Vol. 12/ Núm. 3 2025 pág. 2469
https://doi.org/10.69639/arandu.v12i3.1487
La inteligencia artificial Gemini en la optimización del
proceso de enseñanza y aprendizaje en Docentes de Educación
Superior
Gemini artificial intelligence in the optimization of the teaching and learning process in
higher education teachers
Karina Paola Hormaza Ulloa
hormazauk4022@gmail.com
https://orcid.org/0009-0005-0563-3901
Universidad Cesar Vallejo
Aldo Fernando Rejas de la Peña
arejas@ucvvirtual.edu.pe
https://orcid.org/0000-0002-8594-8620
Universidad Cesar Vallejo
Edwin Fernandez Huaman
43590617@continental.edu.pe
https://orcid.org/0009-0004-2403-2610
Universidad Continental
Artículo recibido: 18 julio 2025 - Aceptado para publicación: 28 agosto 2025
Conflictos de intereses: Ninguno que declarar.
RESUMEN
La presente investigación analizo cómo la inteligencia artificial Gemini optimiza el proceso de
enseñanza y aprendizaje en docentes de educación superior, estudio de tipo aplicado de enfoque
cualitativo, diseño fenomenológico hermenéutico. Se conto con la participación de 8 docentes de
educación superior; cuatro de pregrado y cuatro de posgrado, seleccionados por su avanzada
pericia en el uso de Gemini como apoyo pedagógico. Para la recolección de datos se empleó la
entrevista como técnica y una guía de entrevista como instrumento, mientras que el tratamiento
de la información se realizó con el software ATLAS.ti, aplicando un sistema de codificación
apriorística. Se concluyo que la inteligencia artificial Gemini optimiza el proceso de enseñanza-
aprendizaje, al catalizar una metamorfosis del rol docente. Esta transformación se sustenta en una
eficiencia que libera al educador de lo instrumental para enfocarse en su función esencial: cultivar
el pensamiento crítico y la validación de fuentes. Si bien el consenso sobre este nuevo paradigma
es absoluto, los diversos niveles de integración y las diferentes estrategias de supervisión
demuestran que la adopción de esta herramienta sigue, por ahora, rutas heterogéneas y
profundamente personales en la práctica académica.
Palabra clave: acceso instantáneo, automatización, enseñanza-aprendizaje, inteligencia
artificial, recursos didácticos
Vol. 12/ Núm. 3 2025 pág. 2470
ABSTRACT
This research analyzes how Gemini artificial intelligence optimizes the teaching and learning
process in higher education teachers. It is an applied study with a qualitative approach and a
phenomenological hermeneutic design. Eight higher education teachers participated in the study:
four undergraduate and four graduate teachers, selected for their advanced expertise in the use of
Gemini as a teaching aid. Data collection was carried out using interviews as a technique and an
interview guide as an instrument, while the information was processed using ATLAS.ti software,
applying an a priori coding system. It was concluded that Gemini artificial intelligence optimizes
the teaching-learning process by catalyzing a metamorphosis of the teaching role. This
transformation is based on an efficiency that frees the educator from the instrumental to focus on
their essential function: cultivating critical thinking and source validation. While there is absolute
consensus on this new paradigm, the varying levels of integration and different supervision
strategies show that the adoption of this tool continues, for now, to follow heterogeneous and
deeply personal paths in academic practice.
Keyword: instant access, automation, teaching-learning, artificial intelligence, teaching
resources
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
ABSTRACT
This research analyzes how Gemini artificial intelligence optimizes the teaching and learning
process in higher education teachers. It is an applied study with a qualitative approach and a
phenomenological hermeneutic design. Eight higher education teachers participated in the study:
four undergraduate and four graduate teachers, selected for their advanced expertise in the use of
Gemini as a teaching aid. Data collection was carried out using interviews as a technique and an
interview guide as an instrument, while the information was processed using ATLAS.ti software,
applying an a priori coding system. It was concluded that Gemini artificial intelligence optimizes
the teaching-learning process by catalyzing a metamorphosis of the teaching role. This
transformation is based on an efficiency that frees the educator from the instrumental to focus on
their essential function: cultivating critical thinking and source validation. While there is absolute
consensus on this new paradigm, the varying levels of integration and different supervision
strategies show that the adoption of this tool continues, for now, to follow heterogeneous and
deeply personal paths in academic practice.
Keyword: instant access, automation, teaching-learning, artificial intelligence, teaching
resources
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. 3 2025 pág. 2471
INTRODUCCIÓN
En la actualidad la inteligencia artificial generativa reconfigura la educación superior,
trascendiendo su promesa teórica para consolidarse como una herramienta de consulta diaria que
los estudiantes emplean para resolver dudas en modalidades tanto presenciales como a distancia
(Guevara, 202). Este fenómeno práctico subraya el potencial de la IA para personalizar la
instrucción y actuar como un socio cognitivo; (Kuleto et al., 2021). Por tanto, la cuestión
fundamental ya no es si se integrará, sino cómo gestionar su adopción para transformar
genuinamente la labor docente y el aprendizaje en un entorno digital cada vez más complejo
(Salinas-Navarro, 2023).
No obstante, esta transición no está exenta de significativas fricciones y desafíos. La
evidencia empírica revela una brecha considerable entre el potencial tecnológico y la integración
pedagógica efectiva (Vera, 2023). El profesorado universitario percibe tanto beneficios como
limitaciones cruciales, entre ellas, la falta de formación específica, las incertidumbres sobre la
evaluación auténtica y dilemas éticos profundos (Delgado et al., 2024). A ello se suma la compleja
cuestión de la responsabilidad; es decir, a quién se atribuyen los errores o sesgos cuando la IA es
un mediador activo en la enseñanza (McGrath et al., 2023). Ignorar estas barreras y percepciones
docentes sería un grave error, pues son ellos los agentes clave para que cualquier herramienta, por
avanzada que sea, se traduzca en una mejora real y no en una mera disrupción tecnológica.
En este escenario, la emergencia de modelos multimodales avanzados como Gemini de
Google intensifica la problemática y define un área de investigación crítica y urgente. A diferencia
de herramientas anteriores, Gemini integra texto, imagen y código de manera fluida, ofreciendo
un potencial de optimización cualitativamente superior para la planificación, ejecución y
evaluación de la enseñanza. Sin embargo, carecemos de estudios sistemáticos que analicen cómo
los docentes de educación superior están realmente utilizando esta herramienta específica (López-
Regalado et al., 2024). Se torna imperativo investigar qué competencias digitales y pedagógicas
son necesarias para que los docentes trasciendan el uso superficial y aprovechen Gemini para una
verdadera optimización de sus procesos, articulando una pedagogía avanzada para la era de la IA
(Castañeda & Adell, 2023).
A nivel latinoamericano, la inteligencia artificial (IA) se está posicionando como un
catalizador de cambio en todos los niveles educativos, generando un debate sobre su impacto,
beneficios y desafíos. Investigaciones en la región ya exploran la integración de nuevas
tecnologías en los procesos de enseñanza-aprendizaje y describen una verdadera "revolución" en
la educación superior (Jara de Cano, 2025; Villamil Cavagnaro et al., 2024). La promesa de
optimizar y personalizar la educación es latente, sin embargo, su materialización depende de una
integración que supere la mera disponibilidad técnica y se enfoque en una adopción pedagógica
estratégica, una tarea aún incipiente en la mayoría de nuestras instituciones.
INTRODUCCIÓN
En la actualidad la inteligencia artificial generativa reconfigura la educación superior,
trascendiendo su promesa teórica para consolidarse como una herramienta de consulta diaria que
los estudiantes emplean para resolver dudas en modalidades tanto presenciales como a distancia
(Guevara, 202). Este fenómeno práctico subraya el potencial de la IA para personalizar la
instrucción y actuar como un socio cognitivo; (Kuleto et al., 2021). Por tanto, la cuestión
fundamental ya no es si se integrará, sino cómo gestionar su adopción para transformar
genuinamente la labor docente y el aprendizaje en un entorno digital cada vez más complejo
(Salinas-Navarro, 2023).
No obstante, esta transición no está exenta de significativas fricciones y desafíos. La
evidencia empírica revela una brecha considerable entre el potencial tecnológico y la integración
pedagógica efectiva (Vera, 2023). El profesorado universitario percibe tanto beneficios como
limitaciones cruciales, entre ellas, la falta de formación específica, las incertidumbres sobre la
evaluación auténtica y dilemas éticos profundos (Delgado et al., 2024). A ello se suma la compleja
cuestión de la responsabilidad; es decir, a quién se atribuyen los errores o sesgos cuando la IA es
un mediador activo en la enseñanza (McGrath et al., 2023). Ignorar estas barreras y percepciones
docentes sería un grave error, pues son ellos los agentes clave para que cualquier herramienta, por
avanzada que sea, se traduzca en una mejora real y no en una mera disrupción tecnológica.
En este escenario, la emergencia de modelos multimodales avanzados como Gemini de
Google intensifica la problemática y define un área de investigación crítica y urgente. A diferencia
de herramientas anteriores, Gemini integra texto, imagen y código de manera fluida, ofreciendo
un potencial de optimización cualitativamente superior para la planificación, ejecución y
evaluación de la enseñanza. Sin embargo, carecemos de estudios sistemáticos que analicen cómo
los docentes de educación superior están realmente utilizando esta herramienta específica (López-
Regalado et al., 2024). Se torna imperativo investigar qué competencias digitales y pedagógicas
son necesarias para que los docentes trasciendan el uso superficial y aprovechen Gemini para una
verdadera optimización de sus procesos, articulando una pedagogía avanzada para la era de la IA
(Castañeda & Adell, 2023).
A nivel latinoamericano, la inteligencia artificial (IA) se está posicionando como un
catalizador de cambio en todos los niveles educativos, generando un debate sobre su impacto,
beneficios y desafíos. Investigaciones en la región ya exploran la integración de nuevas
tecnologías en los procesos de enseñanza-aprendizaje y describen una verdadera "revolución" en
la educación superior (Jara de Cano, 2025; Villamil Cavagnaro et al., 2024). La promesa de
optimizar y personalizar la educación es latente, sin embargo, su materialización depende de una
integración que supere la mera disponibilidad técnica y se enfoque en una adopción pedagógica
estratégica, una tarea aún incipiente en la mayoría de nuestras instituciones.
Vol. 12/ Núm. 3 2025 pág. 2472
El núcleo del problema en América Latina reside en los desafíos contextuales y el rol
protagónico del docente en la era de la IA. Estudios como los de Basantes Ortega et al. (2025) en
Ecuador evidencian que los retos son significativos y que la mirada debe centrarse en la figura
del profesor. No basta con introducir tecnología; es imperativo el desarrollo de estrategias
pedagógicas específicas que aprovechen la IA para una personalización efectiva del aprendizaje
(Mora Villamar et al., 2025). La brecha digital, la falta de formación continua y la adaptación
curricular son barreras reales que condicionan el éxito de cualquier iniciativa tecnológica en
nuestras aulas.
En este complejo escenario, la irrupción de modelos multimodales avanzados como
Gemini de Google define una frontera de investigación crítica y desatendida en la región. Mientras
la literatura discute el rol general de la IA en la enseñanza (Porras & Porras, 2025), carecemos de
estudios empíricos sobre cómo los docentes de educación superior en Latinoamérica están
realmente utilizando una herramienta con las capacidades de Gemini. La problemática central es
investigar cómo este modelo específico puede optimizar sus procesos de enseñanza y aprendizaje,
considerando los desafíos únicos de nuestro contexto, para pasar del discurso de la revolución a
la evidencia de la transformación pedagógica.
En el contexto peruano, la integración de la inteligencia artificial Gemini en la educación
superior enfrenta desafíos particulares relacionados con las percepciones docentes y la
preparación institucional. Los docentes universitarios peruanos presentan actitudes heterogéneas
hacia la IA, donde las percepciones positivas coexisten con preocupaciones sobre precisión y
veracidad de estas herramientas tecnológicas (Ledesma Vallejos, 2024). La implementación de la
IA como herramienta educativa universitaria revela la necesidad de marcos teóricos sólidos que
orienten su adopción efectiva en el contexto educativo nacional (Huaco et al., 2025). Los
estudiantes universitarios peruanos experimentan transformaciones en sus procesos de
aprendizaje cooperativo mediante el uso de herramientas de IA, evidenciando cambios
significativos en las dinámicas educativas tradicionales (Acosta Pastor & Carcausto Calla, 2025).
La problemática se intensifica por la brecha existente entre las expectativas tecnológicas y la
realidad implementaría en las instituciones de educación superior del país.
