INTELIGENCIA ARTIFICIAL GENERATIVA
(IA GEN) EN LA TRANSFORMACIÓN DIGITAL
DE LA EDUCACIÓN SUPERIOR UNA REVISIÓN
SISTEMÁTICA DE LITERATURA
GENERATIVE ARTIFICIAL INTELLIGENCE (GENAI)
IN THE DIGITAL TRANSFORMATION OF HIGHER
EDUCATION: A SYSTEMATIC LITERATURE REVIEW
Mg. Mario Rafael Quiroz Martinez
Universidad Tecnológica del Perú, Perú
pág. 6339
DOI: https://doi.org/10.37811/cl_rcm.v9i2.17370
Inteligencia Artificial Generativa (IA Gen) en la Transformación Digital de
la Educación Superior una Revisión Sistemática de Literatura
Mg. Mario Rafael Quiroz Martinez1
c12139@utp.edu.pe
https://orcid.org/0000-0001-6266-7132
Universidad Tecnológica del Perú
Perú
RESUMEN
Esta revisión sistemática de la literatura analiza el impacto de la inteligencia artificial generativa (IA
Gen) en la transformación digital de la educación superior. Se utilizaron los lineamientos PRISMA para
garantizar un proceso riguroso, transparente y replicable. La búsqueda se realizó en Scopus, ProQuest,
Science Direct y EBSCO, considerando estudios publicados entre 2019 y 2024. Se seleccionaron 129
investigaciones, en su mayoría empíricas, que abordan el uso de la IA Gen en la personalización del
aprendizaje, la eficiencia educativa, la innovación pedagógica y los desafíos éticos. Los resultados
evidencian que la IA Gen tiene un alto potencial para personalizar la enseñanza, automatizar tareas
administrativas, generar contenidos y mejorar los procesos de evaluación. Entre los avances más
relevantes se encuentran los sistemas de aprendizaje adaptativo, la retroalimentación individualizada y
las plataformas interactivas. Sin embargo, también emergen preocupaciones éticas como la privacidad
de los datos, el sesgo algorítmico, la dependencia tecnológica y la propiedad intelectual. Se concluye
que la implementación efectiva de la IA Gen requiere una planificación estratégica, reflexión crítica y
compromiso ético. Además, se recomienda desarrollar marcos regulatorios, capacitar al profesorado y
mantener un enfoque centrado en el estudiante para maximizar sus beneficios en la educación superior.
Palabras clave: ia generativa, educación superior, personalización del aprendizaje, ética digital,
transformación educativa
1 Autor principal.
Correspondencia: c12139@utp.edu.pe
DOI: https://doi.org/10.37811/cl_rcm.v9i2.17370
Inteligencia Artificial Generativa (IA Gen) en la Transformación Digital de
la Educación Superior una Revisión Sistemática de Literatura
Mg. Mario Rafael Quiroz Martinez1
c12139@utp.edu.pe
https://orcid.org/0000-0001-6266-7132
Universidad Tecnológica del Perú
Perú
RESUMEN
Esta revisión sistemática de la literatura analiza el impacto de la inteligencia artificial generativa (IA
Gen) en la transformación digital de la educación superior. Se utilizaron los lineamientos PRISMA para
garantizar un proceso riguroso, transparente y replicable. La búsqueda se realizó en Scopus, ProQuest,
Science Direct y EBSCO, considerando estudios publicados entre 2019 y 2024. Se seleccionaron 129
investigaciones, en su mayoría empíricas, que abordan el uso de la IA Gen en la personalización del
aprendizaje, la eficiencia educativa, la innovación pedagógica y los desafíos éticos. Los resultados
evidencian que la IA Gen tiene un alto potencial para personalizar la enseñanza, automatizar tareas
administrativas, generar contenidos y mejorar los procesos de evaluación. Entre los avances más
relevantes se encuentran los sistemas de aprendizaje adaptativo, la retroalimentación individualizada y
las plataformas interactivas. Sin embargo, también emergen preocupaciones éticas como la privacidad
de los datos, el sesgo algorítmico, la dependencia tecnológica y la propiedad intelectual. Se concluye
que la implementación efectiva de la IA Gen requiere una planificación estratégica, reflexión crítica y
compromiso ético. Además, se recomienda desarrollar marcos regulatorios, capacitar al profesorado y
mantener un enfoque centrado en el estudiante para maximizar sus beneficios en la educación superior.
Palabras clave: ia generativa, educación superior, personalización del aprendizaje, ética digital,
transformación educativa
1 Autor principal.
Correspondencia: c12139@utp.edu.pe
pág. 6340
Generative Artificial Intelligence (GenAI) in the Digital Transformation of
Higher Education: A Systematic Literature Review
ABSTRACT
This systematic literature review analyzes the impact of generative artificial intelligence (GenAI) on
the digital transformation of higher education. The PRISMA guidelines were applied to ensure a
rigorous, transparent, and replicable process. The search was conducted in Scopus, ProQuest, Science
Direct, and EBSCO, considering studies published between 2019 and 2024. A total of 129 studies,
mostly empirical, were selected, focusing on the use of GenAI in learning personalization, educational
efficiency, pedagogical innovation, and ethical challenges. The findings highlight the high potential of
GenAI to personalize teaching, automate administrative tasks, generate content, and enhance
assessment processes. Key advancements include adaptive learning systems, individualized feedback,
and interactive platforms. However, significant ethical concerns also emerge, such as data privacy,
algorithmic bias, technological dependency, and intellectual property. The review concludes that the
effective implementation of GenAI requires strategic planning, critical reflection, and strong ethical
commitment. It is also recommended to develop regulatory frameworks, provide continuous teacher
training, and maintain a student-centered approach in order to maximize the benefits of GenAI in higher
education.
