Revista Científica Enfoques del Conocimiento | V.01 | N.01 | Ene–Mar | 2024 | https://revistacec.blez.edu.ec pág. 1
Percepciones, usos y desafíos pedagógicos del uso
de la Inteligencia artificial y rendimiento académico
en estudiantes de educación superior
Perceptions, practices, and pedagogical challenges related to the
use of artificial intelligence and academic performance among
higher education students
Alquinga-Collaguazo, Nidia Caridad
1
Andino-Jaramillo, Ramiro Andrés
2
https://orcid.org/0009-0001-1444-9437
https://orcid.org/0000-0001-8547-8780
caridadalquinga@gmail.com
ramiro.andino@educacion.gob.ec
Reino Unido, Londres, Solent University Partnership,
Ecuador, Santo Domingo, Unidad Educativa Vician
Luzuriaga Vásquez.
Guerrero-Bermúdez, Ángel Enrique
3
https://orcid.org/0009-0008-4667-8307
angelg-b@hotmail.com
Ecuador, Portoviejo, OM Editorial.
Autor de correspondencia
1
DOI / URL: https://doi.org/10.55813/gaea/revistacec/v1/n1/7
Resumen: El uso de la inteligencia artificial en la educación superior
constituye una transformación pedagógica que incide en las formas
de estudiar, producir textos, recibir retroalimentación, evaluar
aprendizajes y comprender el rendimiento académico. El objetivo del
estudio fue analizar críticamente la literatura científica sobre
percepciones, usos y desafíos pedagógicos asociados con la
inteligencia artificial, así como su relación con el desempeño
académico de estudiantes universitarios. Se desarrolló una revisión
bibliográfica exploratoria, de enfoque cualitativo y diseño documental,
mediante la selección de artículos científicos, revisiones y
documentos académicos publicados preferentemente entre 2017 y
2025, organizados a través de una matriz de análisis y sintetizados
narrativamente por categorías temáticas. Los resultados evidencian
percepciones estudiantiles favorables pero ambivalentes, usos
frecuentes orientados a búsqueda de información, síntesis,
redacción, traducción, explicación de contenidos y preparación de
evaluaciones, además de beneficios vinculados con personalización,
retroalimentación inmediata y autorregulación. No obstante, también
se identifican riesgos como dependencia tecnológica, debilitamiento
del esfuerzo cognitivo, desinformación, afectación de la integridad
académica y distorsión del rendimiento. Se concluye que la
inteligencia artificial puede fortalecer el aprendizaje cuando existe
mediación docente, alfabetización crítica, evaluación auténtica y
regulación institucional.
Palabras clave: inteligencia artificial; educación superior;
rendimiento académico; integridad académica; alfabetización digital.
Artículo Científico
Received: 10/Nov/2023
Accepted: 12/Dic/2023
Published: 11/Ene/2024
Cita: Alquinga-Collaguazo, N. C., Andino-
Jaramillo, R. A., & Guerrero-Bermúdez, Ángel
E. (2024). Percepciones, usos y desafíos
pedagógicos del uso de la Inteligencia artificial
y rendimiento académico en estudiantes de
educación superior. Revista Científica
Enfoques Del Conocimiento, 1(1), 1-
18. https://doi.org/10.55813/gaea/revistacec/v
1/n1/7
Revista Científica Enfoques del Conocimiento
(RCEC)
https://www.blez.edu.ec
https://revistacec.blez.edu.ec
revistacec@blez.edu.ec
© 2024. 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.01 | N.01 | Ene–Mar | 2024 | https://revistacec.blez.edu.ec pág. 2
Artículo Científico
Enero – Marzo 2024
Abstract:
Abstract: The use of artificial intelligence in higher education represents a pedagogical
transformation that influences the ways students study, produce texts, receive
feedback, demonstrate learning, and understand academic performance. The
objective of this study was to critically analyze the scientific literature on perceptions,
uses, and pedagogical challenges associated with artificial intelligence, as well as its
relationship with the academic performance of university students. An exploratory
bibliographic review was conducted with a qualitative approach and documentary
design, based on the selection of scientific articles, reviews, and academic documents
published preferably between 2017 and 2025. The information was organized through
a documentary analysis matrix and synthesized narratively according to thematic
categories. The results show favorable but ambivalent student perceptions, frequent
uses related to information search, synthesis, writing, translation, content explanation,
and assessment preparation, as well as benefits linked to personalization, immediate
feedback, and self-regulation. However, risks such as technological dependence,
weakening of cognitive effort, misinformation, threats to academic integrity, and
distortion of academic performance were also identified. It is concluded that artificial
intelligence can strengthen learning when supported by teaching mediation, critical
literacy, authentic assessment, and institutional regulation.
Keywords: artificial intelligence; higher education; academic performance; academic
integrity; digital literacy.
1. Introducción
La inteligencia artificial (IA) se ha instalado en la educación superior como un
fenómeno pedagógico, tecnológico y cultural que modifica las formas de estudiar,
producir textos, resolver tareas, recibir retroalimentación y demostrar aprendizaje. En
este escenario, el problema no se limita a la disponibilidad de herramientas como
ChatGPT, sino a la tensión entre su uso académico creciente y la limitada
comprensión institucional sobre sus efectos en el rendimiento académico, la
autonomía intelectual y la evaluación universitaria. La literatura advierte que la IA abre
posibilidades para personalizar apoyos, automatizar retroalimentación y ampliar el
acceso a recursos; sin embargo, también exige revisar cómo aprenden los estudiantes
y cómo enseñan las instituciones (Popenici & Kerr, 2017; Crompton & Burke, 2023).
En este contexto, las percepciones estudiantiles se vuelven un componente central
del problema, porque condicionan la aceptación, la frecuencia de uso y el tipo de
interacción académica con la IA. Estudios recientes muestran que los estudiantes
suelen reconocer beneficios asociados con apoyo personalizado, generación de
ideas, escritura, síntesis de información y asistencia para investigar; no obstante,
también expresan preocupaciones sobre exactitud, privacidad, ética, dependencia y
Revista Científica Enfoques del Conocimiento | V.01 | N.01 | Ene–Mar | 2024 | https://revistacec.blez.edu.ec pág. 3
Artículo Científico
Enero – Marzo 2024
desarrollo de competencias propias (Chan & Hu, 2023; Tlili et al., 2023). A su vez, la
aceptación de estas herramientas no depende solo de su utilidad percibida, sino
también del hábito, la expectativa de rendimiento, la motivación hedónica y las
condiciones facilitadoras del entorno universitario (Strzelecki, 2024).
Las afectaciones pedagógicas del uso no regulado o acrítico de la IA son
especialmente relevantes cuando se relacionan con el rendimiento académico. Por
una parte, el uso estratégico puede apoyar la comprensión de contenidos, la revisión
de borradores y la organización del estudio; por otra, la sobredependencia puede
reducir el esfuerzo cognitivo, favorecer la procrastinación, debilitar la memoria
funcional y afectar negativamente el desempeño medido por calificaciones o
resultados académicos (Abbas et al., 2024). Asimismo, la IA tensiona la integridad
académica, porque puede operar como apoyo legítimo o como medio de sustitución
indebida del trabajo intelectual, lo que obliga a distinguir entre asistencia formativa,
plagio, automatización acrítica y autoría responsable (Moya et al., 2024; UNESCO,
2023).