La adopción de herramientas específicas como ChatGPT ha demostrado efectos
diferenciados en el desarrollo del pensamiento creativo de estudiantes universitarios peruanos,
generando debates sobre la optimización de procesos cognitivos superiores (Tomanguilla Reyna
et al., 2024). El panorama educativo peruano revela que el 61% de los docentes de educación
básica y técnico productiva aún no utilizan herramientas de inteligencia artificial, evidenciando
una brecha formativa significativa que limita la capacidad de optimización educativa. Las
universidades públicas del norte del Perú han identificado herramientas diversificadas como
Chapdf, SciSpace para investigación, y ChatGPT, Claude, Perplexity para generación de
contenidos, mostrando una adopción gradual pero desigual. La implementación de IA en centros
El núcleo del problema en América Latina reside en los desafíos contextuales y el rol
protagónico del docente en la era de la IA. Estudios como los de Basantes Ortega et al. (2025) en
Ecuador evidencian que los retos son significativos y que la mirada debe centrarse en la figura
del profesor. No basta con introducir tecnología; es imperativo el desarrollo de estrategias
pedagógicas específicas que aprovechen la IA para una personalización efectiva del aprendizaje
(Mora Villamar et al., 2025). La brecha digital, la falta de formación continua y la adaptación
curricular son barreras reales que condicionan el éxito de cualquier iniciativa tecnológica en
nuestras aulas.
En este complejo escenario, la irrupción de modelos multimodales avanzados como
Gemini de Google define una frontera de investigación crítica y desatendida en la región. Mientras
la literatura discute el rol general de la IA en la enseñanza (Porras & Porras, 2025), carecemos de
estudios empíricos sobre cómo los docentes de educación superior en Latinoamérica están
realmente utilizando una herramienta con las capacidades de Gemini. La problemática central es
investigar cómo este modelo específico puede optimizar sus procesos de enseñanza y aprendizaje,
considerando los desafíos únicos de nuestro contexto, para pasar del discurso de la revolución a
la evidencia de la transformación pedagógica.
En el contexto peruano, la integración de la inteligencia artificial Gemini en la educación
superior enfrenta desafíos particulares relacionados con las percepciones docentes y la
preparación institucional. Los docentes universitarios peruanos presentan actitudes heterogéneas
hacia la IA, donde las percepciones positivas coexisten con preocupaciones sobre precisión y
veracidad de estas herramientas tecnológicas (Ledesma Vallejos, 2024). La implementación de la
IA como herramienta educativa universitaria revela la necesidad de marcos teóricos sólidos que
orienten su adopción efectiva en el contexto educativo nacional (Huaco et al., 2025). Los
estudiantes universitarios peruanos experimentan transformaciones en sus procesos de
aprendizaje cooperativo mediante el uso de herramientas de IA, evidenciando cambios
significativos en las dinámicas educativas tradicionales (Acosta Pastor & Carcausto Calla, 2025).
La problemática se intensifica por la brecha existente entre las expectativas tecnológicas y la
realidad implementaría en las instituciones de educación superior del país.
La adopción de herramientas específicas como ChatGPT ha demostrado efectos
diferenciados en el desarrollo del pensamiento creativo de estudiantes universitarios peruanos,
generando debates sobre la optimización de procesos cognitivos superiores (Tomanguilla Reyna
et al., 2024). El panorama educativo peruano revela que el 61% de los docentes de educación
básica y técnico productiva aún no utilizan herramientas de inteligencia artificial, evidenciando
una brecha formativa significativa que limita la capacidad de optimización educativa. Las
universidades públicas del norte del Perú han identificado herramientas diversificadas como
Chapdf, SciSpace para investigación, y ChatGPT, Claude, Perplexity para generación de
contenidos, mostrando una adopción gradual pero desigual. La implementación de IA en centros
Vol. 12/ Núm. 3 2025 pág. 2473
de educación técnico-productiva de Lima ha evidenciado mejoras en procesos de enseñanza-
aprendizaje, pero requiere estrategias contextualizadas que consideren las particularidades
socioeducativas nacionales (Fernández Alarcón, 2024). La problemática se complejiza por la
necesidad de desarrollar competencias digitales docentes específicas para maximizar el potencial
de herramientas como Gemini.
Los estudiantes de posgrado peruanos enfrentan transformaciones significativas en sus
procesos de investigación científica mediante el uso de inteligencia artificial, donde emergen tanto
oportunidades como desafíos metodológicos (Flores & Trujillo, 2025). El auge de herramientas
como ChatGPT y Gemini ha transformado la experiencia estudiantil universitaria, generando
dilemas éticos, pérdida de habilidades tradicionales y un debate profundo sobre el sentido de la
formación superior en el contexto peruano. Las instituciones educativas peruanas están adoptando
tecnologías innovadoras que prometen mejorar la calidad del aprendizaje, pero enfrentan
limitaciones en la formación docente y la infraestructura tecnológica necesaria para la
implementación efectiva. La problemática nacional se caracteriza por la tensión entre la urgencia
de modernización educativa y la resistencia al cambio institucional, donde la integración de
Gemini requiere no solo recursos tecnológicos sino también marcos pedagógicos adaptativos que
respeten las tradiciones educativas locales mientras impulsan la innovación tecnológica necesaria
para la competitividad académica internacional.
Gemini se posiciona como un asistente de inteligencia artificial y un colaborador
intelectual avanzado. Al operar como un modelo de lenguaje extenso (LLM) entrenado por
Google, su función principal es procesar y generar texto coherente y pertinente, utilizando una
vasta base de datos de información. Esta capacidad la convierte en una herramienta versátil,
adaptable a múltiples tareas académicas para potenciar las habilidades del usuario. Para el
estudiante universitario, Gemini ofrece un apoyo significativo en la elaboración de informes,
monografías y tesis, sirviendo como un recurso para optimizar la investigación y la estructuración
de ideas complejas.
No obstante, es imperativo advertir sobre el riesgo de una dependencia excesiva de estas
tecnologías. El desarrollo académico genuino exige que el estudiante mantenga un rol activo y
central, empleando el pensamiento crítico y el análisis reflexivo. La automatización de respuestas,
si bien eficiente, puede limitar la capacidad de análisis y la originalidad, habilidades
fundamentales para la formación profesional. Por ello, la IA debe ser considerada un
complemento al proceso de enseñanza-aprendizaje y no un sustituto del esfuerzo intelectual. La
interacción entre el estudiante y el tutor sigue siendo el eje del desarrollo de competencias
duraderas.
Ante lo descrito, este estudio tiene como objetivo analizar cómo la inteligencia artificial
Gemini optimiza el proceso de enseñanza y aprendizaje en docentes de educación superior. Así
también explicar cómo el acceso instantáneo a información, la generación de recursos didácticos
de educación técnico-productiva de Lima ha evidenciado mejoras en procesos de enseñanza-
aprendizaje, pero requiere estrategias contextualizadas que consideren las particularidades
socioeducativas nacionales (Fernández Alarcón, 2024). La problemática se complejiza por la
necesidad de desarrollar competencias digitales docentes específicas para maximizar el potencial
de herramientas como Gemini.
Los estudiantes de posgrado peruanos enfrentan transformaciones significativas en sus
procesos de investigación científica mediante el uso de inteligencia artificial, donde emergen tanto
oportunidades como desafíos metodológicos (Flores & Trujillo, 2025). El auge de herramientas
como ChatGPT y Gemini ha transformado la experiencia estudiantil universitaria, generando
dilemas éticos, pérdida de habilidades tradicionales y un debate profundo sobre el sentido de la
formación superior en el contexto peruano. Las instituciones educativas peruanas están adoptando
tecnologías innovadoras que prometen mejorar la calidad del aprendizaje, pero enfrentan
limitaciones en la formación docente y la infraestructura tecnológica necesaria para la
implementación efectiva. La problemática nacional se caracteriza por la tensión entre la urgencia
de modernización educativa y la resistencia al cambio institucional, donde la integración de
Gemini requiere no solo recursos tecnológicos sino también marcos pedagógicos adaptativos que
respeten las tradiciones educativas locales mientras impulsan la innovación tecnológica necesaria
para la competitividad académica internacional.
Gemini se posiciona como un asistente de inteligencia artificial y un colaborador
intelectual avanzado. Al operar como un modelo de lenguaje extenso (LLM) entrenado por
Google, su función principal es procesar y generar texto coherente y pertinente, utilizando una
vasta base de datos de información. Esta capacidad la convierte en una herramienta versátil,
adaptable a múltiples tareas académicas para potenciar las habilidades del usuario. Para el
estudiante universitario, Gemini ofrece un apoyo significativo en la elaboración de informes,
monografías y tesis, sirviendo como un recurso para optimizar la investigación y la estructuración
de ideas complejas.
No obstante, es imperativo advertir sobre el riesgo de una dependencia excesiva de estas
tecnologías. El desarrollo académico genuino exige que el estudiante mantenga un rol activo y
central, empleando el pensamiento crítico y el análisis reflexivo. La automatización de respuestas,
si bien eficiente, puede limitar la capacidad de análisis y la originalidad, habilidades
fundamentales para la formación profesional. Por ello, la IA debe ser considerada un
complemento al proceso de enseñanza-aprendizaje y no un sustituto del esfuerzo intelectual. La
interacción entre el estudiante y el tutor sigue siendo el eje del desarrollo de competencias
duraderas.
Ante lo descrito, este estudio tiene como objetivo analizar cómo la inteligencia artificial
Gemini optimiza el proceso de enseñanza y aprendizaje en docentes de educación superior. Así
también explicar cómo el acceso instantáneo a información, la generación de recursos didácticos
Vol. 12/ Núm. 3 2025 pág. 2474
y la retroalimentación automatizada optimiza el proceso de enseñanza y aprendizaje en docentes
de educación superior. Para ello se formulo la siguiente interrogante de investigación a manera de
problema general: ¿Cómo la inteligencia artificial Gemini optimiza el proceso de enseñanza y
aprendizaje en docentes de educación superior?, así también se muestran los interrogantes
específicos al tema de investigación:
1. ¿Cómo el acceso instantáneo a información de Gemini optimiza el proceso de enseñanza
y aprendizaje en docentes de educación superior?
2. ¿Cómo la generación de recursos didácticos de Gemini optimiza el proceso de enseñanza
y aprendizaje en docentes de educación superior?
3. ¿Cómo la retroalimentación automatizada de Gemini optimiza el proceso de enseñanza y
aprendizaje en docentes de educación superior?
El presente análisis explora cómo la inteligencia artificial Gemini optimiza el proceso de
enseñanza-aprendizaje en la educación superior. Al funcionar como un tutor personalizado, esta
herramienta complementa la labor docente, permitiendo a los estudiantes fortalecer habilidades
cognitivas y capacidades tecnológicas cruciales para su desarrollo profesional. Gemini facilita la
integración de metodologías de aprendizaje más interactivas y lúdicas, lo que fomenta una mayor
participación del alumnado y una conexión más profunda con los contenidos. De esta manera, se
enriquece la dinámica en el aula y se potencia un aprendizaje más efectivo, siendo los estudiantes
los principales beneficiarios de este entorno educativo mejorado.
Inteligencia Artificial “Gemini”
Gemini es una avanzada inteligencia artificial generativa, frecuentemente evaluada frente
a otras herramientas de vanguardia por su capacidad y rendimiento en entornos profesionales
(Rane et al., 2024). En su núcleo, opera como un chatbot impulsado por un sofisticado
procesamiento de lenguaje natural (NLP) para facilitar interacciones complejas y coherentes
(AlGhozali & Mukminatun, 2024). Su robustez ha sido validada en evaluaciones de conocimiento
en dominios altamente especializados como la oftalmología, demostrando un rendimiento notable
que confirma su eficacia como una herramienta de información experta (Mihalache et al., 2024).
En el ámbito aplicado, Gemini es considerado una herramienta clave para la instrucción
y la alfabetización informacional, posicionándose junto a otros modelos como ChatGPT y Copilot
para su uso en entornos de aprendizaje (Boyle, 2025). La integración de estas potentes
inteligencias artificiales generativas en las rutinas diarias no es un mero avance tecnológico; su
uso extensivo y su capacidad para interactuar con la sociedad representan un impacto potencial
significativo en diversas facetas de la humanidad, redefiniendo la interacción con la información
y el conocimiento (Nasr & El‐Deeb, 2025).
Acceso instantáneo a información
Es la capacidad de obtener datos, conocimientos y respuestas específicas de manera
inmediata mediante tecnologías digitales avanzadas, particularmente sistemas de inteligencia
y la retroalimentación automatizada optimiza el proceso de enseñanza y aprendizaje en docentes
de educación superior. Para ello se formulo la siguiente interrogante de investigación a manera de
problema general: ¿Cómo la inteligencia artificial Gemini optimiza el proceso de enseñanza y
aprendizaje en docentes de educación superior?, así también se muestran los interrogantes
específicos al tema de investigación:
1. ¿Cómo el acceso instantáneo a información de Gemini optimiza el proceso de enseñanza
y aprendizaje en docentes de educación superior?
