Revista Científica Enfoques del Conocimiento | V.03 | N.02 | Abr–Jun | 2026 | https://revistacec.blez.edu.ec pág. 43
Evaluación auténtica y ética académica ante
inteligencia artificial generativa en educación
superior
Authentic assessment and academic integrity in the context of
generative artificial intelligence in higher education
Cangas-Cadena, Alejandra Lucía
1
Piedra-Castro, Wilson Iván
2
https://orcid.org/0009-0000-7914-3845
https://orcid.org/0000-002-9565-9961
acangas07@gmail.com
wipiedra@uce.edu.ec
Panamá, Panamá Universidad Metropolitana de
Ciencia y Tecnología de Panamá.
Panamá, Panamá, Universidad de Panamá.
Sánchez-Simbaña, Silvia Elena
3
https://orcid.org/0009-0008-9372-4273
sesanchezs@uce.edu.ec
Panamá, Panamá, Universidad de Panamá.
Autor de correspondencia
1
DOI / URL: https://doi.org/10.55813/gaea/revistacec/v3/n2/4
Resumen: La inteligencia artificial generativa ha modificado
las condiciones de producción, revisión y evaluación del
conocimiento en la educación superior, generando tensiones
entre el uso legítimo de herramientas digitales, la autoría
responsable y la integridad académica. Este artículo tuvo
como objetivo analizar críticamente la relación entre
evaluación auténtica y ética académica ante la incorporación
de inteligencia artificial generativa en los procesos formativos
universitarios. Se desarrolló una revisión bibliográfica de
alcance exploratorio, con diseño documental, no experimental
y transversal, basada en artículos científicos, revisiones, guías
institucionales y documentos académicos recientes sobre
evaluación, integridad, transparencia y uso educativo de estas
tecnologías. Los resultados evidencian que la evaluación
auténtica no puede limitarse a productos finales ni a tareas
contextualizadas, pues requiere incorporar evidencias de
proceso, razonamiento verificable, juicio disciplinar, defensa
de decisiones y declaración transparente del uso de
inteligencia artificial. Asimismo, se identificó que los
detectores automáticos presentan limitaciones para verificar
autoría y no deben constituir prueba única de mala conducta
académica. Se concluye que la inteligencia artificial generativa
no invalida la evaluación auténtica, sino que exige modelos
más procesuales, éticos, trazables y centrados en la
responsabilidad intelectual del estudiante.
Palabras clave: evaluación auténtica; ética académica;
inteligencia artificial generativa; educación superior; integridad
académica.
Artículo Científico
Received: 21/Mar/2026
Accepted: 17/Abr/2026
Published: 14/May/2026
Cita: Cangas-Cadena, A. L., Piedra-Castro, W.
I., & Sánchez-Simbaña, S. E. (2026).
Evaluación auténtica y ética académica ante
inteligencia artificial generativa en educación
superior. Revista Científica Enfoques Del
Conocimiento, 3(2), 43-
57. https://doi.org/10.55813/gaea/revistacec/v
3/n2/4
Revista Científica Enfoques del Conocimiento
(RCEC)
https://www.blez.edu.ec
https://revistacec.blez.edu.ec
revistacec@blez.edu.ec
© 2026. Este artículo es un documento de
acceso abierto distribuido bajo los términos y
condiciones de la Licencia Creative
Commons, Atribución-NoComercial 4.0
Internacional.
Revista Científica Enfoques del Conocimiento | V.03 | N.02 | Abr–Jun | 2026 | https://revistacec.blez.edu.ec pág. 44
Artículo Científico
Abstract:
Generative artificial intelligence has transformed the conditions under which
knowledge is produced, reviewed, and assessed in higher education, creating tensions
between the legitimate use of digital tools, responsible authorship, and academic
integrity. This article aimed to critically analyze the relationship between authentic
assessment and academic ethics in response to the incorporation of generative
artificial intelligence into university learning processes. An exploratory literature review
was conducted through a documentary, non-experimental, and cross-sectional design,
based on recent scientific articles, reviews, institutional guidelines, and academic
documents related to assessment, integrity, transparency, and the educational use of
these technologies. The results show that authentic assessment cannot be limited to
final products or contextualized tasks, as it requires the incorporation of process-based
evidence, verifiable reasoning, disciplinary judgment, defense of decisions, and
transparent disclosure of artificial intelligence use. Likewise, automatic detection tools
were found to have limitations in verifying authorship and should not be considered the
sole evidence of academic misconduct. It is concluded that generative artificial
intelligence does not invalidate authentic assessment but requires more process-
oriented, ethical, traceable, and intellectually responsible assessment models.
Keywords: authentic assessment; academic ethics; generative artificial intelligence;
higher education; academic integrity.
1. Introducción
La inteligencia artificial generativa se ha incorporado con rapidez a la educación
superior y ha modificado las condiciones bajo las cuales estudiantes, docentes e
instituciones producen, revisan y evalúan conocimiento (Ilvis-Vacacela et al., 2025).
En este escenario, la evaluación auténtica adquiere centralidad porque promete
valorar desempeños vinculados con problemas reales, pero también queda
tensionada cuando las herramientas generativas producen textos, argumentos y
soluciones plausibles en pocos segundos (Chan & Hu, 2023; Cotton et al., 2024).
El problema no se reduce al uso indebido de ChatGPT u otros sistemas, sino a la
dificultad de distinguir con justicia entre aprendizaje propio, apoyo tecnológico legítimo
y sustitución del esfuerzo intelectual (Toscano-Quispe et al., 2025). Por ello, la ética
académica ya no puede entenderse solo como prevención del plagio, sino como un
marco de transparencia, autoría, responsabilidad y criterios institucionales claros para
el uso declarado de IA generativa (Perkins, 2023; Sullivan et al., 2023).
