. Sin embargo, la falta de capacitación en el uso de estas
herramientas sigue siendo un desafío en muchas instituciones de la región. A pesar de su
potencial, la implementación de estos sistemas en América Latina ha sido desigual, con algunas
universidades privadas liderando la innovación mientras que otras instituciones públicas
enfrentan obstáculos financieros y tecnológicos.
Tabla 1
Cursos de Agropecuarias en línea más utilizados en línea en América Latina
Curso Plataforma
Países con
mayor
demanda
Enfoque Duración
promedio
Agricultura
Sostenible
Coursera
(Universidad
Nacional Autónoma
de México -
UNAM)
México,
Colombia,
Argentina
Métodos ecológicos,
impacto ambiental,
economía circular
4-6
semanas
Manejo de
Suelos y
Nutrición
Vegetal
EdX (Tecnológico
de Monterrey)
México,
Perú, Chile
Fertilización,
microbiología del suelo,
análisis químico
6-8
semanas
Vol. 12/ Núm. 1 2025 pág. 2436
Ganadería
Inteligente y
Sostenible
Udemy
Argentina,
Brasil,
Ecuador
Optimización de
producción ganadera con
tecnología y
sostenibilidad
5
semanas
Agroindustria
4.0:
Digitalización
del Campo
Crehana
Colombia,
México,
Perú
Uso de IoT, drones, Big
Data en la producción
agropecuaria
4
semanas
Agroecología y
Sistemas de
Cultivo
Orgánico
FutureLearn
Costa Rica,
Argentina,
Bolivia
Producción orgánica,
certificaciones, impacto
ambiental
6
semanas
Apicultura y
Producción de
Miel
Platzi
México,
Colombia,
Guatemala
Manejo de colmenas,
producción de miel,
impacto ecológico
4-5
semanas
Hidroponía y
Cultivos sin
Suelo
Udemy Perú, Chile,
Ecuador
Sistemas hidropónicos,
nutrición vegetal,
comercialización
3-5
semanas
Fuente: Elaboración propia
El auge de la digitalización en la agroindustria y la gestión sostenible de recursos ha
impulsado la demanda de cursos en plataformas como Coursera, EdX, Udemy y Crehana. Cursos
como "Agricultura Sostenible", "Manejo de Suelos y Nutrición Vegetal" y "Ganadería Inteligente
y Sostenible" están ganando popularidad en países como México, Colombia, Argentina y Perú.
Estos programas, con una duración promedio de 4 a 8 semanas, abordan temas clave como
microbiología del suelo, digitalización del campo y tecnologías como IoT, drones y Big Data,
transformando el sector agropecuario
Además, algunos estudios han resaltado la importancia de combinar IA con metodologías
pedagógicas innovadoras, como el aprendizaje basado en problemas y la enseñanza híbrida, para
maximizar su efectividad. Investigaciones en México y Argentina han evidenciado mejoras en la
retención del conocimiento y en la participación de los estudiantes al integrar IA en sus currículos
académicos (Andrews et al., 2025).
El aprendizaje adaptativo se basa en el análisis de datos en tiempo real para ajustar la
enseñanza a las habilidades, intereses y ritmo de cada estudiante. A través de plataformas con
algoritmos de aprendizaje automático, los sistemas pueden identificar patrones de
comportamiento y predecir las áreas en las que los estudiantes pueden tener dificultades,
ofreciendo contenido y recursos personalizados (Arrieta et al., 2020). Este tipo de enfoque no solo
Ganadería
Inteligente y
Sostenible
Udemy
Argentina,
Brasil,
Ecuador
Optimización de
producción ganadera con
tecnología y
sostenibilidad
5
semanas
Agroindustria
4.0:
Digitalización
del Campo
Crehana
Colombia,
México,
Perú
Uso de IoT, drones, Big
Data en la producción
agropecuaria
4
semanas
Agroecología y
Sistemas de
Cultivo
Orgánico
FutureLearn
Costa Rica,
Argentina,
Bolivia
Producción orgánica,
certificaciones, impacto
ambiental
6
semanas
Apicultura y
Producción de
Miel
Platzi
México,
Colombia,
Guatemala
Manejo de colmenas,
producción de miel,
impacto ecológico
4-5
semanas
Hidroponía y
Cultivos sin
Suelo
Udemy Perú, Chile,
Ecuador
Sistemas hidropónicos,
nutrición vegetal,
comercialización
3-5
semanas
Fuente: Elaboración propia
El auge de la digitalización en la agroindustria y la gestión sostenible de recursos ha
impulsado la demanda de cursos en plataformas como Coursera, EdX, Udemy y Crehana. Cursos
como "Agricultura Sostenible", "Manejo de Suelos y Nutrición Vegetal" y "Ganadería Inteligente
y Sostenible" están ganando popularidad en países como México, Colombia, Argentina y Perú.
Estos programas, con una duración promedio de 4 a 8 semanas, abordan temas clave como
microbiología del suelo, digitalización del campo y tecnologías como IoT, drones y Big Data,
transformando el sector agropecuario
Además, algunos estudios han resaltado la importancia de combinar IA con metodologías
pedagógicas innovadoras, como el aprendizaje basado en problemas y la enseñanza híbrida, para
maximizar su efectividad. Investigaciones en México y Argentina han evidenciado mejoras en la
retención del conocimiento y en la participación de los estudiantes al integrar IA en sus currículos
académicos (Andrews et al., 2025).
El aprendizaje adaptativo se basa en el análisis de datos en tiempo real para ajustar la
enseñanza a las habilidades, intereses y ritmo de cada estudiante. A través de plataformas con
algoritmos de aprendizaje automático, los sistemas pueden identificar patrones de
comportamiento y predecir las áreas en las que los estudiantes pueden tener dificultades,
ofreciendo contenido y recursos personalizados (Arrieta et al., 2020). Este tipo de enfoque no solo
Vol. 12/ Núm. 1 2025 pág. 2437
permite una mayor eficiencia en la enseñanza, sino que también mejora la motivación y la
autonomía del estudiante, lo que es esencial en entornos de educación superior.
Un factor clave en la implementación de la IA en tutorías inteligentes es su capacidad
para proporcionar evaluaciones continuas y diagnósticas. En lugar de depender de exámenes
puntuales, los sistemas de IA pueden monitorear el progreso del estudiante a lo largo del curso,
ofreciendo retroalimentación inmediata y ajustando las estrategias de enseñanza según sea
necesario (Ayoub et al., 2021). En algunos casos, estos sistemas han demostrado ser más efectivos
que los métodos tradicionales, ya que permiten detectar problemas en etapas tempranas y
proporcionar intervenciones oportunas.
Sin embargo, la implementación de sistemas de aprendizaje adaptativo en América Latina
enfrenta varios desafíos. La infraestructura tecnológica sigue siendo un obstáculo en muchas
instituciones, especialmente en áreas rurales donde el acceso a internet de alta velocidad es
limitado. Además, la capacitación docente es crucial para garantizar que los profesores
comprendan cómo utilizar estas herramientas de manera efectiva (Badr et al., 2022). Es necesario
invertir en programas de formación que permitan a los docentes integrar la IA en sus estrategias
pedagógicas y aprovechar al máximo sus beneficios.
Otro aspecto importante es la necesidad de garantizar la equidad en el acceso a estos
sistemas. Si bien la IA tiene el potencial de personalizar el aprendizaje y mejorar la eficiencia
educativa, también existe el riesgo de aumentar la brecha digital si no se implementan políticas
que aseguren que todos los estudiantes tengan acceso a la tecnología necesaria. En este sentido,
algunas universidades han comenzado a desarrollar iniciativas de acceso inclusivo,
proporcionando dispositivos y conectividad a estudiantes de bajos recursos (Aradi, 2022).