2. ¿Cómo la generación de recursos didácticos de Gemini optimiza el proceso de enseñanza
y aprendizaje en docentes de educación superior?
3. ¿Cómo la retroalimentación automatizada de Gemini optimiza el proceso de enseñanza y
aprendizaje en docentes de educación superior?
El presente análisis explora cómo la inteligencia artificial Gemini optimiza el proceso de
enseñanza-aprendizaje en la educación superior. Al funcionar como un tutor personalizado, esta
herramienta complementa la labor docente, permitiendo a los estudiantes fortalecer habilidades
cognitivas y capacidades tecnológicas cruciales para su desarrollo profesional. Gemini facilita la
integración de metodologías de aprendizaje más interactivas y lúdicas, lo que fomenta una mayor
participación del alumnado y una conexión más profunda con los contenidos. De esta manera, se
enriquece la dinámica en el aula y se potencia un aprendizaje más efectivo, siendo los estudiantes
los principales beneficiarios de este entorno educativo mejorado.
Inteligencia Artificial “Gemini”
Gemini es una avanzada inteligencia artificial generativa, frecuentemente evaluada frente
a otras herramientas de vanguardia por su capacidad y rendimiento en entornos profesionales
(Rane et al., 2024). En su núcleo, opera como un chatbot impulsado por un sofisticado
procesamiento de lenguaje natural (NLP) para facilitar interacciones complejas y coherentes
(AlGhozali & Mukminatun, 2024). Su robustez ha sido validada en evaluaciones de conocimiento
en dominios altamente especializados como la oftalmología, demostrando un rendimiento notable
que confirma su eficacia como una herramienta de información experta (Mihalache et al., 2024).
En el ámbito aplicado, Gemini es considerado una herramienta clave para la instrucción
y la alfabetización informacional, posicionándose junto a otros modelos como ChatGPT y Copilot
para su uso en entornos de aprendizaje (Boyle, 2025). La integración de estas potentes
inteligencias artificiales generativas en las rutinas diarias no es un mero avance tecnológico; su
uso extensivo y su capacidad para interactuar con la sociedad representan un impacto potencial
significativo en diversas facetas de la humanidad, redefiniendo la interacción con la información
y el conocimiento (Nasr & El‐Deeb, 2025).
Acceso instantáneo a información
Es la capacidad de obtener datos, conocimientos y respuestas específicas de manera
inmediata mediante tecnologías digitales avanzadas, particularmente sistemas de inteligencia
Vol. 12/ Núm. 3 2025 pág. 2475
artificial generativa. González Alcaide (2024) establece que este fenómeno representa "un
contexto disruptivo en el acceso a la información" que transforma radicalmente los métodos
tradicionales de búsqueda y recuperación de datos. Por su parte, Boyle (2025) enfatiza que
herramientas como Gemini, ChatGPT y Copilot funcionan como instrumentos fundamentales
para la alfabetización informacional, proporcionando respuestas contextualizadas y
procesamiento instantáneo de consultas complejas, revolucionando así la experiencia del usuario
en la obtención de conocimiento especializado.
Generación de recursos didácticos
La generación de recursos didácticos mediante inteligencia artificial se define como el
proceso automatizado de creación de materiales educativos personalizados que facilitan el
proceso de enseñanza-aprendizaje. Boyle (2025) establece que herramientas como Gemini,
ChatGPT y Copilot funcionan como instrumentos fundamentales para diseñar contenidos
pedagógicos adaptados a necesidades específicas de alfabetización informacional.
Complementariamente, Jima et al. (2024) demuestran que la implementación de chatbots como
compañeros educativos permite generar recursos interactivos que refuerzan el aprendizaje,
creando experiencias educativas dinámicas y contextualizadas que optimizan la comprensión
estudiantil mediante la producción instantánea de materiales didácticos innovadores y efectivos.
Retroalimentación automatizada
Proceso mediante el cual sistemas de inteligencia artificial proporcionan respuestas,
correcciones y orientaciones inmediatas a los usuarios sin intervención humana directa. AlGhozali
y Mukminatun (2024) establecen que el procesamiento de lenguaje natural de chatbots
potenciados por IA como Gemini permite generar feedback contextualizado y personalizado en
tiempo real. Por su parte, Jima et al. (2024) demuestran que la implementación de chatbots
educativos como compañeros de aprendizaje facilita la retroalimentación continua,
proporcionando evaluaciones instantáneas y sugerencias de mejora que optimizan el proceso
formativo estudiantil mediante respuestas adaptativas y oportunas que refuerzan el conocimiento
adquirido.
Proceso de enseñanza y aprendizaje
Es la interacción dinámica y estructurada entre docentes y estudiantes, cuyo propósito es
la construcción guiada del conocimiento. No se limita a la transmisión de información, sino que
constituye un sistema complejo donde las percepciones de los educadores y las herramientas
empleadas son determinantes (Juca-Maldonado, 2023). En este marco, se analizan
constantemente las ventajas y desventajas de nuevas tecnologías para optimizar la adquisición de
saberes y competencias por parte del alumnado (Dávila et al., 2024).
Este proceso busca, más allá de la simple asimilación de contenidos, el desarrollo de
habilidades superiores como el pensamiento crítico, permitiendo al estudiante analizar y evaluar
la información de manera autónoma (Castillo et al., 2024). Por ello, es un campo en constante
artificial generativa. González Alcaide (2024) establece que este fenómeno representa "un
contexto disruptivo en el acceso a la información" que transforma radicalmente los métodos
tradicionales de búsqueda y recuperación de datos. Por su parte, Boyle (2025) enfatiza que
herramientas como Gemini, ChatGPT y Copilot funcionan como instrumentos fundamentales
para la alfabetización informacional, proporcionando respuestas contextualizadas y
procesamiento instantáneo de consultas complejas, revolucionando así la experiencia del usuario
en la obtención de conocimiento especializado.
Generación de recursos didácticos
La generación de recursos didácticos mediante inteligencia artificial se define como el
proceso automatizado de creación de materiales educativos personalizados que facilitan el
proceso de enseñanza-aprendizaje. Boyle (2025) establece que herramientas como Gemini,
ChatGPT y Copilot funcionan como instrumentos fundamentales para diseñar contenidos
pedagógicos adaptados a necesidades específicas de alfabetización informacional.
Complementariamente, Jima et al. (2024) demuestran que la implementación de chatbots como
compañeros educativos permite generar recursos interactivos que refuerzan el aprendizaje,
creando experiencias educativas dinámicas y contextualizadas que optimizan la comprensión
estudiantil mediante la producción instantánea de materiales didácticos innovadores y efectivos.
Retroalimentación automatizada
Proceso mediante el cual sistemas de inteligencia artificial proporcionan respuestas,
correcciones y orientaciones inmediatas a los usuarios sin intervención humana directa. AlGhozali
y Mukminatun (2024) establecen que el procesamiento de lenguaje natural de chatbots
potenciados por IA como Gemini permite generar feedback contextualizado y personalizado en
tiempo real. Por su parte, Jima et al. (2024) demuestran que la implementación de chatbots
educativos como compañeros de aprendizaje facilita la retroalimentación continua,
proporcionando evaluaciones instantáneas y sugerencias de mejora que optimizan el proceso
formativo estudiantil mediante respuestas adaptativas y oportunas que refuerzan el conocimiento
adquirido.
Proceso de enseñanza y aprendizaje
Es la interacción dinámica y estructurada entre docentes y estudiantes, cuyo propósito es
la construcción guiada del conocimiento. No se limita a la transmisión de información, sino que
constituye un sistema complejo donde las percepciones de los educadores y las herramientas
empleadas son determinantes (Juca-Maldonado, 2023). En este marco, se analizan
constantemente las ventajas y desventajas de nuevas tecnologías para optimizar la adquisición de
saberes y competencias por parte del alumnado (Dávila et al., 2024).
Este proceso busca, más allá de la simple asimilación de contenidos, el desarrollo de
habilidades superiores como el pensamiento crítico, permitiendo al estudiante analizar y evaluar
la información de manera autónoma (Castillo et al., 2024). Por ello, es un campo en constante
Vol. 12/ Núm. 3 2025 pág. 2476
evolución y un foco para la innovación educativa, donde la integración de tecnologías emergentes
busca transformar las metodologías tradicionales para lograr un aprendizaje más efectivo,
interactivo y significativo en el contexto actual (Ronquillo et al., 2023).
MATERIALES Y MÉTODOS
Tipo de investigación, enfoque y diseño
La investigación aplicada es un tipo de estudio enfocado en resolver problemas prácticos
y específicos, generando conocimiento de aplicación inmediata para la mejora de procesos o
servicios (Ramírez et al., 2023). A diferencia de la investigación básica, su finalidad no es el
desarrollo teórico, sino lograr un impacto tangible y directo en un contexto determinado (Zúñiga
et al., 2023). Este enfoque se caracteriza por su orientación pragmática, empleando teorías
existentes para ofrecer soluciones efectivas a desafíos reales, contribuyendo así a la innovación
en diversos campos (Ñaupas et al., 2023).
La presente investigación adopta un enfoque cualitativo, orientado a la comprensión
profunda de fenómenos complejos mediante la exploración de las experiencias y percepciones de
los participantes en su contexto natural (Ortiz, 2023). A diferencia del análisis cuantitativo, su
objetivo no es la generalización estadística, sino la obtención de una rica profundidad
interpretativa. Utiliza métodos como entrevistas y observaciones para construir una visión
holística de la realidad social (Ramírez et al., 2023). Este paradigma es ideal para investigar temas
nuevos o complejos gracias a su flexibilidad metodológica, permitiendo interpretar las dinámicas
de la experiencia humana (Creswell & Creswell, 2022).
El diseño del estudio es el fenomenológico hermenéutico ya que busca comprender y
describir la naturaleza de la vida de las personas interpretando los significados que provienen de
sus historias y contextos (Ñaupas et al., 2023). Este diseño, basado en la filosofía de Huserl y
Heidegger, integra la descripción fenomenológica con una interpretación hermenéutica que
adquiere un estudio. Participantes (Ortiz, 2023). El uso de este método está relacionado con el
proceso de reelección, análisis y reinterpretación de datos en los que el investigador reconoce su
estado hermenéutico y sus diálogos activos con textos y testimonios (Fernández y Bardales,
2024). Por lo tanto, solo se excede la descripción superficial para lograr una profunda y
contextualizada de la comprensión de los fenómenos humanos, teniendo en cuenta el entorno
cultural e histórico (Roja-Gutierrez, 2023).
Participantes
Son los actores centrales que proporcionan la información esencial en una investigación.
Su selección es un proceso deliberado y crucial, guiado por los objetivos del estudio, ya que sus
experiencias y perspectivas son la fuente principal para comprender el fenómeno (Ñaupas et al.,
2023). En el enfoque cualitativo, su rol trasciende al de meros informantes; son co-constructores
del conocimiento. Particularmente en diseños como el fenomenológico, su experiencia vivencial
evolución y un foco para la innovación educativa, donde la integración de tecnologías emergentes
busca transformar las metodologías tradicionales para lograr un aprendizaje más efectivo,
interactivo y significativo en el contexto actual (Ronquillo et al., 2023).
MATERIALES Y MÉTODOS
Tipo de investigación, enfoque y diseño
La investigación aplicada es un tipo de estudio enfocado en resolver problemas prácticos
y específicos, generando conocimiento de aplicación inmediata para la mejora de procesos o
servicios (Ramírez et al., 2023). A diferencia de la investigación básica, su finalidad no es el
desarrollo teórico, sino lograr un impacto tangible y directo en un contexto determinado (Zúñiga
et al., 2023). Este enfoque se caracteriza por su orientación pragmática, empleando teorías
existentes para ofrecer soluciones efectivas a desafíos reales, contribuyendo así a la innovación
en diversos campos (Ñaupas et al., 2023).
La presente investigación adopta un enfoque cualitativo, orientado a la comprensión
profunda de fenómenos complejos mediante la exploración de las experiencias y percepciones de
los participantes en su contexto natural (Ortiz, 2023). A diferencia del análisis cuantitativo, su
objetivo no es la generalización estadística, sino la obtención de una rica profundidad
interpretativa. Utiliza métodos como entrevistas y observaciones para construir una visión
holística de la realidad social (Ramírez et al., 2023). Este paradigma es ideal para investigar temas
nuevos o complejos gracias a su flexibilidad metodológica, permitiendo interpretar las dinámicas
de la experiencia humana (Creswell & Creswell, 2022).