Aunque la investigación sobre IA en educación superior ha crecido con rapidez,
persisten vacíos importantes para una revisión bibliográfica centrada en percepciones,
usos, desafíos pedagógicos y rendimiento académico. Las revisiones previas señalan
que aún falta integrar con mayor solidez las perspectivas pedagógicas, éticas y
teóricas, así como diferenciar los efectos según disciplina, tipo de tarea, grado de
alfabetización en IA y nivel de acompañamiento docente (Zawacki-Richter et al., 2019;
Bond et al., 2024). Además, la evidencia empírica sobre el uso estudiantil de ChatGPT
sigue siendo emergente y heterogénea, por lo que resulta necesario sintetizar
tendencias, inconsistencias y riesgos sin asumir que toda adopción tecnológica
produce automáticamente mejores aprendizajes (Dikilitaş et al., 2024).
La justificación de este artículo radica en que una revisión bibliográfica puede ordenar
un campo acelerado, disperso y atravesado por controversias éticas, pedagógicas e
institucionales. Su relevancia social se vincula con la necesidad de orientar prácticas
responsables que no amplíen brechas de acceso ni sustituyan el pensamiento crítico;
su valor teórico consiste en articular percepciones, usos y rendimiento académico
como dimensiones interdependientes; y su utilidad metodológica reside en ofrecer una
síntesis crítica que sirva para futuras investigaciones empíricas, diseños curriculares
y políticas universitarias. La viabilidad del estudio se sostiene en la amplia
disponibilidad de literatura científica reciente, guías internacionales y revisiones
sistemáticas accesibles para análisis documental, siempre que se privilegien criterios
de calidad, trazabilidad y pertinencia ética (UNESCO, 2023; Bond et al., 2024).
Por consiguiente, el objetivo general de este artículo es analizar críticamente la
literatura científica sobre percepciones, usos y desafíos pedagógicos del uso de la
inteligencia artificial y su relación con el rendimiento académico en estudiantes de
educación superior. De manera específica, se propone describir las percepciones
estudiantiles frente a la IA, caracterizar sus principales usos académicos, examinar
Revista Científica Enfoques del Conocimiento | V.01 | N.01 | Ene–Mar | 2024 | https://revistacec.blez.edu.ec pág. 4
Artículo Científico
Enero – Marzo 2024
los desafíos pedagógicos asociados con evaluación, integridad y autonomía, y valorar
la evidencia disponible sobre su incidencia en el rendimiento académico. Con ello, la
contribución esperada consiste en ofrecer una lectura integrada que supere enfoques
reducidos al entusiasmo tecnológico o al riesgo de fraude, mostrando que la
originalidad del estudio reside en conectar adopción, mediación pedagógica y
desempeño académico como un mismo problema formativo (Chan, 2023; Zawacki-
Richter et al., 2019).
2. Materiales y métodos
Los Se desarrolló una revisión bibliográfica exploratoria, de enfoque cualitativo y
diseño documental, orientada a reconocer tendencias, vacíos y relaciones
conceptuales entre las percepciones, los usos, los desafíos pedagógicos de la
inteligencia artificial y el rendimiento académico en estudiantes de educación superior.
La elección de este tipo de revisión respondió al carácter emergente y heterogéneo
del campo, en el cual conviven investigaciones empíricas, revisiones, marcos
normativos y discusiones pedagógicas aún no suficientemente integradas. En
consecuencia, el estudio no buscó comprobar efectos causales ni realizar
metaanálisis, sino organizar críticamente la evidencia disponible para delimitar
categorías de análisis, identificar controversias y proponer líneas de comprensión para
futuras investigaciones educativas.
Para ampliar la recuperación de literatura pertinente, se combinaron descriptores en
español e inglés mediante operadores booleanos, entre ellos “inteligencia artificial”,
“IA generativa”, “ChatGPT”, “educación superior”, “estudiantes universitarios”,
“rendimiento académico”, “percepciones”, “usos académicos” y “desafíos
pedagógicos”. Asimismo, se aplicó búsqueda por referencias cruzadas en los estudios
más relevantes, con el fin de localizar trabajos vinculados que no aparecieran en la
primera exploración bibliográfica.
Los criterios de inclusión consideraron artículos científicos, revisiones bibliográficas o
sistemáticas, estudios empíricos y documentos académicos publicados
preferentemente entre 2017 y 2025, en español o inglés, cuyo contenido abordara el
uso de inteligencia artificial en educación superior y su relación con procesos de
aprendizaje, evaluación, desempeño académico, integridad académica o prácticas
pedagógicas. Se excluyeron publicaciones duplicadas, textos sin acceso al contenido
completo, opiniones sin sustento metodológico, investigaciones centradas
exclusivamente en educación básica o media y estudios técnicos sobre algoritmos que
no desarrollaran implicaciones educativas. La selección se realizó mediante lectura
de título, resumen y texto completo, registrando los motivos de exclusión para
fortalecer la transparencia del proceso.
La información seleccionada se organizó en una matriz de análisis documental que
incluyó autoría, año, país o región, tipo de estudio, población o unidad de análisis,
Revista Científica Enfoques del Conocimiento | V.01 | N.01 | Ene–Mar | 2024 | https://revistacec.blez.edu.ec pág. 5
Artículo Científico
Enero – Marzo 2024
herramienta de inteligencia artificial examinada, principales percepciones
estudiantiles, usos académicos reportados, desafíos pedagógicos identificados y
hallazgos asociados con el rendimiento académico. Posteriormente, se aplicó una
síntesis narrativa de orientación temática, articulando categorías deductivas derivadas
del título del estudio con categorías emergentes identificadas durante la lectura crítica.
Este procedimiento permitió comparar coincidencias, tensiones e inconsistencias
entre los documentos revisados, sin reducir la interpretación a frecuencias descriptivas
ni a una lectura meramente acumulativa de antecedentes.
Para resguardar la calidad del proceso, se priorizó literatura revisada por pares,
fuentes académicas reconocidas y documentos institucionales con relevancia directa
para la educación superior. La revisión no implicó intervención con participantes
humanos ni recolección de datos personales, por lo que sus consideraciones éticas
se centraron en el uso responsable de fuentes, la fidelidad interpretativa, la citación
adecuada y la prevención de sesgos de selección. Como limitación metodológica, el
carácter exploratorio de la revisión impide afirmar exhaustividad absoluta; sin
embargo, su valor reside en ofrecer una primera organización crítica del campo, útil
para investigaciones posteriores de alcance sistemático, correlacional o empírico.
