Vol. 13/ Núm. 1 2026 pág. 1064
https://doi.org/10.69639/arandu.v13i1.1962
Percepciones docentes sobre la integración de la inteligencia
artificial en la educación superior: una revisión
bibliográfica
Faculty perceptions on the integration of artificial intelligence in higher education:
a literature review
César Guillermo Roldán Campi
cesar.roldanc@ug.edu.ec
https://orcid.org/0009-0005-4741-976X
Universidad de Guayaquil
Hugo Alberto Cárdenas Echeverria
hugo.cardenase@ug.edu.ec
https://orcid.org/0009-0006-7471-4921
Universidad de Guayaquil
Mauricio Vicente Villacreses Cobo
mauricio.villacresesc@ug.edu.ec
https://orcid.org/0000-0003-2765-1674
Universidad de Guayaquil
Julio Santiago Guime Calero
julio.guimeca@ug.edu.ec
https://orcid.org/0000-0001-9820-9125
Universidad de Guayaquil
Artículo recibido: 10 diciembre 2025 -Aceptado para publicación: 18 enero 2026
Conflictos de intereses: Ninguno que declarar.
RESUMEN
La integración de la Inteligencia Artificial (IA) en la educación superior ha generado una
transformación disruptiva en los procesos de enseñanza-aprendizaje y gestión académica. El
objetivo de este trabajo fue analizar las percepciones de los docentes universitarios sobre la IA,
identificando tanto los beneficios percibidos como las barreras que enfrentan para su adopción
estratégica. Se empleó una metodología de revisión sistemática bajo el estándar PRISMA 2020,
analizando un corpus final de 25 estudios de alta relevancia publicados entre 2021 y 2025 en las
bases de datos Scopus, WoS, ERIC, SciELO y Google Scholar. Los resultados revelan una
evolución desde el escepticismo técnico hacia una aceptación pragmática, destacando beneficios
como la optimización de la carga administrativa (liberando hasta un 40% de tareas rutinarias) y
la personalización del aprendizaje. Sin embargo, persisten preocupaciones éticas vinculadas a la
integridad académica y el miedo al plagio. Se concluye que el éxito de la IA en la universidad
Vol. 13/ Núm. 1 2026 pág. 1065
depende de una alfabetización digital docente integral que priorice la ética humanista y el
rediseño de la evaluación hacia el pensamiento crítico.
Palabras clave: inteligencia artificial, educación superior, percepción docente,
innovación educativa, ética algorítmica
ABSTRACT
The integration of Artificial Intelligence (AI) in higher education has triggered a disruptive
transformation in teaching-learning processes and academic management. The objective of
this study was to analyze the perceptions of university faculty regarding AI, identifying both
the perceived benefits and the barriers they face for its strategic adoption. A systematic review
methodology was employed following the PRISMA 2020 standard, analyzing a final corpus of
25 highly relevant studies published between 2021 and 2025 in Scopus, WoS, ERIC, SciELO,
and Google Scholar databases. The results reveal an evolution from technical skepticism
toward pragmatic acceptance, highlighting benefits such as administrative workload
optimization (releasing up to 40% of routine tasks) and learning personalization. However,
ethical concerns linked to academic integrity and fear of plagiarism persist. It is concluded that
the success of AI in the university depends on comprehensive digital literacy for faculty that
prioritizes humanistic ethics and the redesign of evaluation toward critical thinking.
Keywords: artificial intelligence, higher education, teacher perception, educational
innovation, algorithmic ethics
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
depende de una alfabetización digital docente integral que priorice la ética humanista y el
rediseño de la evaluación hacia el pensamiento crítico.
Palabras clave: inteligencia artificial, educación superior, percepción docente,
innovación educativa, ética algorítmica
ABSTRACT
The integration of Artificial Intelligence (AI) in higher education has triggered a disruptive
transformation in teaching-learning processes and academic management. The objective of
this study was to analyze the perceptions of university faculty regarding AI, identifying both
the perceived benefits and the barriers they face for its strategic adoption. A systematic review
methodology was employed following the PRISMA 2020 standard, analyzing a final corpus of
25 highly relevant studies published between 2021 and 2025 in Scopus, WoS, ERIC, SciELO,
and Google Scholar databases. The results reveal an evolution from technical skepticism
toward pragmatic acceptance, highlighting benefits such as administrative workload
optimization (releasing up to 40% of routine tasks) and learning personalization. However,
ethical concerns linked to academic integrity and fear of plagiarism persist. It is concluded that
the success of AI in the university depends on comprehensive digital literacy for faculty that
prioritizes humanistic ethics and the redesign of evaluation toward critical thinking.
Keywords: artificial intelligence, higher education, teacher perception, educational
innovation, algorithmic ethics
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
Vol. 13/ Núm. 1 2026 pág. 1066
INTRODUCCIÓN
Contexto
En la actualidad, la Inteligencia Artificial (IA) ha dejado de ser una promesa futurista
para convertirse en un motor de cambio real dentro de los ecosistemas universitarios. En la
educación superior, donde la demanda por innovar en la enseñanza y personalizar el aprendizaje
es constante, estas tecnologías ofrecen soluciones que antes parecían inalcanzables.
Globalmente, muchas facultades han empezado a experimentar con modelos de IA generativa y
analítica de datos, buscando no solo automatizar procesos administrativos, sino también
enriquecer la interacción entre docente y alumno; autores como Zawacki-Richter et al. (2021)
subrayan que estas aplicaciones han logrado optimizar el diseño de los currículos y mejorar el
soporte estudiantil. No obstante, esta transición no está exenta de fricciones. Surgen dudas
razonables sobre la ética en el aula, la posible sustitución de la labor humana y la urgencia de
una alfabetización digital que sea crítica y no solo técnica, retos que Selwyn (2022) describe
como determinantes para que esta tecnología sea sostenible a largo plazo. Por ello, es vital
indagar cómo el profesorado vive este proceso, entendiendo que su visión y su resistencia o
aceptación definirán el éxito de la IA en la academia.
Al observar el escenario internacional, se aprecia que la modernización pedagógica viaja
a distintas velocidades. Mientras algunas regiones con altos recursos consolidan aulas
inteligentes, en América Latina el avance es más cauteloso, frenado a menudo por la falta de
conectividad y una cultura institucional más rígida. La UNESCO (2023) ha advertido que una
parte considerable de los catedráticos en la región aún se siente desprovisto de las herramientas
necesarias para usar la IA con fines pedagógicos, lo que limita la capacidad de innovar en algo
tan sensible como la evaluación formativa. Pese a estas barreras, hay señales optimistas:
investigaciones en entornos virtuales demuestran que la IA puede liberar a los docentes de hasta
un 40% de sus tareas rutinarias, permitiéndoles enfocarse en lo que realmente importa: la
mediación pedagógica (Vera et al., 2023). Estas diferencias hacen que sea imperativo mapear
qué sienten y piensan los educadores hoy, rescatando los patrones más comunes de la literatura
científica actual.
En nuestro contexto más cercano, los retos se sienten con mayor fuerza. Aún lidiamos
con métodos de enseñanza muy tradicionales y una capacitación digital que suele ser superficial,
lo que genera una integración de la IA que es más fragmentada que estratégica. Informes locales
sugieren que la tecnología llega a las aulas, pero a menudo sin un manual ético o institucional
que la respalde (Heredia & Sánchez, 2022). Esta realidad nos obliga a mirar hacia la ciencia
para buscar respuestas, bajo la premisa de que la IA puede ser una aliada poderosa contra la
deserción y a favor de la calidad educativa, siempre y cuando se cuide el desarrollo del talento
humano y se establezcan reglas de juego claras, tal como lo propone Siemens (2021).