El diseño del estudio es el fenomenológico hermenéutico ya que busca comprender y
describir la naturaleza de la vida de las personas interpretando los significados que provienen de
sus historias y contextos (Ñaupas et al., 2023). Este diseño, basado en la filosofía de Huserl y
Heidegger, integra la descripción fenomenológica con una interpretación hermenéutica que
adquiere un estudio. Participantes (Ortiz, 2023). El uso de este método está relacionado con el
proceso de reelección, análisis y reinterpretación de datos en los que el investigador reconoce su
estado hermenéutico y sus diálogos activos con textos y testimonios (Fernández y Bardales,
2024). Por lo tanto, solo se excede la descripción superficial para lograr una profunda y
contextualizada de la comprensión de los fenómenos humanos, teniendo en cuenta el entorno
cultural e histórico (Roja-Gutierrez, 2023).
Participantes
Son los actores centrales que proporcionan la información esencial en una investigación.
Su selección es un proceso deliberado y crucial, guiado por los objetivos del estudio, ya que sus
experiencias y perspectivas son la fuente principal para comprender el fenómeno (Ñaupas et al.,
2023). En el enfoque cualitativo, su rol trasciende al de meros informantes; son co-constructores
del conocimiento. Particularmente en diseños como el fenomenológico, su experiencia vivencial
Vol. 12/ Núm. 3 2025 pág. 2477
es el foco del análisis, siendo su colaboración indispensable para la validez y riqueza de los
hallazgos (Fernández y Bardales, 2024).
Para el presente estudio se contó con la participación de 8 docentes; 4 de pregrado y 4 de
posgrado. Los participantes fueron seleccionados por su avanzada especialización en la aplicación
pedagógica de la inteligencia artificial y su dominio de herramientas TIC, tales como la creación
de presentaciones automatizadas y recursos gráficos con Canva o Capcut. Su pericia incluye el
uso de modelos como ChatGPT y DALL-E para el diseño de estrategias de aprendizaje
innovadoras. Este grupo se caracteriza por su compromiso con la capacitación continua, orientada
a innovar en el aula y mejorar la experiencia educativa de sus estudiantes.
Criterios de inclusión y exclusión
Inclusión: Docentes que se caracterizan por su avanzada pericia en el uso de la
inteligencia artificial “Gemini”; para la elaboración de sus sesiones de aprendizaje. Estos
educadores poseen capacidades y especializaciones orientadas a la tecnología, las cuales aplican
de manera estratégica para diseñar experiencias educativas que optimizan la comprensión y
captan eficazmente la atención de los estudiantes. Dicha metodología se inscribe dentro de un
marco de enseñanza y aprendizaje innovador, cuyo objetivo es transformar el proceso formativo
para hacerlo más dinámico, interactivo y efectivo para el alumnado actual.
Exclusión: Docentes que evidencian una limitada o nula experiencia en el uso de
inteligencia artificial, lo cual se manifiesta en dos barreras principales para la innovación
educativa. Por un lado, se identifica a un sector de educadores que presenta resistencia a la
adopción de nuevas tecnologías en su práctica pedagógica. Por otro lado, existen docentes que,
independientemente de su disposición, enfrentan la carencia de la infraestructura digital mínima
necesaria en sus instituciones para poder implementar y aprovechar eficazmente estas
herramientas avanzadas en el aula.
Técnicas e instrumentos de recolección de datos
La entrevista es una técnica fundamental en la investigación cualitativa que permite
obtener información detallada directamente de los participantes a través de la interacción verbal
(Ñaupas et al., 2023). Se caracteriza por su flexibilidad, presentándose en modalidades
estructuradas, semiestructuradas o no estructuradas, que el investigador adapta según los
objetivos y la naturaleza del fenómeno (Ortiz, 2023). El propósito central de esta técnica es
comprender la realidad desde la perspectiva del entrevistado, generando así datos de gran riqueza
contextual y subjetiva para el análisis (Fernández y Bardales, 2024).
En este estudio se empleó la guía de entrevista, un instrumento metodológico clave para
la recolección de datos profundos y pertinentes en la investigación cualitativa (Ñaupas et al.,
2023). Estructurada con preguntas abiertas basadas en los objetivos de la investigación, permite
explorar las percepciones y experiencias de los participantes de forma flexible y contextualizada
(Creswell & Creswell, 2022). Su diseño, que demanda claridad y neutralidad, es fundamental para
es el foco del análisis, siendo su colaboración indispensable para la validez y riqueza de los
hallazgos (Fernández y Bardales, 2024).
Para el presente estudio se contó con la participación de 8 docentes; 4 de pregrado y 4 de
posgrado. Los participantes fueron seleccionados por su avanzada especialización en la aplicación
pedagógica de la inteligencia artificial y su dominio de herramientas TIC, tales como la creación
de presentaciones automatizadas y recursos gráficos con Canva o Capcut. Su pericia incluye el
uso de modelos como ChatGPT y DALL-E para el diseño de estrategias de aprendizaje
innovadoras. Este grupo se caracteriza por su compromiso con la capacitación continua, orientada
a innovar en el aula y mejorar la experiencia educativa de sus estudiantes.
Criterios de inclusión y exclusión
Inclusión: Docentes que se caracterizan por su avanzada pericia en el uso de la
inteligencia artificial “Gemini”; para la elaboración de sus sesiones de aprendizaje. Estos
educadores poseen capacidades y especializaciones orientadas a la tecnología, las cuales aplican
de manera estratégica para diseñar experiencias educativas que optimizan la comprensión y
captan eficazmente la atención de los estudiantes. Dicha metodología se inscribe dentro de un
marco de enseñanza y aprendizaje innovador, cuyo objetivo es transformar el proceso formativo
para hacerlo más dinámico, interactivo y efectivo para el alumnado actual.
Exclusión: Docentes que evidencian una limitada o nula experiencia en el uso de
inteligencia artificial, lo cual se manifiesta en dos barreras principales para la innovación
educativa. Por un lado, se identifica a un sector de educadores que presenta resistencia a la
adopción de nuevas tecnologías en su práctica pedagógica. Por otro lado, existen docentes que,
independientemente de su disposición, enfrentan la carencia de la infraestructura digital mínima
necesaria en sus instituciones para poder implementar y aprovechar eficazmente estas
herramientas avanzadas en el aula.
Técnicas e instrumentos de recolección de datos
La entrevista es una técnica fundamental en la investigación cualitativa que permite
obtener información detallada directamente de los participantes a través de la interacción verbal
(Ñaupas et al., 2023). Se caracteriza por su flexibilidad, presentándose en modalidades
estructuradas, semiestructuradas o no estructuradas, que el investigador adapta según los
objetivos y la naturaleza del fenómeno (Ortiz, 2023). El propósito central de esta técnica es
comprender la realidad desde la perspectiva del entrevistado, generando así datos de gran riqueza
contextual y subjetiva para el análisis (Fernández y Bardales, 2024).
En este estudio se empleó la guía de entrevista, un instrumento metodológico clave para
la recolección de datos profundos y pertinentes en la investigación cualitativa (Ñaupas et al.,
2023). Estructurada con preguntas abiertas basadas en los objetivos de la investigación, permite
explorar las percepciones y experiencias de los participantes de forma flexible y contextualizada
(Creswell & Creswell, 2022). Su diseño, que demanda claridad y neutralidad, es fundamental para
Vol. 12/ Núm. 3 2025 pág. 2478
facilitar una interacción dialógica que promueva la obtención de datos ricos, garantizando así la
validez y profundidad del análisis (Fernández y Bardales, 2024).
Procedimientos
Después de validar los instrumentos con expertos, se procedió a aplicar las guías de
entrevista a los 8 docentes de educación superior, previa obtención de su consentimiento
informado. Las entrevistas se realizaron en el entorno de preferencia de cada participante,
utilizando medios tecnológicos o de manera presencial, según su disponibilidad. Durante estas
conversaciones, los docentes compartieron sus experiencias en relación con el objetivo de la
investigación. Para garantizar la confidencialidad y el respeto ético, los participantes fueron
codificados como EE1, EE2, EE3, EE4, EE5, EE6, EE7 y EE8.
Técnicas de análisis de datos
Para el tratamiento de los datos cualitativos, las transcripciones de las entrevistas se
importaron al software ATLAS.ti, plataforma en la cual se aplicó un sistema de codificación
apriorística. Este procedimiento metodológico se diseñó para analizar sistemáticamente cómo la
inteligencia artificial Gemini optimiza el proceso de enseñanza-aprendizaje en la educación
superior. El análisis facilitó la construcción de diversas representaciones visuales, incluyendo
nubes de palabras, diagramas de Sankey y gráficos de redes, con el fin de identificar patrones y
congruencias relevantes en la información recopilada. Dichas figuras fueron fundamentales no
solo para procesar los hallazgos, sino también para presentarlos de manera clara y sintética,
fortaleciendo la evidencia empírica sobre el impacto de esta IA en la innovación pedagógica.
RESULTADOS Y DISCUSIÓN
Los resultados de las entrevistas a 8 docentes de educación superior que toman de apoyo
la inteligencia artificial “Gemini” para optimizar el proceso de enseñanza y aprendizaje en su
espacio académico quienes elaboran sus sesiones de aprendizaje de forma innovadora y lúdica
para mejor entendimiento y captación de lo vertido en clase; educadores con capacidades y
especializaciones orientadas a la tecnología, quienes aplican de manera estratégica para diseñar
experiencias educativas en los estudiantes. Metodología que se inscribe dentro de un marco de
enseñanza y aprendizaje innovador, cuyo objetivo es transformar el proceso formativo para
hacerlo más dinámico, interactivo y efectivo para el alumnado actual.
facilitar una interacción dialógica que promueva la obtención de datos ricos, garantizando así la
validez y profundidad del análisis (Fernández y Bardales, 2024).
Procedimientos
Después de validar los instrumentos con expertos, se procedió a aplicar las guías de
entrevista a los 8 docentes de educación superior, previa obtención de su consentimiento
informado. Las entrevistas se realizaron en el entorno de preferencia de cada participante,
utilizando medios tecnológicos o de manera presencial, según su disponibilidad. Durante estas
conversaciones, los docentes compartieron sus experiencias en relación con el objetivo de la
investigación. Para garantizar la confidencialidad y el respeto ético, los participantes fueron
codificados como EE1, EE2, EE3, EE4, EE5, EE6, EE7 y EE8.
Técnicas de análisis de datos
Para el tratamiento de los datos cualitativos, las transcripciones de las entrevistas se
importaron al software ATLAS.ti, plataforma en la cual se aplicó un sistema de codificación
apriorística. Este procedimiento metodológico se diseñó para analizar sistemáticamente cómo la
inteligencia artificial Gemini optimiza el proceso de enseñanza-aprendizaje en la educación
superior. El análisis facilitó la construcción de diversas representaciones visuales, incluyendo
nubes de palabras, diagramas de Sankey y gráficos de redes, con el fin de identificar patrones y
congruencias relevantes en la información recopilada. Dichas figuras fueron fundamentales no
solo para procesar los hallazgos, sino también para presentarlos de manera clara y sintética,
fortaleciendo la evidencia empírica sobre el impacto de esta IA en la innovación pedagógica.
RESULTADOS Y DISCUSIÓN
Los resultados de las entrevistas a 8 docentes de educación superior que toman de apoyo
la inteligencia artificial “Gemini” para optimizar el proceso de enseñanza y aprendizaje en su
espacio académico quienes elaboran sus sesiones de aprendizaje de forma innovadora y lúdica
para mejor entendimiento y captación de lo vertido en clase; educadores con capacidades y
especializaciones orientadas a la tecnología, quienes aplican de manera estratégica para diseñar
experiencias educativas en los estudiantes. Metodología que se inscribe dentro de un marco de
enseñanza y aprendizaje innovador, cuyo objetivo es transformar el proceso formativo para
hacerlo más dinámico, interactivo y efectivo para el alumnado actual.
Vol. 12/ Núm. 3 2025 pág. 2479
Figura 1
Nube de palabras
Nota: datos obtenidos del análisis de las entrevistas en el Software ATLAS.ti.
La nube de palabras revela una narrativa centrada en la integración de la inteligencia
artificial, específicamente "Gemini", como eje articulador del proceso de enseñanza-aprendizaje
en la educación superior. El protagonismo de los términos "estudiantes", "retroalimentación",
"aprendizaje" e "información" sugiere que el foco principal es potenciar la experiencia estudiantil.
La IA no es vista como un fin en sí misma, sino como una "herramienta" y un "recurso" para
facilitar la "investigación", el "análisis" y la generación de "resúmenes" y "síntesis", promoviendo
así la autonomía y el desarrollo de "habilidades" críticas en el alumnado.