Keywords: generative AI, higher education, learning personalization, digital ethics, educational
transformation
Artículo recibido 20 marzo 2025
Aceptado para publicación: 15 abril 2025
Generative Artificial Intelligence (GenAI) in the Digital Transformation of
Higher Education: A Systematic Literature Review
ABSTRACT
This systematic literature review analyzes the impact of generative artificial intelligence (GenAI) on
the digital transformation of higher education. The PRISMA guidelines were applied to ensure a
rigorous, transparent, and replicable process. The search was conducted in Scopus, ProQuest, Science
Direct, and EBSCO, considering studies published between 2019 and 2024. A total of 129 studies,
mostly empirical, were selected, focusing on the use of GenAI in learning personalization, educational
efficiency, pedagogical innovation, and ethical challenges. The findings highlight the high potential of
GenAI to personalize teaching, automate administrative tasks, generate content, and enhance
assessment processes. Key advancements include adaptive learning systems, individualized feedback,
and interactive platforms. However, significant ethical concerns also emerge, such as data privacy,
algorithmic bias, technological dependency, and intellectual property. The review concludes that the
effective implementation of GenAI requires strategic planning, critical reflection, and strong ethical
commitment. It is also recommended to develop regulatory frameworks, provide continuous teacher
training, and maintain a student-centered approach in order to maximize the benefits of GenAI in higher
education.
Keywords: generative AI, higher education, learning personalization, digital ethics, educational
transformation
Artículo recibido 20 marzo 2025
Aceptado para publicación: 15 abril 2025
pág. 6341
INTRODUCCIÓN
La educación superior está experimentando una profunda transformación digital impulsada por la
inteligencia artificial generativa (IA Gen), una tecnología basada en modelos de aprendizaje profundo
que está redefiniendo los paradigmas educativos. Su capacidad para automatizar la generación de
contenido y personalizar el aprendizaje está revolucionando la enseñanza superior (Alfredo et al., 2024;
Dakakni & Safa, 2023). Los estudios destacan su impacto en la optimización de la gestión académica,
la mejora de la equidad y la eficiencia educativa (Bhutoria, 2022; Dolenc & Brumen, 2024; Du et al.,
2024), así como su potencial para fomentar el aprendizaje autónomo y adaptar los currículos a las
necesidades individuales (Dai et al., 2024; Farhood et al., 2024).
Investigaciones recientes demuestran que la IA Gen puede aumentar la retención del conocimiento en
un 25% y reducir el tiempo de aprendizaje en un 30% en comparación con métodos tradicionales
(Hossain, Sohag, Hasan, Ahmed, Al- Amin, et al., 2024; Khosravi et al., 2023). Además, facilita la
automatización de tareas docentes y administrativas, como la corrección de evaluaciones y la creación
de materiales educativos, lo que alivia la carga laboral del profesorado y optimiza la gestión
institucional (Al-Shabandar et al., 2024; Foung et al., 2024; Hadzhikoleva et al., 2024). Sin embargo,
su integración no está exenta de desafíos. Entre ellos destacan preocupaciones sobre privacidad de
datos, sesgos algorítmicos y dependencia tecnológica (Fu & Weng, 2024; Idowu et al., 2024).
Asimismo, la creciente sofisticación de estos modelos exige regulaciones que garanticen la autoría de
los contenidos y la fiabilidad de la información (Gruenhagen et al., 2024; Jin et al., 2024a) requiriéndose
un marco normativo que promueva un acceso responsable (Dakakni & Safa, 2023; Memarian & Doleck,
2023).
La pandemia de COVID-19 aceleró la digitalización de la educación superior, obligando a las
instituciones a adoptar soluciones innovadoras para garantizar la continuidad del aprendizaje (Liu et al.,
2023; Markauskaite et al., 2022). En este contexto, la IA Gen emergió como una herramienta clave para
personalizar el aprendizaje y mejorar la gestión educativa (Moorhouse, 2024; Nedungadi et al., 2024).
Su integración ha transformado los modelos pedagógicos y administrativos, generando debates sobre
equidad, ética e integridad académica (Lünich et al., 2024; Memarian & Doleck, 2023).
INTRODUCCIÓN
La educación superior está experimentando una profunda transformación digital impulsada por la
inteligencia artificial generativa (IA Gen), una tecnología basada en modelos de aprendizaje profundo
que está redefiniendo los paradigmas educativos. Su capacidad para automatizar la generación de
contenido y personalizar el aprendizaje está revolucionando la enseñanza superior (Alfredo et al., 2024;
Dakakni & Safa, 2023). Los estudios destacan su impacto en la optimización de la gestión académica,
la mejora de la equidad y la eficiencia educativa (Bhutoria, 2022; Dolenc & Brumen, 2024; Du et al.,
2024), así como su potencial para fomentar el aprendizaje autónomo y adaptar los currículos a las
necesidades individuales (Dai et al., 2024; Farhood et al., 2024).
Investigaciones recientes demuestran que la IA Gen puede aumentar la retención del conocimiento en
un 25% y reducir el tiempo de aprendizaje en un 30% en comparación con métodos tradicionales
(Hossain, Sohag, Hasan, Ahmed, Al- Amin, et al., 2024; Khosravi et al., 2023). Además, facilita la
automatización de tareas docentes y administrativas, como la corrección de evaluaciones y la creación
de materiales educativos, lo que alivia la carga laboral del profesorado y optimiza la gestión
institucional (Al-Shabandar et al., 2024; Foung et al., 2024; Hadzhikoleva et al., 2024). Sin embargo,
su integración no está exenta de desafíos. Entre ellos destacan preocupaciones sobre privacidad de
datos, sesgos algorítmicos y dependencia tecnológica (Fu & Weng, 2024; Idowu et al., 2024).
Asimismo, la creciente sofisticación de estos modelos exige regulaciones que garanticen la autoría de
los contenidos y la fiabilidad de la información (Gruenhagen et al., 2024; Jin et al., 2024a) requiriéndose
un marco normativo que promueva un acceso responsable (Dakakni & Safa, 2023; Memarian & Doleck,
2023).
La pandemia de COVID-19 aceleró la digitalización de la educación superior, obligando a las
instituciones a adoptar soluciones innovadoras para garantizar la continuidad del aprendizaje (Liu et al.,
2023; Markauskaite et al., 2022). En este contexto, la IA Gen emergió como una herramienta clave para
personalizar el aprendizaje y mejorar la gestión educativa (Moorhouse, 2024; Nedungadi et al., 2024).