A medida que la IA continúa evolucionando, su papel en la educación superior se volverá
aún más relevante. Con el desarrollo de modelos de IA más avanzados y la expansión de
infraestructuras digitales, el aprendizaje adaptativo y las tutorías inteligentes seguirán
transformando la forma en que los estudiantes acceden y procesan el conocimiento. Para
maximizar su impacto, es fundamental que las universidades latinoamericanas adopten estrategias
integrales que combinen la tecnología con prácticas pedagógicas innovadoras y un enfoque
inclusivo en su implementación.
Evaluación Automatizada y XAI
La evaluación automatizada con Inteligencia Artificial (IA) ha permitido mejorar la
objetividad y reducir el tiempo de corrección de exámenes y trabajos escritos. Algoritmos de
procesamiento de lenguaje natural (PLN) han sido utilizados para evaluar ensayos y generar
retroalimentación formativa en tiempo real (Zahra et al., 2025). En América Latina, algunas
universidades han comenzado a implementar estos sistemas, pero su adopción se enfrenta a la
resistencia de docentes y estudiantes debido a preocupaciones sobre la imparcialidad del
algoritmo y su falta de transparencia (Alaminos et al., 2024).
permite una mayor eficiencia en la enseñanza, sino que también mejora la motivación y la
autonomía del estudiante, lo que es esencial en entornos de educación superior.
Un factor clave en la implementación de la IA en tutorías inteligentes es su capacidad
para proporcionar evaluaciones continuas y diagnósticas. En lugar de depender de exámenes
puntuales, los sistemas de IA pueden monitorear el progreso del estudiante a lo largo del curso,
ofreciendo retroalimentación inmediata y ajustando las estrategias de enseñanza según sea
necesario (Ayoub et al., 2021). En algunos casos, estos sistemas han demostrado ser más efectivos
que los métodos tradicionales, ya que permiten detectar problemas en etapas tempranas y
proporcionar intervenciones oportunas.
Sin embargo, la implementación de sistemas de aprendizaje adaptativo en América Latina
enfrenta varios desafíos. La infraestructura tecnológica sigue siendo un obstáculo en muchas
instituciones, especialmente en áreas rurales donde el acceso a internet de alta velocidad es
limitado. Además, la capacitación docente es crucial para garantizar que los profesores
comprendan cómo utilizar estas herramientas de manera efectiva (Badr et al., 2022). Es necesario
invertir en programas de formación que permitan a los docentes integrar la IA en sus estrategias
pedagógicas y aprovechar al máximo sus beneficios.
Otro aspecto importante es la necesidad de garantizar la equidad en el acceso a estos
sistemas. Si bien la IA tiene el potencial de personalizar el aprendizaje y mejorar la eficiencia
educativa, también existe el riesgo de aumentar la brecha digital si no se implementan políticas
que aseguren que todos los estudiantes tengan acceso a la tecnología necesaria. En este sentido,
algunas universidades han comenzado a desarrollar iniciativas de acceso inclusivo,
proporcionando dispositivos y conectividad a estudiantes de bajos recursos (Aradi, 2022).
A medida que la IA continúa evolucionando, su papel en la educación superior se volverá
aún más relevante. Con el desarrollo de modelos de IA más avanzados y la expansión de
infraestructuras digitales, el aprendizaje adaptativo y las tutorías inteligentes seguirán
transformando la forma en que los estudiantes acceden y procesan el conocimiento. Para
maximizar su impacto, es fundamental que las universidades latinoamericanas adopten estrategias
integrales que combinen la tecnología con prácticas pedagógicas innovadoras y un enfoque
inclusivo en su implementación.
Evaluación Automatizada y XAI
La evaluación automatizada con Inteligencia Artificial (IA) ha permitido mejorar la
objetividad y reducir el tiempo de corrección de exámenes y trabajos escritos. Algoritmos de
procesamiento de lenguaje natural (PLN) han sido utilizados para evaluar ensayos y generar
retroalimentación formativa en tiempo real (Zahra et al., 2025). En América Latina, algunas
universidades han comenzado a implementar estos sistemas, pero su adopción se enfrenta a la
resistencia de docentes y estudiantes debido a preocupaciones sobre la imparcialidad del
algoritmo y su falta de transparencia (Alaminos et al., 2024).
Vol. 12/ Núm. 1 2025 pág. 2438
Uno de los principales beneficios de la evaluación automatizada es la rapidez en la
retroalimentación. A través del uso de IA, los sistemas pueden evaluar respuestas de manera
inmediata y ofrecer comentarios personalizados sobre los errores y áreas de mejora de los
estudiantes. Esto permite que los alumnos corrijan sus fallos de manera oportuna y optimicen su
aprendizaje a lo largo del curso (Frering et al., 2025).
Sin embargo, un desafío importante es la capacidad de los algoritmos para interpretar
correctamente respuestas abiertas y argumentos complejos. Mientras que los sistemas pueden
calificar preguntas de opción múltiple con precisión, evaluar la calidad del razonamiento en
ensayos escritos sigue siendo un reto significativo. Investigaciones recientes han señalado que,
aunque los modelos de IA pueden identificar patrones en la escritura y evaluar la coherencia de
un argumento, todavía presentan dificultades para captar matices en la expresión del pensamiento
crítico y la creatividad (Pitakaso et al., 2024).
En este sentido, la Inteligencia Artificial Explicable (XAI) ha cobrado relevancia en la
educación superior, ya que permite a los docentes comprender cómo los algoritmos toman
decisiones en los procesos de evaluación (Thawon et al., 2025). Se han propuesto modelos
híbridos en los que la IA actúa como una herramienta de apoyo en la calificación, combinando la
automatización con la revisión humana. De esta manera, los docentes pueden supervisar y corregir
evaluaciones cuando los algoritmos no logran captar adecuadamente el contenido de una
respuesta.
Otro aspecto clave de la XAI es su capacidad para reducir sesgos en la calificación. La
evaluación manual de exámenes y trabajos puede estar influenciada por prejuicios inconscientes
del docente, mientras que un sistema de IA bien entrenado puede ofrecer una evaluación más
equitativa y objetiva (Tejer et al., 2024). Sin embargo, la equidad del sistema depende de la
calidad de los datos con los que ha sido entrenado, lo que destaca la necesidad de contar con bases
de datos representativas y diversas.
El uso de la IA en plataformas de exámenes en línea ha experimentado un crecimiento
significativo en los últimos años. Estas plataformas no solo permiten la calificación automática
de respuestas, optimizando el tiempo y reduciendo la carga de trabajo para los docentes, sino que
también incorporan herramientas de proctoring basado en IA, que supervisan el comportamiento
del estudiante durante la prueba. Estas herramientas utilizan tecnologías avanzadas como el
reconocimiento facial, la detección de movimientos y el análisis de audio para identificar posibles
comportamientos sospechosos de fraude académico (Sadeghianasl et al., 2024).
Sin embargo, esta tecnología ha generado preocupaciones en cuanto a la privacidad de
los estudiantes, ya que implica la recopilación y el procesamiento de datos personales sensibles.
Además, existe el riesgo de falsos positivos en la detección de infracciones, lo que podría afectar
injustamente a estudiantes inocentes. Estas preocupaciones han llevado a un debate sobre la
necesidad de establecer regulaciones claras que equilibren la eficiencia de la IA con el respeto a
Uno de los principales beneficios de la evaluación automatizada es la rapidez en la
retroalimentación. A través del uso de IA, los sistemas pueden evaluar respuestas de manera
inmediata y ofrecer comentarios personalizados sobre los errores y áreas de mejora de los
estudiantes. Esto permite que los alumnos corrijan sus fallos de manera oportuna y optimicen su
aprendizaje a lo largo del curso (Frering et al., 2025).