Profundizando en el análisis, la constelación de conceptos como "docentes",
"pedagógica", "evaluación", "rúbricas" y "didácticos" indica una reflexión sobre la
transformación del rol del profesor. Este se convierte en un diseñador de experiencias de
aprendizaje que utiliza "prompts" y "casos" para fomentar un "análisis crítico". La presencia de
identificadores como "peruano", "UTP" y "UCV" ancla este discurso en un contexto local
específico, apuntando a desafíos y oportunidades concretas dentro del sistema universitario
peruano. Se trata de un marco para la modernización pedagógica, buscando optimizar la "calidad"
educativa mediante la implementación estratégica de nuevas tecnologías.
Figura 1
Nube de palabras
Nota: datos obtenidos del análisis de las entrevistas en el Software ATLAS.ti.
La nube de palabras revela una narrativa centrada en la integración de la inteligencia
artificial, específicamente "Gemini", como eje articulador del proceso de enseñanza-aprendizaje
en la educación superior. El protagonismo de los términos "estudiantes", "retroalimentación",
"aprendizaje" e "información" sugiere que el foco principal es potenciar la experiencia estudiantil.
La IA no es vista como un fin en sí misma, sino como una "herramienta" y un "recurso" para
facilitar la "investigación", el "análisis" y la generación de "resúmenes" y "síntesis", promoviendo
así la autonomía y el desarrollo de "habilidades" críticas en el alumnado.
Profundizando en el análisis, la constelación de conceptos como "docentes",
"pedagógica", "evaluación", "rúbricas" y "didácticos" indica una reflexión sobre la
transformación del rol del profesor. Este se convierte en un diseñador de experiencias de
aprendizaje que utiliza "prompts" y "casos" para fomentar un "análisis crítico". La presencia de
identificadores como "peruano", "UTP" y "UCV" ancla este discurso en un contexto local
específico, apuntando a desafíos y oportunidades concretas dentro del sistema universitario
peruano. Se trata de un marco para la modernización pedagógica, buscando optimizar la "calidad"
educativa mediante la implementación estratégica de nuevas tecnologías.
Vol. 12/ Núm. 3 2025 pág. 2480
Figura 2
Diagrama de Sankey
Nota: datos obtenidos del análisis de las entrevistas en el Software ATLAS.ti
El diagrama de Sankey expone con notable claridad los flujos de significado que conectan
la implementación de la IA Gemini con la optimización del quehacer docente. Se observa un nodo
de partida robusto en la “Aplicación de la IA como apoyo docente”, que se diversifica hacia
procesos mediadores cruciales como la “Facilitación de la interacción y el aprendizaje” y la
“Optimización del proceso de enseñanza”. El “Uso de Gemini” emerge como el nodo catalizador
central, canalizando estas intenciones hacia el desarrollo del “Pensamiento crítico” y la
“Validación de fuentes”. Este flujo evidencia que Gemini no es un mero repositorio de
información, sino un agente activo que reconfigura las estrategias pedagógicas para mejorar la
eficiencia y la profundidad del análisis.
En un segundo nivel, el diagrama revela cómo esta optimización redefine el “Rol
docente” y culmina en resultados tangibles para el aprendizaje. Las conexiones que parten del
“Uso de Gemini” y atraviesan la “Retroalimentación positiva” y la “Verificación de fuentes”
demuestran un fortalecimiento del andamiaje académico que el profesor puede ofrecer. La IA, por
tanto, optimiza el proceso al liberar al docente de tareas mecánicas de búsqueda, permitiéndole
concentrarse en funciones de mayor valor: la curación de contenidos, la promoción del juicio
experto y la facilitación de una “Retroalimentación docente” más significativa y personalizada,
logrando así el objetivo de la investigación.
Figura 2
Diagrama de Sankey
Nota: datos obtenidos del análisis de las entrevistas en el Software ATLAS.ti
El diagrama de Sankey expone con notable claridad los flujos de significado que conectan
la implementación de la IA Gemini con la optimización del quehacer docente. Se observa un nodo
de partida robusto en la “Aplicación de la IA como apoyo docente”, que se diversifica hacia
procesos mediadores cruciales como la “Facilitación de la interacción y el aprendizaje” y la
“Optimización del proceso de enseñanza”. El “Uso de Gemini” emerge como el nodo catalizador
central, canalizando estas intenciones hacia el desarrollo del “Pensamiento crítico” y la
“Validación de fuentes”. Este flujo evidencia que Gemini no es un mero repositorio de
información, sino un agente activo que reconfigura las estrategias pedagógicas para mejorar la
eficiencia y la profundidad del análisis.
En un segundo nivel, el diagrama revela cómo esta optimización redefine el “Rol
docente” y culmina en resultados tangibles para el aprendizaje. Las conexiones que parten del
“Uso de Gemini” y atraviesan la “Retroalimentación positiva” y la “Verificación de fuentes”
demuestran un fortalecimiento del andamiaje académico que el profesor puede ofrecer. La IA, por
tanto, optimiza el proceso al liberar al docente de tareas mecánicas de búsqueda, permitiéndole
concentrarse en funciones de mayor valor: la curación de contenidos, la promoción del juicio
experto y la facilitación de una “Retroalimentación docente” más significativa y personalizada,
logrando así el objetivo de la investigación.
Vol. 12/ Núm. 3 2025 pág. 2481
Figura 3
Diagrama de Redes
Nota: datos obtenidos del análisis de las entrevistas en el Software ATLAS.ti.
El diagrama de redes ofrece una visión sistémica y profunda de cómo la IA Gemini
optimiza el proceso educativo. A diferencia de un análisis lineal, la red revela una ecología de
interdependencias. Nodos de alta densidad como "Uso de Gemini para fines de trabajo
académico", "Optimización del proceso de enseñanza-aprendizaje" y "Rol docente" funcionan
como centros gravitacionales. La optimización no es un resultado aislado, sino la convergencia
de múltiples factores: la mejora en la "Calidad de información", la crucial "Verificación de
fuentes" y la eficiencia ganada en la "Reducción de tiempo", elementos que están intrínsecamente
asociados en la red.
Además, el análisis de la red evidencia una consecuencia fundamental de la optimización:
la recalibración del rol docente. El tiempo ahorrado (nodo "Ahorro de tiempo") no es un fin, sino
un recurso que se reinvierte en aspectos pedagógicos de mayor valor. La red conecta directamente
la optimización con el "Diseño de actividades ágiles" y el "Fomento del aprendizaje autodirigido"
en los estudiantes. Por tanto, Gemini optimiza el proceso al automatizar tareas instrumentales,
liberando al docente para que se concentre en su función insustituible: ser un arquitecto de
experiencias de aprendizaje y un mediador del pensamiento crítico.
Tras el análisis interpretativo de los datos generados con el software ATLAS.ti, se
procedió a la contrastación sistemática de las entrevistas. El propósito de este cruce de
información fue identificar las convergencias y divergencias en los discursos de los participantes,
siempre en relación con los objetivos de la investigación, cuyos hallazgos se detallan a
continuación.
Figura 3
Diagrama de Redes
Nota: datos obtenidos del análisis de las entrevistas en el Software ATLAS.ti.
El diagrama de redes ofrece una visión sistémica y profunda de cómo la IA Gemini
optimiza el proceso educativo. A diferencia de un análisis lineal, la red revela una ecología de
interdependencias. Nodos de alta densidad como "Uso de Gemini para fines de trabajo
académico", "Optimización del proceso de enseñanza-aprendizaje" y "Rol docente" funcionan
como centros gravitacionales. La optimización no es un resultado aislado, sino la convergencia
de múltiples factores: la mejora en la "Calidad de información", la crucial "Verificación de
fuentes" y la eficiencia ganada en la "Reducción de tiempo", elementos que están intrínsecamente
asociados en la red.
Además, el análisis de la red evidencia una consecuencia fundamental de la optimización:
la recalibración del rol docente. El tiempo ahorrado (nodo "Ahorro de tiempo") no es un fin, sino
un recurso que se reinvierte en aspectos pedagógicos de mayor valor. La red conecta directamente
la optimización con el "Diseño de actividades ágiles" y el "Fomento del aprendizaje autodirigido"
en los estudiantes. Por tanto, Gemini optimiza el proceso al automatizar tareas instrumentales,
liberando al docente para que se concentre en su función insustituible: ser un arquitecto de
experiencias de aprendizaje y un mediador del pensamiento crítico.
Tras el análisis interpretativo de los datos generados con el software ATLAS.ti, se
procedió a la contrastación sistemática de las entrevistas. El propósito de este cruce de
información fue identificar las convergencias y divergencias en los discursos de los participantes,
siempre en relación con los objetivos de la investigación, cuyos hallazgos se detallan a
continuación.
Vol. 12/ Núm. 3 2025 pág. 2482
Objetivo de investigación: Analizar cómo la inteligencia artificial Gemini optimiza el
proceso de enseñanza y aprendizaje en docentes de educación superior
Los participantes coinciden de manera unánime en que la principal optimización que
Gemini aporta al proceso de enseñanza es un drástico incremento en la eficiencia y un
considerable ahorro de tiempo. Especialistas como EE2 y EE4 cuantifican este ahorro en hasta un
40% y 70% respectivamente, mientras que otros como EE1 y EE6 lo traducen en la capacidad de
sintetizar información académica compleja, contrastar teorías y acceder a artículos recientes en
minutos, tareas que tradicionalmente requerían horas o incluso semanas de búsqueda manual en
bases de datos. Esta eficiencia liberada, según concuerdan, se reinvierte en actividades de mayor
valor pedagógico.
Los entrevistados también muestran un consenso notable en que el acceso a la
información a través de Gemini transforma la pedagogía, obligando a un rediseño de las
actividades de aprendizaje y evaluación. Existe un acuerdo general en que el rol docente
evoluciona de ser un mero transmisor de datos a un "arquitecto de la profundidad" o del
conocimiento. Esto se materializa, como señalan EE1, EE2 y EE6, en pasar de evaluaciones
basadas en la memoria a proyectos que demandan análisis crítico, validación de fuentes y la
aplicación práctica del conocimiento para resolver problemas reales, fomentando así la autonomía
y el pensamiento crítico en los estudiantes.
A pesar de las coincidencias, los participantes exhiben discrepancias en el enfoque y la
escala de la integración de Gemini para la generación de recursos. Mientras algunos como EE2 y
EE3 reportan un uso focalizado para crear planes de clase, rúbricas o ejercicios específicos, el
especialista EE4 describe una co-creación masiva, habiendo generado más de 350 recursos
didácticos, incluyendo 45 simulaciones de políticas públicas. Esta diferencia sugiere distintos
niveles de adopción: desde un uso como asistente para tareas puntuales hasta una integración
sistémica que multiplica por diez la capacidad productiva del docente.
Asimismo, se observan diferencias sutiles en las estrategias para abordar las limitaciones
de la IA y validar su información. Si bien todos concuerdan en la necesidad de supervisión
humana, los métodos varían en su formalidad. Especialistas como EE6 y EE4 proponen
protocolos estructurados como la "Triangulación CRV" o un sistema de cinco fases. En contraste,
el especialista EE3 adopta una táctica más pedagógica, utilizando los errores de la IA, como la
sugerencia de un marco teórico obsoleto, como una oportunidad de enseñanza para que los
estudiantes aprendan a identificar falencias. Esto denota una divergencia entre la implementación
de un control de calidad riguroso y el uso de las limitaciones como una herramienta didáctica en
sí misma.
Objetivo de investigación: Analizar cómo la inteligencia artificial Gemini optimiza el
proceso de enseñanza y aprendizaje en docentes de educación superior
Los participantes coinciden de manera unánime en que la principal optimización que
Gemini aporta al proceso de enseñanza es un drástico incremento en la eficiencia y un
considerable ahorro de tiempo. Especialistas como EE2 y EE4 cuantifican este ahorro en hasta un
40% y 70% respectivamente, mientras que otros como EE1 y EE6 lo traducen en la capacidad de
sintetizar información académica compleja, contrastar teorías y acceder a artículos recientes en
minutos, tareas que tradicionalmente requerían horas o incluso semanas de búsqueda manual en
bases de datos. Esta eficiencia liberada, según concuerdan, se reinvierte en actividades de mayor
valor pedagógico.
Los entrevistados también muestran un consenso notable en que el acceso a la
información a través de Gemini transforma la pedagogía, obligando a un rediseño de las
actividades de aprendizaje y evaluación. Existe un acuerdo general en que el rol docente
evoluciona de ser un mero transmisor de datos a un "arquitecto de la profundidad" o del
conocimiento. Esto se materializa, como señalan EE1, EE2 y EE6, en pasar de evaluaciones
basadas en la memoria a proyectos que demandan análisis crítico, validación de fuentes y la
aplicación práctica del conocimiento para resolver problemas reales, fomentando así la autonomía
y el pensamiento crítico en los estudiantes.