3. Resultados
3.1. Tendencias de la literatura sobre inteligencia artificial y rendimiento
académico en educación superior
La literatura especializada evidencia que la inteligencia artificial en educación superior
ha pasado de ser una promesa asociada a la automatización educativa a convertirse
en un eje de reorganización pedagógica, evaluativa e institucional. Las revisiones más
influyentes señalan que las aplicaciones de IA abarcan tutoría inteligente, evaluación
automatizada, analítica del aprendizaje, predicción del desempeño, sistemas
adaptativos y, más recientemente, herramientas generativas capaces de producir
textos, resolver problemas, simular diálogos y asistir procesos de escritura académica
(Zawacki-Richter et al., 2019; Crompton & Burke, 2023). Por ello, el rendimiento
académico no puede leerse únicamente como una calificación, sino como una
construcción situada en la que intervienen la agencia estudiantil, la mediación
docente, la alfabetización digital, la integridad académica y la calidad de las tareas
evaluativas (Bond et al., 2024).
3.1.1. Percepciones estudiantiles frente a la inteligencia artificial
Las percepciones estudiantiles frente a la inteligencia artificial se caracterizan por una
ambivalencia productiva: los estudiantes reconocen su utilidad inmediata, pero
también identifican riesgos que comprometen la autonomía intelectual y la legitimidad
de los aprendizajes. En el estudio de Chan y Hu (2023), realizado con estudiantes
universitarios de pregrado y posgrado, se observó una actitud generalmente favorable
hacia la IA generativa, especialmente por su capacidad para apoyar la escritura, la
Revista Científica Enfoques del Conocimiento | V.01 | N.01 | Ene–Mar | 2024 | https://revistacec.blez.edu.ec pág. 6
Artículo Científico
Enero – Marzo 2024
lluvia de ideas, la búsqueda de información y la comprensión de contenidos complejos.
Sin embargo, esta valoración positiva no equivale a una aceptación incondicional,
pues los estudiantes también manifiestan inquietudes sobre la precisión de las
respuestas, la privacidad de los datos, la dependencia cognitiva y la posibilidad de
incurrir en prácticas académicamente cuestionables (Chan & Hu, 2023).
En términos interpretativos, esta percepción ambivalente muestra que la IA no es
asumida por los estudiantes como una tecnología neutral, sino como una herramienta
que puede potenciar o empobrecer el aprendizaje según el modo en que sea
incorporada. Cuando se usa como apoyo para formular preguntas, comparar
explicaciones o revisar argumentos, la IA tiende a ser percibida como un recurso
formativo; en cambio, cuando se utiliza para reemplazar la lectura, la escritura o la
resolución autónoma de tareas, aparece como una amenaza para el desarrollo de
competencias superiores (Kasneci et al., 2023). Esta distinción es relevante porque
las percepciones no solo describen actitudes, sino que anticipan comportamientos de
uso, niveles de confianza y formas de apropiación académica (Chan & Hu, 2023;
Kasneci et al., 2023).
Asimismo, la aceptación estudiantil de herramientas como ChatGPT parece depender
de una constelación de factores que excede la simple disponibilidad tecnológica.
Strzelecki (2024), desde una extensión de la teoría unificada de aceptación y uso de
tecnología, muestra que variables como expectativa de rendimiento, hábito,
motivación hedónica, facilidad percibida y condiciones facilitadoras influyen en la
disposición de los estudiantes para usar ChatGPT en educación superior. En
consecuencia, la percepción favorable no surge solo porque la herramienta sea
novedosa, sino porque promete eficiencia académica, reducción de carga cognitiva y
apoyo inmediato frente a exigencias universitarias crecientes (Strzelecki, 2024).
Desde una lectura crítica, estas percepciones revelan una tensión entre utilidad y
legitimidad. El estudiante puede considerar que la IA mejora su productividad, pero al
mismo tiempo dudar de si su empleo es aceptable, ético o compatible con las
expectativas docentes. Esa incertidumbre se intensifica cuando las universidades
carecen de orientaciones explícitas sobre usos permitidos, formas de declaración,
límites de autoría y criterios de evaluación. Por tanto, la percepción estudiantil no debe
interpretarse solo como entusiasmo tecnológico, sino como una respuesta adaptativa
a un entorno académico que aún negocia qué significa aprender, producir y demostrar
conocimiento en presencia de sistemas generativos (UNESCO, 2023; Chan & Hu,
2023).
3.1.2. Usos académicos más frecuentes de la IA
Los usos académicos más frecuentes de la IA en educación superior se concentran
en actividades de apoyo cognitivo y producción textual: búsqueda de información,
síntesis de lecturas, generación de ideas, traducción, paráfrasis, corrección
gramatical, explicación de conceptos, elaboración de esquemas, preparación de
evaluaciones y redacción preliminar de trabajos. La revisión de Crompton y Burke
Revista Científica Enfoques del Conocimiento | V.01 | N.01 | Ene–Mar | 2024 | https://revistacec.blez.edu.ec pág. 7
Artículo Científico
Enero – Marzo 2024
(2023), basada en literatura sobre IA en educación superior entre 2016 y 2022,
muestra que el campo ha crecido con rapidez y que las aplicaciones más recurrentes
se vinculan con aprendizaje personalizado, evaluación, asistencia al estudiante y
analítica educativa. Con la expansión de la IA generativa, estos usos se han
desplazado hacia una interacción conversacional más flexible, en la que el estudiante
dialoga con el sistema para producir, reformular o depurar contenido académico
(Crompton & Burke, 2023; Kasneci et al., 2023).
No obstante, no todos los usos poseen la misma densidad pedagógica. Un uso
superficial se limita a solicitar respuestas acabadas, resúmenes automáticos o textos
listos para entregar; en cambio, un uso formativo implica pedir explicaciones
alternativas, contrastar argumentos, detectar errores, formular contraejemplos,
elaborar preguntas de estudio o revisar críticamente un borrador propio. Esta
diferencia es decisiva porque el valor educativo de la IA no reside en la velocidad con
que genera productos, sino en la calidad de las interacciones que promueve entre
estudiante, conocimiento y tarea académica (Kasneci et al., 2023; Luckin et al., 2016).
Así, la IA puede operar como un andamiaje intelectual o como un mecanismo de
sustitución del esfuerzo, dependiendo de la intencionalidad pedagógica y de la
alfabetización del usuario (Kasneci et al., 2023).
La literatura también identifica usos institucionales y docentes que inciden
indirectamente en el rendimiento académico. Entre ellos se encuentran los sistemas
de predicción de riesgo académico, la retroalimentación automatizada, la generación
de materiales didácticos, la personalización de rutas de aprendizaje, el diseño de
preguntas y la corrección preliminar de respuestas abiertas. Zawacki-Richter et al.
(2019) encontraron que buena parte de la investigación sobre IA en educación
superior se ha desarrollado desde áreas tecnológicas y con menor presencia de
educadores, lo cual explica por qué muchos usos se han enfocado más en eficiencia
y automatización que en fundamentos pedagógicos robustos. Esta brecha sugiere que
la expansión de la IA requiere mayor diálogo entre ciencias de la educación, ética,
didáctica y diseño tecnológico (Zawacki-Richter et al., 2019; Bond et al., 2024).