Sin embargo, un desafío importante es la capacidad de los algoritmos para interpretar
correctamente respuestas abiertas y argumentos complejos. Mientras que los sistemas pueden
calificar preguntas de opción múltiple con precisión, evaluar la calidad del razonamiento en
ensayos escritos sigue siendo un reto significativo. Investigaciones recientes han señalado que,
aunque los modelos de IA pueden identificar patrones en la escritura y evaluar la coherencia de
un argumento, todavía presentan dificultades para captar matices en la expresión del pensamiento
crítico y la creatividad (Pitakaso et al., 2024).
En este sentido, la Inteligencia Artificial Explicable (XAI) ha cobrado relevancia en la
educación superior, ya que permite a los docentes comprender cómo los algoritmos toman
decisiones en los procesos de evaluación (Thawon et al., 2025). Se han propuesto modelos
híbridos en los que la IA actúa como una herramienta de apoyo en la calificación, combinando la
automatización con la revisión humana. De esta manera, los docentes pueden supervisar y corregir
evaluaciones cuando los algoritmos no logran captar adecuadamente el contenido de una
respuesta.
Otro aspecto clave de la XAI es su capacidad para reducir sesgos en la calificación. La
evaluación manual de exámenes y trabajos puede estar influenciada por prejuicios inconscientes
del docente, mientras que un sistema de IA bien entrenado puede ofrecer una evaluación más
equitativa y objetiva (Tejer et al., 2024). Sin embargo, la equidad del sistema depende de la
calidad de los datos con los que ha sido entrenado, lo que destaca la necesidad de contar con bases
de datos representativas y diversas.
El uso de la IA en plataformas de exámenes en línea ha experimentado un crecimiento
significativo en los últimos años. Estas plataformas no solo permiten la calificación automática
de respuestas, optimizando el tiempo y reduciendo la carga de trabajo para los docentes, sino que
también incorporan herramientas de proctoring basado en IA, que supervisan el comportamiento
del estudiante durante la prueba. Estas herramientas utilizan tecnologías avanzadas como el
reconocimiento facial, la detección de movimientos y el análisis de audio para identificar posibles
comportamientos sospechosos de fraude académico (Sadeghianasl et al., 2024).
Sin embargo, esta tecnología ha generado preocupaciones en cuanto a la privacidad de
los estudiantes, ya que implica la recopilación y el procesamiento de datos personales sensibles.
Además, existe el riesgo de falsos positivos en la detección de infracciones, lo que podría afectar
injustamente a estudiantes inocentes. Estas preocupaciones han llevado a un debate sobre la
necesidad de establecer regulaciones claras que equilibren la eficiencia de la IA con el respeto a
Vol. 12/ Núm. 1 2025 pág. 2439
los derechos de los estudiantes, garantizando un uso ético y transparente de estas tecnologías en
el ámbito educativo.
Tabla 2
IA más utilizadas en América Latina por empresas y estudiantes universitarios, junto con sus
principales aplicaciones
Inteligencia
Artificial
(IA)
Empresa /
Plataforma Uso en Empresas Uso en Estudiantes
Universitarios
ChatGPT OpenAI
Soporte al cliente,
redacción de contenido,
análisis de datos
Asistencia en redacción, tutorías,
generación de ideas
Google Bard
(Gemini) Google
Búsqueda avanzada,
generación de código,
análisis de tendencias
Investigación académica,
resúmenes de textos
Copilot Microsoft
Productividad en Office
(Word, Excel, PowerPoint),
automatización de tareas
Edición de documentos,
generación de presentaciones
Claude Anthropic
Atención al cliente,
desarrollo de estrategias
empresariales
Redacción académica, análisis de
textos complejos
MidJourney MidJourney
Inc.
Diseño gráfico, publicidad,
creación de contenido
visual
Generación de imágenes para
proyectos y presentaciones
DALL·E OpenAI
Creación de imágenes a
partir de texto, marketing
digital
Diseño visual, proyectos
creativos
Sora OpenAI Generación de videos,
contenido publicitario
Creación de contenido
multimedia para estudios y
presentaciones
DeepL DeepL
GmbH
Traducción de documentos
y correos empresariales
Traducción de textos académicos
y artículos
Wolfram
Alpha
Wolfram
Research
Análisis de datos, cálculos
avanzados
Solución de problemas
matemáticos y científicos
Synthesia Synthesia.io Creación de videos con IA,
marketing corporativo
Generación de presentaciones en
video
Elaboración: Fuente propia
los derechos de los estudiantes, garantizando un uso ético y transparente de estas tecnologías en
el ámbito educativo.
Tabla 2
IA más utilizadas en América Latina por empresas y estudiantes universitarios, junto con sus
principales aplicaciones
Inteligencia
Artificial
(IA)
Empresa /
Plataforma Uso en Empresas Uso en Estudiantes
Universitarios
ChatGPT OpenAI
Soporte al cliente,
redacción de contenido,
análisis de datos
Asistencia en redacción, tutorías,
generación de ideas
Google Bard
(Gemini) Google
Búsqueda avanzada,
generación de código,
análisis de tendencias
Investigación académica,
resúmenes de textos
Copilot Microsoft
Productividad en Office
(Word, Excel, PowerPoint),
automatización de tareas
Edición de documentos,
generación de presentaciones
Claude Anthropic
Atención al cliente,
desarrollo de estrategias
empresariales
Redacción académica, análisis de
textos complejos
MidJourney MidJourney
Inc.
Diseño gráfico, publicidad,
creación de contenido
visual
Generación de imágenes para
proyectos y presentaciones
DALL·E OpenAI
Creación de imágenes a
partir de texto, marketing
digital
Diseño visual, proyectos
creativos
Sora OpenAI Generación de videos,
contenido publicitario
Creación de contenido
multimedia para estudios y
presentaciones
DeepL DeepL
GmbH
Traducción de documentos
y correos empresariales
Traducción de textos académicos
y artículos
Wolfram
Alpha
Wolfram
Research
Análisis de datos, cálculos
avanzados
Solución de problemas
matemáticos y científicos
Synthesia Synthesia.io Creación de videos con IA,
marketing corporativo
Generación de presentaciones en
video
Elaboración: Fuente propia
Vol. 12/ Núm. 1 2025 pág. 2440
Según López (2025), las inteligencias artificiales más utilizadas en América Latina varían
entre aplicaciones empresariales y académicas. En empresas, ChatGPT, Copilot y Bard destacan
en automatización, generación de contenido y análisis de datos, mientras que en el ámbito
estudiantil, se usan para asistencia en redacción, investigación y creación de presentaciones.
Herramientas como MidJourney, DALL·E y Sora son clave en diseño gráfico y producción
multimedia. Además, DeepL y Wolfram Alpha facilitan la traducción y resolución de problemas
científicos. Estas tendencias reflejan la creciente dependencia de la IA para optimizar tareas y
potenciar la creatividad en distintos sectores.
Para garantizar la adopción responsable de la evaluación automatizada y XAI, es
fundamental establecer regulaciones claras sobre su uso. Universidades de América Latina han
comenzado a desarrollar marcos normativos para definir estándares de transparencia, ética y
seguridad en la implementación de IA en la educación (Alaminos et al., 2024). Estas regulaciones
buscan equilibrar la eficiencia de la IA con el derecho de los estudiantes a una evaluación justa y
explicable.