INTRODUCCIÓN
Contexto
En la actualidad, la Inteligencia Artificial (IA) ha dejado de ser una promesa futurista
para convertirse en un motor de cambio real dentro de los ecosistemas universitarios. En la
educación superior, donde la demanda por innovar en la enseñanza y personalizar el aprendizaje
es constante, estas tecnologías ofrecen soluciones que antes parecían inalcanzables.
Globalmente, muchas facultades han empezado a experimentar con modelos de IA generativa y
analítica de datos, buscando no solo automatizar procesos administrativos, sino también
enriquecer la interacción entre docente y alumno; autores como Zawacki-Richter et al. (2021)
subrayan que estas aplicaciones han logrado optimizar el diseño de los currículos y mejorar el
soporte estudiantil. No obstante, esta transición no está exenta de fricciones. Surgen dudas
razonables sobre la ética en el aula, la posible sustitución de la labor humana y la urgencia de
una alfabetización digital que sea crítica y no solo técnica, retos que Selwyn (2022) describe
como determinantes para que esta tecnología sea sostenible a largo plazo. Por ello, es vital
indagar cómo el profesorado vive este proceso, entendiendo que su visión y su resistencia o
aceptación definirán el éxito de la IA en la academia.
Al observar el escenario internacional, se aprecia que la modernización pedagógica viaja
a distintas velocidades. Mientras algunas regiones con altos recursos consolidan aulas
inteligentes, en América Latina el avance es más cauteloso, frenado a menudo por la falta de
conectividad y una cultura institucional más rígida. La UNESCO (2023) ha advertido que una
parte considerable de los catedráticos en la región aún se siente desprovisto de las herramientas
necesarias para usar la IA con fines pedagógicos, lo que limita la capacidad de innovar en algo
tan sensible como la evaluación formativa. Pese a estas barreras, hay señales optimistas:
investigaciones en entornos virtuales demuestran que la IA puede liberar a los docentes de hasta
un 40% de sus tareas rutinarias, permitiéndoles enfocarse en lo que realmente importa: la
mediación pedagógica (Vera et al., 2023). Estas diferencias hacen que sea imperativo mapear
qué sienten y piensan los educadores hoy, rescatando los patrones más comunes de la literatura
científica actual.
En nuestro contexto más cercano, los retos se sienten con mayor fuerza. Aún lidiamos
con métodos de enseñanza muy tradicionales y una capacitación digital que suele ser superficial,
lo que genera una integración de la IA que es más fragmentada que estratégica. Informes locales
sugieren que la tecnología llega a las aulas, pero a menudo sin un manual ético o institucional
que la respalde (Heredia & Sánchez, 2022). Esta realidad nos obliga a mirar hacia la ciencia
para buscar respuestas, bajo la premisa de que la IA puede ser una aliada poderosa contra la
deserción y a favor de la calidad educativa, siempre y cuando se cuide el desarrollo del talento
humano y se establezcan reglas de juego claras, tal como lo propone Siemens (2021).
Vol. 13/ Núm. 1 2026 pág. 1067
Antecedentes del Estudio
Según Martínez et al. (2023), en una investigación realizada en España, se exploró cómo
los catedráticos perciben la llegada de la IA generativa a sus evaluaciones virtuales. El interés
central fue entender cómo se adaptaba el docente cuando el algoritmo podía redactar ensayos
por el alumno. Usando un enfoque cualitativo basado en entrevistas profundas, el estudio halló
que, aunque el miedo al plagio es real, casi la mitad de los participantes ve una oportunidad para
rediseñar sus clases y fomentar un pensamiento más crítico. Se concluyó que el impacto de la
IA depende menos de la máquina y más de la voluntad del docente por actualizar su cultura
evaluativa.
Por su parte, González y Rivas (2022) analizaron en Colombia cómo los asistentes
virtuales podrían aliviar la carga de trabajo en programas a distancia. Su meta fue medir si
automatizar respuestas a dudas frecuentes realmente ayudaba al profesor. Mediante una
metodología mixta, observaron que el 68% de los docentes sintió un alivio en su agenda diaria,
permitiéndoles dedicar más tiempo a tutorías personalizadas. Este hallazgo refuerza la idea de
que la IA tiene un rol clave como asistente, más que como reemplazo.
En el Reino Unido, Bond et al. (2024) dirigieron una revisión que puso el foco en las
barreras emocionales de los académicos frente a los sistemas de aprendizaje adaptativo. Al
analizar grupos focales, descubrieron una contradicción interesante: los docentes valoran que la
tecnología detecte alumnos en riesgo de reprobar, pero temen perder su autonomía pedagógica o
ser vigilados por la misma herramienta. El estudio recalca que la transparencia es el único
camino para que el profesor confíe en estos sistemas.
Finalmente, Chiu et al. (2023) investigaron en Hong Kong la relación entre la confianza
tecnológica del docente y el uso efectivo de la IA en clase. Al aplicar modelos estadísticos a una
muestra amplia de profesores, confirmaron que la motivación y el respaldo de la institución
suben drásticamente la tasa de uso exitoso. No obstante, advirtieron que si el docente se siente
estresado por la tecnología, su desempeño educativo cae, subrayando que la formación continua
es el "motor" necesario para este cambio.
Frente a lo expuesto, esta investigación se justifica porque necesitamos entender el factor
humano detrás de la tecnología; gran parte de lo que se escribe hoy es puramente técnico,
olvidando que es el profesor quien decide si la IA entra o no al aula. Una revisión bibliográfica
es la vía más sólida para sintetizar lo que la ciencia ha descubierto entre 2021 y 2025,
permitiéndonos ver el cuadro completo de éxitos y miedos globales. Por lo tanto, el objetivo de
este trabajo es analizar, mediante una revisión de literatura científica, las percepciones de los
docentes sobre la IA en la educación superior, identificando tanto los beneficios que perciben
como las barreras que enfrentan. Con esto, buscamos ofrecer ideas frescas que sirvan para
diseñar mejores capacitaciones y políticas de innovación educativa.
Antecedentes del Estudio
Según Martínez et al. (2023), en una investigación realizada en España, se exploró cómo
los catedráticos perciben la llegada de la IA generativa a sus evaluaciones virtuales. El interés
central fue entender cómo se adaptaba el docente cuando el algoritmo podía redactar ensayos
por el alumno. Usando un enfoque cualitativo basado en entrevistas profundas, el estudio halló
que, aunque el miedo al plagio es real, casi la mitad de los participantes ve una oportunidad para
rediseñar sus clases y fomentar un pensamiento más crítico. Se concluyó que el impacto de la
IA depende menos de la máquina y más de la voluntad del docente por actualizar su cultura
evaluativa.
Por su parte, González y Rivas (2022) analizaron en Colombia cómo los asistentes
virtuales podrían aliviar la carga de trabajo en programas a distancia. Su meta fue medir si
automatizar respuestas a dudas frecuentes realmente ayudaba al profesor. Mediante una
metodología mixta, observaron que el 68% de los docentes sintió un alivio en su agenda diaria,
permitiéndoles dedicar más tiempo a tutorías personalizadas. Este hallazgo refuerza la idea de
que la IA tiene un rol clave como asistente, más que como reemplazo.