Asimismo, la evaluación auténtica tampoco constituye una solución automática frente
a la deshonestidad académica. Estudios recientes muestran que las tareas
contextualizadas, profesionales o aplicadas pueden seguir siendo vulnerables cuando
Revista Científica Enfoques del Conocimiento | V.03 | N.02 | Abr–Jun | 2026 | https://revistacec.blez.edu.ec pág. 45
Artículo Científico
el producto final es principalmente escrito y asincrónico; incluso, evaluadores
experimentados pueden no identificar con fiabilidad intervenciones de IA generativa
en trabajos académicos (Kofinas et al., 2025; Ajjawi et al., 2024).
Entre los factores que intensifican el problema se encuentran la accesibilidad
permanente de estas herramientas, su capacidad para generar respuestas
coherentes, la baja eficacia de los detectores automatizados, las diferencias de
alfabetización digital entre estudiantes y la falta de políticas institucionales
homogéneas (Torres-Roberto & Solano-Camargo, 2025). Si estas condiciones no se
abordan, pueden debilitar la validez de las calificaciones, aumentar falsas
acusaciones, ampliar inequidades y erosionar la confianza social en las credenciales
universitarias (Bittle & El-Gayar, 2025; UNESCO, 2023).
La literatura reciente coincide en que la respuesta universitaria no debería limitarse a
prohibiciones o vigilancia, porque la IA generativa también puede apoyar la escritura,
la retroalimentación, la exploración de ideas y la personalización del aprendizaje
(Flores-Robles et al., 2025). Sin embargo, estos beneficios exigen reglas explícitas,
alfabetización en IA, protección de datos, evaluación de sesgos y diseños que valoren
procesos, decisiones, justificaciones y desempeños situados, no solo productos
finales (European Commission, 2022; Bearman et al., 2023).
En consecuencia, se justifica una revisión bibliográfica que articule evaluación
auténtica y ética académica como dimensiones interdependientes del aseguramiento
de la calidad educativa (Jiménez-Tuza, 2025). Su valor teórico radica en ordenar
conceptos dispersos sobre autenticidad, autoría, transparencia y agencia estudiantil;
su relevancia social consiste en orientar prácticas evaluativas más justas; y su utilidad
metodológica se expresa en ofrecer criterios para analizar literatura reciente de forma
sistemática (Snyder, 2019; Page et al., 2021).
La viabilidad de este artículo se sustenta en la disponibilidad de investigaciones
empíricas, revisiones sistemáticas, guías internacionales y documentos institucionales
publicados en los últimos años sobre IA generativa, integridad académica y rediseño
de la evaluación (Montalvo-Vergara et al., 2025). Al tratarse de una revisión
bibliográfica, el estudio puede desarrollarse sin intervención directa sobre
participantes, siempre que se expliciten criterios de búsqueda, selección, análisis y
síntesis de fuentes (Snyder, 2019; Bittle & El-Gayar, 2025).
Por tanto, el objetivo general de este artículo es analizar críticamente la relación entre
evaluación auténtica y ética académica ante la inteligencia artificial generativa en
educación superior (Mendoza-Armijos et al., 2023). De manera específica, se propone
describir los principales riesgos y oportunidades de la IA generativa, comparar
enfoques recientes de evaluación auténtica, identificar principios éticos aplicables al
uso académico de estas herramientas y proponer líneas de rediseño evaluativo
orientadas a la transparencia, la equidad y la evidencia de aprendizaje (Cotton et al.,
2024; Kofinas et al., 2025).
Revista Científica Enfoques del Conocimiento | V.03 | N.02 | Abr–Jun | 2026 | https://revistacec.blez.edu.ec pág. 46
Artículo Científico
La contribución esperada consiste en ofrecer una síntesis argumentada que supere la
oposición simplista entre prohibir o permitir la IA generativa (Salazar-Alcivar et al.,
2025). La originalidad del trabajo reside en conectar la brecha entre integridad
académica, autenticidad evaluativa y alfabetización ética en IA, mostrando que la
pregunta central ya no es solo si el estudiante usó una herramienta, sino qué evidencia
permite sostener que aprendió, decidió y actuó responsablemente (Ajjawi et al., 2024;
Perkins, 2023).
2. Materiales y métodos
El presente artículo se desarrolló como una revisión bibliográfica de alcance
exploratorio, orientada a examinar la producción académica reciente sobre evaluación
auténtica, ética académica e inteligencia artificial generativa en educación superior
(Alcivar-Cordova et al., 2025). Esta elección metodológica respondió a la necesidad
de organizar un campo de discusión emergente, todavía caracterizado por conceptos
en consolidación, enfoques institucionales heterogéneos y debates abiertos sobre
autoría, transparencia, integridad y validez evaluativa.
De manera coherente con dicho propósito, la revisión adoptó un diseño documental,
no experimental y transversal, ya que el análisis se concentró en fuentes académicas
e institucionales publicadas en un periodo determinado, sin intervención directa sobre
participantes ni manipulación de variables (Ayala-Chavez et al., 2025). El abordaje fue
analítico-sintético, porque permitió descomponer los aportes de la literatura en
categorías temáticas y, posteriormente, integrarlos en una interpretación crítica sobre
los desafíos que plantea la inteligencia artificial generativa para la evaluación
universitaria.
La unidad de análisis estuvo conformada por artículos científicos, revisiones
bibliográficas, revisiones sistemáticas, documentos de orientación académica y guías
institucionales relacionadas con el uso de inteligencia artificial generativa en
educación superior. Se priorizaron publicaciones recientes, preferentemente emitidas
entre 2017 y 2026, con énfasis en aquellas divulgadas en revistas revisadas por pares
o por organismos académicos reconocidos, debido a la rápida evolución técnica,
pedagógica y normativa del fenómeno estudiado (Fuentes-Rendón et al., 2025).