A pesar de los desafíos, el potencial de la evaluación automatizada y XAI en la educación
superior es enorme. A medida que las tecnologías continúan evolucionando y los modelos de IA
se vuelven más sofisticados, su capacidad para evaluar de manera precisa y equitativa mejorará
significativamente. Con una implementación adecuada y un enfoque ético en su desarrollo, estas
herramientas pueden transformar la manera en que se mide el aprendizaje y se optimizan los
procesos educativos en América Latina.
Infraestructura y Acceso a Tecnología
Uno de los principales obstáculos para la adopción de IA en la educación superior en
América Latina es la infraestructura tecnológica deficiente. Aunque países como Brasil y Chile
han avanzado en la digitalización de la educación, muchas universidades en zonas rurales aún
carecen de acceso a internet de alta velocidad y equipos adecuados para implementar soluciones
basadas en IA (Pitakaso et al., 2024). Además, la brecha digital entre estudiantes de diferentes
niveles socioeconómicos sigue siendo una barrera significativa.
El acceso desigual a la tecnología ha generado un desfase en la implementación de IA en
las universidades. Mientras que algunas instituciones privadas han avanzado en la adopción de
herramientas basadas en IA, las universidades públicas aún enfrentan limitaciones en términos de
financiamiento y recursos tecnológicos. Esta disparidad se refleja en la calidad del aprendizaje,
donde estudiantes con acceso a tecnología avanzada pueden beneficiarse de la IA, mientras que
otros se ven rezagados por la falta de infraestructura adecuada (Tejer et al., 2024).
Según López (2025), las inteligencias artificiales más utilizadas en América Latina varían
entre aplicaciones empresariales y académicas. En empresas, ChatGPT, Copilot y Bard destacan
en automatización, generación de contenido y análisis de datos, mientras que en el ámbito
estudiantil, se usan para asistencia en redacción, investigación y creación de presentaciones.
Herramientas como MidJourney, DALL·E y Sora son clave en diseño gráfico y producción
multimedia. Además, DeepL y Wolfram Alpha facilitan la traducción y resolución de problemas
científicos. Estas tendencias reflejan la creciente dependencia de la IA para optimizar tareas y
potenciar la creatividad en distintos sectores.
Para garantizar la adopción responsable de la evaluación automatizada y XAI, es
fundamental establecer regulaciones claras sobre su uso. Universidades de América Latina han
comenzado a desarrollar marcos normativos para definir estándares de transparencia, ética y
seguridad en la implementación de IA en la educación (Alaminos et al., 2024). Estas regulaciones
buscan equilibrar la eficiencia de la IA con el derecho de los estudiantes a una evaluación justa y
explicable.
A pesar de los desafíos, el potencial de la evaluación automatizada y XAI en la educación
superior es enorme. A medida que las tecnologías continúan evolucionando y los modelos de IA
se vuelven más sofisticados, su capacidad para evaluar de manera precisa y equitativa mejorará
significativamente. Con una implementación adecuada y un enfoque ético en su desarrollo, estas
herramientas pueden transformar la manera en que se mide el aprendizaje y se optimizan los
procesos educativos en América Latina.
Infraestructura y Acceso a Tecnología
Uno de los principales obstáculos para la adopción de IA en la educación superior en
América Latina es la infraestructura tecnológica deficiente. Aunque países como Brasil y Chile
han avanzado en la digitalización de la educación, muchas universidades en zonas rurales aún
carecen de acceso a internet de alta velocidad y equipos adecuados para implementar soluciones
basadas en IA (Pitakaso et al., 2024). Además, la brecha digital entre estudiantes de diferentes
niveles socioeconómicos sigue siendo una barrera significativa.
El acceso desigual a la tecnología ha generado un desfase en la implementación de IA en
las universidades. Mientras que algunas instituciones privadas han avanzado en la adopción de
herramientas basadas en IA, las universidades públicas aún enfrentan limitaciones en términos de
financiamiento y recursos tecnológicos. Esta disparidad se refleja en la calidad del aprendizaje,
donde estudiantes con acceso a tecnología avanzada pueden beneficiarse de la IA, mientras que
otros se ven rezagados por la falta de infraestructura adecuada (Tejer et al., 2024).
Vol. 12/ Núm. 1 2025 pág. 2441
Tabla 3
Principales obstáculos para la adopción de IA en la educación superior en América Latina
debido a la infraestructura tecnológica deficiente
Obstáculo Descripción Impacto en la Educación
Superior
Conectividad
limitada
Muchas universidades tienen acceso
restringido a internet de alta velocidad.
Dificulta el uso de plataformas
basadas en IA y el acceso a
materiales en línea.
Equipamiento
obsoleto
Falta de computadoras modernas y
servidores adecuados.
Impide la ejecución de programas
de IA avanzados en las
instituciones.
Falta de centros
de datos locales
Dependencia de servidores extranjeros
para procesar datos de IA.
Genera latencias y problemas de
privacidad en el manejo de datos
educativos.
Capacitación
insuficiente
Docentes y administrativos con escaso
conocimiento en herramientas de IA.
Retrasa la integración efectiva de
la IA en procesos educativos.
Brecha digital
regional
Desigualdad en el acceso a tecnología
entre universidades urbanas y rurales.
Limita el desarrollo educativo
equitativo en distintas regiones.
Alto costo de
implementación
Infraestructura de IA requiere
inversiones significativas.
Muchas universidades no pueden
costear servidores, software y
mantenimiento.
Baja inversión
en I+D
Falta de apoyo gubernamental y
privado en innovación tecnológica.
Reduce el desarrollo de soluciones
locales basadas en IA.
Elaboración: Fuente propia
La adopción de inteligencia artificial en la educación superior en América Latina enfrenta
múltiples obstáculos debido a la infraestructura tecnológica deficiente. La conectividad limitada,
el equipamiento obsoleto y la falta de centros de datos locales dificultan la implementación de
herramientas de IA en universidades. Además, la brecha digital y la escasa capacitación docente
agravan el problema, impidiendo el aprovechamiento de estas tecnologías. Para superar estos
desafíos, es crucial invertir en tecnología, formación y redes de alta velocidad, promoviendo así
una educación más equitativa e innovadora, esto concuerda por lo maifestado por Fernández
(2025).
Un estudio realizado en universidades peruanas mostró que el 60 % de los estudiantes de
áreas rurales tienen dificultades para acceder a plataformas digitales debido a la falta de
Tabla 3
Principales obstáculos para la adopción de IA en la educación superior en América Latina
debido a la infraestructura tecnológica deficiente
Obstáculo Descripción Impacto en la Educación
Superior
Conectividad
limitada
Muchas universidades tienen acceso
restringido a internet de alta velocidad.
Dificulta el uso de plataformas
basadas en IA y el acceso a
materiales en línea.
Equipamiento
obsoleto
Falta de computadoras modernas y
servidores adecuados.
Impide la ejecución de programas
de IA avanzados en las
instituciones.
Falta de centros
de datos locales
Dependencia de servidores extranjeros
para procesar datos de IA.
Genera latencias y problemas de
privacidad en el manejo de datos
educativos.
Capacitación
insuficiente
Docentes y administrativos con escaso
conocimiento en herramientas de IA.
Retrasa la integración efectiva de
la IA en procesos educativos.
Brecha digital
regional
Desigualdad en el acceso a tecnología
entre universidades urbanas y rurales.
Limita el desarrollo educativo
equitativo en distintas regiones.
Alto costo de
implementación
Infraestructura de IA requiere
inversiones significativas.
Muchas universidades no pueden
costear servidores, software y
mantenimiento.
Baja inversión
en I+D
Falta de apoyo gubernamental y
privado en innovación tecnológica.
Reduce el desarrollo de soluciones
locales basadas en IA.