A nivel estudiantil, la apropiación de la IA suele estar atravesada por necesidades
concretas: comprender rápidamente un tema, superar bloqueos de escritura, preparar
exámenes, mejorar la presentación formal de trabajos o ahorrar tiempo ante múltiples
demandas académicas. Sin embargo, cuando estos usos se naturalizan sin mediación
docente, el estudiante puede confundir ayuda con delegación y eficiencia con
aprendizaje. En este sentido, la literatura insiste en que el uso académico frecuente
de IA debe acompañarse de criterios explícitos de verificación, trazabilidad,
reconocimiento de asistencia algorítmica y reflexión sobre el proceso seguido para
producir un resultado (UNESCO, 2023; Xia et al., 2024).
3.1.3. Beneficios pedagógicos identificados
Los beneficios pedagógicos de la IA se concentran en su capacidad para ampliar
oportunidades de personalización, retroalimentación inmediata y acompañamiento
Revista Científica Enfoques del Conocimiento | V.01 | N.01 | Ene–Mar | 2024 | https://revistacec.blez.edu.ec pág. 8
Artículo Científico
Enero – Marzo 2024
académico continuo. Desde una perspectiva didáctica, los sistemas generativos
pueden adaptar explicaciones a distintos niveles de conocimiento, proponer ejemplos,
reformular contenidos, sugerir rutas de estudio y ofrecer prácticas adicionales sin
depender exclusivamente del tiempo presencial del docente. Kasneci et al. (2023)
destacan que los modelos de lenguaje pueden crear contenido educativo, promover
interacción, apoyar la escritura, facilitar tutorías remotas y personalizar experiencias
de aprendizaje, siempre que su uso esté vinculado con competencias críticas y
supervisión humana.
Un aporte especialmente relevante es la retroalimentación formativa. En contextos
universitarios con grupos numerosos o alta carga docente, la IA puede ofrecer
comentarios preliminares sobre estructura argumentativa, claridad, coherencia, estilo,
errores conceptuales o posibles mejoras. Esta retroalimentación, cuando se usa antes
de la entrega final y no como sustituto de la evaluación docente, puede favorecer ciclos
de revisión más frecuentes y promover mayor conciencia metacognitiva en el
estudiante. En esa línea, Xia et al. (2024) sostienen que la IA generativa está
transformando la evaluación en educación superior, pues obliga a repensar cómo se
diseñan tareas, cómo se evidencia el aprendizaje y cómo se articula la
retroalimentación con la autorregulación (Xia et al., 2024).
Además, la IA puede reducir ciertas barreras de acceso al conocimiento. Estudiantes
con dificultades de escritura, con menor dominio de una segunda lengua, con
necesidades de apoyo adicional o con limitaciones de tiempo pueden encontrar en
estas herramientas una mediación para comprender instrucciones, organizar ideas o
mejorar la comunicabilidad de sus trabajos. Luckin et al. (2016) plantean que la IA
educativa puede contribuir a experiencias de aprendizaje más personalizadas,
flexibles, inclusivas y participativas, siempre que no se conciba como reemplazo del
docente, sino como ampliación de sus posibilidades pedagógicas. Desde esta
perspectiva, la IA no desplaza la enseñanza, sino que exige reconfigurarla hacia
tareas de mayor acompañamiento, interpretación y juicio profesional (Luckin et al.,
2016; Holmes et al., 2019).
Sin embargo, los beneficios no se producen de manera automática ni por simple
exposición a la herramienta. Para que la IA contribuya al aprendizaje, el estudiante
debe saber formular indicaciones precisas, contrastar información, identificar errores,
reconocer sesgos y justificar por qué acepta o rechaza una respuesta. Dicho de otro
modo, la IA favorece el rendimiento académico cuando fortalece operaciones
cognitivas superiores, no cuando las suplanta. Por ello, las revisiones recientes
recomiendan desplazar el énfasis desde la fascinación por la capacidad generativa
hacia la alfabetización en IA, entendida como habilidad para comprender
posibilidades, límites, sesgos y responsabilidades asociadas a su uso (Bond et al.,
2024; UNESCO, 2023).
Revista Científica Enfoques del Conocimiento | V.01 | N.01 | Ene–Mar | 2024 | https://revistacec.blez.edu.ec pág. 9
Artículo Científico
Enero – Marzo 2024
3.1.4. Riesgos y afectaciones del uso inadecuado
Los riesgos del uso inadecuado de la IA se vinculan con la sobredependencia, la
disminución del esfuerzo cognitivo, la desinformación, la reproducción de sesgos, la
pérdida de autoría y la fragilización de la integridad académica. Abbas et al. (2024)
examinaron causas y consecuencias del uso de IA generativa en estudiantes
universitarios y analizaron su relación con procrastinación, memoria y rendimiento
académico. Sus hallazgos sugieren que, en determinadas condiciones de uso
intensivo o poco reflexivo, ChatGPT puede asociarse con mayor procrastinación,
pérdida de memoria y menor desempeño medido mediante promedio académico, lo
que advierte sobre la necesidad de diferenciar uso estratégico de dependencia
tecnológica (Abbas et al., 2024).
Desde el punto de vista pedagógico, el riesgo central no es que el estudiante consulte
una herramienta, sino que externalice procesos intelectuales indispensables para
aprender. Leer, seleccionar información, jerarquizar argumentos, inferir, resolver
problemas, equivocarse, corregir y reelaborar son operaciones que consolidan
conocimiento; si la IA las ejecuta sin participación crítica del estudiante, el producto
puede mejorar formalmente mientras el aprendizaje real se debilita. En este sentido,
la IA puede generar una ilusión de competencia: el estudiante entrega textos más
ordenados o respuestas más sofisticadas, pero no necesariamente desarrolla
comprensión transferible ni dominio conceptual (Kasneci et al., 2023; Abbas et al.,
2024).
Otro riesgo sustantivo es la verosimilitud de respuestas incorrectas. Los modelos
generativos pueden producir afirmaciones coherentes en apariencia, pero imprecisas,
incompletas o fabricadas, especialmente cuando se les solicita información
especializada, referencias bibliográficas o datos recientes. Esta característica afecta
el rendimiento académico porque el estudiante puede incorporar errores difíciles de
detectar si carece de criterios de verificación disciplinar. Por ello, la literatura insiste
en que la alfabetización en IA debe incluir comprobación de fuentes, contraste con
bibliografía académica, reconocimiento de limitaciones del modelo y responsabilidad
del usuario sobre el contenido final (Kasneci et al., 2023; UNESCO, 2023).