A pesar de las coincidencias, los participantes exhiben discrepancias en el enfoque y la
escala de la integración de Gemini para la generación de recursos. Mientras algunos como EE2 y
EE3 reportan un uso focalizado para crear planes de clase, rúbricas o ejercicios específicos, el
especialista EE4 describe una co-creación masiva, habiendo generado más de 350 recursos
didácticos, incluyendo 45 simulaciones de políticas públicas. Esta diferencia sugiere distintos
niveles de adopción: desde un uso como asistente para tareas puntuales hasta una integración
sistémica que multiplica por diez la capacidad productiva del docente.
Asimismo, se observan diferencias sutiles en las estrategias para abordar las limitaciones
de la IA y validar su información. Si bien todos concuerdan en la necesidad de supervisión
humana, los métodos varían en su formalidad. Especialistas como EE6 y EE4 proponen
protocolos estructurados como la "Triangulación CRV" o un sistema de cinco fases. En contraste,
el especialista EE3 adopta una táctica más pedagógica, utilizando los errores de la IA, como la
sugerencia de un marco teórico obsoleto, como una oportunidad de enseñanza para que los
estudiantes aprendan a identificar falencias. Esto denota una divergencia entre la implementación
de un control de calidad riguroso y el uso de las limitaciones como una herramienta didáctica en
sí misma.
Vol. 12/ Núm. 3 2025 pág. 2483
Objetivo Especifico 1: Explicar cómo el acceso instantáneo a información de Gemini
optimiza el proceso de enseñanza y aprendizaje en docentes de educación superior
Los participantes coinciden de forma unánime en que Gemini optimiza drásticamente la
eficiencia en la preparación de sus clases e investigaciones. Se reportan reducciones significativas
del tiempo de preparación, que van desde un 40% hasta un 70% , y la capacidad de realizar en
minutos tareas que antes requerían horas o semanas. Esta optimización se logra al sintetizar
artículos especializados, analizar marcos normativos complejos y compilar información
actualizada como jurisprudencia o políticas públicas.
Los entrevistados también convergen en que el acceso facilitado a la información
modifica radicalmente su enfoque pedagógico, transformando su rol de transmisores de datos a
"arquitectos del conocimiento" o "de la profundidad". Hay un consenso en que las actividades de
evaluación deben evolucionar, eliminando tareas reproductivas y centrándose en el desarrollo de
habilidades críticas. Esto se materializa en el diseño de nuevos desafíos, como el análisis de sesgos
de la IA, la creación de proyectos innovadores o la aplicación de conceptos a problemas reales.
A pesar del consenso sobre la necesidad de validar la información de Gemini, los
participantes describen estrategias con distintos niveles de formalidad y enfoque. Mientras
algunos especialistas como EE4 y EE6 aplican protocolos estructurados, como un sistema de
cinco fases o la “Triangulación CRV” , otros como EE1 emplean un método más general de
contraste con bases de datos. La discrepancia se acentúa con EE3, quien utiliza los errores de la
IA como una herramienta pedagógica para enseñar a los estudiantes a identificar falencias.
Asimismo, se perciben matices en cómo los entrevistados conciben el rol de la IA en su
labor de investigación. Algunos especialistas como EE4 y EE5 la describen principalmente como
una herramienta de alta eficiencia para tareas muy específicas, como el análisis comparativo de
políticas públicas o la compilación rápida de jurisprudencia. En cambio, el especialista EE6 lo
posiciona como un "asistente de investigación de cabecera" , cuya función va más allá de la
búsqueda y se adentra en la co-creación, diseñando seminarios completos que transforman su
labor de "construir a validar y enriquecer".
Objetivo Especifico 2: Analizar cómo la generación de recursos didácticos de Gemini
optimiza el proceso de enseñanza y aprendizaje en docentes de educación superior
Los entrevistados coinciden de manera abrumadora en que Gemini optimiza el proceso
de enseñanza al potenciar la diversidad y calidad de los recursos didácticos. Especialistas como
EE1, EE2, EE4 y EE6 reportan una mejora sustancial en la creación de materiales variados, desde
planes de clase y rúbricas detalladas hasta estudios de caso y simulaciones contextualizadas. Esta
capacidad no solo enriquece la oferta académica, sino que, como señala EE5, facilita la
personalización para distintos niveles de complejidad, permitiendo una comprensión más efectiva
de conceptos avanzados y adaptando el aprendizaje al contexto peruano.
Objetivo Especifico 1: Explicar cómo el acceso instantáneo a información de Gemini
optimiza el proceso de enseñanza y aprendizaje en docentes de educación superior
Los participantes coinciden de forma unánime en que Gemini optimiza drásticamente la
eficiencia en la preparación de sus clases e investigaciones. Se reportan reducciones significativas
del tiempo de preparación, que van desde un 40% hasta un 70% , y la capacidad de realizar en
minutos tareas que antes requerían horas o semanas. Esta optimización se logra al sintetizar
artículos especializados, analizar marcos normativos complejos y compilar información
actualizada como jurisprudencia o políticas públicas.
Los entrevistados también convergen en que el acceso facilitado a la información
modifica radicalmente su enfoque pedagógico, transformando su rol de transmisores de datos a
"arquitectos del conocimiento" o "de la profundidad". Hay un consenso en que las actividades de
evaluación deben evolucionar, eliminando tareas reproductivas y centrándose en el desarrollo de
habilidades críticas. Esto se materializa en el diseño de nuevos desafíos, como el análisis de sesgos
de la IA, la creación de proyectos innovadores o la aplicación de conceptos a problemas reales.
A pesar del consenso sobre la necesidad de validar la información de Gemini, los
participantes describen estrategias con distintos niveles de formalidad y enfoque. Mientras
algunos especialistas como EE4 y EE6 aplican protocolos estructurados, como un sistema de
cinco fases o la “Triangulación CRV” , otros como EE1 emplean un método más general de
contraste con bases de datos. La discrepancia se acentúa con EE3, quien utiliza los errores de la
IA como una herramienta pedagógica para enseñar a los estudiantes a identificar falencias.
Asimismo, se perciben matices en cómo los entrevistados conciben el rol de la IA en su
labor de investigación. Algunos especialistas como EE4 y EE5 la describen principalmente como
una herramienta de alta eficiencia para tareas muy específicas, como el análisis comparativo de
políticas públicas o la compilación rápida de jurisprudencia. En cambio, el especialista EE6 lo
posiciona como un "asistente de investigación de cabecera" , cuya función va más allá de la
búsqueda y se adentra en la co-creación, diseñando seminarios completos que transforman su
labor de "construir a validar y enriquecer".
Objetivo Especifico 2: Analizar cómo la generación de recursos didácticos de Gemini
optimiza el proceso de enseñanza y aprendizaje en docentes de educación superior
Los entrevistados coinciden de manera abrumadora en que Gemini optimiza el proceso
de enseñanza al potenciar la diversidad y calidad de los recursos didácticos. Especialistas como
EE1, EE2, EE4 y EE6 reportan una mejora sustancial en la creación de materiales variados, desde
planes de clase y rúbricas detalladas hasta estudios de caso y simulaciones contextualizadas. Esta
capacidad no solo enriquece la oferta académica, sino que, como señala EE5, facilita la
personalización para distintos niveles de complejidad, permitiendo una comprensión más efectiva
de conceptos avanzados y adaptando el aprendizaje al contexto peruano.
Vol. 12/ Núm. 3 2025 pág. 2484
Los participantes también concuerdan en la notable eficiencia y el ahorro de tiempo que
supone el uso de Gemini. Los especialistas EE1, EE2, EE4 y EE6 cuantifican este ahorro entre 5
y 22 horas semanales, un tiempo invaluable que reinvierten en actividades pedagógicas de alto
valor. Estas incluyen la mentoría personalizada, el seguimiento a estudiantes, la investigación
aplicada y el diseño de proyectos complejos. Esta optimización, como resume EE7, acelera la
recopilación de información, permitiendo al docente centrarse en el análisis crítico y la
producción de materiales más rigurosos.
Si bien los entrevistados coinciden en la necesidad de supervisión humana, discrepan en
el tipo de recursos que demandan mayor intervención. Por un lado, EE1 y EE4 señalan áreas
técnicas como ejercicios matemáticos avanzados o cálculos presupuestarios complejos. Por otro,
EE3 y EE5 enfocan la necesidad de revisión en recursos visuales y análisis críticos que requieren
mayor rigor académico. En contraste, EE8 presenta una visión más optimista, destacando la
facilidad de uso sin profundizar en las limitaciones, lo que sugiere diferentes niveles de criticidad
al aplicar la herramienta.
Las estrategias para abordar los desafíos de la IA también presentan matices entre los
participantes. Mientras que EE2, EE3 y EE4 han desarrollado un enfoque proactivo basado en la
ingeniería de prompts detallados para superar la falta de contexto local y los sesgos culturales,
adjuntando normativas peruanas o bibliotecas de casos propios. Por su parte, EE6 y EE7 abordan
las limitaciones, como las "alucinaciones", mediante protocolos de validación y un escrutinio
humano activo y generalizado, demostrando diferentes metodologías para asegurar la rigurosidad
académica frente a la eficiencia que la herramienta propone.
Objetivo Especifico 3: Examinar cómo la retroalimentación automatizada de Gemini
optimiza el proceso de enseñanza y aprendizaje en docentes de educación superior
Los entrevistados coinciden de forma unánime en que la principal ventaja de la
retroalimentación de Gemini es la optimización del tiempo, gracias a su inmediatez y
especificidad. Especialistas como EE1, EE2, EE4 y EE6 destacan que esta prontitud permite a los
estudiantes recibir comentarios detallados en minutos, fomentando un ciclo ágil de mejora
continua y autonomía. Esta eficiencia, como señala EE5, incentiva un aprendizaje autorregulado,
ya que los alumnos pueden iterar y corregir sus trabajos de manera proactiva antes de la
evaluación final, fortaleciendo su confianza y comprensión.
Asimismo, los participantes concuerdan en que la retroalimentación de Gemini es más
efectiva en tareas estructuradas y objetivas. Los especialistas EE1, EE2, EE3 y EE5 la consideran
ideal para borradores, informes técnicos, ensayos o la revisión de aspectos formales como la
citación y la coherencia argumental. Existe un consenso claro en adoptar un modelo híbrido: se
utiliza la IA para una primera capa de feedback formativo, reservando el juicio experto del docente
para evaluaciones sumativas que demandan una valoración de la creatividad, el pensamiento
crítico profundo y la originalidad.
Los participantes también concuerdan en la notable eficiencia y el ahorro de tiempo que
supone el uso de Gemini. Los especialistas EE1, EE2, EE4 y EE6 cuantifican este ahorro entre 5
y 22 horas semanales, un tiempo invaluable que reinvierten en actividades pedagógicas de alto
valor. Estas incluyen la mentoría personalizada, el seguimiento a estudiantes, la investigación
aplicada y el diseño de proyectos complejos. Esta optimización, como resume EE7, acelera la
recopilación de información, permitiendo al docente centrarse en el análisis crítico y la
producción de materiales más rigurosos.
Si bien los entrevistados coinciden en la necesidad de supervisión humana, discrepan en
el tipo de recursos que demandan mayor intervención. Por un lado, EE1 y EE4 señalan áreas
técnicas como ejercicios matemáticos avanzados o cálculos presupuestarios complejos. Por otro,
EE3 y EE5 enfocan la necesidad de revisión en recursos visuales y análisis críticos que requieren
mayor rigor académico. En contraste, EE8 presenta una visión más optimista, destacando la
facilidad de uso sin profundizar en las limitaciones, lo que sugiere diferentes niveles de criticidad
al aplicar la herramienta.
Las estrategias para abordar los desafíos de la IA también presentan matices entre los
participantes. Mientras que EE2, EE3 y EE4 han desarrollado un enfoque proactivo basado en la
ingeniería de prompts detallados para superar la falta de contexto local y los sesgos culturales,
adjuntando normativas peruanas o bibliotecas de casos propios. Por su parte, EE6 y EE7 abordan
las limitaciones, como las "alucinaciones", mediante protocolos de validación y un escrutinio
humano activo y generalizado, demostrando diferentes metodologías para asegurar la rigurosidad
académica frente a la eficiencia que la herramienta propone.
Objetivo Especifico 3: Examinar cómo la retroalimentación automatizada de Gemini
optimiza el proceso de enseñanza y aprendizaje en docentes de educación superior
Los entrevistados coinciden de forma unánime en que la principal ventaja de la
retroalimentación de Gemini es la optimización del tiempo, gracias a su inmediatez y
especificidad. Especialistas como EE1, EE2, EE4 y EE6 destacan que esta prontitud permite a los
estudiantes recibir comentarios detallados en minutos, fomentando un ciclo ágil de mejora
continua y autonomía. Esta eficiencia, como señala EE5, incentiva un aprendizaje autorregulado,
ya que los alumnos pueden iterar y corregir sus trabajos de manera proactiva antes de la
evaluación final, fortaleciendo su confianza y comprensión.