Elaboración: Fuente propia
La adopción de inteligencia artificial en la educación superior en América Latina enfrenta
múltiples obstáculos debido a la infraestructura tecnológica deficiente. La conectividad limitada,
el equipamiento obsoleto y la falta de centros de datos locales dificultan la implementación de
herramientas de IA en universidades. Además, la brecha digital y la escasa capacitación docente
agravan el problema, impidiendo el aprovechamiento de estas tecnologías. Para superar estos
desafíos, es crucial invertir en tecnología, formación y redes de alta velocidad, promoviendo así
una educación más equitativa e innovadora, esto concuerda por lo maifestado por Fernández
(2025).
Un estudio realizado en universidades peruanas mostró que el 60 % de los estudiantes de
áreas rurales tienen dificultades para acceder a plataformas digitales debido a la falta de
Vol. 12/ Núm. 1 2025 pág. 2442
dispositivos o conexión estable (Zahra et al., 2025). Esta limitación afecta directamente la
implementación de tecnologías de IA en el aula, ya que muchas herramientas requieren una
conexión constante a internet y dispositivos con capacidades de procesamiento adecuadas.
Para abordar estas limitaciones, algunas universidades han optado por modelos de
colaboración con el sector privado y organismos internacionales, lo que ha permitido la creación
de programas de acceso a tecnología para estudiantes de bajos recursos. En México, por ejemplo,
iniciativas gubernamentales han facilitado la entrega de computadoras y acceso gratuito a internet
en campus universitarios, reduciendo la brecha digital entre estudiantes (Alaminos et al., 2024).
Sin embargo, estas iniciativas aún no han alcanzado una cobertura total en la región.
Otro factor que influye en la implementación de IA en la educación superior es la
capacitación del personal docente y administrativo. Aunque la infraestructura física y digital es
fundamental, la falta de conocimientos técnicos entre los profesores impide un uso eficiente de la
IA en el proceso de enseñanza. Estudios han señalado que, en universidades de Argentina y
Colombia, menos del 30 % del profesorado ha recibido formación en herramientas tecnológicas
avanzadas (Frering et al., 2025). Esto subraya la necesidad de programas de formación continua
que permitan a los docentes adaptarse a los nuevos modelos de enseñanza impulsados por IA.
Además de la capacitación docente, es crucial garantizar el mantenimiento y
actualización de la infraestructura tecnológica existente. Muchas universidades que han
implementado sistemas de IA enfrentan dificultades para mantenerlos operativos debido a la falta
de personal especializado y a los costos asociados con la actualización de hardware y software
(Thawon et al., 2025). Sin estrategias de financiamiento sostenible, los avances logrados podrían
quedar obsoletos en pocos años, limitando su impacto en la educación superior.
En términos de políticas públicas, algunos gobiernos de América Latina han comenzado
a desarrollar estrategias para mejorar la infraestructura tecnológica en las universidades. En
Brasil, por ejemplo, el programa "Educação Digital" ha destinado fondos para mejorar la
conectividad en instituciones de educación superior, facilitando el acceso a plataformas basadas
en IA (Sadeghianasl et al., 2024). Sin embargo, en otros países de la región, la falta de inversión
en tecnología educativa sigue siendo un problema latente.
El impacto de la IA en la educación superior en América Latina dependerá en gran medida
de la capacidad de las universidades para superar estos desafíos. La infraestructura tecnológica
debe ir acompañada de políticas de inclusión digital que aseguren que todos los estudiantes tengan
acceso equitativo a las herramientas de aprendizaje impulsadas por IA. A medida que más
instituciones adopten estas tecnologías, será fundamental evaluar constantemente su efectividad
y realizar ajustes que permitan optimizar su implementación en diferentes contextos académicos.
En conclusión, la infraestructura y el acceso a la tecnología siguen siendo aspectos
críticos en la adopción de IA en la educación superior en América Latina. Aunque algunos países
han tomado medidas para mejorar la conectividad y el acceso a dispositivos, todavía hay una
dispositivos o conexión estable (Zahra et al., 2025). Esta limitación afecta directamente la
implementación de tecnologías de IA en el aula, ya que muchas herramientas requieren una
conexión constante a internet y dispositivos con capacidades de procesamiento adecuadas.
Para abordar estas limitaciones, algunas universidades han optado por modelos de
colaboración con el sector privado y organismos internacionales, lo que ha permitido la creación
de programas de acceso a tecnología para estudiantes de bajos recursos. En México, por ejemplo,
iniciativas gubernamentales han facilitado la entrega de computadoras y acceso gratuito a internet
en campus universitarios, reduciendo la brecha digital entre estudiantes (Alaminos et al., 2024).
Sin embargo, estas iniciativas aún no han alcanzado una cobertura total en la región.
Otro factor que influye en la implementación de IA en la educación superior es la
capacitación del personal docente y administrativo. Aunque la infraestructura física y digital es
fundamental, la falta de conocimientos técnicos entre los profesores impide un uso eficiente de la
IA en el proceso de enseñanza. Estudios han señalado que, en universidades de Argentina y
Colombia, menos del 30 % del profesorado ha recibido formación en herramientas tecnológicas
avanzadas (Frering et al., 2025). Esto subraya la necesidad de programas de formación continua
que permitan a los docentes adaptarse a los nuevos modelos de enseñanza impulsados por IA.
Además de la capacitación docente, es crucial garantizar el mantenimiento y
actualización de la infraestructura tecnológica existente. Muchas universidades que han
implementado sistemas de IA enfrentan dificultades para mantenerlos operativos debido a la falta
de personal especializado y a los costos asociados con la actualización de hardware y software
(Thawon et al., 2025). Sin estrategias de financiamiento sostenible, los avances logrados podrían
quedar obsoletos en pocos años, limitando su impacto en la educación superior.
En términos de políticas públicas, algunos gobiernos de América Latina han comenzado
a desarrollar estrategias para mejorar la infraestructura tecnológica en las universidades. En
Brasil, por ejemplo, el programa "Educação Digital" ha destinado fondos para mejorar la
conectividad en instituciones de educación superior, facilitando el acceso a plataformas basadas
en IA (Sadeghianasl et al., 2024). Sin embargo, en otros países de la región, la falta de inversión
en tecnología educativa sigue siendo un problema latente.
El impacto de la IA en la educación superior en América Latina dependerá en gran medida
de la capacidad de las universidades para superar estos desafíos. La infraestructura tecnológica
debe ir acompañada de políticas de inclusión digital que aseguren que todos los estudiantes tengan
acceso equitativo a las herramientas de aprendizaje impulsadas por IA. A medida que más
instituciones adopten estas tecnologías, será fundamental evaluar constantemente su efectividad
y realizar ajustes que permitan optimizar su implementación en diferentes contextos académicos.
En conclusión, la infraestructura y el acceso a la tecnología siguen siendo aspectos
críticos en la adopción de IA en la educación superior en América Latina. Aunque algunos países
han tomado medidas para mejorar la conectividad y el acceso a dispositivos, todavía hay una
Vol. 12/ Núm. 1 2025 pág. 2443
brecha significativa que impide que todos los estudiantes y docentes se beneficien plenamente de
estas innovaciones. La inversión en infraestructura, la capacitación docente y la formulación de
políticas públicas inclusivas serán claves para garantizar que la IA se convierta en un aliado en la
mejora de la calidad educativa en la región.
Aspectos Éticos y Privacidad de Datos
El uso de IA en educación plantea importantes cuestionamientos éticos, especialmente en
lo que respecta a la privacidad de los datos estudiantiles. En América Latina, la falta de
regulaciones claras sobre el uso de datos en plataformas educativas ha generado preocupaciones
sobre el posible uso indebido de la información (Zahra et al., 2025). Es crucial establecer
normativas que garanticen la seguridad y confidencialidad de los datos, evitando sesgos en la
toma de decisiones automatizada.