Su integración ha transformado los modelos pedagógicos y administrativos, generando debates sobre
equidad, ética e integridad académica (Lünich et al., 2024; Memarian & Doleck, 2023).
pág. 6342
A medida que su uso se expande, resulta fundamental establecer regulaciones que equilibren la
innovación con principios de equidad y sostenibilidad (Ma et al., 2024; Mezak Matijevic et al., 2024).
No obstante, la adopción de la IA Gen en la educación superior enfrenta desafíos críticos. Persisten
vacíos en la evaluación de su impacto a largo plazo en la equidad educativa, su efectividad frente a
métodos tradicionales y la implementación de regulaciones para mitigar riesgos éticos (Memarian &
Doleck, 2023). Problemas como la privacidad de datos y los sesgos algorítmicos siguen siendo
preocupaciones centrales, ya que la falta de transparencia en su manejo podría erosionar la confianza
en estas tecnologías (Idowu et al., 2024; Jin et al., 2024a). Además, el uso intensivo de chatbots y tutores
inteligentes plantea interrogantes sobre la autonomía estudiantil y el desarrollo de habilidades críticas
(Guan et al., 2024; Hsu & Silalahi, 2024).
Esta investigación se propone tres objetivos principales: (1) identificar marcos normativos y principios
éticos para la regulación de la IA Gen en educación superior, (2) analizar su impacto en la
personalización del aprendizaje y la equidad educativa, y (3) evaluar los desafíos técnicos y
administrativos que limitan su implementación en distintos contextos (Hadzhikoleva et al., 2024; Jiang
et al., 2024). El cumplimiento de estos objetivos permitirá generar un marco de referencia para una
adopción regulada y equitativa, fomentando políticas que garanticen un uso transparente y responsable
de la IA en la educación superior (Hossain, Sohag, Hasan, Ahmed, & Islam, 2024; Kizilcec et al., 2024).
Un enfoque ético y regulado en la implementación de la IA Gen no solo democratizaría el acceso a la
educación, sino que también reduciría desigualdades y fortalecería la equidad digital en un mercado
laboral en constante evolución (Boustani et al., 2024; Yuwono et al., 2024)
En conclusión, mientras la IA Gen ofrece oportunidades transformadoras para la educación superior, su
implementación debe abordarse con precaución, asegurando que los beneficios educativos no se vean
opacados por riesgos éticos y técnicos. La colaboración entre instituciones educativas, legisladores y
desarrolladores de tecnología será clave para maximizar su potencial de manera responsable.
METODOLOGÍA
Este estudio analiza el impacto de la inteligencia artificial generativa (IA Gen) en la educación superior
mediante la metodología PRISMA (Page et al., 2021), garantizando transparencia y rigor científico.
A medida que su uso se expande, resulta fundamental establecer regulaciones que equilibren la
innovación con principios de equidad y sostenibilidad (Ma et al., 2024; Mezak Matijevic et al., 2024).
No obstante, la adopción de la IA Gen en la educación superior enfrenta desafíos críticos. Persisten
vacíos en la evaluación de su impacto a largo plazo en la equidad educativa, su efectividad frente a
métodos tradicionales y la implementación de regulaciones para mitigar riesgos éticos (Memarian &
Doleck, 2023). Problemas como la privacidad de datos y los sesgos algorítmicos siguen siendo
preocupaciones centrales, ya que la falta de transparencia en su manejo podría erosionar la confianza
en estas tecnologías (Idowu et al., 2024; Jin et al., 2024a). Además, el uso intensivo de chatbots y tutores
inteligentes plantea interrogantes sobre la autonomía estudiantil y el desarrollo de habilidades críticas
(Guan et al., 2024; Hsu & Silalahi, 2024).
Esta investigación se propone tres objetivos principales: (1) identificar marcos normativos y principios
éticos para la regulación de la IA Gen en educación superior, (2) analizar su impacto en la
personalización del aprendizaje y la equidad educativa, y (3) evaluar los desafíos técnicos y
administrativos que limitan su implementación en distintos contextos (Hadzhikoleva et al., 2024; Jiang
et al., 2024). El cumplimiento de estos objetivos permitirá generar un marco de referencia para una
adopción regulada y equitativa, fomentando políticas que garanticen un uso transparente y responsable
de la IA en la educación superior (Hossain, Sohag, Hasan, Ahmed, & Islam, 2024; Kizilcec et al., 2024).
Un enfoque ético y regulado en la implementación de la IA Gen no solo democratizaría el acceso a la
educación, sino que también reduciría desigualdades y fortalecería la equidad digital en un mercado
laboral en constante evolución (Boustani et al., 2024; Yuwono et al., 2024)
En conclusión, mientras la IA Gen ofrece oportunidades transformadoras para la educación superior, su
implementación debe abordarse con precaución, asegurando que los beneficios educativos no se vean
opacados por riesgos éticos y técnicos. La colaboración entre instituciones educativas, legisladores y
desarrolladores de tecnología será clave para maximizar su potencial de manera responsable.
METODOLOGÍA
Este estudio analiza el impacto de la inteligencia artificial generativa (IA Gen) en la educación superior
mediante la metodología PRISMA (Page et al., 2021), garantizando transparencia y rigor científico.
pág. 6343
La investigación se centra en cuatro áreas clave: (1) personalización del aprendizaje, (2) automatización
de tareas administrativas, (3) generación de contenido educativo adaptado y (4) análisis de datos, debido
a su potencial para transformar la enseñanza y mejorar la eficiencia institucional (Bhutoria, 2022;
Hossain, Sohag, Hasan, Ahmed, Al- Amin, et al., 2024) El marco conceptual explora cómo la IA Gen
redefine la educación superior, destacando tanto sus beneficios como los desafíos éticos, pedagógicos
y organizativos que surgen con su adopción. El objetivo es proporcionar una visión integral que
equilibre las capacidades técnicas de la IA Gen con consideraciones críticas para su implementación
responsable, asegurando que su integración en entornos educativos sea efectiva, equitativa y sostenible.
Marco PICO para la clarificación conceptual
Con el fin de esclarecer los elementos centrales de nuestro análisis, se ha empleado el marco PICO.