Asimismo, los participantes concuerdan en que la retroalimentación de Gemini es más
efectiva en tareas estructuradas y objetivas. Los especialistas EE1, EE2, EE3 y EE5 la consideran
ideal para borradores, informes técnicos, ensayos o la revisión de aspectos formales como la
citación y la coherencia argumental. Existe un consenso claro en adoptar un modelo híbrido: se
utiliza la IA para una primera capa de feedback formativo, reservando el juicio experto del docente
para evaluaciones sumativas que demandan una valoración de la creatividad, el pensamiento
crítico profundo y la originalidad.
Vol. 12/ Núm. 3 2025 pág. 2485
Aunque los participantes acuerdan en la necesidad de una evaluación humana, discrepan
sutilmente en los dominios específicos donde esta es irremplazable. Mientras que EE1 y EE2 la
reservan para habilidades blandas y reflexiones personales, EE4 y EE6 la consideran
indispensable para la investigación original, las defensas orales y la síntesis novedosa que exige
un juicio experto complejo. Esta diferencia de matices revela que la frontera entre la evaluación
automatizada y la humana depende del valor pedagógico que cada docente atribuye a las distintas
competencias en su disciplina.
Las estrategias para una implementación ética y pedagógica también muestran
divergencias. Por un lado, EE1, EE5 y EE6 proponen principios como la transparencia y el
equilibrio entre la IA y la interacción humana. Por otro lado, EE4 sugiere un marco mucho más
prescriptivo, con una división porcentual del trabajo (60% humano - 40% IA) y un programa de
capacitación docente intensivo. A su vez, EE3 innova con metodologías activas como los "juegos
de roles" para que los estudiantes evalúen el feedback de la IA, demostrando un abanico de
enfoques que van desde directrices generales hasta políticas y prácticas de aula concretas.
CONCLUSIONES
Primera: La inteligencia artificial Gemini optimiza el proceso de enseñanza-aprendizaje,
al catalizar una metamorfosis del rol docente. Esta transformación se sustenta en una eficiencia
que libera al educador de lo instrumental para enfocarse en su función esencial: cultivar el
pensamiento crítico y la validación de fuentes. Si bien el consenso sobre este nuevo paradigma es
absoluto, los diversos niveles de integración y las diferentes estrategias de supervisión demuestran
que la adopción de esta herramienta sigue, por ahora, rutas heterogéneas y profundamente
personales en la práctica académica.
Segunda: El acceso instantáneo a información vía Gemini optimiza el proceso docente
en una doble dimensión. Por un lado, genera una eficiencia operativa radical, reduciendo
drásticamente el tiempo de preparación de clases e investigaciones. Por otro, y de forma más
trascendental, esta eficiencia liberada cataliza una reconversión pedagógica, transformando al
docente de un transmisor de datos a un arquitecto del pensamiento crítico. Las divergentes
estrategias para validar dicha información evidencian la complejidad y creatividad con que los
educadores gestionan esta nueva abundancia.
Tercera: La generación de recursos con Gemini optimiza la enseñanza al potenciar
drásticamente la diversidad, calidad y personalización de los materiales didácticos. Esta
optimización es también procesual: el significativo ahorro de tiempo se reinvierte en tareas de
alto valor pedagógico, como la mentoría y la investigación. Las distintas estrategias de
supervisión y la ingeniería de prompts no son meras discrepancias, sino la evidencia de una
adopción crítica y reflexiva de la tecnología, adaptada a las necesidades y al rigor de cada docente.
Aunque los participantes acuerdan en la necesidad de una evaluación humana, discrepan
sutilmente en los dominios específicos donde esta es irremplazable. Mientras que EE1 y EE2 la
reservan para habilidades blandas y reflexiones personales, EE4 y EE6 la consideran
indispensable para la investigación original, las defensas orales y la síntesis novedosa que exige
un juicio experto complejo. Esta diferencia de matices revela que la frontera entre la evaluación
automatizada y la humana depende del valor pedagógico que cada docente atribuye a las distintas
competencias en su disciplina.
Las estrategias para una implementación ética y pedagógica también muestran
divergencias. Por un lado, EE1, EE5 y EE6 proponen principios como la transparencia y el
equilibrio entre la IA y la interacción humana. Por otro lado, EE4 sugiere un marco mucho más
prescriptivo, con una división porcentual del trabajo (60% humano - 40% IA) y un programa de
capacitación docente intensivo. A su vez, EE3 innova con metodologías activas como los "juegos
de roles" para que los estudiantes evalúen el feedback de la IA, demostrando un abanico de
enfoques que van desde directrices generales hasta políticas y prácticas de aula concretas.
CONCLUSIONES
Primera: La inteligencia artificial Gemini optimiza el proceso de enseñanza-aprendizaje,
al catalizar una metamorfosis del rol docente. Esta transformación se sustenta en una eficiencia
que libera al educador de lo instrumental para enfocarse en su función esencial: cultivar el
pensamiento crítico y la validación de fuentes. Si bien el consenso sobre este nuevo paradigma es
absoluto, los diversos niveles de integración y las diferentes estrategias de supervisión demuestran
que la adopción de esta herramienta sigue, por ahora, rutas heterogéneas y profundamente
personales en la práctica académica.
Segunda: El acceso instantáneo a información vía Gemini optimiza el proceso docente
en una doble dimensión. Por un lado, genera una eficiencia operativa radical, reduciendo
drásticamente el tiempo de preparación de clases e investigaciones. Por otro, y de forma más
trascendental, esta eficiencia liberada cataliza una reconversión pedagógica, transformando al
docente de un transmisor de datos a un arquitecto del pensamiento crítico. Las divergentes
estrategias para validar dicha información evidencian la complejidad y creatividad con que los
educadores gestionan esta nueva abundancia.
Tercera: La generación de recursos con Gemini optimiza la enseñanza al potenciar
drásticamente la diversidad, calidad y personalización de los materiales didácticos. Esta
optimización es también procesual: el significativo ahorro de tiempo se reinvierte en tareas de
alto valor pedagógico, como la mentoría y la investigación. Las distintas estrategias de
supervisión y la ingeniería de prompts no son meras discrepancias, sino la evidencia de una
adopción crítica y reflexiva de la tecnología, adaptada a las necesidades y al rigor de cada docente.
Vol. 12/ Núm. 3 2025 pág. 2486
Cuarta: La retroalimentación de Gemini optimiza la enseñanza al instaurar un eficiente
modelo híbrido. La inmediatez de la IA acelera la mejora continua y la autonomía del estudiante
en etapas formativas, reservando el insustituible juicio experto del docente para evaluar
competencias superiores como la originalidad y el pensamiento crítico. Las divergentes
estrategias de implementación, desde principios éticos hasta metodologías activas, evidencian una
nueva pedagogía de la evaluación en plena y reflexiva construcción por parte del profesorado.
Cuarta: La retroalimentación de Gemini optimiza la enseñanza al instaurar un eficiente
modelo híbrido. La inmediatez de la IA acelera la mejora continua y la autonomía del estudiante
en etapas formativas, reservando el insustituible juicio experto del docente para evaluar
competencias superiores como la originalidad y el pensamiento crítico. Las divergentes
estrategias de implementación, desde principios éticos hasta metodologías activas, evidencian una
nueva pedagogía de la evaluación en plena y reflexiva construcción por parte del profesorado.
Vol. 12/ Núm. 3 2025 pág. 2487
REFERENCIAS
Acosta Pastor, V. N., & Carcausto Calla, W. H. (2025). Inteligencia artificial y aprendizaje
cooperativo en estudiantes universitarios. Revista InveCom, 5(2).
AlGhozali, S., & Mukminatun, S. (2024). Natural language processing of Gemini artificial
intelligence powered Chatbot. Balangkas: An International Multidisciplinary Research
Journal, 1(1), 41-48.
Basantes Ortega, M. M., Miranda Castillo, A. M., Lara Luzuriaga, E. E., Zamora Altamirano, H.
C., & Corozo Nazareno, M. M. (2025). Desafíos y retos de la inteligencia artificial en la
educación ecuatoriana: Una mirada desde la enseñanza y el rol del docente. Arandu UTIC,
12(1), 1551–1566. https://doi.org/10.69639/arandu.v12i1.694
Boyle, C. (2025). ChatGPT, Gemini, & Copilot: Using generative AI as a tool for information
literacy instruction. The Reference Librarian, 66(1-2), 13-29.
Castillo, J. M. A., Oñate, D. P. B., Mendez, S. G. P., & Gavilanez, C. G. R. (2024). La Inteligencia
Artificial en el proceso de enseñanza y aprendizaje crítico. Revista Social Fronteriza, 4(3),
e43308-e43308.
Creswell, J. W., & Creswell, J. D. (2022). Research design: Qualitative, quantitative, and mixed
methods approaches (6.ª ed.). SAGE Publications.
Dávila, M. F. G., Cofre, I. J. M., Rosero, F. V. G., & Noroña, J. H. J. (2024). Inteligencia Artificial:
Ventajas y desventajas de su uso en el proceso de enseñanza aprendizaje. MENTOR Revista
de investigación Educativa y Deportiva, 3(7), 202-224.
Delgado, N., Carrasco, L. C., de la Maza, M. S., & Etxabe-Urbieta, J. M. (2024). Aplicación de
la Inteligencia Artificial (IA) en Educación: Los beneficios y limitaciones de la IA
percibidos por el profesorado de educación primaria, educación secundaria y educación
superior. Revista electrónica interuniversitaria de formación del profesorado, 27(1), 207-
224.
Fernandez Alarcon, V. E. (2024). Implementación de la inteligencia artificial para mejorar el
proceso de enseñanza y aprendizaje en estudiantes del Centro de Educación Técnico
Productiva de Lima.
Fernández, T., & Bardales, O. (2024). La experiencia de la investigación cualitativa. Universidad
Peruana Cayetano Heredia-UPCH.
Flores, E. A. R., & Trujillo, M. D. L. Á. S. (2025). Investigación científica e inteligencia artificial
en estudiantes de posgrado. Un análisis cualitativo. European Public & Social Innovation
Review, 10, 1-17.
González Alcaide, G. (2024). Inteligencia artificial generativa: un contexto disruptivo en el acceso
a la información.
REFERENCIAS
Acosta Pastor, V. N., & Carcausto Calla, W. H. (2025). Inteligencia artificial y aprendizaje
cooperativo en estudiantes universitarios. Revista InveCom, 5(2).
AlGhozali, S., & Mukminatun, S. (2024). Natural language processing of Gemini artificial
intelligence powered Chatbot. Balangkas: An International Multidisciplinary Research
Journal, 1(1), 41-48.
Basantes Ortega, M. M., Miranda Castillo, A. M., Lara Luzuriaga, E. E., Zamora Altamirano, H.
C., & Corozo Nazareno, M. M. (2025). Desafíos y retos de la inteligencia artificial en la
educación ecuatoriana: Una mirada desde la enseñanza y el rol del docente. Arandu UTIC,
12(1), 1551–1566. https://doi.org/10.69639/arandu.v12i1.694
Boyle, C. (2025). ChatGPT, Gemini, & Copilot: Using generative AI as a tool for information
literacy instruction. The Reference Librarian, 66(1-2), 13-29.
Castillo, J. M. A., Oñate, D. P. B., Mendez, S. G. P., & Gavilanez, C. G. R. (2024). La Inteligencia
Artificial en el proceso de enseñanza y aprendizaje crítico. Revista Social Fronteriza, 4(3),
e43308-e43308.
Creswell, J. W., & Creswell, J. D. (2022). Research design: Qualitative, quantitative, and mixed
methods approaches (6.ª ed.). SAGE Publications.
Dávila, M. F. G., Cofre, I. J. M., Rosero, F. V. G., & Noroña, J. H. J. (2024). Inteligencia Artificial:
Ventajas y desventajas de su uso en el proceso de enseñanza aprendizaje. MENTOR Revista
de investigación Educativa y Deportiva, 3(7), 202-224.
Delgado, N., Carrasco, L. C., de la Maza, M. S., & Etxabe-Urbieta, J. M. (2024). Aplicación de
la Inteligencia Artificial (IA) en Educación: Los beneficios y limitaciones de la IA
percibidos por el profesorado de educación primaria, educación secundaria y educación
superior. Revista electrónica interuniversitaria de formación del profesorado, 27(1), 207-
224.
Fernandez Alarcon, V. E. (2024). Implementación de la inteligencia artificial para mejorar el
proceso de enseñanza y aprendizaje en estudiantes del Centro de Educación Técnico
Productiva de Lima.
Fernández, T., & Bardales, O. (2024). La experiencia de la investigación cualitativa. Universidad
Peruana Cayetano Heredia-UPCH.