La búsqueda bibliográfica se planteó mediante combinaciones de descriptores en
español e inglés, tales como “evaluación auténtica”, “ética académica”, “integridad
académica”, “inteligencia artificial generativa”, “educación superior”, “ChatGPT”,
“authentic assessment”, “academic integrity”, “generative artificial intelligence” y
“higher education”. Estas expresiones se articularon con operadores booleanos para
ampliar o restringir los resultados, procurando recuperar literatura pertinente para
comprender tanto los riesgos de deshonestidad como las posibilidades de rediseño
evaluativo.
Revista Científica Enfoques del Conocimiento | V.03 | N.02 | Abr–Jun | 2026 | https://revistacec.blez.edu.ec pág. 47
Artículo Científico
Los criterios de inclusión consideraron documentos que abordaran explícitamente la
relación entre inteligencia artificial generativa, evaluación del aprendizaje, integridad
académica, alfabetización digital o políticas educativas universitarias. En contraste, se
excluyeron textos centrados exclusivamente en aspectos técnicos de programación,
inteligencia artificial aplicada fuera del ámbito educativo, opiniones sin respaldo
académico, publicaciones duplicadas y documentos cuya fecha o contenido no
permitiera verificar su pertinencia frente al problema de investigación.
El proceso de selección se organizó en tres momentos sucesivos: identificación de
fuentes potenciales, lectura de títulos y resúmenes, y revisión completa de los
documentos considerados relevantes. Durante esta etapa se valoró la
correspondencia entre cada fuente y los objetivos del artículo, así como la claridad
metodológica, actualidad, consistencia argumentativa y contribución al debate sobre
evaluación auténtica y ética académica ante herramientas generativas.
Para el análisis de la información se empleó una matriz de extracción bibliográfica que
permitió registrar autoría, año, tipo de documento, contexto de estudio, propósito,
principales hallazgos, recomendaciones y limitaciones. A partir de esta organización
se construyeron categorías de síntesis relacionadas con riesgos para la integridad
académica, límites de los detectores automatizados, rediseño de tareas auténticas,
transparencia en el uso de IA, responsabilidad estudiantil y criterios éticos para la
evaluación.
Finalmente, al tratarse de una revisión bibliográfica, el estudio no implicó contacto con
participantes humanos ni recolección de datos personales. Las consideraciones éticas
se centraron en el uso responsable de las fuentes, la fidelidad interpretativa, la
atribución adecuada de ideas, la prevención del plagio y la presentación equilibrada
de posturas divergentes. De este modo, la metodología buscó garantizar una síntesis
rigurosa, actual y útil para orientar futuras investigaciones y decisiones pedagógicas
en educación superior.
3. Resultados
3.1. Transformación de la evaluación auténtica ante la inteligencia artificial
generativa en educación superior
3.1.1. Tensión entre uso legítimo de IA generativa e integridad académica
La inteligencia artificial generativa ha reconfigurado el núcleo de la integridad
académica porque introduce una zona ambigua entre asistencia tecnológica legítima,
mediación cognitiva y sustitución indebida del trabajo intelectual. En este escenario,
el dilema no consiste únicamente en determinar si el estudiante utilizó una
herramienta, sino en esclarecer si dicho uso fue declarado, pertinente, proporcional y
coherente con los resultados de aprendizaje previstos. Por ello, la integridad
académica debe desplazarse desde una concepción restringida del plagio hacia una
Revista Científica Enfoques del Conocimiento | V.03 | N.02 | Abr–Jun | 2026 | https://revistacec.blez.edu.ec pág. 48
Artículo Científico
comprensión más amplia de autoría, responsabilidad epistémica y transparencia en la
producción del conocimiento (Perkins, 2023; UNESCO, 2023).
Esta tensión se vuelve especialmente compleja porque la IA generativa puede cumplir
funciones pedagógicamente aceptables: apoyar la lluvia de ideas, mejorar la claridad
lingüística, ofrecer retroalimentación inicial, traducir textos o ayudar a organizar
información. Sin embargo, esas mismas capacidades pueden convertirse en
mecanismos de simulación académica cuando el estudiante delega la argumentación,
la selección de evidencias o la toma de decisiones disciplinares. En consecuencia, el
uso ético no depende de la herramienta en sí, sino del grado de agencia humana, del
nivel de intervención algorítmica y de la forma en que esa intervención se comunica
al docente (Chan & Hu, 2023; Perkins, 2023).
Desde una perspectiva institucional, la ausencia de criterios homogéneos produce
incertidumbre tanto para estudiantes como para profesores, pues una misma práctica
puede ser interpretada como apoyo legítimo en una asignatura y como infracción en
otra. Esta indeterminación erosiona la equidad evaluativa, ya que quienes conocen
mejor las herramientas o dominan mejor los códigos académicos pueden obtener
ventajas no transparentes. Por tanto, la integridad académica en la era de la IA
requiere políticas explícitas, pedagógicamente justificadas y actualizables, capaces
de distinguir entre aprendizaje asistido, producción híbrida y fraude académico (Bittle
& El-Gayar, 2025; Lodge, 2024).
3.1.2. Necesidad de rediseñar la evaluación auténtica en contextos mediados
por IA
La evaluación auténtica, tradicionalmente valorada por aproximar las tareas
académicas a situaciones profesionales, ya no puede sostenerse únicamente en la
contextualización de una consigna o en la elaboración de productos aplicados. La IA
generativa ha demostrado que un informe, ensayo, estudio de caso o propuesta
profesional puede ser producido con una apariencia de solvencia formal sin que exista,
necesariamente, comprensión profunda por parte del estudiante. Por ello, la
autenticidad debe pasar de la simple imitación de prácticas reales a la construcción
de evidencias verificables de razonamiento, juicio disciplinar y toma de decisiones
situada (Ajjawi et al., 2024; Bearman et al., 2023).