Esta herramienta, ampliamente utilizada en la investigación sistemática, permite identificar los términos
clave relacionados con:
Tabla 1. Marco PICO para la Clarificación Conceptual
Estrategia de búsqueda
La búsqueda se llevó a cabo utilizando ecuaciones de búsqueda con operadores booleanos y algoritmos
lógicos. Esto permitió identificar publicaciones relacionadas con temas clave como Generative
Artificial Intelligence, Educational Technology, Digital Transformation in Education, Ethics in AI,
entre otros. A continuación, se presentan las bases de datos consultadas, las ecuaciones de búsqueda
empleadas y las fuentes confiables seleccionadas.
La investigación se centra en cuatro áreas clave: (1) personalización del aprendizaje, (2) automatización
de tareas administrativas, (3) generación de contenido educativo adaptado y (4) análisis de datos, debido
a su potencial para transformar la enseñanza y mejorar la eficiencia institucional (Bhutoria, 2022;
Hossain, Sohag, Hasan, Ahmed, Al- Amin, et al., 2024) El marco conceptual explora cómo la IA Gen
redefine la educación superior, destacando tanto sus beneficios como los desafíos éticos, pedagógicos
y organizativos que surgen con su adopción. El objetivo es proporcionar una visión integral que
equilibre las capacidades técnicas de la IA Gen con consideraciones críticas para su implementación
responsable, asegurando que su integración en entornos educativos sea efectiva, equitativa y sostenible.
Marco PICO para la clarificación conceptual
Con el fin de esclarecer los elementos centrales de nuestro análisis, se ha empleado el marco PICO.
Esta herramienta, ampliamente utilizada en la investigación sistemática, permite identificar los términos
clave relacionados con:
Tabla 1. Marco PICO para la Clarificación Conceptual
Estrategia de búsqueda
La búsqueda se llevó a cabo utilizando ecuaciones de búsqueda con operadores booleanos y algoritmos
lógicos. Esto permitió identificar publicaciones relacionadas con temas clave como Generative
Artificial Intelligence, Educational Technology, Digital Transformation in Education, Ethics in AI,
entre otros. A continuación, se presentan las bases de datos consultadas, las ecuaciones de búsqueda
empleadas y las fuentes confiables seleccionadas.
pág. 6344
Formulación de la Pregunta Pico
La revisión se estructuró en torno a la siguiente pregunta de investigación: ¿Cómo influye la
implementación de la inteligencia artificial generativa (AI Gen) en comparación con los métodos
tradicionales en la personalización del aprendizaje, la eficiencia educativa, el compromiso de los
estudiantes, la innovación pedagógica y la implementación ética en la educación superior?
Ecuaciones de búsqueda
Bases de datos y fuentes consultadas fueron: Scopus, ProQuest, Science Direc, Ebsco. Estas bases se
eligieron por su relevancia en la literatura académica y su cobertura de áreas interdisciplinarias que
integran tecnología educativa e inteligencia artificial.
Las ecuaciones empleadas en idioma inglés fueron las siguientes:
Criterios de Inclusión y exclusión
En el contexto de la Inteligencia Artificial Generativa (AI Gen) en la educación superior, hemos
definido criterios específicos de inclusión y exclusión para seleccionar la literatura relevante, resumidos
en la Tabla 2. Estos criterios nos permitieron enfocar la revisión en estudios que abordan directamente
los desafíos y oportunidades que esta tecnología presenta en el ámbito académico.
Formulación de la Pregunta Pico
La revisión se estructuró en torno a la siguiente pregunta de investigación: ¿Cómo influye la
implementación de la inteligencia artificial generativa (AI Gen) en comparación con los métodos
tradicionales en la personalización del aprendizaje, la eficiencia educativa, el compromiso de los
estudiantes, la innovación pedagógica y la implementación ética en la educación superior?
Ecuaciones de búsqueda
Bases de datos y fuentes consultadas fueron: Scopus, ProQuest, Science Direc, Ebsco. Estas bases se
eligieron por su relevancia en la literatura académica y su cobertura de áreas interdisciplinarias que
integran tecnología educativa e inteligencia artificial.
Las ecuaciones empleadas en idioma inglés fueron las siguientes:
Criterios de Inclusión y exclusión
En el contexto de la Inteligencia Artificial Generativa (AI Gen) en la educación superior, hemos
definido criterios específicos de inclusión y exclusión para seleccionar la literatura relevante, resumidos
en la Tabla 2. Estos criterios nos permitieron enfocar la revisión en estudios que abordan directamente
los desafíos y oportunidades que esta tecnología presenta en el ámbito académico.
pág. 6345
Tabla 2. Criterios de inclusión y exclusión
Proceso de revisión y análisis de estudios
El diagrama PRISMA (Figura 1) describe el proceso de selección de estudios en una revisión sistemática
a través de tres fases: Identificación, Cribado e Inclusión. En la fase de Identificación, se recopilaron
375 artículos de diversas bases de datos (Scopus, ProQuest, Science Direct y Ebsco), eliminándose 142
por irrelevancia tras una revisión preliminar de títulos. En la fase de Cribado, los 233 artículos restantes
fueron evaluados mediante la lectura de resúmenes, lo que llevó a la exclusión de 88 estudios por no
cumplir los criterios de inclusión. Posteriormente, se solicitaron los textos completos de 145 artículos,
aunque tres no pudieron ser recuperados. Finalmente, en la fase de Inclusión, se realizó un análisis
crítico de 142 artículos, descartándose 13 por insuficiencia metodológica o falta de relevancia. Como
resultado, 129 estudios fueron seleccionados para la revisión sistemática, asegurando su calidad y
pertinencia en función de los objetivos de investigación.