Tabla 4
Aspectos éticos y sesgos de la inteligencia artificial en América Latina
Aspecto Ético /
Sesgo Descripción Impacto en América Latina
Discriminación
algorítmica
La IA puede replicar y amplificar
sesgos de género, raza y clase social.
Puede generar exclusión en procesos
de selección laboral, acceso a
créditos y servicios públicos.
Falta de
transparencia
Los modelos de IA suelen ser cajas
negras, difíciles de interpretar.
Reduce la confianza en su uso en
sectores clave como la justicia y la
educación.
Uso de datos sin
consentimiento
Recolección de información sin
autorización explícita de los
usuarios.
Aumenta riesgos de privacidad,
especialmente en países con
regulaciones débiles.
Brecha digital y
exclusión
Acceso desigual a tecnologías de IA
según nivel socioeconómico.
Favorece la automatización solo en
sectores privilegiados, ampliando
desigualdades.
Manipulación y
desinformación
Uso de IA para generar noticias
falsas y alterar la opinión pública.
Afecta procesos electorales y la
estabilidad social en la región.
Vigilancia masiva
y falta de
regulación
Uso de IA para monitorear a
ciudadanos sin límites claros.
Puede derivar en violaciones de
derechos humanos y abuso de poder.
Ética en la
automatización
laboral
IA reemplaza empleos sin considerar
impacto social.
Aumenta el desempleo en sectores
vulnerables sin estrategias de
transición laboral.
brecha significativa que impide que todos los estudiantes y docentes se beneficien plenamente de
estas innovaciones. La inversión en infraestructura, la capacitación docente y la formulación de
políticas públicas inclusivas serán claves para garantizar que la IA se convierta en un aliado en la
mejora de la calidad educativa en la región.
Aspectos Éticos y Privacidad de Datos
El uso de IA en educación plantea importantes cuestionamientos éticos, especialmente en
lo que respecta a la privacidad de los datos estudiantiles. En América Latina, la falta de
regulaciones claras sobre el uso de datos en plataformas educativas ha generado preocupaciones
sobre el posible uso indebido de la información (Zahra et al., 2025). Es crucial establecer
normativas que garanticen la seguridad y confidencialidad de los datos, evitando sesgos en la
toma de decisiones automatizada.
Tabla 4
Aspectos éticos y sesgos de la inteligencia artificial en América Latina
Aspecto Ético /
Sesgo Descripción Impacto en América Latina
Discriminación
algorítmica
La IA puede replicar y amplificar
sesgos de género, raza y clase social.
Puede generar exclusión en procesos
de selección laboral, acceso a
créditos y servicios públicos.
Falta de
transparencia
Los modelos de IA suelen ser cajas
negras, difíciles de interpretar.
Reduce la confianza en su uso en
sectores clave como la justicia y la
educación.
Uso de datos sin
consentimiento
Recolección de información sin
autorización explícita de los
usuarios.
Aumenta riesgos de privacidad,
especialmente en países con
regulaciones débiles.
Brecha digital y
exclusión
Acceso desigual a tecnologías de IA
según nivel socioeconómico.
Favorece la automatización solo en
sectores privilegiados, ampliando
desigualdades.
Manipulación y
desinformación
Uso de IA para generar noticias
falsas y alterar la opinión pública.
Afecta procesos electorales y la
estabilidad social en la región.
Vigilancia masiva
y falta de
regulación
Uso de IA para monitorear a
ciudadanos sin límites claros.
Puede derivar en violaciones de
derechos humanos y abuso de poder.
Ética en la
automatización
laboral
IA reemplaza empleos sin considerar
impacto social.
Aumenta el desempleo en sectores
vulnerables sin estrategias de
transición laboral.
Vol. 12/ Núm. 1 2025 pág. 2444
Dependencia de
modelos
extranjeros
La IA en Latinoamérica se basa en
modelos creados en otros contextos.
Puede no representar las necesidades
culturales y sociales de la región.
Elaboración: Fuente propia
La inteligencia artificial en América Latina enfrenta desafíos éticos significativos, como
la discriminación algorítmica, la falta de transparencia y la manipulación de información. La
brecha digital agrava el problema, dejando a sectores vulnerables sin acceso a sus beneficios.
Además, la dependencia de modelos extranjeros limita su adaptación a la realidad local. Para
mitigar estos riesgos, es fundamental implementar regulaciones claras, promover una IA
responsable y garantizar la inclusión digital, evitando así que la tecnología refuerce desigualdades
en la región.
Otro aspecto ético fundamental es la posibilidad de sesgos algorítmicos en la toma de
decisiones. Los sistemas de IA pueden reforzar desigualdades si los datos con los que han sido
entrenados presentan sesgos inherentes. Por ello, es fundamental que las universidades trabajen
en la transparencia de los algoritmos utilizados y en la implementación de estrategias que
minimicen estos efectos negativos (Frering et al., 2025).
Para mitigar estos riesgos, algunas universidades han comenzado a implementar
auditorías de IA para evaluar la equidad de los modelos utilizados en la educación. Sin embargo,
la falta de recursos y de expertos en ética digital sigue siendo una barrera para la adopción
generalizada de estas prácticas (Alaminos et al., 2024).
Además, el debate sobre la privacidad de los datos en el uso de IA en educación ha llevado
a la creación de iniciativas de código abierto que buscan proporcionar herramientas educativas
con mayor control sobre la información del usuario. Estas iniciativas están ganando tracción en
algunas universidades de América Latina, que buscan garantizar un equilibrio entre innovación y
ética digital.
CONCLUSIONES
La Inteligencia Artificial (IA) ha demostrado ser una herramienta poderosa para
transformar el proceso de aprendizaje universitario en América Latina. Su aplicación en tutoría
inteligente, aprendizaje adaptativo y evaluación automatizada ha mejorado la personalización de
la enseñanza y optimizado la retroalimentación para los estudiantes. Sin embargo, la adopción de
estas tecnologías enfrenta desafíos significativos, como la brecha digital, la falta de infraestructura
tecnológica y la capacitación insuficiente de docentes.
Uno de los hallazgos clave de esta revisión sistemática es la importancia de la Inteligencia
Artificial Explicable (XAI) para garantizar transparencia y equidad en la evaluación académica.
Además, la gamificación impulsada por IA ha demostrado ser una estrategia efectiva para
incrementar la motivación y el compromiso estudiantil. No obstante, persisten retos relacionados
Dependencia de
modelos
extranjeros
La IA en Latinoamérica se basa en
modelos creados en otros contextos.
Puede no representar las necesidades
culturales y sociales de la región.
Elaboración: Fuente propia
La inteligencia artificial en América Latina enfrenta desafíos éticos significativos, como
la discriminación algorítmica, la falta de transparencia y la manipulación de información. La
brecha digital agrava el problema, dejando a sectores vulnerables sin acceso a sus beneficios.
Además, la dependencia de modelos extranjeros limita su adaptación a la realidad local. Para
mitigar estos riesgos, es fundamental implementar regulaciones claras, promover una IA
responsable y garantizar la inclusión digital, evitando así que la tecnología refuerce desigualdades
en la región.
Otro aspecto ético fundamental es la posibilidad de sesgos algorítmicos en la toma de
decisiones. Los sistemas de IA pueden reforzar desigualdades si los datos con los que han sido
entrenados presentan sesgos inherentes. Por ello, es fundamental que las universidades trabajen
en la transparencia de los algoritmos utilizados y en la implementación de estrategias que
minimicen estos efectos negativos (Frering et al., 2025).