La integridad académica representa una afectación especialmente compleja, pues la
IA generativa tensiona los límites tradicionales entre ayuda, edición, coautoría, plagio
y fraude. Cotton et al. (2024) advierten que herramientas como ChatGPT intensifican
los desafíos de honestidad académica en educación superior, ya que permiten
producir textos originales en forma, pero no necesariamente originales en autoría
intelectual. A su vez, Moya et al. (2024) muestran que la relación entre IA e integridad
académica requiere respuestas institucionales basadas en evidencia, no solo
mecanismos punitivos de detección. En consecuencia, el problema no puede
reducirse a “atrapar” estudiantes, sino que exige rediseñar culturas de evaluación,
confianza y responsabilidad académica (Cotton et al., 2024; Moya et al., 2024)
Revista Científica Enfoques del Conocimiento | V.01 | N.01 | Ene–Mar | 2024 | https://revistacec.blez.edu.ec pág. 10
Artículo Científico
Enero – Marzo 2024
3.1.5. Desafíos para docentes e instituciones
Los desafíos para docentes e instituciones son estructurales porque la IA no solo
modifica herramientas disponibles, sino las condiciones mismas bajo las cuales se
enseña, se aprende y se evalúa. Las universidades necesitan definir políticas claras
sobre usos permitidos, usos restringidos, declaración de asistencia algorítmica,
protección de datos, responsabilidad autoral y consecuencias académicas. La
UNESCO (2023) plantea que la IA generativa debe integrarse desde una visión
centrada en lo humano, con regulaciones, desarrollo de capacidades y políticas
institucionales que garanticen que la tecnología beneficie a docentes, estudiantes e
investigadores sin desplazar los fines formativos de la educación (UNESCO, 2023).
En el plano docente, uno de los desafíos más urgentes es el rediseño de las
evaluaciones. Las tareas centradas en respuestas únicas, definiciones genéricas,
ensayos descontextualizados o productos finales sin evidencia de proceso son
altamente vulnerables a la automatización. En cambio, las evaluaciones que exigen
análisis de casos locales, defensa oral, bitácoras de aprendizaje, reflexión
metacognitiva, uso de fuentes verificadas, iteraciones documentadas y resolución
situada de problemas reducen la posibilidad de delegación acrítica. Xia et al. (2024)
sostienen que la IA generativa obliga a repensar la evaluación en educación superior
hacia prácticas más auténticas, autorreguladas y orientadas a competencias de futuro
(Xia et al., 2024).
Asimismo, la formación docente se convierte en una condición indispensable para una
integración pedagógica responsable. No es razonable exigir a los profesores que
regulen, evalúen o incorporen IA sin ofrecerles alfabetización técnica, ética y didáctica.
Bond et al. (2024) señalan que la investigación sobre IA en educación superior
requiere mayor rigor, colaboración interdisciplinaria y atención a la dimensión ética, lo
cual implica que las instituciones deben promover comunidades de práctica, guías
curriculares y espacios de experimentación pedagógica supervisada. En ausencia de
esta formación, la respuesta docente puede oscilar entre prohibiciones poco
sostenibles y usos acríticos que no transforman realmente el aprendizaje (Bond et al.,
2024; Zawacki-Richter et al., 2019).
Otro desafío institucional es la equidad. Aunque la IA suele presentarse como una
herramienta democratizadora, su aprovechamiento depende de conectividad,
dispositivos, dominio lingüístico, alfabetización digital, acceso a versiones avanzadas
y familiaridad con prácticas académicas de alto nivel. Por tanto, una política
universitaria responsable no debe asumir que todos los estudiantes se benefician por
igual, sino identificar brechas de acceso y diseñar apoyos diferenciados. Holmes et al.
(2019) advierten que las promesas de la IA educativa deben examinarse con cautela
para evitar extrapolaciones desmedidas, mientras que UNESCO (2023) insiste en que
la regulación debe preservar inclusión, privacidad y agencia humana (Holmes et al.,
2019; UNESCO, 2023).
Revista Científica Enfoques del Conocimiento | V.01 | N.01 | Ene–Mar | 2024 | https://revistacec.blez.edu.ec pág. 11
Artículo Científico
Enero – Marzo 2024
3.1.6. Relación entre IA y rendimiento académico
La relación entre IA y rendimiento académico es compleja, contextual y no lineal. La
IA puede mejorar el desempeño cuando actúa como tutor complementario, fuente de
retroalimentación, apoyo para organizar ideas, herramienta de práctica o mediación
para comprender contenidos difíciles. Sin embargo, también puede deteriorarlo
cuando se convierte en atajo para evitar lectura, escritura, razonamiento o práctica
deliberada. Por ello, no basta con preguntar si la IA mejora o empeora el rendimiento;
es necesario precisar qué tipo de IA se usa, con qué propósito, bajo qué orientación
docente, en qué disciplina, con qué criterios éticos y con qué instrumentos de
evaluación (Abbas et al., 2024; Crompton & Burke, 2023).
Un aspecto crítico es que el rendimiento académico puede mostrar mejoras aparentes
sin que exista aprendizaje equivalente. Scarfe et al. (2024) realizaron un estudio ciego
en un sistema real de exámenes universitarios y reportaron que una proporción muy
elevada de entregas generadas completamente por IA no fue detectada; además,
esas respuestas obtuvieron resultados competitivos frente a entregas humanas. Este
hallazgo no debe interpretarse como prueba de que la IA “aprende” por el estudiante,
sino como evidencia de que ciertos instrumentos tradicionales de evaluación son
vulnerables y pueden medir calidad superficial del producto más que comprensión
auténtica del sujeto evaluado (Scarfe et al., 2024).
En consecuencia, la IA obliga a distinguir entre rendimiento como resultado visible y
aprendizaje como proceso verificable. Una calificación puede aumentar porque el
estudiante recibió ayuda para mejorar redacción, estructura o presentación; no
obstante, esa mejora solo será formativa si el estudiante comprende las decisiones
tomadas, puede defenderlas, transferirlas y aplicarlas en contextos nuevos. Desde
esta perspectiva, el rendimiento académico significativo requiere evidencia de
apropiación, no solo de producto. La literatura converge en que la mediación docente
y la transparencia del proceso son claves para diferenciar apoyo legítimo de
sustitución indebida (Xia et al., 2024; Moya et al., 2024).
De forma integradora, puede sostenerse que la IA mejora el rendimiento académico
cuando se inserta en diseños pedagógicos que promueven autorregulación,
pensamiento crítico, evaluación auténtica y retroalimentación reflexiva. Por el
contrario, lo afecta negativamente cuando refuerza prácticas de copia, dependencia,
desresponsabilización o consumo pasivo de respuestas. Así, la pregunta relevante no
es si la IA debe incorporarse o prohibirse, sino qué condiciones pedagógicas permiten
que su uso fortalezca el aprendizaje profundo. Esta conclusión coincide con las
revisiones recientes, que reclaman más ética, rigor, colaboración interdisciplinaria y
protagonismo docente en la investigación sobre IA en educación superior (Bond et al.,
2024; Zawacki-Richter et al., 2019).
En síntesis, las tendencias de la literatura muestran que las percepciones, usos,
beneficios, riesgos, desafíos institucionales y efectos sobre el rendimiento académico
forman un entramado interdependiente. La IA no puede analizarse como una
Revista Científica Enfoques del Conocimiento | V.01 | N.01 | Ene–Mar | 2024 | https://revistacec.blez.edu.ec pág. 12
Artículo Científico
Enero – Marzo 2024
herramienta aislada, porque reconfigura simultáneamente la producción académica,
la evaluación, la autoría, la retroalimentación y la relación entre estudiante y
conocimiento. Su contribución dependerá de que las instituciones pasen de
respuestas reactivas a políticas pedagógicas deliberadas, en las que la alfabetización
en IA, la integridad académica y la validez evaluativa sean condiciones permanentes
del aprendizaje universitario (UNESCO, 2023; Xia et al., 2024; Bond et al., 2024).