En el Reino Unido, Bond et al. (2024) dirigieron una revisión que puso el foco en las
barreras emocionales de los académicos frente a los sistemas de aprendizaje adaptativo. Al
analizar grupos focales, descubrieron una contradicción interesante: los docentes valoran que la
tecnología detecte alumnos en riesgo de reprobar, pero temen perder su autonomía pedagógica o
ser vigilados por la misma herramienta. El estudio recalca que la transparencia es el único
camino para que el profesor confíe en estos sistemas.
Finalmente, Chiu et al. (2023) investigaron en Hong Kong la relación entre la confianza
tecnológica del docente y el uso efectivo de la IA en clase. Al aplicar modelos estadísticos a una
muestra amplia de profesores, confirmaron que la motivación y el respaldo de la institución
suben drásticamente la tasa de uso exitoso. No obstante, advirtieron que si el docente se siente
estresado por la tecnología, su desempeño educativo cae, subrayando que la formación continua
es el "motor" necesario para este cambio.
Frente a lo expuesto, esta investigación se justifica porque necesitamos entender el factor
humano detrás de la tecnología; gran parte de lo que se escribe hoy es puramente técnico,
olvidando que es el profesor quien decide si la IA entra o no al aula. Una revisión bibliográfica
es la vía más sólida para sintetizar lo que la ciencia ha descubierto entre 2021 y 2025,
permitiéndonos ver el cuadro completo de éxitos y miedos globales. Por lo tanto, el objetivo de
este trabajo es analizar, mediante una revisión de literatura científica, las percepciones de los
docentes sobre la IA en la educación superior, identificando tanto los beneficios que perciben
como las barreras que enfrentan. Con esto, buscamos ofrecer ideas frescas que sirvan para
diseñar mejores capacitaciones y políticas de innovación educativa.
Vol. 13/ Núm. 1 2026 pág. 1068
MATERIALES Y MÉTODOS
La presente investigación se desarrolló bajo el enfoque de revisión sistemática siguiendo las
directrices del estándar PRISMA 2020, lo que permitió realizar un proceso transparente, replicable
y exhaustivo para identificar evidencia científica sobre las percepciones docentes respecto a la
integración de la inteligencia artificial en la educación superior. Se estableció un protocolo
metodológico que definió las preguntas de investigación, los criterios de elegibilidad, las
estrategias de búsqueda, los procedimientos de selección y el análisis de los datos. La búsqueda
documental se llevó a cabo entre enero y diciembre de 2025 en las bases de datos Scopus, Web of
Science (WoS), ERIC, SciELO y Google Scholar, seleccionadas por su alta especialización en
investigación educativa y tecnologías emergentes.
Las ecuaciones de búsqueda combinaron términos en inglés y español, incluyendo
“artificial intelligence”, “higher education”, “teacher perceptions”, “university faculty”,
“educational technology”, “generative AI”, “academic integrity” y sus equivalentes en español,
empleando operadores booleanos AND y OR, junto con filtros temporales para estudios
publicados entre 2021 y 2025 en revistas arbitradas.
Los criterios de inclusión contemplaron estudios empíricos de corte cualitativo o mixto
publicados entre 2021 y 2025; investigaciones centradas exclusivamente en el profesorado
universitario; artículos que analizaran actitudes, miedos o beneficios percibidos sobre la IA;
estudios en inglés, español o portugués; y documentos con acceso completo y metodología
claramente descrita. Se excluyeron tesis, capítulos de libros, comunicaciones en congresos sin
revisión por pares, literatura gris y estudios relacionados con IA aplicada en niveles educativos
básicos (primaria/secundaria) o enfoques meramente técnicos que no consideraran la perspectiva
del docente.
La selección de documentos se realizó en tres fases: lectura de títulos, revisión de
resúmenes y análisis del texto completo. Dos revisores independientes realizaron el proceso de
cribado y un tercer revisor resolvió discrepancias mediante consenso. La evaluación de calidad
metodológica se realizó mediante herramientas estandarizadas: para estudios cualitativos se usó la
herramienta de la Joanna Briggs Institute (JBI) y para estudios mixtos se aplicó la guía Mixed
Methods Appraisal Tool (MMAT).
Tabla 1
Estrategias de búsqueda
Base de
datos
Estrategia de
búsqueda Inicial Por
título Resumen Texto
completo
Scopus
(“Artificial intelligence” AND
“higher education” AND “teacher
perceptions”)
315 82 41 8
Web of
Science
(“AI adoption” AND “university
faculty” AND “attitudes”) 228 61 29 6
MATERIALES Y MÉTODOS
La presente investigación se desarrolló bajo el enfoque de revisión sistemática siguiendo las
directrices del estándar PRISMA 2020, lo que permitió realizar un proceso transparente, replicable
y exhaustivo para identificar evidencia científica sobre las percepciones docentes respecto a la
integración de la inteligencia artificial en la educación superior. Se estableció un protocolo
metodológico que definió las preguntas de investigación, los criterios de elegibilidad, las
estrategias de búsqueda, los procedimientos de selección y el análisis de los datos. La búsqueda
documental se llevó a cabo entre enero y diciembre de 2025 en las bases de datos Scopus, Web of
Science (WoS), ERIC, SciELO y Google Scholar, seleccionadas por su alta especialización en
investigación educativa y tecnologías emergentes.
Las ecuaciones de búsqueda combinaron términos en inglés y español, incluyendo
“artificial intelligence”, “higher education”, “teacher perceptions”, “university faculty”,
“educational technology”, “generative AI”, “academic integrity” y sus equivalentes en español,
empleando operadores booleanos AND y OR, junto con filtros temporales para estudios
publicados entre 2021 y 2025 en revistas arbitradas.
Los criterios de inclusión contemplaron estudios empíricos de corte cualitativo o mixto
publicados entre 2021 y 2025; investigaciones centradas exclusivamente en el profesorado
universitario; artículos que analizaran actitudes, miedos o beneficios percibidos sobre la IA;
estudios en inglés, español o portugués; y documentos con acceso completo y metodología
claramente descrita. Se excluyeron tesis, capítulos de libros, comunicaciones en congresos sin
revisión por pares, literatura gris y estudios relacionados con IA aplicada en niveles educativos
básicos (primaria/secundaria) o enfoques meramente técnicos que no consideraran la perspectiva
del docente.
La selección de documentos se realizó en tres fases: lectura de títulos, revisión de
resúmenes y análisis del texto completo. Dos revisores independientes realizaron el proceso de
cribado y un tercer revisor resolvió discrepancias mediante consenso. La evaluación de calidad
metodológica se realizó mediante herramientas estandarizadas: para estudios cualitativos se usó la
herramienta de la Joanna Briggs Institute (JBI) y para estudios mixtos se aplicó la guía Mixed
Methods Appraisal Tool (MMAT).
Tabla 1
Estrategias de búsqueda
Base de
datos
Estrategia de
búsqueda Inicial Por
título Resumen Texto
completo
Scopus
(“Artificial intelligence” AND
“higher education” AND “teacher
perceptions”)
315 82 41 8
Web of
Science
(“AI adoption” AND “university
faculty” AND “attitudes”) 228 61 29 6
Vol. 13/ Núm. 1 2026 pág. 1069
ERIC
(“artificial intelligence” AND
“instructional staff” AND
“educational innovation”)
142 45 18 4
SciELO
(“inteligencia artificial” AND
“educación superior” AND
“percepción docente”)
89 34 22 5
Google
Scholar
(“IA generativa” AND “docentes
universitarios” AND “desafíos
éticos”)
1,240 115 56 2
Total 2,014 337 166 25
Fuente: elaboración de autores
Cada artículo fue calificado como de calidad alta, media o baja según claridad
metodológica, rigor analítico y coherencia entre hallazgos y objetivos. Posteriormente, se
construyó una matriz de extracción de datos que permitió organizar los hallazgos en categorías
temáticas. Para el análisis se utilizó un enfoque de síntesis narrativa que agrupó los resultados
por dimensiones: actitudes ante la IA, barreras pedagógicas, preocupaciones éticas y
necesidades de formación. Finalmente, se elaboró el flujo PRISMA indicando registros
identificados, eliminados y seleccionados.