Tabla 2. Criterios de inclusión y exclusión
Proceso de revisión y análisis de estudios
El diagrama PRISMA (Figura 1) describe el proceso de selección de estudios en una revisión sistemática
a través de tres fases: Identificación, Cribado e Inclusión. En la fase de Identificación, se recopilaron
375 artículos de diversas bases de datos (Scopus, ProQuest, Science Direct y Ebsco), eliminándose 142
por irrelevancia tras una revisión preliminar de títulos. En la fase de Cribado, los 233 artículos restantes
fueron evaluados mediante la lectura de resúmenes, lo que llevó a la exclusión de 88 estudios por no
cumplir los criterios de inclusión. Posteriormente, se solicitaron los textos completos de 145 artículos,
aunque tres no pudieron ser recuperados. Finalmente, en la fase de Inclusión, se realizó un análisis
crítico de 142 artículos, descartándose 13 por insuficiencia metodológica o falta de relevancia. Como
resultado, 129 estudios fueron seleccionados para la revisión sistemática, asegurando su calidad y
pertinencia en función de los objetivos de investigación.
pág. 6346
Figura1: Diagrama de flujo Prisma
Figura1: Diagrama de flujo Prisma
pág. 6347
A continuación, se presentan los tipos de estudios incluidos:
Gráfico 1: Identificación de tipos de estudios identificados para la RSL
El análisis del gráfico 1 evidencia un predominio de estudios empíricos (41), reflejando un enfoque
centrado en la observación y experimentación sobre el impacto de la inteligencia artificial generativa
(IA Gen) en la educación superior. Además, las revisiones sistemáticas (20) aportan una base sólida
para la toma de decisiones fundamentadas. La investigación destaca el impacto de la IA Gen en la
motivación estudiantil, el pensamiento crítico, la personalización del aprendizaje y la innovación en
evaluación. Sin embargo, su integración plantea desafíos en la formación docente, el diseño curricular
y la evaluación de tecnologías. También surgen preocupaciones éticas sobre equidad, privacidad y
seguridad. La diversidad metodológica—con estudios experimentales, cualitativos y mixtos—subraya
la complejidad del fenómeno y la necesidad de investigaciones rigurosas para garantizar un uso efectivo
y responsable de la IA Gen en la enseñanza.
Preguntas de investigación
Este estudio aplicó el esquema PICO para analizar la IA Gen en educación superior. Evaluó su impacto
en estudiantes y docentes (“Población”), tecnologías como tutoría inteligente (“Intervención”), comparó
métodos tradicionales (“Comparación”) y halló mejoras en aprendizaje, eficiencia docente e innovación
pedagógica (“Resultados”), demostrando beneficios significativos.
A continuación, se presentan los tipos de estudios incluidos:
Gráfico 1: Identificación de tipos de estudios identificados para la RSL
El análisis del gráfico 1 evidencia un predominio de estudios empíricos (41), reflejando un enfoque
centrado en la observación y experimentación sobre el impacto de la inteligencia artificial generativa
(IA Gen) en la educación superior. Además, las revisiones sistemáticas (20) aportan una base sólida
para la toma de decisiones fundamentadas. La investigación destaca el impacto de la IA Gen en la
motivación estudiantil, el pensamiento crítico, la personalización del aprendizaje y la innovación en
evaluación. Sin embargo, su integración plantea desafíos en la formación docente, el diseño curricular
y la evaluación de tecnologías. También surgen preocupaciones éticas sobre equidad, privacidad y
seguridad. La diversidad metodológica—con estudios experimentales, cualitativos y mixtos—subraya
la complejidad del fenómeno y la necesidad de investigaciones rigurosas para garantizar un uso efectivo
y responsable de la IA Gen en la enseñanza.
Preguntas de investigación
Este estudio aplicó el esquema PICO para analizar la IA Gen en educación superior. Evaluó su impacto
en estudiantes y docentes (“Población”), tecnologías como tutoría inteligente (“Intervención”), comparó
métodos tradicionales (“Comparación”) y halló mejoras en aprendizaje, eficiencia docente e innovación
pedagógica (“Resultados”), demostrando beneficios significativos.
pág. 6348
Tabla 3: Selección de preguntas de investigación (RQ)
Pregunta Extracción de datos
RQ1:
¿Cómo transforma la inteligencia artificial
generativa (IA Gen) la personalización del
aprendizaje en la educación superior,
considerando adaptación de contenido,
ritmo de aprendizaje y retroalimentación
individualizada?
Examina cómo la inteligencia artificial generativa
(IA Gen) personaliza la experiencia educativa,
recopilando datos sobre adaptación de contenido,
ajuste al ritmo de aprendizaje y personalización de
la retroalimentación.
RQ2:
¿Cómo perciben los estudiantes y
profesores la efectividad de la inteligencia
artificial generativa (IA Gen) para
personalizar el aprendizaje en comparación
con los métodos tradicionales?
Recopila información cualitativa sobre las
percepciones de estudiantes y docentes,
enfocándose en comparaciones con métodos
tradicionales y las percepciones de efectividad en
términos de personalización.
RQ3:
¿Cómo afecta la implementación de la
inteligencia artificial generativa (IA Gen) la
eficiencia educativa en la educación
superior, incluyendo tiempo de estudio,
retención del conocimiento y desarrollo de
habilidades?
Analiza métricas como tiempo de estudio, niveles
de retención de conocimientos y desarrollo de
habilidades clave para evaluar cómo la
inteligencia artificial generativa (IA Gen) mejora
la eficiencia educativa.
RQ4:
¿De qué manera la inteligencia artificial
generativa (IA Gen) optimiza tareas
administrativas y docentes, liberando
recursos para una enseñanza más
interactiva y efectiva?
Investiga cómo la inteligencia artificial generativa
(IA Gen) reduce la carga administrativa, mejora la
eficiencia operativa y libera tiempo para diseñar
actividades pedagógicas más efectivas e
interactivas.
RQ5:
¿Qué innovaciones pedagógicas introduce
la inteligencia artificial generativa (IA Gen)
en la educación superior más allá de las
prácticas tradicionales?
Identifica nuevas oportunidades educativas
basadas en la inteligencia artificial generativa (IA
Gen), como aprendizaje colaborativo, creativo y
crítico, para entender su papel como herramienta
transformadora en pedagogía.
RQ6:
¿Cómo puede integrarse la inteligencia
artificial generativa (IA Gen) en el diseño
curricular para fomentar creatividad,
colaboración y pensamiento crítico en los
estudiantes?