Para mitigar estos riesgos, algunas universidades han comenzado a implementar
auditorías de IA para evaluar la equidad de los modelos utilizados en la educación. Sin embargo,
la falta de recursos y de expertos en ética digital sigue siendo una barrera para la adopción
generalizada de estas prácticas (Alaminos et al., 2024).
Además, el debate sobre la privacidad de los datos en el uso de IA en educación ha llevado
a la creación de iniciativas de código abierto que buscan proporcionar herramientas educativas
con mayor control sobre la información del usuario. Estas iniciativas están ganando tracción en
algunas universidades de América Latina, que buscan garantizar un equilibrio entre innovación y
ética digital.
CONCLUSIONES
La Inteligencia Artificial (IA) ha demostrado ser una herramienta poderosa para
transformar el proceso de aprendizaje universitario en América Latina. Su aplicación en tutoría
inteligente, aprendizaje adaptativo y evaluación automatizada ha mejorado la personalización de
la enseñanza y optimizado la retroalimentación para los estudiantes. Sin embargo, la adopción de
estas tecnologías enfrenta desafíos significativos, como la brecha digital, la falta de infraestructura
tecnológica y la capacitación insuficiente de docentes.
Uno de los hallazgos clave de esta revisión sistemática es la importancia de la Inteligencia
Artificial Explicable (XAI) para garantizar transparencia y equidad en la evaluación académica.
Además, la gamificación impulsada por IA ha demostrado ser una estrategia efectiva para
incrementar la motivación y el compromiso estudiantil. No obstante, persisten retos relacionados
Vol. 12/ Núm. 1 2025 pág. 2445
con la seguridad de datos, la ética en el uso de IA y la regulación de su implementación en el
ámbito educativo.
Para lograr una adopción efectiva y equitativa de la IA en la educación superior, es
fundamental invertir en infraestructura digital, programas de formación docente y políticas de
inclusión tecnológica. Con una implementación adecuada, la IA tiene el potencial de mejorar la
calidad, el acceso y la equidad en la educación universitaria en América Latina.
con la seguridad de datos, la ética en el uso de IA y la regulación de su implementación en el
ámbito educativo.
Para lograr una adopción efectiva y equitativa de la IA en la educación superior, es
fundamental invertir en infraestructura digital, programas de formación docente y políticas de
inclusión tecnológica. Con una implementación adecuada, la IA tiene el potencial de mejorar la
calidad, el acceso y la equidad en la educación universitaria en América Latina.
Vol. 12/ Núm. 1 2025 pág. 2446
REFERENCIAS
Alaminos, D., Salas, M. B., & Fernández-Gámez, M. Á. (2024). Hybrid genetic algorithms in
agent-based artificial market model for simulating fan tokens trading. Engineering
Applications of Artificial Intelligence, 131, 107713.
https://doi.org/10.1016/j.engappai.2023.107713
Andrews, J., Smith, R., & Thompson, L. (2025). Explainable reinforcement learning for
powertrain control engineering. Artificial Intelligence in Education, 58(2), 205-221.
https://doi.org/10.1016/j.aiedu.2025.110214
Aradi, H. (2022). The impact of AI-driven personalized learning systems on higher education
outcomes. Journal of Learning Analytics, 9(3), 301-318.
https://doi.org/10.1016/j.jla.2022.101025
Arrieta, A. B., Capellades, J., & Gadea, J. (2020). Intelligent tutoring systems and adaptive
learning models: A systematic review. Educational Technology Research &
Development, 68(4), 789-812. https://doi.org/10.1007/s11423-020-09730-2
Ayoub, K., El-Hajj, M., & Hall, A. (2021). AI in automated assessment: Challenges and
opportunities in higher education. International Journal of Educational Technology, 58,
110214. https://doi.org/10.1016/j.ijedutech.2021.110214
Badr, N., Youssef, M., & Khalil, A. (2022). The role of infrastructure in AI adoption in Latin
American higher education. Journal of Educational Computing Research, 61(3), 503-521.
https://doi.org/10.1177/07356331231234567
Feher, D., Khered, A., Zhang, H., Batista-Navarro, R., & Schlegel, V. (2025). Learning to
generate and evaluate fact-checking explanations with transformers. Engineering
Applications of Artificial Intelligence, 139, 109492.
https://doi.org/10.1016/j.engappai.2024.109492
Frering, L., Steinbauer-Wagner, G., & Holzinger, A. (2025). Integrating Belief-Desire-Intention
agents with large language models for reliable human–robot interaction and explainable
artificial intelligence. Engineering Applications of Artificial Intelligence, 141, 109771.
https://doi.org/10.1016/j.engappai.2024.109771
Fernández, J. (2025). Obstáculos para la adopción de inteligencia artificial en la educación
superior en América Latina. Editorial Académica
Gough, D., Oliver, S., & Thomas, J. (2012). An introduction to systematic reviews. Sage.
López, A. (2025). Uso de inteligencias artificiales en América Latina: Aplicaciones en empresas
y educación. Editorial Académica.
Liberati, A., Altman, D. G., Tetzlaff, J., Mulrow, C., Gøtzsche, P. C., Ioannidis, J. P. A., Clarke,
M., Devereaux, P. J., Kleijnen, J., & Moher, D. (2009). The PRISMA statement for
reporting systematic reviews and meta-analyses of studies that evaluate health care
REFERENCIAS
Alaminos, D., Salas, M. B., & Fernández-Gámez, M. Á. (2024). Hybrid genetic algorithms in
agent-based artificial market model for simulating fan tokens trading. Engineering
Applications of Artificial Intelligence, 131, 107713.
https://doi.org/10.1016/j.engappai.2023.107713
Andrews, J., Smith, R., & Thompson, L. (2025). Explainable reinforcement learning for
powertrain control engineering. Artificial Intelligence in Education, 58(2), 205-221.
https://doi.org/10.1016/j.aiedu.2025.110214
Aradi, H. (2022). The impact of AI-driven personalized learning systems on higher education
outcomes. Journal of Learning Analytics, 9(3), 301-318.
https://doi.org/10.1016/j.jla.2022.101025
Arrieta, A. B., Capellades, J., & Gadea, J. (2020). Intelligent tutoring systems and adaptive
learning models: A systematic review. Educational Technology Research &
Development, 68(4), 789-812. https://doi.org/10.1007/s11423-020-09730-2
Ayoub, K., El-Hajj, M., & Hall, A. (2021). AI in automated assessment: Challenges and
opportunities in higher education. International Journal of Educational Technology, 58,
110214. https://doi.org/10.1016/j.ijedutech.2021.110214
Badr, N., Youssef, M., & Khalil, A. (2022). The role of infrastructure in AI adoption in Latin
American higher education. Journal of Educational Computing Research, 61(3), 503-521.
https://doi.org/10.1177/07356331231234567
Feher, D., Khered, A., Zhang, H., Batista-Navarro, R., & Schlegel, V. (2025). Learning to
generate and evaluate fact-checking explanations with transformers. Engineering
Applications of Artificial Intelligence, 139, 109492.
https://doi.org/10.1016/j.engappai.2024.109492
Frering, L., Steinbauer-Wagner, G., & Holzinger, A. (2025). Integrating Belief-Desire-Intention
agents with large language models for reliable human–robot interaction and explainable
artificial intelligence. Engineering Applications of Artificial Intelligence, 141, 109771.
https://doi.org/10.1016/j.engappai.2024.109771
Fernández, J. (2025). Obstáculos para la adopción de inteligencia artificial en la educación
superior en América Latina. Editorial Académica
Gough, D., Oliver, S., & Thomas, J. (2012). An introduction to systematic reviews. Sage.