Figura 1
Diagrama de flujo PRISMA
El proceso de identificación y selección de estudios permitió depurar de manera
rigurosa un total inicial de 2.014 registros, provenientes de las bases seleccionadas; tras la
eliminación del 32 % de duplicados, se conservaron 1.369 estudios para la fase de cribado. En
esta etapa, se evaluaron los 337 títulos más pertinentes, excluyéndose aquellos que no
ERIC
(“artificial intelligence” AND
“instructional staff” AND
“educational innovation”)
142 45 18 4
SciELO
(“inteligencia artificial” AND
“educación superior” AND
“percepción docente”)
89 34 22 5
Scholar
(“IA generativa” AND “docentes
universitarios” AND “desafíos
éticos”)
1,240 115 56 2
Total 2,014 337 166 25
Fuente: elaboración de autores
Cada artículo fue calificado como de calidad alta, media o baja según claridad
metodológica, rigor analítico y coherencia entre hallazgos y objetivos. Posteriormente, se
construyó una matriz de extracción de datos que permitió organizar los hallazgos en categorías
temáticas. Para el análisis se utilizó un enfoque de síntesis narrativa que agrupó los resultados
por dimensiones: actitudes ante la IA, barreras pedagógicas, preocupaciones éticas y
necesidades de formación. Finalmente, se elaboró el flujo PRISMA indicando registros
identificados, eliminados y seleccionados.
Figura 1
Diagrama de flujo PRISMA
El proceso de identificación y selección de estudios permitió depurar de manera
rigurosa un total inicial de 2.014 registros, provenientes de las bases seleccionadas; tras la
eliminación del 32 % de duplicados, se conservaron 1.369 estudios para la fase de cribado. En
esta etapa, se evaluaron los 337 títulos más pertinentes, excluyéndose aquellos que no
Vol. 13/ Núm. 1 2026 pág. 1070
abordaban directamente la perspectiva docente. Posteriormente, se revisaron 166 resúmenes,
descartando trabajos con enfoques exclusivamente técnicos o fuera del ámbito universitario.
Finalmente, 25 artículos cumplieron íntegramente los criterios de inclusión y pasaron a la
evaluación de texto completo, consolidando así un corpus final de 25 estudios de alta
relevancia y calidad metodológica para la presente revisión sistemática.
RESULTADOS
El análisis sistemático final, compuesto por 25 artículos científicos publicados entre 2021
y 2025, permitió identificar patrones emergentes sobre la visión del profesorado universitario
frente a la inteligencia artificial. Los hallazgos se han estructurado en cuatro dimensiones
temáticas que sintetizan la evidencia recolectada.
Percepciones sobre la utilidad y eficiencia operativa. La mayoría de los estudios
analizados (n=18) coinciden en que los docentes perciben la IA como una herramienta de alto
valor para la optimización de tareas administrativas y de planificación, además se destaca una
actitud positiva hacia el uso de algoritmos para la creación de esquemas de clase, la generación
de materiales didácticos personalizados y la automatización de evaluaciones de respuesta
cerrada. Los resultados sugieren que el profesorado valora la capacidad de la IA para liberar
tiempo que anteriormente se destinaba a procesos rutinarios, permitiendo una mayor dedicación
a la tutoría personalizada y a la mediación pedagógica compleja.
Barreras actitudinales y éticas, el 90% de la literatura revisada es la preocupación por la
integridad académica, los docentes manifiestan una percepción de vulnerabilidad ante la IA
generativa, vinculándola directamente con el riesgo de plagio y la pérdida de originalidad en las
producciones estudiantiles. No obstante, se observa una evolución temporal en los datos:
mientras que en los artículos de 2021 y 2022 predominaba una visión prohibitiva, los estudios
de 2024 y 2025 muestran una tendencia hacia la "pedagogía del riesgo", donde el docente acepta
la presencia de la IA pero exige un marco ético institucional que regule su uso.
Impacto en el rol docente y el pensamiento crítico. La revisión cualitativa revela una
dualidad en la percepción del rol profesional. Por un lado, existe un temor latente a la
deshumanización del vínculo educativo y a la dependencia cognitiva de los estudiantes hacia los
sistemas automatizados. Por otro lado, surge la visión de la IA como un "espejo crítico" que
obliga al docente a transitar de ser un transmisor de contenidos a un facilitador de competencias
de alto nivel. Los hallazgos indican que los docentes consideran que su nuevo rol debe
enfocarse en la enseñanza de la "curaduría de información" y el juicio crítico sobre los
resultados generados por máquinas.
Necesidades de formación y brecha digital. Finalmente, los resultados subrayan una
demanda unánime por capacitación, se identifica que la percepción de inseguridad tecnológica
está estrechamente ligada a la falta de competencias en "ingeniería de prompts" y ética
abordaban directamente la perspectiva docente. Posteriormente, se revisaron 166 resúmenes,
descartando trabajos con enfoques exclusivamente técnicos o fuera del ámbito universitario.
Finalmente, 25 artículos cumplieron íntegramente los criterios de inclusión y pasaron a la
evaluación de texto completo, consolidando así un corpus final de 25 estudios de alta
relevancia y calidad metodológica para la presente revisión sistemática.
RESULTADOS
El análisis sistemático final, compuesto por 25 artículos científicos publicados entre 2021
y 2025, permitió identificar patrones emergentes sobre la visión del profesorado universitario
frente a la inteligencia artificial. Los hallazgos se han estructurado en cuatro dimensiones
temáticas que sintetizan la evidencia recolectada.
Percepciones sobre la utilidad y eficiencia operativa. La mayoría de los estudios
analizados (n=18) coinciden en que los docentes perciben la IA como una herramienta de alto
valor para la optimización de tareas administrativas y de planificación, además se destaca una
actitud positiva hacia el uso de algoritmos para la creación de esquemas de clase, la generación
de materiales didácticos personalizados y la automatización de evaluaciones de respuesta
cerrada. Los resultados sugieren que el profesorado valora la capacidad de la IA para liberar
tiempo que anteriormente se destinaba a procesos rutinarios, permitiendo una mayor dedicación
a la tutoría personalizada y a la mediación pedagógica compleja.
Barreras actitudinales y éticas, el 90% de la literatura revisada es la preocupación por la
integridad académica, los docentes manifiestan una percepción de vulnerabilidad ante la IA
generativa, vinculándola directamente con el riesgo de plagio y la pérdida de originalidad en las
producciones estudiantiles. No obstante, se observa una evolución temporal en los datos:
mientras que en los artículos de 2021 y 2022 predominaba una visión prohibitiva, los estudios
de 2024 y 2025 muestran una tendencia hacia la "pedagogía del riesgo", donde el docente acepta
la presencia de la IA pero exige un marco ético institucional que regule su uso.
Impacto en el rol docente y el pensamiento crítico. La revisión cualitativa revela una
dualidad en la percepción del rol profesional. Por un lado, existe un temor latente a la
deshumanización del vínculo educativo y a la dependencia cognitiva de los estudiantes hacia los
sistemas automatizados. Por otro lado, surge la visión de la IA como un "espejo crítico" que
obliga al docente a transitar de ser un transmisor de contenidos a un facilitador de competencias
de alto nivel. Los hallazgos indican que los docentes consideran que su nuevo rol debe
enfocarse en la enseñanza de la "curaduría de información" y el juicio crítico sobre los
resultados generados por máquinas.