Recopila datos sobre estrategias curriculares que
incluyen inteligencia artificial generativa (IA
Gen), evaluando cómo estas herramientas
promueven competencias clave como creatividad,
colaboración y pensamiento crítico.
RQ7:
¿Cuáles son los principales desafíos éticos
asociados al uso de la inteligencia artificial
generativa (IA Gen) en la educación
superior, incluyendo privacidad, sesgo,
dependencia tecnológica y propiedad
intelectual?
Analiza preocupaciones éticas críticas mediante
la recopilación de datos sobre privacidad, sesgo,
dependencia y propiedad intelectual, con el
objetivo de fomentar la equidad y la
responsabilidad.
RQ8:
¿Cómo puede garantizarse la
implementación ética y responsable de la
inteligencia artificial generativa (IA Gen)
en la educación superior, promoviendo
transparencia, equidad y confianza en estas
tecnologías?
Recopila datos sobre prácticas y políticas que
aseguren la transparencia, la equidad y la
confianza en el uso de la inteligencia artificial
generativa (IA Gen) en contextos educativos.
Tabla 3: Selección de preguntas de investigación (RQ)
Pregunta Extracción de datos
RQ1:
¿Cómo transforma la inteligencia artificial
generativa (IA Gen) la personalización del
aprendizaje en la educación superior,
considerando adaptación de contenido,
ritmo de aprendizaje y retroalimentación
individualizada?
Examina cómo la inteligencia artificial generativa
(IA Gen) personaliza la experiencia educativa,
recopilando datos sobre adaptación de contenido,
ajuste al ritmo de aprendizaje y personalización de
la retroalimentación.
RQ2:
¿Cómo perciben los estudiantes y
profesores la efectividad de la inteligencia
artificial generativa (IA Gen) para
personalizar el aprendizaje en comparación
con los métodos tradicionales?
Recopila información cualitativa sobre las
percepciones de estudiantes y docentes,
enfocándose en comparaciones con métodos
tradicionales y las percepciones de efectividad en
términos de personalización.
RQ3:
¿Cómo afecta la implementación de la
inteligencia artificial generativa (IA Gen) la
eficiencia educativa en la educación
superior, incluyendo tiempo de estudio,
retención del conocimiento y desarrollo de
habilidades?
Analiza métricas como tiempo de estudio, niveles
de retención de conocimientos y desarrollo de
habilidades clave para evaluar cómo la
inteligencia artificial generativa (IA Gen) mejora
la eficiencia educativa.
RQ4:
¿De qué manera la inteligencia artificial
generativa (IA Gen) optimiza tareas
administrativas y docentes, liberando
recursos para una enseñanza más
interactiva y efectiva?
Investiga cómo la inteligencia artificial generativa
(IA Gen) reduce la carga administrativa, mejora la
eficiencia operativa y libera tiempo para diseñar
actividades pedagógicas más efectivas e
interactivas.
RQ5:
¿Qué innovaciones pedagógicas introduce
la inteligencia artificial generativa (IA Gen)
en la educación superior más allá de las
prácticas tradicionales?
Identifica nuevas oportunidades educativas
basadas en la inteligencia artificial generativa (IA
Gen), como aprendizaje colaborativo, creativo y
crítico, para entender su papel como herramienta
transformadora en pedagogía.
RQ6:
¿Cómo puede integrarse la inteligencia
artificial generativa (IA Gen) en el diseño
curricular para fomentar creatividad,
colaboración y pensamiento crítico en los
estudiantes?
Recopila datos sobre estrategias curriculares que
incluyen inteligencia artificial generativa (IA
Gen), evaluando cómo estas herramientas
promueven competencias clave como creatividad,
colaboración y pensamiento crítico.
RQ7:
¿Cuáles son los principales desafíos éticos
asociados al uso de la inteligencia artificial
generativa (IA Gen) en la educación
superior, incluyendo privacidad, sesgo,
dependencia tecnológica y propiedad
intelectual?
Analiza preocupaciones éticas críticas mediante
la recopilación de datos sobre privacidad, sesgo,
dependencia y propiedad intelectual, con el
objetivo de fomentar la equidad y la
responsabilidad.
RQ8:
¿Cómo puede garantizarse la
implementación ética y responsable de la
inteligencia artificial generativa (IA Gen)
en la educación superior, promoviendo
transparencia, equidad y confianza en estas
tecnologías?
Recopila datos sobre prácticas y políticas que
aseguren la transparencia, la equidad y la
confianza en el uso de la inteligencia artificial
generativa (IA Gen) en contextos educativos.
pág. 6349
Extracción de datos
De los estudios recolectados para este trabajo de investigación se categorizaron en 4 subtemas clave:
Impacto en la personalización del aprendizaje, Eficiencia educativa, Innovaciones pedagógicas,
Aspectos éticos y desafíos.
Gráfico 2: Categorización de artículos por subtemas
El análisis del gráfico 2 revela que las investigaciones sobre la integración de la IA Generativa en la
educación superior se centran en cuatro dimensiones clave: personalización, eficiencia, innovaciones
pedagógicas y ética. La personalización, abordada en 72 estudios, destaca cómo herramientas como
ChatGPT adaptan los contenidos a necesidades individuales (Bhutoria, 2022; Yilmaz & Karaoglan
Yilmaz, 2023). La eficiencia, presente en 56 artículos, enfatiza la optimización de procesos como la
generación automática de contenidos y la detección temprana de estudiantes en riesgo (Azizah et al.,
2024; Bezirhan & von Davier, 2023). Las innovaciones pedagógicas, con 97 estudios, exploran
tecnologías como el Learnersourcing para fomentar el aprendizaje autónomo y colaborativo (Chen et
al., 2023; Khosravi et al., 2023). La dimensión ética, tratada en 71 investigaciones, examina aspectos
de equidad, privacidad y transparencia (Dakakni & Safa, 2023; Memarian & Doleck, 2023). Solo 10
estudios integran las cuatro dimensiones (Ma et al., 2024).