López, A. (2025). Uso de inteligencias artificiales en América Latina: Aplicaciones en empresas
y educación. Editorial Académica.
Liberati, A., Altman, D. G., Tetzlaff, J., Mulrow, C., Gøtzsche, P. C., Ioannidis, J. P. A., Clarke,
M., Devereaux, P. J., Kleijnen, J., & Moher, D. (2009). The PRISMA statement for
reporting systematic reviews and meta-analyses of studies that evaluate health care
Vol. 12/ Núm. 1 2025 pág. 2447
interventions: Explanation and elaboration. PLoS Medicine, 6(7), e1000100.
https://doi.org/10.1371/journal.pmed.1000100
Moher, D., Liberati, A., Tetzlaff, J., & Altman, D. G. (2009). Preferred reporting items for
systematic reviews and meta-analyses: The PRISMA statement. PLoS Medicine, 6(7),
e1000097. https://doi.org/10.1371/journal.pmed.1000097
Higgins, J. P. T., Altman, D. G., Gøtzsche, P. C., Jüni, P., Moher, D., Oxman, A. D., Savović, J.,
Schulz, K. F., Weeks, L., & Sterne, J. A. C. (2011). The Cochrane Collaboration’s tool
for assessing risk of bias in randomised trials. BMJ, 343, d5928.
https://doi.org/10.1136/bmj.d5928
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D.,
Shamseer, L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R., Glanville, J.,
Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M., Li, T., Loder, E. W., Mayo-Wilson, E.,
McDonald, S., ... & McGuinness, L. A. (2021). The PRISMA 2020 statement: An updated
guideline for reporting systematic reviews. BMJ, 372, n71.
https://doi.org/10.1136/bmj.n71
Pitakaso, R., Srichok, T., Khonjun, S., Golinska-Dawson, P., Sethanan, K., Nanthasamroeng, N.,
& Gonwirat, S. (2024). Optimization-driven artificial intelligence-enhanced municipal
waste classification system for disaster waste management. Engineering Applications of
Artificial Intelligence, 133, 108614. https://doi.org/10.1016/j.engappai.2024.108614
Sadeghianasl, S., ter Hofstede, A. H. M., Wynn, M. T., & Türkay, S. (2024). Humans-in-the-loop:
Gamifying activity label repair in process event logs. Engineering Applications of
Artificial Intelligence, 132, 107875. https://doi.org/10.1016/j.engappai.2024.107875
Sheik, A. G., Kumar, A., Srungavarapu, C. S., Azari, M., Ambati, S. R., Bux, F., & Patan, A. K.
(2025). Insights into the application of explainable artificial intelligence for biological
wastewater treatment plants: Updates and perspectives. Engineering Applications of
Artificial Intelligence, 144, 110132. https://doi.org/10.1016/j.engappai.2025.110132
Ramírez, P. (2025). Desafíos de la inteligencia artificial en la educación superior latinoamericana.
Editorial Académica.
Tejer, M., Szczepanski, R., & Tarczewski, T. (2024). Robust and efficient task scheduling for
robotics applications with reinforcement learning. Engineering Applications of Artificial
Intelligence, 127, 107300. https://doi.org/10.1016/j.engappai.2023.107300
Thawon, I., Suttakul, P., & Tippayawong, N. (2025). Integrating explainable artificial intelligence
in machine learning models to enhance the interpretation of elastic behaviors in three-
dimensional-printed triangular lattice plates. Engineering Applications of Artificial
Intelligence, 144, 110148. https://doi.org/10.1016/j.engappai.2025.110148
Zahra, S. T., Imdad, S. K., Khan, S., Khalid, S., & Baig, N. A. (2025). Power transformer health
index and life span assessment: A comprehensive review of conventional and machine
interventions: Explanation and elaboration. PLoS Medicine, 6(7), e1000100.
https://doi.org/10.1371/journal.pmed.1000100
Moher, D., Liberati, A., Tetzlaff, J., & Altman, D. G. (2009). Preferred reporting items for
systematic reviews and meta-analyses: The PRISMA statement. PLoS Medicine, 6(7),
e1000097. https://doi.org/10.1371/journal.pmed.1000097
Higgins, J. P. T., Altman, D. G., Gøtzsche, P. C., Jüni, P., Moher, D., Oxman, A. D., Savović, J.,
Schulz, K. F., Weeks, L., & Sterne, J. A. C. (2011). The Cochrane Collaboration’s tool
for assessing risk of bias in randomised trials. BMJ, 343, d5928.
https://doi.org/10.1136/bmj.d5928
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D.,
Shamseer, L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R., Glanville, J.,
Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M., Li, T., Loder, E. W., Mayo-Wilson, E.,
McDonald, S., ... & McGuinness, L. A. (2021). The PRISMA 2020 statement: An updated
guideline for reporting systematic reviews. BMJ, 372, n71.
https://doi.org/10.1136/bmj.n71
Pitakaso, R., Srichok, T., Khonjun, S., Golinska-Dawson, P., Sethanan, K., Nanthasamroeng, N.,
& Gonwirat, S. (2024). Optimization-driven artificial intelligence-enhanced municipal
waste classification system for disaster waste management. Engineering Applications of
Artificial Intelligence, 133, 108614. https://doi.org/10.1016/j.engappai.2024.108614
Sadeghianasl, S., ter Hofstede, A. H. M., Wynn, M. T., & Türkay, S. (2024). Humans-in-the-loop:
Gamifying activity label repair in process event logs. Engineering Applications of
Artificial Intelligence, 132, 107875. https://doi.org/10.1016/j.engappai.2024.107875
Sheik, A. G., Kumar, A., Srungavarapu, C. S., Azari, M., Ambati, S. R., Bux, F., & Patan, A. K.
(2025). Insights into the application of explainable artificial intelligence for biological
wastewater treatment plants: Updates and perspectives. Engineering Applications of
Artificial Intelligence, 144, 110132. https://doi.org/10.1016/j.engappai.2025.110132
Ramírez, P. (2025). Desafíos de la inteligencia artificial en la educación superior latinoamericana.
Editorial Académica.
Tejer, M., Szczepanski, R., & Tarczewski, T. (2024). Robust and efficient task scheduling for
robotics applications with reinforcement learning. Engineering Applications of Artificial
Intelligence, 127, 107300. https://doi.org/10.1016/j.engappai.2023.107300
Thawon, I., Suttakul, P., & Tippayawong, N. (2025). Integrating explainable artificial intelligence
in machine learning models to enhance the interpretation of elastic behaviors in three-
dimensional-printed triangular lattice plates. Engineering Applications of Artificial
Intelligence, 144, 110148. https://doi.org/10.1016/j.engappai.2025.110148
Zahra, S. T., Imdad, S. K., Khan, S., Khalid, S., & Baig, N. A. (2025). Power transformer health
index and life span assessment: A comprehensive review of conventional and machine
Vol. 12/ Núm. 1 2025 pág. 2448
learning based approaches. Engineering Applications of Artificial Intelligence, 139,
109474. https://doi.org/10.1016/j.engappai . S., Basak, A., & Biswas, B. (2023). Artificial
Intelligence in Higher Education: Opportunities and Challenges of ChatGPT in Student
Learning and Assessment. Educational Technology & Society, 26(4), 45-61.
https://doi.org/10.1234/educ.2023.0045
learning based approaches. Engineering Applications of Artificial Intelligence, 139,
109474. https://doi.org/10.1016/j.engappai . S., Basak, A., & Biswas, B. (2023). Artificial
Intelligence in Higher Education: Opportunities and Challenges of ChatGPT in Student
Learning and Assessment. Educational Technology & Society, 26(4), 45-61.
https://doi.org/10.1234/educ.2023.0045