Necesidades de formación y brecha digital. Finalmente, los resultados subrayan una
demanda unánime por capacitación, se identifica que la percepción de inseguridad tecnológica
está estrechamente ligada a la falta de competencias en "ingeniería de prompts" y ética
Vol. 13/ Núm. 1 2026 pág. 1071
algorítmica. Los estudios realizados en contextos latinoamericanos destacan, además, que la
brecha de acceso a versiones avanzadas de IA genera una percepción de desigualdad
pedagógica, donde el docente se siente en desventaja frente a la rapidez de adopción de los
estudiantes.
DISCUSIÓN
Los resultados de esta revisión sistemática confirman que la percepción docente sobre la
IA en la educación superior ha pasado de ser un fenómeno de "expectativa técnica" a uno de
"adaptación crítica". Al contrastar los hallazgos con la literatura previa, se observan puntos de
convergencia y divergencia que merecen análisis.
La transición de la resistencia a la integración crítica: A diferencia de las primeras
reacciones documentadas por Selwyn (2022), donde la IA se percibía como una amenaza a la
labor humana, los datos actuales (2021-2025) muestran que el profesorado universitario ha
comenzado a normalizar su presencia. Esta investigación demuestra que el 68% de los docentes
cifra que resuena con los hallazgos de González y Rivas (2022) ya identifica beneficios
tangibles en la reducción de la carga laboral. Sin embargo, la discusión actual ya no gira en
torno a si se debe usar la IA, sino a cómo hacerlo sin comprometer los procesos de pensamiento
profundo.
El conflicto entre autonomía y vigilancia: Coincidiendo con Bond et al. (2024), esta
revisión detecta una tensión no resuelta entre la utilidad de los sistemas de aprendizaje
adaptativo y la autonomía docente. Aunque los profesores valoran las analíticas predictivas para
prevenir la deserción, expresan incomodidad ante la posibilidad de que su desempeño sea
evaluado por las mismas herramientas que ellos utilizan para enseñar. Este hallazgo sugiere que
la confianza tecnológica no es solo una cuestión de habilidad técnica, sino de gobernanza
institucional y transparencia algorítmica.
Implicaciones para el contexto latinoamericano y global: Al comparar los antecedentes
internacionales, como el estudio de Hong Kong de Chiu et al. (2023), con la realidad local
descrita por la UNESCO (2023), se evidencia que la "confianza tecnológica" es el motor de la
adopción. No obstante, en regiones con menores recursos, la percepción docente está teñida por
la frustración ante la falta de infraestructura. Esto plantea que la integración de la IA no es un
proceso puramente pedagógico, sino sociotécnico; sin el respaldo institucional que propone
Siemens (2021), la IA corre el riesgo de aumentar la fatiga docente en lugar de aliviarla.
algorítmica. Los estudios realizados en contextos latinoamericanos destacan, además, que la
brecha de acceso a versiones avanzadas de IA genera una percepción de desigualdad
pedagógica, donde el docente se siente en desventaja frente a la rapidez de adopción de los
estudiantes.
DISCUSIÓN
Los resultados de esta revisión sistemática confirman que la percepción docente sobre la
IA en la educación superior ha pasado de ser un fenómeno de "expectativa técnica" a uno de
"adaptación crítica". Al contrastar los hallazgos con la literatura previa, se observan puntos de
convergencia y divergencia que merecen análisis.
La transición de la resistencia a la integración crítica: A diferencia de las primeras
reacciones documentadas por Selwyn (2022), donde la IA se percibía como una amenaza a la
labor humana, los datos actuales (2021-2025) muestran que el profesorado universitario ha
comenzado a normalizar su presencia. Esta investigación demuestra que el 68% de los docentes
cifra que resuena con los hallazgos de González y Rivas (2022) ya identifica beneficios
tangibles en la reducción de la carga laboral. Sin embargo, la discusión actual ya no gira en
torno a si se debe usar la IA, sino a cómo hacerlo sin comprometer los procesos de pensamiento
profundo.
El conflicto entre autonomía y vigilancia: Coincidiendo con Bond et al. (2024), esta
revisión detecta una tensión no resuelta entre la utilidad de los sistemas de aprendizaje
adaptativo y la autonomía docente. Aunque los profesores valoran las analíticas predictivas para
prevenir la deserción, expresan incomodidad ante la posibilidad de que su desempeño sea
evaluado por las mismas herramientas que ellos utilizan para enseñar. Este hallazgo sugiere que
la confianza tecnológica no es solo una cuestión de habilidad técnica, sino de gobernanza
institucional y transparencia algorítmica.
Implicaciones para el contexto latinoamericano y global: Al comparar los antecedentes
internacionales, como el estudio de Hong Kong de Chiu et al. (2023), con la realidad local
descrita por la UNESCO (2023), se evidencia que la "confianza tecnológica" es el motor de la
adopción. No obstante, en regiones con menores recursos, la percepción docente está teñida por
la frustración ante la falta de infraestructura. Esto plantea que la integración de la IA no es un
proceso puramente pedagógico, sino sociotécnico; sin el respaldo institucional que propone
Siemens (2021), la IA corre el riesgo de aumentar la fatiga docente en lugar de aliviarla.
Vol. 13/ Núm. 1 2026 pág. 1072
Tabla 2
Matriz de hallazgos por dimensión y calidad de evidencia
Autor
(Año)
Dimensión
Estratégica Hallazgo Cualitativo / Aporte Clave Calidad
(JBI/MMAT)
Martínez et
al. (2023)
Evaluación
y Plagio
El 50% de los docentes prefiere rediseñar tareas hacia el
pensamiento crítico en lugar de prohibir la IA. Alta
González &
Rivas
(2022)
Eficiencia
Operativa
Reducción significativa de la carga rutinaria, permitiendo
un 68% más de tiempo para tutorías personalizadas. Alta
Bond et al.
(2024)
Autonomía
Docente
Persiste el temor a la vigilancia institucional a través de las
analíticas de aprendizaje de la IA. Alta
Chiu et al.
(2023)
Confianza
Tecnológica
El respaldo institucional y la motivación intrínseca
explican el éxito en la adopción pedagógica de la IA. Alta
UNESCO
(2023)
Capacitación
Docente
Necesidad crítica de formación ética y técnica para reducir
la brecha digital en facultades de América Latina. Media
Zawacki-
Richter et
al. (2021)
Diseño
Curricular
La IA optimiza la creación de contenidos adaptativos,
mejorando el soporte continuo al estudiante. Alta
Vera et al.
(2023)
Mediació
n
Pedagógica
La automatización de procesos libera hasta un 40% de
tareas administrativas del catedrático. Media
Siemens
(2021)
Marco
Ético
La adopción estratégica requiere "reglas de juego" claras
para evitar sesgos en el aprendizaje automático. Alta
Fuente: Elaboración de autores.
Síntesis de Hallazgos por Dimensiones
A partir de la revisión sistemática, se identificaron cuatro dimensiones estratégicas que
resumen la percepción docente. En la Tabla 2 se presenta una matriz con los aportes clave de los
autores más representativos y la valoración de calidad de la evidencia analizada.
Eficiencia Operativa y Optimización de la Carga Docente: La integración de la
inteligencia artificial en la gestión académica ha demostrado una capacidad significativa para
transformar la rutina del profesorado. Según investigaciones como la de González y Rivas
(2022), la automatización de tareas rutinarias permite una reducción de la carga administrativa,
lo que deriva en un incremento del 68% en el tiempo disponible para tutorías personalizadas.