La evaluación educativa auténtica exige superar la simple comprobación de
respuestas correctas para centrarse en la calidad del proceso cognitivo, la pertinencia
disciplinar y la capacidad del estudiante para actuar en contextos reales o verosímiles.
En este sentido, la imagen sintetiza tres componentes clave de la autenticidad
evaluativa: el razonamiento verificable, que permite evidenciar la lógica y profundidad
del pensamiento; el juicio disciplinar, orientado a la aplicación rigurosa de saberes
propios de la materia; y la toma de decisiones situada, vinculada con la resolución de
problemas en escenarios contextualizados. Estos elementos permiten comprender
que una evaluación auténtica no solo mide conocimientos, sino que valora cómo el
estudiante analiza, argumenta y decide frente a situaciones complejas.
Revista Científica Enfoques del Conocimiento | V.03 | N.02 | Abr–Jun | 2026 | https://revistacec.blez.edu.ec pág. 49
Artículo Científico
Figura 1
Componentes Clave de la Autenticidad en la Evaluación Educativa
Nota: (Autores, 2026).
El rediseño de la evaluación auténtica exige abandonar la confianza exclusiva en
productos finales y avanzar hacia arquitecturas evaluativas más densas, secuenciales
y trazables. Esto implica incorporar entregas parciales, bitácoras de proceso, análisis
de fuentes, defensa oral, resolución situada de problemas, reflexión metacognitiva y
explicación de los criterios usados para aceptar, modificar o descartar aportes
generados por IA. De este modo, la tarea deja de valorar solo el resultado visible y
comienza a examinar la trayectoria intelectual que condujo a dicho resultado
(Bearman et al., 2023; Lodge et al., 2023).
Además, el rediseño no debe entenderse como una reacción defensiva frente al
engaño, sino como una oportunidad para actualizar lo que la universidad considera
aprendizaje valioso. Si la IA puede producir respuestas correctas, resumir literatura o
formular textos coherentes, entonces la evaluación debe priorizar capacidades menos
delegables: formular problemas relevantes, justificar decisiones, valorar la calidad de
las fuentes, identificar sesgos, contextualizar soluciones y argumentar con criterio
propio. En consecuencia, la evaluación auténtica adquiere mayor rigor cuando integra
la IA como condición del entorno profesional contemporáneo, no como anomalía
externa al currículo (Lodge et al., 2023; UNESCO, 2023).
3.1.3. Limitaciones de los detectores automáticos para verificar autoría
Los detectores automáticos de texto generado por IA no ofrecen una base
suficientemente sólida para decidir, por sí solos, si un estudiante incurrió en mala
conducta académica. La evidencia disponible muestra que estas herramientas
presentan errores de clasificación, sensibilidad frente a paráfrasis, variaciones según
Revista Científica Enfoques del Conocimiento | V.03 | N.02 | Abr–Jun | 2026 | https://revistacec.blez.edu.ec pág. 50
Artículo Científico
el modelo lingüístico utilizado y dificultades para reconocer textos híbridos,
especialmente cuando hay edición humana posterior. Por ello, un porcentaje de
“probabilidad de IA” no debe confundirse con una prueba concluyente de autoría ni
con evidencia suficiente para una sanción académica (Weber-Wulff et al., 2023;
Lodge, 2024).
La dependencia excesiva de detectores también instala una cultura evaluativa basada
en la sospecha, donde el vínculo pedagógico se desplaza desde la confianza
razonada hacia la vigilancia tecnológica. Este desplazamiento es problemático porque
puede generar falsas acusaciones, afectar de manera desproporcionada a estudiantes
que escriben en una segunda lengua o que utilizan estilos lingüísticos estandarizados,
y debilitar la legitimidad de los procesos disciplinarios. En lugar de convertir la
detección en eje de la integridad, las instituciones deberían utilizarla, como máximo,
como señal preliminar dentro de procedimientos más amplios y garantistas (Dawson,
2021; Weber-Wulff et al., 2023).
La limitación más profunda de los detectores es conceptual: intentan resolver
técnicamente un problema que es, en esencia, pedagógico, ético e institucional. En
un ecosistema de escritura cada vez más híbrido, donde intervienen correctores
gramaticales, traductores, asistentes de estilo, motores de búsqueda y modelos
generativos, la pregunta relevante ya no es si un texto contiene huellas algorítmicas,
sino si el estudiante puede demostrar comprensión, control intelectual y
responsabilidad sobre lo entregado. En este sentido, la solución más robusta consiste
en diseñar evaluaciones que hagan visible el aprendizaje, no solo en perseguir rastros
de automatización (Lodge, 2024; Perkins, 2023).
3.1.4. Paso de una ética académica punitiva a una ética formativa y transparente
La ética académica ante la IA generativa requiere superar el enfoque meramente
punitivo, porque las prohibiciones genéricas suelen ser insuficientes frente a
tecnologías ubicuas, cambiantes y difíciles de detectar. Una cultura de integridad
madura no se limita a castigar infracciones, sino que enseña a los estudiantes a
reconocer límites, declarar apoyos, justificar decisiones y comprender por qué ciertas
prácticas afectan la confiabilidad del aprendizaje. En esta línea, valores como
honestidad, confianza, justicia, respeto, responsabilidad y valentía deben traducirse
en criterios operativos para el uso académico de IA (International Center for Academic
Integrity, 2021; Perkins, 2023).