Discusión
La discusión derivada de la revisión permite sostener que la inteligencia artificial en
educación superior no constituye únicamente una innovación instrumental, sino una
transformación profunda de las ecologías de aprendizaje, evaluación y producción
académica. Los hallazgos revisados muestran que la IA se ha desplazado desde
aplicaciones especializadas —como sistemas tutoriales, analítica del aprendizaje o
predicción del desempeño— hacia herramientas generativas de uso cotidiano,
capaces de intervenir en la escritura, la argumentación, la búsqueda de información y
la resolución de tareas. Esta transición explica por qué el rendimiento académico ya
no puede interpretarse solo como una calificación, sino como un indicador mediado
por nuevas formas de asistencia tecnológica, autonomía estudiantil y regulación
institucional (Bond et al., 2024; Crompton & Burke, 2023; Zawacki-Richter et al., 2019).
En este marco, las percepciones estudiantiles revelan una apropiación ambivalente
de la IA: los estudiantes reconocen su utilidad para comprender contenidos, organizar
ideas, redactar, resumir y recibir apoyo inmediato, pero simultáneamente expresan
reservas sobre exactitud, dependencia, privacidad, autoría e integridad académica.
Esta ambivalencia no debe entenderse como contradicción, sino como una señal de
maduración crítica frente a una tecnología que ofrece eficiencia, pero también
reconfigura los límites entre apoyo legítimo y sustitución indebida del trabajo
intelectual. Por ello, la aceptación estudiantil depende de factores como utilidad
percibida, facilidad de uso, hábito, expectativa de rendimiento y condiciones
institucionales, lo que confirma que la IA se adopta con mayor fuerza cuando el
estudiante la interpreta como recurso de supervivencia académica ante demandas
crecientes de productividad (Chan & Hu, 2023; Strzelecki, 2024).
Respecto de los usos académicos, la revisión evidencia que la IA se emplea con
mayor frecuencia en tareas de apoyo cognitivo y producción textual: búsqueda de
información, explicación de conceptos complejos, generación de esquemas,
traducción, paráfrasis, corrección de estilo, elaboración de borradores y preparación
de evaluaciones. Sin embargo, la discusión central no reside en la frecuencia de uso,
sino en la calidad pedagógica de esa interacción. Un uso formativo exige que el
estudiante interrogue, contraste, verifique y reelabore las respuestas de la IA; en
cambio, un uso meramente sustitutivo reduce el proceso educativo a la obtención de
productos aparentemente correctos, pero epistemológicamente frágiles. Así, la
herramienta puede operar como andamiaje intelectual o como dispositivo de
Revista Científica Enfoques del Conocimiento | V.01 | N.01 | Ene–Mar | 2024 | https://revistacec.blez.edu.ec pág. 13
Artículo Científico
Enero – Marzo 2024
automatización acrítica, dependiendo del grado de mediación docente y de
alfabetización en IA (Kasneci et al., 2023; Xia et al., 2024).
Los beneficios pedagógicos identificados son relevantes, pero deben ser interpretados
con cautela. La IA puede favorecer la personalización del aprendizaje, la
retroalimentación inmediata, la autorregulación, el acceso a explicaciones alternativas
y el acompañamiento fuera del aula; estos aportes resultan especialmente valiosos en
contextos universitarios con grupos numerosos, alta carga docente o estudiantes con
trayectorias académicas heterogéneas. No obstante, tales beneficios no emergen por
la simple presencia de la tecnología, sino por su integración en diseños didácticos
orientados a la comprensión, la metacognición y la transferencia del conocimiento. En
consecuencia, la IA contribuye pedagógicamente cuando amplifica la capacidad de
aprender, no cuando sustituye las operaciones cognitivas que hacen posible el
aprendizaje profundo (Crompton & Burke, 2023; Kasneci et al., 2023; Xia et al., 2024).
Los riesgos del uso inadecuado, por su parte, obligan a problematizar cualquier lectura
celebratoria de la IA. La evidencia advierte que el uso intensivo y poco reflexivo puede
asociarse con procrastinación, debilitamiento de la memoria, dependencia tecnológica
y deterioro del rendimiento académico, especialmente cuando el estudiante delega en
la herramienta actividades que deberían consolidar su comprensión. En ese sentido,
el problema no es consultar una IA, sino externalizar procesos intelectuales esenciales
como leer, comparar fuentes, inferir, argumentar, resolver problemas y revisar
críticamente. Esta posibilidad genera una ilusión de competencia: el estudiante puede
presentar trabajos formalmente superiores sin haber desarrollado proporcionalmente
las capacidades conceptuales, procedimentales y argumentativas que dichos
productos aparentan demostrar (Abbas et al., 2024; Kasneci et al., 2023).
La integridad académica aparece como uno de los puntos más delicados de la
discusión, porque la IA generativa altera las categorías tradicionales de plagio, autoría,
originalidad y fraude. A diferencia del plagio convencional, la producción algorítmica
puede generar textos inéditos que no reproducen literalmente una fuente previa, pero
que tampoco derivan íntegramente del razonamiento del estudiante. Este escenario
vuelve insuficientes las respuestas centradas solo en detección o sanción, pues el
problema es más profundo: muchas evaluaciones universitarias fueron diseñadas
para un ecosistema en el que producir un texto escrito equivalía, de forma
relativamente estable, a evidenciar aprendizaje. Los estudios recientes muestran que
esa equivalencia se ha debilitado, de modo que la discusión debe desplazarse hacia
la transparencia del uso, la responsabilidad autoral y la validez de las evidencias de
aprendizaje (Cotton et al., 2024; Moya et al., 2024; Scarfe et al., 2024).
En consecuencia, los desafíos para docentes e instituciones son estructurales y no
meramente procedimentales. Prohibir la IA de manera general puede resultar poco
sostenible, mientras que permitirla sin criterios puede profundizar prácticas de
dependencia, simulación académica y desigualdad. Las universidades requieren
políticas explícitas sobre usos permitidos, formas de declaración, protección de datos,
Revista Científica Enfoques del Conocimiento | V.01 | N.01 | Ene–Mar | 2024 | https://revistacec.blez.edu.ec pág. 14
Artículo Científico
Enero – Marzo 2024
criterios de autoría, rediseño de evaluaciones y formación en alfabetización en IA.
Asimismo, el profesorado necesita acompañamiento institucional para transformar las
tareas evaluativas hacia formatos menos automatizables y más centrados en proceso,
defensa argumentativa, análisis situado, reflexión metacognitiva y aplicación
contextualizada del conocimiento. Esta reorientación coincide con las
recomendaciones de una gobernanza centrada en lo humano, donde la tecnología se
subordine a los fines formativos de la educación superior (Miao & Holmes, 2023; Xia
et al., 2024).