Flores, E. A. R., & Trujillo, M. D. L. Á. S. (2025). Investigación científica e inteligencia artificial
en estudiantes de posgrado. Un análisis cualitativo. European Public & Social Innovation
Review, 10, 1-17.
González Alcaide, G. (2024). Inteligencia artificial generativa: un contexto disruptivo en el acceso
a la información.
Vol. 12/ Núm. 3 2025 pág. 2488
Guevara, J. E. R. (2021). Integración de las Tecnologías de la Información y la Comunicación en
los procesos de enseñanza-aprendizaje. RIESED: Revista Internacional de Estudios sobre
Sistemas Educativos, 3(11), 99-111.
Huaco, M. J. A., Zedano, F. A. S., Reyna, Q. T., & íaz Manrique, J. D. (2025). La inteligencia
artificial como herramienta educativa universitaria: una revisión bibliográfica narrativa.
Igobernanza, 8(29), 150-165.
Jara de Cano, R. D. P. (2025). Integración de las nuevas tecnologías informáticas en el proceso
de enseñanza-aprendizaje de las ciencias sociales en la Educación Escolar Básica. Arandu
UTIC, 12(2), 475–492. https://doi.org/10.69639/arandu.v12i2.935
Jima, D. V. G., Benítez, A. E. Y., & Morocho, W. R. (2024). Reforzando la educación con
inteligencia artificial: Implementación de un chatbot como compañero educativo en el
instituto Amazónico. Revista Científica Multidisciplinaria SAPIENTIAE. ISSN: 2600-
6030, 7(15), 99-111.
Juca-Maldonado, F. X. (2023). Inteligencia artificial en motores de búsqueda: percepciones de los
docentes universitarios y su impacto en el proceso de enseñanza y aprendizaje. INNOVA
Research Journal, 8(3.1), 45-58.
Kuleto, V., Ilić, M., Dumangiu, M., Ranković, M., Martins, O. M., Păun, D., & Mihoreanu, L.
(2021). Exploring opportunities and challenges of artificial intelligence and machine
learning in higher education institutions. [Exploración de las oportunidades y los retos de
la inteligencia artificial y el aprendizaje automático en las instituciones de enseñanza
superior]. Sustainability, 13(18), 10424.
McGrath, C., Pargman, T. C., Juth, N., & Palmgren, P. J. (2023). University teachers' perceptions
of responsibility and artificial intelligence in higher education-An experimental
philosophical study. [Percepciones del profesorado universitario sobre la responsabilidad y
la inteligencia artificial en la educación superior] Computers and Education: Artificial
Intelligence, 4, 100139.
Mihalache, A., Grad, J., Patil, N. S., Huang, R. S., Popovic, M. M., Mallipatna, A., ... & Muni, R.
H. (2024). Google Gemini and Bard artificial intelligence chatbot performance in
ophthalmology knowledge assessment. Eye, 38(13), 2530-2535.
Mora Villamar, F. M., Pozo Vera, E. I., & Urrutia Franco, N. Y. (2025). Estrategias pedagógicas
basadas en inteligencia artificial: Transformando la personalización del aprendizaje en
educación nivel bachillerato. Arandu UTIC, 12(1), 3079–3099.
https://doi.org/10.69639/arandu.v12i1.789
Nasr, R. S., & El‐Deeb, S. (2025). Generative AI and Its Potential Impact on Humanity.
International Journal of Consumer Studies, 49(1), e70024.
Guevara, J. E. R. (2021). Integración de las Tecnologías de la Información y la Comunicación en
los procesos de enseñanza-aprendizaje. RIESED: Revista Internacional de Estudios sobre
Sistemas Educativos, 3(11), 99-111.
Huaco, M. J. A., Zedano, F. A. S., Reyna, Q. T., & íaz Manrique, J. D. (2025). La inteligencia
artificial como herramienta educativa universitaria: una revisión bibliográfica narrativa.
Igobernanza, 8(29), 150-165.
Jara de Cano, R. D. P. (2025). Integración de las nuevas tecnologías informáticas en el proceso
de enseñanza-aprendizaje de las ciencias sociales en la Educación Escolar Básica. Arandu
UTIC, 12(2), 475–492. https://doi.org/10.69639/arandu.v12i2.935
Jima, D. V. G., Benítez, A. E. Y., & Morocho, W. R. (2024). Reforzando la educación con
inteligencia artificial: Implementación de un chatbot como compañero educativo en el
instituto Amazónico. Revista Científica Multidisciplinaria SAPIENTIAE. ISSN: 2600-
6030, 7(15), 99-111.
Juca-Maldonado, F. X. (2023). Inteligencia artificial en motores de búsqueda: percepciones de los
docentes universitarios y su impacto en el proceso de enseñanza y aprendizaje. INNOVA
Research Journal, 8(3.1), 45-58.
Kuleto, V., Ilić, M., Dumangiu, M., Ranković, M., Martins, O. M., Păun, D., & Mihoreanu, L.
(2021). Exploring opportunities and challenges of artificial intelligence and machine
learning in higher education institutions. [Exploración de las oportunidades y los retos de
la inteligencia artificial y el aprendizaje automático en las instituciones de enseñanza
superior]. Sustainability, 13(18), 10424.
McGrath, C., Pargman, T. C., Juth, N., & Palmgren, P. J. (2023). University teachers' perceptions
of responsibility and artificial intelligence in higher education-An experimental
philosophical study. [Percepciones del profesorado universitario sobre la responsabilidad y
la inteligencia artificial en la educación superior] Computers and Education: Artificial
Intelligence, 4, 100139.
Mihalache, A., Grad, J., Patil, N. S., Huang, R. S., Popovic, M. M., Mallipatna, A., ... & Muni, R.
H. (2024). Google Gemini and Bard artificial intelligence chatbot performance in
ophthalmology knowledge assessment. Eye, 38(13), 2530-2535.
Mora Villamar, F. M., Pozo Vera, E. I., & Urrutia Franco, N. Y. (2025). Estrategias pedagógicas
basadas en inteligencia artificial: Transformando la personalización del aprendizaje en
educación nivel bachillerato. Arandu UTIC, 12(1), 3079–3099.
https://doi.org/10.69639/arandu.v12i1.789
Nasr, R. S., & El‐Deeb, S. (2025). Generative AI and Its Potential Impact on Humanity.
International Journal of Consumer Studies, 49(1), e70024.
Vol. 12/ Núm. 3 2025 pág. 2489
Ñaupas, H., Mejia, E., Trujillo, I., Romero, H., Medina, W., & Novoa, E. (2023). Metodología de
la investigación total: Cuantitativa–Cualitativa y redacción de tesis 6a Edición. Ediciones
de la U.
Ledesma Vallejos, K. S. (2024). Actitudes y percepciones hacia la Inteligencia Artificial en las
prácticas educativas en estudiantes y docentes universitarios de Trujillo, 2024.
López-Regalado, Ó., Núñez-Rojas, N., López-Gil, Ó. R., & Sánchez-Rodríguez, J. (2024).
Análisis del uso de la inteligencia artificial en la educación universitaria: una revisión
sistemática.
Ortiz, A. (2023). Investigación cualitativa y decolonial. Paradigmas, enfoques y metodologías.
Ediciones de la U.
Porras, R. E. T., & Porras, L. M. T. (2025). Rol de la inteligencia artificial: Una mirada desde el
proceso enseñanza-aprendizaje en la Educación Básica Superior. Ciencia Latina Revista
Científica Multidisciplinar, 9(1), 10133-10156.
Ramírez, A. A. V., Orellana, L. M. G., Tapia, R. C., Teves, R. V., & Tisoc, J. H. (2023). Métodos
de investigación científica. Instituto Universitario de Innovación Ciencia y Tecnología
INUDI Perú.
Rane, N., Choudhary, S., & Rane, J. (2024). Gemini or ChatGPT? Capability, performance, and
selection of cutting-edge generative artificial intelligence (AI) in business management.
Capability, Performance, and Selection of Cutting-Edge Generative Artificial Intelligence
(AI) in Business Management (February 19, 2024).
Rojas-Gutierrez, W. J. (2023). La fenomenología hermenéutica en la investigación cualitativa.
Studium Veritatis, 21(27), 327-363.
Ronquillo, K. K. M., Pérez, L. D. R. P., Veloz, J. F. A., & Solís, R. L. F. (2023). La inteligencia
artificial aplicada en la innovación educativa en el proceso de enseñanza y aprendizaje:
Artificial intelligence applied to educational innovation in the teaching and learning
process. LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, 4(2),
1597-1613.
Tomanguilla Reyna, J., Ríos Gonzales, J. D., Villoslada Quevedo, C. V., & Cruzado Paredes, C.
E. (2024). Efecto del uso de ChatGPT en el pensamiento creativo de estudiantes
universitarios. Revista Tribunal, 4(9), 193-207.
Vera, F. (2023). Integración de la Inteligencia Artificial en la Educación superior: Desafíos y
oportunidades. Transformar, 4(1), 17-34.
Villamil Cavagnaro, C. J., Rodríguez Cavagnaro, J. R., Flores Beltrán, P. K., Suarez Mendoza, J.
G., & Cedeño Salazar, P. A. (2024). La Revolución de la Inteligencia Artificial en la
Educación Superior: Impacto, Beneficios y Desafíos. Arandu UTIC, 11(1), 327–339.
https://doi.org/10.69639/arandu.v11i1.218
Ñaupas, H., Mejia, E., Trujillo, I., Romero, H., Medina, W., & Novoa, E. (2023). Metodología de
la investigación total: Cuantitativa–Cualitativa y redacción de tesis 6a Edición. Ediciones
de la U.
Ledesma Vallejos, K. S. (2024). Actitudes y percepciones hacia la Inteligencia Artificial en las
prácticas educativas en estudiantes y docentes universitarios de Trujillo, 2024.
López-Regalado, Ó., Núñez-Rojas, N., López-Gil, Ó. R., & Sánchez-Rodríguez, J. (2024).
Análisis del uso de la inteligencia artificial en la educación universitaria: una revisión
sistemática.
Ortiz, A. (2023). Investigación cualitativa y decolonial. Paradigmas, enfoques y metodologías.
Ediciones de la U.
Porras, R. E. T., & Porras, L. M. T. (2025). Rol de la inteligencia artificial: Una mirada desde el
proceso enseñanza-aprendizaje en la Educación Básica Superior. Ciencia Latina Revista
Científica Multidisciplinar, 9(1), 10133-10156.
Ramírez, A. A. V., Orellana, L. M. G., Tapia, R. C., Teves, R. V., & Tisoc, J. H. (2023). Métodos
de investigación científica. Instituto Universitario de Innovación Ciencia y Tecnología
INUDI Perú.
Rane, N., Choudhary, S., & Rane, J. (2024). Gemini or ChatGPT? Capability, performance, and
selection of cutting-edge generative artificial intelligence (AI) in business management.
Capability, Performance, and Selection of Cutting-Edge Generative Artificial Intelligence
(AI) in Business Management (February 19, 2024).
Rojas-Gutierrez, W. J. (2023). La fenomenología hermenéutica en la investigación cualitativa.
Studium Veritatis, 21(27), 327-363.
Ronquillo, K. K. M., Pérez, L. D. R. P., Veloz, J. F. A., & Solís, R. L. F. (2023). La inteligencia
artificial aplicada en la innovación educativa en el proceso de enseñanza y aprendizaje:
Artificial intelligence applied to educational innovation in the teaching and learning
process. LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, 4(2),
1597-1613.
Tomanguilla Reyna, J., Ríos Gonzales, J. D., Villoslada Quevedo, C. V., & Cruzado Paredes, C.
E. (2024). Efecto del uso de ChatGPT en el pensamiento creativo de estudiantes
universitarios. Revista Tribunal, 4(9), 193-207.
Vera, F. (2023). Integración de la Inteligencia Artificial en la Educación superior: Desafíos y
oportunidades. Transformar, 4(1), 17-34.
Villamil Cavagnaro, C. J., Rodríguez Cavagnaro, J. R., Flores Beltrán, P. K., Suarez Mendoza, J.
G., & Cedeño Salazar, P. A. (2024). La Revolución de la Inteligencia Artificial en la
Educación Superior: Impacto, Beneficios y Desafíos. Arandu UTIC, 11(1), 327–339.
https://doi.org/10.69639/arandu.v11i1.218
Vol. 12/ Núm. 3 2025 pág. 2490
Zúñiga, P. I. V., Cedeño, R. J. C., & Palacios, I. A. M. (2023). Metodología de la investigación
científica: guía práctica. Ciencia Latina Revista Científica Multidisciplinar, 7(4), 9723-
9762.
Zúñiga, P. I. V., Cedeño, R. J. C., & Palacios, I. A. M. (2023). Metodología de la investigación
científica: guía práctica. Ciencia Latina Revista Científica Multidisciplinar, 7(4), 9723-
9762.