72
40
56
35
97
40
35
30
20
10
71
30
Artículos para revisar por cada dimensión
Personalización + Innovaciones
Eficiencia + Innovaciones
Ética + Innovaciones
Personalización + Eficiencia + Innovaciones
Articulos donde coincide en las 4 dimensiones
CANTIDAD DE ARTICULOS
Impacto en la personalización Eficiencia educativa Innovaciones pedagógicas Aspectos éticos y desafíos
Extracción de datos
De los estudios recolectados para este trabajo de investigación se categorizaron en 4 subtemas clave:
Impacto en la personalización del aprendizaje, Eficiencia educativa, Innovaciones pedagógicas,
Aspectos éticos y desafíos.
Gráfico 2: Categorización de artículos por subtemas
El análisis del gráfico 2 revela que las investigaciones sobre la integración de la IA Generativa en la
educación superior se centran en cuatro dimensiones clave: personalización, eficiencia, innovaciones
pedagógicas y ética. La personalización, abordada en 72 estudios, destaca cómo herramientas como
ChatGPT adaptan los contenidos a necesidades individuales (Bhutoria, 2022; Yilmaz & Karaoglan
Yilmaz, 2023). La eficiencia, presente en 56 artículos, enfatiza la optimización de procesos como la
generación automática de contenidos y la detección temprana de estudiantes en riesgo (Azizah et al.,
2024; Bezirhan & von Davier, 2023). Las innovaciones pedagógicas, con 97 estudios, exploran
tecnologías como el Learnersourcing para fomentar el aprendizaje autónomo y colaborativo (Chen et
al., 2023; Khosravi et al., 2023). La dimensión ética, tratada en 71 investigaciones, examina aspectos
de equidad, privacidad y transparencia (Dakakni & Safa, 2023; Memarian & Doleck, 2023). Solo 10
estudios integran las cuatro dimensiones (Ma et al., 2024).
72
40
56
35
97
40
35
30
20
10
71
30
Artículos para revisar por cada dimensión
Personalización + Innovaciones
Eficiencia + Innovaciones
Ética + Innovaciones
Personalización + Eficiencia + Innovaciones
Articulos donde coincide en las 4 dimensiones
CANTIDAD DE ARTICULOS
Impacto en la personalización Eficiencia educativa Innovaciones pedagógicas Aspectos éticos y desafíos
pág. 6350
RESULTADOS Y DISCUSIÓN
Se siguió un enfoque sistemático para recopilar, evaluar y sintetizar la literatura relevante sobre la
implementación de la IA Generativa (IA Gen) en la educación superior. A continuación, se detallan las
etapas del proceso y los resultados obtenidos:
Impacto en la personalización del aprendizaje
La IA Generativa, como ChatGPT, está transformando la educación al personalizar el aprendizaje y
optimizar procesos como la planificación de lecciones y la generación de preguntas (Acquah et al.,
2024; Al Faraby et al., 2024). En entornos como universidades inteligentes, estas herramientas permiten
trayectorias de aprendizaje dinámicas (Babu & Wooden, 2023), mientras que aplicaciones como
PyTutor mejoran la enseñanza de programación con retroalimentación adaptativa (Yang et al., 2024).
Sin embargo, su adopción enfrenta desafíos éticos y percepciones críticas, ya que docentes y estudiantes
valoran su eficiencia, pero advierten sobre la dependencia tecnológica y la autenticidad del aprendizaje
(Al Shloul et al., 2024; Chen et al., 2023). Además, persisten brechas en el acceso equitativo a estas
tecnologías, lo que puede ampliar desigualdades educativas (Babu & Wooden, 2023). Los estudios
muestran como integran tanto los beneficios como las preocupaciones en torno a la IA Gen (RQ1 y
RQ2), evidenciando la necesidad de equilibrar innovación y ética. En conclusión, aunque la IA
Generativa ofrece oportunidades significativas para la personalización del aprendizaje, su
implementación efectiva requiere abordar cuestiones de equidad y garantizar un uso responsable que
no comprometa la calidad educativa.
Adaptación del contenido
La implementación de IA Generativa en la educación superior ha transformado las metodologías de
enseñanza al personalizar el aprendizaje en cuatro dimensiones clave: sistemas de aprendizaje
adaptativos, herramientas de evaluación personalizadas, diversidad de formatos y medios, y la
consideración del contexto cultural (Acquah et al., 2024; Al Faraby et al., 2024). El análisis del gráfico
3 muestra que la personalización en herramientas de evaluación (53 estudios) y la variedad de formatos
(56 estudios) son los enfoques más estudiados, seguidos por los sistemas de aprendizaje adaptativos (54
estudios) y la adaptación cultural (46 estudios), destacando la importancia de diversificar medios y
aplicar tecnologías inclusivas. Además, la IA Generativa, con modelos como ChatGPT, mejora la
RESULTADOS Y DISCUSIÓN
Se siguió un enfoque sistemático para recopilar, evaluar y sintetizar la literatura relevante sobre la
implementación de la IA Generativa (IA Gen) en la educación superior. A continuación, se detallan las
etapas del proceso y los resultados obtenidos:
Impacto en la personalización del aprendizaje
La IA Generativa, como ChatGPT, está transformando la educación al personalizar el aprendizaje y
optimizar procesos como la planificación de lecciones y la generación de preguntas (Acquah et al.,
2024; Al Faraby et al., 2024). En entornos como universidades inteligentes, estas herramientas permiten
trayectorias de aprendizaje dinámicas (Babu & Wooden, 2023), mientras que aplicaciones como
PyTutor mejoran la enseñanza de programación con retroalimentación adaptativa (Yang et al., 2024).
Sin embargo, su adopción enfrenta desafíos éticos y percepciones críticas, ya que docentes y estudiantes
valoran su eficiencia, pero advierten sobre la dependencia tecnológica y la autenticidad del aprendizaje
(Al Shloul et al., 2024; Chen et al., 2023). Además, persisten brechas en el acceso equitativo a estas
tecnologías, lo que puede ampliar desigualdades educativas (Babu & Wooden, 2023). Los estudios
muestran como integran tanto los beneficios como las preocupaciones en torno a la IA Gen (RQ1 y
RQ2), evidenciando la necesidad de equilibrar innovación y ética. En conclusión, aunque la IA
Generativa ofrece oportunidades significativas para la personalización del aprendizaje, su
implementación efectiva requiere abordar cuestiones de equidad y garantizar un uso responsable que
no comprometa la calidad educativa.