La relación entre IA y rendimiento académico, por tanto, debe comprenderse como
contingente, mediada y no lineal. La IA puede favorecer el desempeño cuando actúa
como tutor complementario, apoyo metacognitivo, generador de ejemplos, fuente de
retroalimentación preliminar o recurso para organizar el estudio; sin embargo, puede
afectar negativamente el aprendizaje cuando fomenta dependencia, atajos cognitivos
o entrega de productos sin apropiación conceptual. Esta distinción es crucial porque
una mejora en la calificación no siempre equivale a una mejora en el aprendizaje. El
rendimiento académico significativo requiere que el estudiante pueda explicar,
defender, transferir y reconstruir lo producido, mientras que el rendimiento aparente
puede limitarse a resultados formalmente adecuados generados mediante asistencia
no declarada o escasamente comprendida (Abbas et al., 2024; Scarfe et al., 2024; Xia
et al., 2024).
Desde una perspectiva crítica, los hallazgos de esta revisión permiten superar dos
posiciones reduccionistas: el optimismo tecnocéntrico, que presupone que toda
incorporación de IA mejora el aprendizaje, y el rechazo prohibicionista, que interpreta
cualquier uso como amenaza absoluta para la formación universitaria. La evidencia
disponible sugiere una posición intermedia más rigurosa: la IA puede contribuir al
rendimiento académico si se integra mediante alfabetización crítica, criterios éticos,
acompañamiento docente y evaluación auténtica; en ausencia de esas condiciones,
puede reforzar superficialidad, desigualdad y dependencia. Así, la discusión no debe
formularse en términos de presencia o ausencia de IA, sino en torno a las condiciones
pedagógicas, institucionales y éticas que determinan si su uso fortalece o empobrece
la experiencia formativa (Bond et al., 2024; Chan & Hu, 2023; Moya et al., 2024).
Finalmente, el aporte de esta revisión bibliográfica exploratoria consiste en ordenar un
campo emergente y todavía inestable, mostrando que las percepciones, los usos, los
beneficios, los riesgos, los desafíos institucionales y el rendimiento académico forman
un sistema interdependiente. La IA no debe ser analizada como herramienta aislada,
sino como una mediación que reconfigura la relación entre estudiante, conocimiento,
docente, evaluación e institución. En tal sentido, futuras investigaciones deberían
profundizar comparaciones por disciplinas, niveles formativos, tipos de tarea,
modalidades de evaluación y grados de alfabetización en IA, pues solo así será
posible diferenciar entre rendimiento auténtico, asistencia pedagógica legítima y
simulación algorítmica del aprendizaje. Esta discusión reafirma que el desafío central
de la educación superior no es adaptarse acríticamente a la IA, sino gobernarla
Revista Científica Enfoques del Conocimiento | V.01 | N.01 | Ene–Mar | 2024 | https://revistacec.blez.edu.ec pág. 15
Artículo Científico
Enero – Marzo 2024
pedagógicamente para preservar la agencia, la integridad y la calidad del aprendizaje
universitario (Crompton & Burke, 2023; Miao & Holmes, 2023; Zawacki-Richter et al.,
2019).
4. Conclusiones
La revisión bibliográfica realizada permite concluir que la inteligencia artificial se ha
consolidado como una mediación académica de alto impacto en la educación superior,
no solo por su capacidad para automatizar tareas, sino porque modifica las formas en
que los estudiantes buscan información, producen textos, organizan su estudio,
resuelven problemas y evidencian aprendizaje. En este sentido, su presencia en la
universidad no puede interpretarse como un fenómeno marginal ni transitorio, sino
como una transformación estructural que exige nuevas formas de comprensión
pedagógica, regulación institucional y acompañamiento docente.
Asimismo, se concluye que las percepciones estudiantiles frente a la inteligencia
artificial son predominantemente favorables, aunque atravesadas por tensiones éticas
y formativas. Los estudiantes reconocen su utilidad para mejorar la eficiencia
académica, aclarar dudas, generar ideas y recibir apoyo inmediato; sin embargo,
también identifican riesgos asociados con la dependencia tecnológica, la pérdida de
autonomía intelectual, la incertidumbre sobre la autoría y la posible afectación de la
integridad académica. Esta ambivalencia evidencia que la aceptación de la IA no
depende únicamente de su disponibilidad, sino de las condiciones pedagógicas e
institucionales bajo las cuales se utiliza.
En relación con los usos académicos, se concluye que la inteligencia artificial es
empleada con mayor frecuencia para actividades de búsqueda, síntesis, redacción,
traducción, reformulación, explicación de contenidos, elaboración de esquemas y
preparación de evaluaciones. No obstante, el valor educativo de estos usos depende
de si la herramienta funciona como apoyo para comprender y reelaborar el
conocimiento o si se convierte en un sustituto del esfuerzo cognitivo del estudiante.
Por tanto, la diferencia entre un uso formativo y un uso inadecuado reside en la
capacidad del estudiante para verificar, interpretar, contrastar y responsabilizarse del
producto académico final.
También se concluye que la inteligencia artificial ofrece beneficios pedagógicos
relevantes cuando se integra de manera planificada, crítica y supervisada. Entre sus
principales aportes se encuentran la personalización del aprendizaje, la
retroalimentación inmediata, el acompañamiento fuera del aula, el fortalecimiento de
la autorregulación y la posibilidad de adaptar explicaciones a distintos ritmos y
necesidades de aprendizaje. Sin embargo, estos beneficios no son automáticos, pues
requieren alfabetización en IA, orientación docente y diseños didácticos que
promuevan pensamiento crítico, argumentación, reflexión y transferencia del
conocimiento.
Revista Científica Enfoques del Conocimiento | V.01 | N.01 | Ene–Mar | 2024 | https://revistacec.blez.edu.ec pág. 16
Artículo Científico
Enero – Marzo 2024
De igual manera, la revisión permite concluir que el uso inadecuado de la inteligencia
artificial puede generar afectaciones significativas en la formación universitaria. La
dependencia excesiva, la disminución del esfuerzo intelectual, la procrastinación, la
aceptación acrítica de respuestas erróneas y la entrega de trabajos generados sin
apropiación conceptual pueden debilitar el aprendizaje profundo. En consecuencia, el
riesgo principal no se encuentra en el uso de la herramienta en sí misma, sino en la
delegación de procesos cognitivos esenciales que deberían ser desarrollados por el
estudiante durante su trayectoria académica.
Finalmente, se concluye que la relación entre inteligencia artificial y rendimiento
académico es compleja, condicionada y no lineal. La IA puede contribuir al desempeño
cuando opera como recurso de apoyo metacognitivo, tutoría complementaria y
retroalimentación formativa; sin embargo, puede distorsionar la medición del
rendimiento cuando permite obtener productos académicos formalmente adecuados
sin evidencia suficiente de aprendizaje real. Por ello, las instituciones de educación
superior deben avanzar hacia políticas claras, evaluaciones auténticas y estrategias
de alfabetización crítica que permitan aprovechar el potencial de la IA sin comprometer
la autonomía, la integridad y la calidad del aprendizaje universitario.