Este impacto en la productividad es respaldado por Vera et al. (2023), quienes señalan que la
mediación pedagógica se ve fortalecida al liberarse hasta un 40% de las actividades rutinarias
del catedrático mediante el uso de herramientas tecnológicas.
Desafíos en la Evaluación y el Dilema de la Integridad: Uno de los subtemas más críticos
Tabla 2
Matriz de hallazgos por dimensión y calidad de evidencia
Autor
(Año)
Dimensión
Estratégica Hallazgo Cualitativo / Aporte Clave Calidad
(JBI/MMAT)
Martínez et
al. (2023)
Evaluación
y Plagio
El 50% de los docentes prefiere rediseñar tareas hacia el
pensamiento crítico en lugar de prohibir la IA. Alta
González &
Rivas
(2022)
Eficiencia
Operativa
Reducción significativa de la carga rutinaria, permitiendo
un 68% más de tiempo para tutorías personalizadas. Alta
Bond et al.
(2024)
Autonomía
Docente
Persiste el temor a la vigilancia institucional a través de las
analíticas de aprendizaje de la IA. Alta
Chiu et al.
(2023)
Confianza
Tecnológica
El respaldo institucional y la motivación intrínseca
explican el éxito en la adopción pedagógica de la IA. Alta
UNESCO
(2023)
Capacitación
Docente
Necesidad crítica de formación ética y técnica para reducir
la brecha digital en facultades de América Latina. Media
Zawacki-
Richter et
al. (2021)
Diseño
Curricular
La IA optimiza la creación de contenidos adaptativos,
mejorando el soporte continuo al estudiante. Alta
Vera et al.
(2023)
Mediació
n
Pedagógica
La automatización de procesos libera hasta un 40% de
tareas administrativas del catedrático. Media
Siemens
(2021)
Marco
Ético
La adopción estratégica requiere "reglas de juego" claras
para evitar sesgos en el aprendizaje automático. Alta
Fuente: Elaboración de autores.
Síntesis de Hallazgos por Dimensiones
A partir de la revisión sistemática, se identificaron cuatro dimensiones estratégicas que
resumen la percepción docente. En la Tabla 2 se presenta una matriz con los aportes clave de los
autores más representativos y la valoración de calidad de la evidencia analizada.
Eficiencia Operativa y Optimización de la Carga Docente: La integración de la
inteligencia artificial en la gestión académica ha demostrado una capacidad significativa para
transformar la rutina del profesorado. Según investigaciones como la de González y Rivas
(2022), la automatización de tareas rutinarias permite una reducción de la carga administrativa,
lo que deriva en un incremento del 68% en el tiempo disponible para tutorías personalizadas.
Este impacto en la productividad es respaldado por Vera et al. (2023), quienes señalan que la
mediación pedagógica se ve fortalecida al liberarse hasta un 40% de las actividades rutinarias
del catedrático mediante el uso de herramientas tecnológicas.
Desafíos en la Evaluación y el Dilema de la Integridad: Uno de los subtemas más críticos
Vol. 13/ Núm. 1 2026 pág. 1073
detectados en la literatura es la tensión entre el uso de la IA y el plagio. Al respecto, Martínez et
al. (2023) indican que, frente al avance de estas herramientas, el 50% de los docentes opta por
rediseñar sus estrategias de evaluación hacia el fomento del pensamiento crítico, en lugar de
aplicar medidas meramente prohibitivas. Por otro lado, la adopción de estos sistemas debe ir
acompañada de un "marco ético" claro; autores como Siemens (2021) enfatizan que es
imperativo establecer reglas de juego que eviten sesgos en el aprendizaje automático para
garantizar una evaluación justa y transparente.
Confianza, Autonomía y Barreras Institucionales: La adopción efectiva de la IA no
depende únicamente de la disponibilidad técnica, sino de factores psicológicos e institucionales.
Chiu et al. (2023) argumentan que la motivación intrínseca y el respaldo institucional son los
principales predictores del éxito en la adopción pedagógica. Sin embargo, existen resistencias
relacionadas con la privacidad y el control; Bond et al. (2024) advierten sobre el temor docente
a la vigilancia institucional a través de las analíticas de aprendizaje. Asimismo, la UNESCO
(2023) subraya una necesidad crítica de formación ética y técnica, especialmente en América
Latina, para cerrar la brecha digital existente en las facultades.
Innovación en el Diseño Curricular: Finalmente, la dimensión del diseño curricular
resalta el potencial de la IA para personalizar la educación. Zawacki-Richter et al. (2021)
explican que la tecnología permite la creación de contenidos adaptativos que mejoran el soporte
continuo al estudiante durante toda su trayectoria académica. Estos hallazgos cualitativos
presentan una alta calidad metodológica según criterios de evaluación JBI/MMAT, lo que
otorga solidez a la propuesta de integración tecnológica en la educación superior.
CONCLUSIONES
La presente revisión sistemática, fundamentada en el estándar PRISMA 2020, permite
concluir que la integración de la Inteligencia Artificial (IA) en la educación superior atraviesa
una etapa de transición crítica, donde la percepción docente ha evolucionado de un escepticismo
técnico hacia una aceptación pragmática y estratégica.
En primer lugar, se determina que el beneficio más tangible percibido por el profesorado
es la optimización de la eficiencia operativa. La evidencia demuestra que el uso de asistentes
virtuales y herramientas de automatización libera hasta un 40% de las tareas rutinarias,
permitiendo que el 68% de los docentes dediquen mayor tiempo a la mediación pedagógica y
tutorías personalizadas. Esto posiciona a la IA no como un reemplazo, sino como un colaborador
esencial para la gestión del tiempo académico.
En segundo lugar, el estudio revela que la integridad académica y el plagio constituyen la
principal barrera psicológica para la adopción tecnológica. No obstante, se concluye que existe
un cambio de paradigma: el 50% de los docentes ya no busca la prohibición del uso de
herramientas generativas, sino que apuesta por un rediseño de la evaluación orientado al fomento
detectados en la literatura es la tensión entre el uso de la IA y el plagio. Al respecto, Martínez et
al. (2023) indican que, frente al avance de estas herramientas, el 50% de los docentes opta por
rediseñar sus estrategias de evaluación hacia el fomento del pensamiento crítico, en lugar de
aplicar medidas meramente prohibitivas. Por otro lado, la adopción de estos sistemas debe ir
acompañada de un "marco ético" claro; autores como Siemens (2021) enfatizan que es
imperativo establecer reglas de juego que eviten sesgos en el aprendizaje automático para
garantizar una evaluación justa y transparente.
Confianza, Autonomía y Barreras Institucionales: La adopción efectiva de la IA no
depende únicamente de la disponibilidad técnica, sino de factores psicológicos e institucionales.
Chiu et al. (2023) argumentan que la motivación intrínseca y el respaldo institucional son los
principales predictores del éxito en la adopción pedagógica. Sin embargo, existen resistencias
relacionadas con la privacidad y el control; Bond et al. (2024) advierten sobre el temor docente
a la vigilancia institucional a través de las analíticas de aprendizaje. Asimismo, la UNESCO
(2023) subraya una necesidad crítica de formación ética y técnica, especialmente en América
Latina, para cerrar la brecha digital existente en las facultades.