El tránsito hacia una ética formativa implica que las instituciones deben enseñar
explícitamente qué significa usar IA de manera responsable en cada disciplina y en
cada tipo de tarea. No basta con afirmar que “se permite” o “se prohíbe” su uso; es
necesario especificar niveles de intervención, formas de declaración, límites de
dependencia y consecuencias evaluativas. Marcos como la AI Assessment Scale
resultan útiles porque permiten graduar el uso de IA desde escenarios sin asistencia
hasta tareas donde la herramienta forma parte deliberada del proceso, siempre que
se preserve la centralidad del juicio humano (Perkins et al., 2024; Furze et al., 2024).
Revista Científica Enfoques del Conocimiento | V.03 | N.02 | Abr–Jun | 2026 | https://revistacec.blez.edu.ec pág. 51
Artículo Científico
La transparencia, en este marco, no debe ser concebida como una confesión de
culpabilidad, sino como una práctica académica de trazabilidad intelectual. Cuando el
estudiante declara qué herramienta utilizó, con qué propósito, qué fragmentos
modificó, qué sugerencias rechazó y qué criterios empleó para validar la información,
la evaluación gana densidad interpretativa. Así, el docente no solo juzga el producto
final, sino también la capacidad del estudiante para gobernar críticamente la
tecnología y responder por la calidad epistémica de su trabajo (Furze et al., 2024;
UNESCO, 2023).
3.1.5. Valoración de procesos, decisiones y justificaciones como evidencia real
de aprendizaje
En contextos mediados por IA generativa, la evidencia real de aprendizaje debe
buscarse en los procesos de elaboración, las decisiones justificadas y la capacidad
del estudiante para explicar la lógica de su trabajo. Un producto formalmente
impecable puede ocultar dependencia tecnológica, mientras que un proceso
documentado permite observar comprensión, revisión crítica, selección argumentada
de fuentes y dominio progresivo del problema. Por ello, la evaluación auténtica debe
integrar evidencias intermedias que permitan reconstruir cómo se pensó, cómo se
decidió y cómo se transformó una respuesta inicial en un producto académico
defendible (Bearman et al., 2023; Lodge, 2024).
La valoración de procesos puede materializarse mediante portafolios, diarios de
aprendizaje, registros de prompts, borradores comentados, matrices de decisión,
defensas orales, entrevistas breves o ejercicios de contraste entre respuestas
humanas y respuestas generadas por IA. Estas estrategias no pretenden burocratizar
la evaluación, sino desplazar el foco hacia la agencia cognitiva del estudiante. En
consecuencia, una tarea auténtica no es aquella que simplemente reproduce una
situación profesional, sino aquella que permite observar cómo el estudiante interpreta
la situación, selecciona recursos, enfrenta incertidumbre y asume responsabilidad por
sus decisiones (Ajjawi et al., 2024; Lodge et al., 2023).
Este enfoque también fortalece la equidad, porque reduce la ventaja de quienes usan
IA de forma opaca y ofrece a todos los estudiantes reglas claras para aprender con
tecnología sin abdicar de su responsabilidad intelectual. Asimismo, permite que el
docente distinga entre un uso instrumental y superficial de la IA y una apropiación
crítica orientada al aprendizaje. En suma, la transformación de la evaluación auténtica
no consiste en blindar artificialmente las tareas contra la IA, sino en diseñar
experiencias donde el estudiante deba demostrar comprensión, deliberación, criterio
y autoría responsable (Chan & Hu, 2023; Furze et al., 2024).
4. Discusión
Los resultados de esta revisión permiten afirmar que la inteligencia artificial generativa
ha alterado el modo en que la educación superior comprende la autoría, la evidencia
Revista Científica Enfoques del Conocimiento | V.03 | N.02 | Abr–Jun | 2026 | https://revistacec.blez.edu.ec pág. 52
Artículo Científico
de aprendizaje y la integridad académica. El problema no se limita a que el
estudiantado utilice herramientas capaces de producir textos académicos, sino a que
dichas herramientas desestabilizan la relación tradicional entre producto entregado y
aprendizaje efectivamente construido. Por ello, la discusión debe desplazarse desde
la simple detección del uso de IA hacia la comprensión de la agencia intelectual, la
transparencia y la responsabilidad académica (Perkins, 2023; Cotton et al., 2024).
En este sentido, la IA generativa introduce una tensión decisiva entre apoyo legítimo
y sustitución indebida del trabajo cognitivo. Puede funcionar como mediadora del
aprendizaje cuando se emplea para explorar ideas, mejorar la escritura, contrastar
argumentos o recibir retroalimentación inicial; sin embargo, se convierte en un riesgo
ético cuando reemplaza la deliberación, la comprensión disciplinar o la toma de
decisiones del estudiante. En consecuencia, la integridad académica ya no puede
definirse únicamente como ausencia de plagio, sino como capacidad de declarar,
justificar y responsabilizarse por el uso de recursos tecnológicos (Chan & Hu, 2023;
UNESCO, 2023).
Asimismo, la evaluación auténtica aparece como una respuesta necesaria, aunque
insuficiente si se mantiene anclada en la valoración exclusiva del producto final. La
literatura revisada muestra que una tarea situada, profesionalizante o contextualizada
puede conservar apariencia de autenticidad y, al mismo tiempo, ser resuelta
parcialmente mediante IA sin que el estudiante demuestre dominio profundo. Por
tanto, la autenticidad evaluativa debe comprenderse menos como semejanza con el
mundo laboral y más como posibilidad de observar razonamiento, juicio, toma de
decisiones y apropiación crítica del proceso (Bearman et al., 2023; Ajjawi et al., 2024).
Esta constatación obliga a rediseñar la evaluación universitaria desde una lógica más
procesual, dialógica y verificable. En lugar de confiar en entregas únicas, las
asignaturas deberían incorporar borradores, bitácoras, defensas orales, registros de
prompts, análisis de fuentes, reflexión metacognitiva y justificación de decisiones.