CONFLICTO DE INTERESES
“Los autores declaran no tener ningún conflicto de intereses”.
Referencias Bibliográficas
Abbas, M., Jam, F. A., & Khan, T. I. (2024). Is it harmful or helpful? Examining the
causes and consequences of generative AI usage among university students.
International Journal of Educational Technology in Higher Education, 21, Article
10. https://doi.org/10.1186/s41239-024-00444-7
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
Bond, M., Khosravi, H., De Laat, M., Bergdahl, N., Negrea, V., Oxley, E., Pham, P.,
Chong, S. W., & Siemens, G. (2024). A meta systematic review of artificial
intelligence in higher education: A call for increased ethics, collaboration, and
rigour. International Journal of Educational Technology in Higher Education, 21,
Article 4. https://doi.org/10.1186/s41239-023-00436-z
Bonilla-Bonilla, M. A. (2022). Las teorías de Lukács y Shklovski sobre el género
novelístico en el “Debate sobre la Novela” de 1934-35. Revista Científica
Zambos, 1(1), 1-12. https://doi.org/10.69484/rcz/v1/n1/51
Casanova- Villalba, C. I., Intriago Sánchez, J. E., Molina Valdez, L. A. & Moreira Vera,
N. C., (2022). Importancia de los principios éticos en los negocios globales. In
Revista Científica Enfoques del Conocimiento | V.01 | N.01 | Ene–Mar | 2024 | https://revistacec.blez.edu.ec pág. 17
Artículo Científico
Enero – Marzo 2024
Resultados Científicos de la Investigación Multidisciplinaria desde la
Perspectiva Ética (pp. 24-40). Editorial Grupo AEA.
https://doi.org/10.55813/egaea.cl.2022.11
Chan, C. K. Y. (2023). A comprehensive AI policy education framework for university
teaching and learning. International Journal of Educational Technology in
Higher Education, 20, 38. https://doi.org/10.1186/s41239-023-00408-3
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
Crompton, H., & Burke, D. (2023). Artificial intelligence in higher education: The state
of the field. International Journal of Educational Technology in Higher
Education, 20, Article 22. https://doi.org/10.1186/s41239-023-00392-8
Dikilitaş, K., Klippen, M. I. F., & Keles, S. (2024). A systematic rapid review of empirical
research on students’ use of ChatGPT in higher education. Nordic Journal of
Systematic Reviews in Education, 2, 103–125.
https://doi.org/10.23865/njsre.v2.6227
Herrera Enríquez, G., Castillo Páez, S., Zambrano Vera, D., Herrera Sánchez, M. J.,
& Casanova Villalba, C. I. (2021). Incidencia de las metodologías de enseñanza
en las carreras de ciencias administrativas ofertadas por las universidades
públicas del DMQ. Visionario Digital, 5(1), 6-25.
https://doi.org/10.33262/visionariodigital.v5i1.1526
Herrera-Enríquez, G., Herrera-Sánchez, M., Casanova-Villalba, C., Puyol-Cortez, J.,
Mendoza-Armijos, H, (2021). Manual para Elaboración del Plan de Titulación
como Conclusión de Carrera. Editorial Grupo Compás.
Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial intelligence in education: Promises
and implications for teaching and learning. Center for Curriculum Redesign.
https://unesdoc.unesco.org/ark:/48223/pf0000368021
Kasneci, E., Seßler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F.,
Gasser, U., Groh, G., Günnemann, S., Hüllermeier, E., Krusche, S., Kutyniok,
G., Michaeli, T., Nerdel, C., Pfeffer, J., Poquet, O., Sailer, M., Schmidt, A.,
Seidel, T., . . . Kasneci, G. (2023). ChatGPT for good? On opportunities and
challenges of large language models for education. Learning and Individual
Differences, 103, Article 102274. https://doi.org/10.1016/j.lindif.2023.102274
Loor Giler, J. L., Lorenzo Benítez, R., & Herrera Navas, C. D. (2021). Manual de
actividades didácticas para el desarrollo de la comprensión lectora en
estudiantes de subnivel de básica media. Journal of Economic and Social
Science Research, 1(1), 15–37. https://doi.org/10.55813/gaea/jessr/v1/n1/18
Revista Científica Enfoques del Conocimiento | V.01 | N.01 | Ene–Mar | 2024 | https://revistacec.blez.edu.ec pág. 18
Artículo Científico
Enero – Marzo 2024
Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence unleashed:
An argument for AI in education. Pearson.
https://discovery.ucl.ac.uk/id/eprint/1475756/
Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research.
UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000386693
Moya, B. A., Eaton, S. E., Pethrick, H., Hayden, K. A., Brennan, R., Wiens, J., &
McDermott, B. (2024). Academic integrity and artificial intelligence in higher
education (HE) contexts: A rapid scoping review. Canadian Perspectives on
Academic Integrity, 7(3). https://doi.org/10.55016/ojs/cpai.v7i3.78123
Popenici, S. A. D., & Kerr, S. (2017). Exploring the impact of artificial intelligence on
teaching and learning in higher education. Research and Practice in Technology
Enhanced Learning, 12, 22. https://doi.org/10.1186/s41039-017-0062-8
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
Santander-Salmon, E. S. (2024). Métodos pedagógicos innovadores: Una revisión de
las mejores prácticas actuales. Revista Científica Zambos, 3(1), 73-90.
https://doi.org/10.69484/rcz/v3/n1/13
Scarfe, P., Watcham, K., Clarke, A., & Roesch, E. (2024). A real-world test of artificial
intelligence infiltration of a university examinations system: A “Turing Test” case
study. PLOS ONE, 19(6), Article e0305354.
https://doi.org/10.1371/journal.pone.0305354
Silva Alvarado, J. C., & Herrera Navas, C. D. (2022). Estudio de Kahoot como recurso
didáctico para innovar los procesos evaluativos pospandemia de básica
superior de la Unidad Educativa Iberoamericano. Journal of Economic and
Social Science Research, 2(4), 15–40.
https://doi.org/10.55813/gaea/jessr/v2/n4/23
Strzelecki, A. (2024). Students’ acceptance of ChatGPT in higher education: An
extended unified theory of acceptance and use of technology. Innovative Higher
Education, 49, 223–245. https://doi.org/10.1007/s10755-023-09686-1
UNESCO. (2023). Guidance for generative AI in education and research. UNESCO.
https://unesdoc.unesco.org/ark:/48223/pf0000386693
Xia, Q., Weng, X., Ouyang, F., Lin, T. J., & Chiu, T. K. F. (2024). A scoping review on
how generative artificial intelligence transforms assessment in higher education.
International Journal of Educational Technology in Higher Education, 21, Article
40. https://doi.org/10.1186/s41239-024-00468-z
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic
review of research on artificial intelligence applications in higher education:
Where are the educators? International Journal of Educational Technology in
Higher Education, 16, Article 39. https://doi.org/10.1186/s41239-019-0171-0