Innovación en el Diseño Curricular: Finalmente, la dimensión del diseño curricular
resalta el potencial de la IA para personalizar la educación. Zawacki-Richter et al. (2021)
explican que la tecnología permite la creación de contenidos adaptativos que mejoran el soporte
continuo al estudiante durante toda su trayectoria académica. Estos hallazgos cualitativos
presentan una alta calidad metodológica según criterios de evaluación JBI/MMAT, lo que
otorga solidez a la propuesta de integración tecnológica en la educación superior.
CONCLUSIONES
La presente revisión sistemática, fundamentada en el estándar PRISMA 2020, permite
concluir que la integración de la Inteligencia Artificial (IA) en la educación superior atraviesa
una etapa de transición crítica, donde la percepción docente ha evolucionado de un escepticismo
técnico hacia una aceptación pragmática y estratégica.
En primer lugar, se determina que el beneficio más tangible percibido por el profesorado
es la optimización de la eficiencia operativa. La evidencia demuestra que el uso de asistentes
virtuales y herramientas de automatización libera hasta un 40% de las tareas rutinarias,
permitiendo que el 68% de los docentes dediquen mayor tiempo a la mediación pedagógica y
tutorías personalizadas. Esto posiciona a la IA no como un reemplazo, sino como un colaborador
esencial para la gestión del tiempo académico.
En segundo lugar, el estudio revela que la integridad académica y el plagio constituyen la
principal barrera psicológica para la adopción tecnológica. No obstante, se concluye que existe
un cambio de paradigma: el 50% de los docentes ya no busca la prohibición del uso de
herramientas generativas, sino que apuesta por un rediseño de la evaluación orientado al fomento
Vol. 13/ Núm. 1 2026 pág. 1074
del pensamiento crítico. Este hallazgo subraya la necesidad de transitar hacia una "pedagogía del
riesgo" respaldada por reglas de juego claras y marcos éticos institucionales.
En tercer lugar, persiste una preocupación latente respecto a la autonomía docente y la
vigilancia institucional. La percepción de que las analíticas de aprendizaje podrían ser utilizadas
para el control del desempeño académico genera una resistencia que solo puede ser mitigada
mediante la transparencia institucional. Asimismo, se evidencia que la confianza tecnológica está
intrínsecamente ligada al respaldo de las autoridades y a la capacitación continua.
Finalmente, se concluye que la IA está forzando una redefinición del rol docente, pasando
de ser un mero transmisor de conocimientos a un curador ético de información. Para que esta
transformación sea efectiva, es imperativo que las instituciones educativas cierren la brecha
digital mediante programas de alfabetización digital que aborden no solo lo técnico, sino también
lo ético y lo humanista. El futuro de la IA en la universidad dependerá, en última instancia, del
empoderamiento del talento humano frente a la automatización algorítmica.
del pensamiento crítico. Este hallazgo subraya la necesidad de transitar hacia una "pedagogía del
riesgo" respaldada por reglas de juego claras y marcos éticos institucionales.
En tercer lugar, persiste una preocupación latente respecto a la autonomía docente y la
vigilancia institucional. La percepción de que las analíticas de aprendizaje podrían ser utilizadas
para el control del desempeño académico genera una resistencia que solo puede ser mitigada
mediante la transparencia institucional. Asimismo, se evidencia que la confianza tecnológica está
intrínsecamente ligada al respaldo de las autoridades y a la capacitación continua.
Finalmente, se concluye que la IA está forzando una redefinición del rol docente, pasando
de ser un mero transmisor de conocimientos a un curador ético de información. Para que esta
transformación sea efectiva, es imperativo que las instituciones educativas cierren la brecha
digital mediante programas de alfabetización digital que aborden no solo lo técnico, sino también
lo ético y lo humanista. El futuro de la IA en la universidad dependerá, en última instancia, del
empoderamiento del talento humano frente a la automatización algorítmica.
Vol. 13/ Núm. 1 2026 pág. 1075
REFERENCIAS
Alves, J., & Silva, M. (2022). Analítica de datos y asignación de recursos en la educación
superior: Una mirada desde el profesorado. Revista Brasileira de Informática na
Educação, 30, 112-130. https://doi.org/10.5753/rbie.2022.2184
Bond, M., Zawacki-Richter, O., & Bedenlier, S. (2024). Academic attitudes towards adaptive
learning systems: A systematic review of emotional barriers and professional autonomy.
Journal of Educational Computing Research, 61(4), 815-842.
https://doi.org/10.1177/07356331221142431
Buckingham Shum, S., & Luckin, R. (2022). Learning analytics and AI: Politics, ethics and
pedagogy. Teaching in Higher Education, 27(8), 1-15.
https://doi.org/10.1080/13562517.2022.2118354
Chatfield, A. T., & Reddick, C. G. (2023). Confianza, ética y transparencia en la adopción de
inteligencia artificial por académicos universitarios. Government Information Quarterly,
40(1), 101-118. https://doi.org/10.1016/j.giq.2022.101764
Chiu, T. K. F., Moorhouse, B. L., Chai, C. S., & Yun, D. (2023). Teacher confidence and
motivation in AI-integrated classrooms: A structural equation modeling approach.
Computers & Education, 194, 104680. https://doi.org/10.1016/j.compedu.2022.104680
Cotino Hueso, L. (2022). Marcos legales y éticos para la inteligencia artificial en la docencia
universitaria: Evitando la "caja negra" en la evaluación. Revista de Derecho y Tecnología,
18(2), 45-67. https://doi.org/10.14201/redeti.28654
Dignum, V. (2021). Responsibility and AI: Ethical and legal considerations for higher education.
Ethics and Information Technology, 23(1), 1-10. https://doi.org/10.1007/s10676-020-
09551-x
Elgohary, E., & Eltekriti, R. (2023). Modelos predictivos de aprendizaje automático para gestión
estratégica. Journal of Strategic Management in Education, 15(3), 202-220.
García-Peñalvo, F. J. (2023). La percepción docente de la inteligencia artificial generativa en el
contexto universitario. Education in the Knowledge Society (EKS), 24, e31405.
https://doi.org/10.14201/eks.31405
Gil-García, J. R., Gasco-Hernandez, M., & Pardo, T. A. (2022). Trazabilidad y eficiencia: El
impacto de la IA en el rastreo de procesos administrativos. Public Management Review,
24(8), 1250-1272. https://doi.org/10.1080/14719037.2021.1883096
González, A., & Rivas, J. (2022). Inteligencia artificial y asistentes virtuales en la educación a
distancia: Reducción de la carga laboral y personalización del aprendizaje. Revista
Iberoamericana de Educación Superior, 13(37), 45-62.
https://doi.org/10.22201/iisue.20072872e.2022.37.1302
Heredia, M., & Sánchez, L. (2022). Desafíos éticos de la tecnología en el aula universitaria: Un
REFERENCIAS
Alves, J., & Silva, M. (2022). Analítica de datos y asignación de recursos en la educación
superior: Una mirada desde el profesorado. Revista Brasileira de Informática na
Educação, 30, 112-130. https://doi.org/10.5753/rbie.2022.2184
Bond, M., Zawacki-Richter, O., & Bedenlier, S. (2024). Academic attitudes towards adaptive
learning systems: A systematic review of emotional barriers and professional autonomy.
Journal of Educational Computing Research, 61(4), 815-842.
https://doi.org/10.1177/07356331221142431
Buckingham Shum, S., & Luckin, R. (2022). Learning analytics and AI: Politics, ethics and
pedagogy. Teaching in Higher Education, 27(8), 1-15.
https://doi.org/10.1080/13562517.2022.2118354
Chatfield, A. T., & Reddick, C. G. (2023). Confianza, ética y transparencia en la adopción de
inteligencia artificial por académicos universitarios. Government Information Quarterly,
40(1), 101-118. https://doi.org/10.1016/j.giq.2022.101764
Chiu, T. K. F., Moorhouse, B. L., Chai, C. S., & Yun, D. (2023). Teacher confidence and
motivation in AI-integrated classrooms: A structural equation modeling approach.