Dichas evidencias permiten reconstruir la trayectoria intelectual del estudiante y
reducen la posibilidad de que un resultado formalmente correcto oculte dependencia
tecnológica, ausencia de comprensión o delegación indebida del trabajo académico
(Bearman et al., 2023; Furze et al., 2024).
Por otra parte, los detectores automáticos de IA no ofrecen una solución concluyente
al problema de la autoría. Su principal limitación consiste en que producen
probabilidades, no pruebas definitivas, y su rendimiento se ve afectado por textos
editados, traducidos, parafraseados o híbridos. Por ello, utilizar estas herramientas
como fundamento exclusivo de una acusación académica puede generar injusticias,
deteriorar la confianza institucional y convertir la evaluación en un ejercicio de
vigilancia antes que en una práctica formativa (Weber-Wulff et al., 2023; Dawson,
2021).
De modo complementario, la dependencia excesiva de sistemas de detección revela
una comprensión limitada del problema, porque intenta resolver técnicamente una
Revista Científica Enfoques del Conocimiento | V.03 | N.02 | Abr–Jun | 2026 | https://revistacec.blez.edu.ec pág. 53
Artículo Científico
cuestión que también es pedagógica, ética y curricular. En un contexto donde la
escritura académica puede estar mediada por correctores, traductores, asistentes de
estilo y modelos generativos, lo relevante no es solo identificar huellas algorítmicas,
sino comprobar si el estudiante comprende, decide, evalúa y responde por lo que
entrega. Así, la evaluación debe orientarse a hacer visible el aprendizaje antes que a
perseguir únicamente rastros de automatización (Perkins, 2023; Weber-Wulff et al.,
2023).
La discusión también evidencia la necesidad de transitar desde una ética académica
predominantemente punitiva hacia una ética formativa, transparente y
corresponsable. Las sanciones son necesarias cuando existe fraude deliberado, pero
resultan insuficientes si no se acompañan de alfabetización en IA, reglas explícitas y
criterios diferenciados según los objetivos de aprendizaje. En consecuencia, la
universidad debe enseñar qué usos son aceptables, cuáles deben declararse, cuáles
son incompatibles con una tarea y cómo se evalúa la contribución humana en
producciones mediadas por IA (UNESCO, 2023; Perkins et al., 2024).
En esta línea, marcos como la AI Assessment Scale resultan pertinentes porque
permiten graduar el uso de IA de acuerdo con la naturaleza de la actividad evaluativa.
Su valor no reside en normalizar acríticamente la tecnología, sino en ofrecer un
lenguaje común para que docentes y estudiantes distingan entre prohibición,
asistencia limitada, colaboración controlada y uso ampliado de herramientas
generativas. De este modo, la transparencia deja de ser una confesión disciplinaria y
se convierte en una práctica de trazabilidad intelectual (Perkins et al., 2024; Furze et
al., 2024).
A partir de lo anterior, la evidencia real de aprendizaje debe situarse en los procesos,
las decisiones y las justificaciones que acompañan la producción académica (Andino-
Jaramillo & Palacios-Soledispa, 2023). Un texto impecable no garantiza comprensión,
mientras que una secuencia documentada de decisiones permite observar cómo el
estudiante formuló problemas, seleccionó fuentes, contrastó información, corrigió
errores y evaluó los límites de la IA. Por ello, el proceso no debe verse como accesorio
del producto, sino como núcleo evaluativo para valorar juicio crítico, metacognición y
responsabilidad epistémica (Ajjawi et al., 2024; Bearman et al., 2023).
En síntesis, la IA generativa no invalida la evaluación auténtica, pero sí obliga a
sofisticarla. La respuesta más sólida no consiste en blindar artificialmente las tareas,
regresar de manera acrítica a exámenes tradicionales o confiar en detectores
automáticos, sino en diseñar experiencias evaluativas donde el estudiante deba
demostrar comprensión, deliberación, transferencia y control intelectual sobre sus
producciones. Así, la evaluación auténtica se fortalece cuando articula tecnología,
ética y pedagogía en torno a evidencias múltiples de aprendizaje responsable (Chan
& Hu, 2023; UNESCO, 2023).
La principal contribución de esta discusión radica en proponer una lectura integradora:
la integridad académica y la evaluación auténtica no deben abordarse como
Revista Científica Enfoques del Conocimiento | V.03 | N.02 | Abr–Jun | 2026 | https://revistacec.blez.edu.ec pág. 54
Artículo Científico
dimensiones separadas, sino como componentes interdependientes de la calidad
educativa en la era de la IA generativa (Torres-Roberto, 2024). Mientras la integridad
aporta criterios de honestidad, transparencia y responsabilidad, la evaluación
auténtica ofrece condiciones para observar desempeños significativos y procesos
intelectuales verificables (Puyol-Cortez & Mina-Bone, 2022). En consecuencia, el
desafío contemporáneo no es eliminar la IA del aula universitaria, sino impedir que
sustituya aquello que la universidad debe formar: criterio, juicio, comprensión y
responsabilidad intelectual (Perkins, 2023; Ajjawi et al., 2024).
5. Conclusiones
La inteligencia artificial generativa ha transformado las condiciones tradicionales de la
evaluación en educación superior, especialmente porque debilita la correspondencia
automática entre producto entregado y aprendizaje demostrado. En este escenario, la
integridad académica ya no puede reducirse a detectar plagio o sancionar usos no
autorizados, sino que debe comprenderse como una práctica sostenida en
transparencia, autoría responsable y juicio ético frente al uso de herramientas
digitales.