Computers & Education, 194, 104680. https://doi.org/10.1016/j.compedu.2022.104680
Cotino Hueso, L. (2022). Marcos legales y éticos para la inteligencia artificial en la docencia
universitaria: Evitando la "caja negra" en la evaluación. Revista de Derecho y Tecnología,
18(2), 45-67. https://doi.org/10.14201/redeti.28654
Dignum, V. (2021). Responsibility and AI: Ethical and legal considerations for higher education.
Ethics and Information Technology, 23(1), 1-10. https://doi.org/10.1007/s10676-020-
09551-x
Elgohary, E., & Eltekriti, R. (2023). Modelos predictivos de aprendizaje automático para gestión
estratégica. Journal of Strategic Management in Education, 15(3), 202-220.
García-Peñalvo, F. J. (2023). La percepción docente de la inteligencia artificial generativa en el
contexto universitario. Education in the Knowledge Society (EKS), 24, e31405.
https://doi.org/10.14201/eks.31405
Gil-García, J. R., Gasco-Hernandez, M., & Pardo, T. A. (2022). Trazabilidad y eficiencia: El
impacto de la IA en el rastreo de procesos administrativos. Public Management Review,
24(8), 1250-1272. https://doi.org/10.1080/14719037.2021.1883096
González, A., & Rivas, J. (2022). Inteligencia artificial y asistentes virtuales en la educación a
distancia: Reducción de la carga laboral y personalización del aprendizaje. Revista
Iberoamericana de Educación Superior, 13(37), 45-62.
https://doi.org/10.22201/iisue.20072872e.2022.37.1302
Heredia, M., & Sánchez, L. (2022). Desafíos éticos de la tecnología en el aula universitaria: Un
Vol. 13/ Núm. 1 2026 pág. 1076
reporte local. Editorial Universitaria.
Janssen, M., & Voort, H. (2021). Gobernanza adaptativa y supervisión inteligente: Reducción de
errores operativos. Information Polity, 26(2), 155-173. https://doi.org/10.3233/IP-200250
Martínez, R., García, P., & López, S. (2023). La inteligencia artificial generativa en la evaluación
universitaria: De la prohibición al rediseño pedagógico. Revista de Educación a Distancia
(RED), 23(74), 1-22. https://doi.org/10.6018/red.553931
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., et al.
(2021). The PRISMA 2020 statement: An updated guideline for reporting systematic
reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71
Selwyn, N. (2022). The future of AI in education: Critical perspectives on automation and human
labor. Routledge. https://doi.org/10.4324/9781003184744
Siemens, G. (2021). The ethics of machine learning in academic environments: Establishing the
rules of the game. Complex Systems Press.
Sun, T. Q., & Medaglia, R. (2023). Gestión operativa y capacidad de respuesta docente ante la IA
generativa. Computers in Human Behavior, 141, 107124.
https://doi.org/10.1016/j.chb.2022.107438
UNESCO. (2023). Inteligencia artificial y educación superior: Guía de respuesta rápida para
administradores y catedráticos. UNESCO.
Valle-Cruz, D., Lopez-Caudana, E., & Sandoval-Almazan, R. (2020). Modelos predictivos y
reducción de tiempos de respuesta en trámites digitales mediante IA. International
Journal of Public Sector Management, 33(4), 415-432. https://doi.org/10.1108/IJPSM-08-
2019-0215
Vera, F., Torres, M., & Silva, R. (2023). Automatización y mediación pedagógica: El impacto de
la IA en la reducción de tareas rutinarias. Tecnología, Ciencia y Educación, 25, 89-108.
Williamson, B., & Eynon, R. (2021). Historical threads, edtech systems, and the digital university.
Learning, Media and Technology, 46(3), 223-235.
https://doi.org/10.1080/17439884.2021.1916560
Wirtz, B. W., Weyerer, J. C., & Geyer, C. (2023). Soporte a la decisión y eficiencia administrativa
mediante el uso de bases empíricas masivas. Public Administration, 101(1), 210-230.
https://doi.org/10.1111/padm.12822
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2021). Systematic review of
research on artificial intelligence applications in higher education: Where are the
educators? International Journal of Educational Technology in Higher Education, 16(39).
https://doi.org/10.1186/s41239-019-0171-0
Zuiderwijk, A., Chen, Y. C., & Salem, F. (2021). Gobernanza algorítmica y equipos
multidisciplinarios: Percepciones de directivos académicos. Government Information
Quarterly, 38(2), 101-125. https://doi.org/10.1016/j.giq.2021.101554
reporte local. Editorial Universitaria.
Janssen, M., & Voort, H. (2021). Gobernanza adaptativa y supervisión inteligente: Reducción de
errores operativos. Information Polity, 26(2), 155-173. https://doi.org/10.3233/IP-200250
Martínez, R., García, P., & López, S. (2023). La inteligencia artificial generativa en la evaluación
universitaria: De la prohibición al rediseño pedagógico. Revista de Educación a Distancia
(RED), 23(74), 1-22. https://doi.org/10.6018/red.553931
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., et al.
(2021). The PRISMA 2020 statement: An updated guideline for reporting systematic
reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71
Selwyn, N. (2022). The future of AI in education: Critical perspectives on automation and human
labor. Routledge. https://doi.org/10.4324/9781003184744
Siemens, G. (2021). The ethics of machine learning in academic environments: Establishing the
rules of the game. Complex Systems Press.
Sun, T. Q., & Medaglia, R. (2023). Gestión operativa y capacidad de respuesta docente ante la IA
generativa. Computers in Human Behavior, 141, 107124.
https://doi.org/10.1016/j.chb.2022.107438
UNESCO. (2023). Inteligencia artificial y educación superior: Guía de respuesta rápida para
administradores y catedráticos. UNESCO.
Valle-Cruz, D., Lopez-Caudana, E., & Sandoval-Almazan, R. (2020). Modelos predictivos y
reducción de tiempos de respuesta en trámites digitales mediante IA. International
Journal of Public Sector Management, 33(4), 415-432. https://doi.org/10.1108/IJPSM-08-
2019-0215
Vera, F., Torres, M., & Silva, R. (2023). Automatización y mediación pedagógica: El impacto de
la IA en la reducción de tareas rutinarias. Tecnología, Ciencia y Educación, 25, 89-108.
Williamson, B., & Eynon, R. (2021). Historical threads, edtech systems, and the digital university.
Learning, Media and Technology, 46(3), 223-235.
https://doi.org/10.1080/17439884.2021.1916560
Wirtz, B. W., Weyerer, J. C., & Geyer, C. (2023). Soporte a la decisión y eficiencia administrativa
mediante el uso de bases empíricas masivas. Public Administration, 101(1), 210-230.
https://doi.org/10.1111/padm.12822
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2021). Systematic review of
research on artificial intelligence applications in higher education: Where are the
educators? International Journal of Educational Technology in Higher Education, 16(39).
https://doi.org/10.1186/s41239-019-0171-0
Zuiderwijk, A., Chen, Y. C., & Salem, F. (2021). Gobernanza algorítmica y equipos
multidisciplinarios: Percepciones de directivos académicos. Government Information
Quarterly, 38(2), 101-125. https://doi.org/10.1016/j.giq.2021.101554