La evaluación auténtica continúa siendo una vía pertinente para valorar aprendizajes
significativos, pero requiere ser rediseñada para responder a contextos mediados por
IA. Su eficacia depende de que no se limite a tareas contextualizadas o productos
finales, sino que incorpore evidencias de proceso, defensa de decisiones, reflexión
crítica y demostración progresiva del razonamiento estudiantil.
Los detectores automáticos de IA no constituyen una solución suficiente para
garantizar la autoría académica, debido a sus márgenes de error, falsos positivos y
dificultades para identificar textos híbridos. Por ello, su uso debe ser prudente,
complementario y subordinado a procedimientos pedagógicos más amplios, donde el
docente valore evidencias múltiples antes de emitir juicios sobre una posible falta
académica.
El abordaje institucional más adecuado no consiste en prohibir de manera absoluta la
IA generativa, sino en construir una ética académica formativa, explícita y compartida.
Esto implica enseñar al estudiante a declarar el uso de estas herramientas, reconocer
sus límites, evaluar críticamente sus respuestas y asumir responsabilidad sobre el
conocimiento que presenta como propio.
En síntesis, la principal conclusión de esta revisión es que la IA generativa no elimina
la evaluación auténtica, sino que la obliga a evolucionar hacia modelos más
sofisticados, procesuales y transparentes. La calidad evaluativa dependerá de la
capacidad institucional para valorar no solo resultados, sino también procesos,
decisiones y justificaciones que evidencien comprensión, criterio disciplinar y
responsabilidad intelectual.
Revista Científica Enfoques del Conocimiento | V.03 | N.02 | Abr–Jun | 2026 | https://revistacec.blez.edu.ec pág. 55
Artículo Científico
CONFLICTO DE INTERESES
“Los autores declaran no tener ningún conflicto de intereses”.
Referencias Bibliográficas
Ajjawi, R., Tai, J., Dollinger, M., Dawson, P., Boud, D., & Bearman, M. (2024). From
authentic assessment to authenticity in assessment: Broadening perspectives.
Assessment & Evaluation in Higher Education, 49(4), 499–510.
https://doi.org/10.1080/02602938.2023.2271193
Alcivar-Cordova, D. M., Saavedra-Calberto, I. M., Ayala-Chavez, N. E., Pazmiño-
Sarriá, M. E., & Ordoñez-Loor, I. I. (2025). Desigualdades educativas y
estrategias de inclusión en bachillerato en entornos socioeconómicos diversos.
Revista Científica Ciencia Y Método, 3(1), 84-98.
https://doi.org/10.55813/gaea/rcym/v3/n1/55
Alvear-Diaz, O. L., Caicedo-Villamarin, S. D., Chuquimarca-Llulluna, M. M., Quishpe-
Quishpe, M. D. C., & Pico-Cantos, V. O. (2025). Tecnologías digitales en la
educación inicial: Percepciones docentes y su aplicación en el aprendizaje de
lectoescritura. Revista Científica Ciencia Y Método, 3(3), 309-321.
https://doi.org/10.55813/gaea/rcym/v3/n3/78
Andino-Jaramillo, R. A., & Palacios-Soledispa, D. L. (2023). Investigación para la
aplicación de una estrategia de mejoramiento del clima laboral en una unidad
educativa. Journal of Economic and Social Science Research, 3(3), 52–75.
https://doi.org/10.55813/gaea/jessr/v3/n3/73
Ayala-Chavez, N. E., Lino-Garces, C. J., Zambrano-Zambrano, F. M. A., & Gonzalez-
Segovia, L. A. (2025). Percepciones estudiantiles sobre la educación virtual
implementada en el nivel secundario. Revista Científica Ciencia Y Método, 3(2),
88-101. https://doi.org/10.55813/gaea/rcym/v3/n2/57
Bearman, M., Nieminen, J. H., & Ajjawi, R. (2023). Designing assessment in a digital
world: An organising framework. Assessment & Evaluation in Higher Education,
48(3), 291–304. https://doi.org/10.1080/02602938.2022.2069674
Bittle, K., & El-Gayar, O. (2025). Generative AI and academic integrity in higher
education: A systematic review and research agenda. Information, 16(4), 296.
https://doi.org/10.3390/info16040296
Chan, C. K. Y., & Hu, W. (2023). Students’ voices on generative AI: Perceptions,
benefits, and challenges in higher education. International Journal of
Educational Technology in Higher Education, 20, Article 43.
https://doi.org/10.1186/s41239-023-00411-8
Cotton, D. R. E., Cotton, P. A., & Shipway, J. R. (2024). Chatting and cheating:
Ensuring academic integrity in the era of ChatGPT. Innovations in Education
and Teaching International, 61(2), 228–239.
https://doi.org/10.1080/14703297.2023.2190148
Revista Científica Enfoques del Conocimiento | V.03 | N.02 | Abr–Jun | 2026 | https://revistacec.blez.edu.ec pág. 56
Artículo Científico
Dawson, P. (2021). Defending assessment security in a digital world: Preventing e-
cheating and supporting academic integrity in higher education. Routledge.
https://doi.org/10.4324/9780429324178
European Commission. (2022). Ethical guidelines on the use of artificial intelligence
and data in teaching and learning for educators. Publications Office of the
European Union.
Flores-Robles, A. E., Silva-Carrillo, A. G., Maliza-Muñoz, W. F., & Reyes-Zambrano,
G. X. (2025). Educaplay para la mejora de la comprensión lectora en
estudiantes de quinto grado de primaria. Revista Científica Zambos, 4(2), 21-
37. https://doi.org/10.69484/rcz/v4/n2/106
Fuentes-Rendón, M. K., Cervantes-García, V. A., Macías-Véliz, J. N., & Morales-
Intriago, F. L. (2025). Innovación metodológica en el aula: estrategias activas
para promover aprendizajes significativos en la educación básica. Revista
Científica Ciencia Y Método, 3(3), 83-93.
https://doi.org/10.55813/gaea/rcym/v3/n3/65
Furze, L., Perkins, M., Roe, J., & MacVaugh, J. (2024). The AI Assessment Scale
(AIAS) in action: A pilot implementation of GenAI-supported assessment.
Australasian Journal of Educational Technology, 40(4), 38–55.
https://doi.org/10.14742/ajet.9434
Ilvis-Vacacela, J. M., Guaita-Lagua, Z. C., & Yuquilema-Cachipud, M. A. (2025). El
impacto de herramientas digitales en el aprendizaje de la lengua Kichwa:
experiencia innovadora de enseñanza virtual. Journal of Economic and Social
Science Research, 5(1), 93–106. https://doi.org/10.55813/gaea/jessr/v5/n1/156
International Center for Academic Integrity. (2021). The fundamental values of
academic integrity (3rd ed.).
Jiménez-Tuza, S. B. (2025). Uso de la inteligencia artificial en la dirección de centros
educativos. Revista Científica Zambos, 4(1), 191-204.
https://doi.org/10.69484/rcz/v4/n1/86
Kofinas, A. K., Tsay, C.-H., & Pike, D. (2025). The impact of generative AI on academic
integrity of authentic assessments within a higher education context. British
Journal of Educational Technology, 00, 1–28. https://doi.org/10.1111/bjet.13585
Lodge, J. M. (2024). The evolving risk to academic integrity posed by generative
artificial intelligence: Options for immediate action. Tertiary Education Quality
and Standards Agency.
Lodge, J. M., Howard, S., Bearman, M., Dawson, P., & Associates. (2023).
Assessment reform for the age of artificial intelligence. Tertiary Education
Quality and Standards Agency.
Mendoza-Armijos, H. E., Rivadeneira-Moreira, J. C., Carvajal-Jumbo, A. V., &
Saavedra-Calberto, I. M. (2023). Análisis de la relación entre el uso de
dispositivos digitales y el rendimiento académico en matemáticas. Revista
Científica Ciencia Y Método, 1(2), 43-57.
https://doi.org/10.55813/gaea/rcym/v1/n2/14
Revista Científica Enfoques del Conocimiento | V.03 | N.02 | Abr–Jun | 2026 | https://revistacec.blez.edu.ec pág. 57
Artículo Científico
Montalvo-Vergara, M. S., Salazar-Vergara, L. del C., Maliza-Muñoz, W. F., & Tapia-
Bastidas, T. (2025). Uso de la tecnología asistiva en la enseñanza de niños con
autismo. Revista Científica Zambos, 4(2), 38-53.
https://doi.org/10.69484/rcz/v4/n2/107
Nuñez-Espin, R. A. (2025). Implementación de una guía de formador de formadores
para una educación personalizada, fundamentada en la teoría de las
inteligencias múltiples. Revista Científica Zambos, 4(1), 166-177.
https://doi.org/10.69484/rcz/v4/n1/84
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
Perkins, M. (2023). Academic integrity considerations of AI Large Language Models in
the post-pandemic era: ChatGPT and beyond. Journal of University Teaching &
Learning Practice, 20(2). https://doi.org/10.53761/1.20.02.07
Puyol-Cortez, J. L., & Mina-Bone, S. G. (2022). Explorando el liderazgo de los
profesores en la educación superior: un enfoque en la UTELVT Santo
Domingo. Journal of Economic and Social Science Research, 2(2), 16–28.
https://doi.org/10.55813/gaea/jessr/v2/n2/49
Salazar-Alcivar, A. N., Alcivar-Córdova, D. M., Montaño-Villa, J. J., Salazar-Alcivar, L.
E., & Yaulema-Torres, G. M. (2025). Rol del liderazgo educativo en la
implementación de políticas inclusivas en instituciones escolares. Revista
Científica Ciencia Y Método, 3(1), 57-71.
https://doi.org/10.55813/gaea/rcym/v3/n1/36
Snyder, H. (2019). Literature review as a research methodology: An overview and
guidelines. Journal of Business Research, 104, 333–339.
https://doi.org/10.1016/j.jbusres.2019.07.039
Torres-Roberto, M. A. (2024). Evaluación Formativa Continua en la Enseñanza y
aprendizaje del Cálculo: Mejorando el Rendimiento Académico en Estudiantes
de Educación Profesional. Journal of Economic and Social Science
Research, 4(2), 93–113. https://doi.org/10.55813/gaea/jessr/v4/n2/104
Torres-Roberto, M. A., & Solano-Camargo, S. P. (2025). La baja natalidad en
Colombia y su impacto en la educación pública y privada. Revista Científica
Zambos, 4(2), 240-264. https://doi.org/10.69484/rcz/v4/n2/120
Toscano-Quispe, S. Y. ., Borja-Bazurto, I. N., Lata-Jiménez, C. M., & Ayavaca-Apolo,
M. F. (2025). Estrategias para la sostenibilidad de proyectos educativos en
zonas rurales de la Amazonia ecuatoriana. Journal of Economic and Social
Science Research, 5(2), 87-100. https://doi.org/10.55813/gaea/jessr/v5/n2/190
UNESCO. (2023). Guidance for generative AI in education and research. United
Nations Educational, Scientific and Cultural Organization.
Weber-Wulff, D., Anohina-Naumeca, A., Bjelobaba, S., Foltýnek, T., Guerrero-Dib, J.,
Popoola, O., Šigut, P., & Waddington, L. (2023). Testing of detection tools for
AI-generated text. International Journal for Educational Integrity, 19, Article 26.
https://doi.org/10.1007/s40979-023-00146-z