Adaptación del contenido
La implementación de IA Generativa en la educación superior ha transformado las metodologías de
enseñanza al personalizar el aprendizaje en cuatro dimensiones clave: sistemas de aprendizaje
adaptativos, herramientas de evaluación personalizadas, diversidad de formatos y medios, y la
consideración del contexto cultural (Acquah et al., 2024; Al Faraby et al., 2024). El análisis del gráfico
3 muestra que la personalización en herramientas de evaluación (53 estudios) y la variedad de formatos
(56 estudios) son los enfoques más estudiados, seguidos por los sistemas de aprendizaje adaptativos (54
estudios) y la adaptación cultural (46 estudios), destacando la importancia de diversificar medios y
aplicar tecnologías inclusivas. Además, la IA Generativa, con modelos como ChatGPT, mejora la
pág. 6351
planificación docente, fomenta el pensamiento crítico y reduce la carga de trabajo, promoviendo un
aprendizaje más inclusivo (Adel et al., 2024; Al Shloul et al., 2024). Sin embargo, su adopción enfrenta
desafíos éticos relacionados con la privacidad, los sesgos algorítmicos y la equidad en el acceso a la
tecnología (Bhutoria, 2022; Dai et al., 2024). Aunque un enfoque integral que combine estas
dimensiones ha demostrado ser efectivo en 44 estudios revisados (AlSagri & Sohail, 2024), su
implementación requiere estrategias que equilibren la innovación con la sostenibilidad y la equidad
educativa, evitando que la tecnología amplíe brechas de acceso y garantizando un aprendizaje inclusivo
y responsable (Einarsson et al., 2024; Farhood et al., 2024).
Gráfico 3: Clasificación de artículos en el contexto de Adaptación del contenido
Ritmo de aprendizaje
El gráfico 4 evidencia la distribución de estudios sobre tres dimensiones clave en la personalización del
ritmo de aprendizaje: monitoreo del progreso y autonomía, ajuste del ritmo según el progreso y
aprendizaje a su propio ritmo. El monitoreo del progreso y autonomía es la dimensión más analizada
(40 estudios), destacando la relevancia del seguimiento del aprendizaje en tiempo real (Acquah et al.,
2024; Collie & Martin, 2024). Le sigue el ajuste del ritmo según el progreso (38 estudios), centrado en
adaptar la enseñanza al desempeño individual (Al Faraby et al., 2024; Chen et al., 2023).
8
10
10
12
12
14
14
16
18
20
44
46
54
56
53
0 10 20 30 40 50 60
SAA + CCC (2 DIMENSIONES)
SAA + VFM (2 DIMENSIONES)
HEP + CCC (2 DIMENSIONES)
SAA + HEP (2 DIMENSIONES)
VFM + CCC (2 DIMENSIONES)
HEP + VFM (2 DIMENSIONES)
SAA + VFM + CCC (3 DIMENSIONES)
SAA + HEP + CCC (3 DIMENSIONES)
HEP + VFM + CCC (3 DIMENSIONES)
SAA + HEP + VFM (3 DIMENSIONES)
SAA + HEP + VFM + CCC (4 DIMENSIONES)
CONSIDERACIÓN DEL CONTEXTO CULTURAL (CCC)
SISTEMAS DE APRENDIZAJE ADAPTATIVO (SAA)
VARIEDAD DE FORMATOS Y MEDIOS (VFM)
HERRAMIENTAS DE EVALUACIÓN PERSONALIZADAS (HEP)
planificación docente, fomenta el pensamiento crítico y reduce la carga de trabajo, promoviendo un
aprendizaje más inclusivo (Adel et al., 2024; Al Shloul et al., 2024). Sin embargo, su adopción enfrenta
desafíos éticos relacionados con la privacidad, los sesgos algorítmicos y la equidad en el acceso a la
tecnología (Bhutoria, 2022; Dai et al., 2024). Aunque un enfoque integral que combine estas
dimensiones ha demostrado ser efectivo en 44 estudios revisados (AlSagri & Sohail, 2024), su
implementación requiere estrategias que equilibren la innovación con la sostenibilidad y la equidad
educativa, evitando que la tecnología amplíe brechas de acceso y garantizando un aprendizaje inclusivo
y responsable (Einarsson et al., 2024; Farhood et al., 2024).
Gráfico 3: Clasificación de artículos en el contexto de Adaptación del contenido
Ritmo de aprendizaje
El gráfico 4 evidencia la distribución de estudios sobre tres dimensiones clave en la personalización del
ritmo de aprendizaje: monitoreo del progreso y autonomía, ajuste del ritmo según el progreso y
aprendizaje a su propio ritmo. El monitoreo del progreso y autonomía es la dimensión más analizada
(40 estudios), destacando la relevancia del seguimiento del aprendizaje en tiempo real (Acquah et al.,
2024; Collie & Martin, 2024). Le sigue el ajuste del ritmo según el progreso (38 estudios), centrado en
adaptar la enseñanza al desempeño individual (Al Faraby et al., 2024; Chen et al., 2023).
8
10
10
12
12
14
14
16
18
20
44
46
54
56
53
0 10 20 30 40 50 60
SAA + CCC (2 DIMENSIONES)
SAA + VFM (2 DIMENSIONES)
HEP + CCC (2 DIMENSIONES)
SAA + HEP (2 DIMENSIONES)
VFM + CCC (2 DIMENSIONES)
HEP + VFM (2 DIMENSIONES)
SAA + VFM + CCC (3 DIMENSIONES)
SAA + HEP + CCC (3 DIMENSIONES)
HEP + VFM + CCC (3 DIMENSIONES)
SAA + HEP + VFM (3 DIMENSIONES)
SAA + HEP + VFM + CCC (4 DIMENSIONES)
CONSIDERACIÓN DEL CONTEXTO CULTURAL (CCC)
SISTEMAS DE APRENDIZAJE ADAPTATIVO (SAA)
VARIEDAD DE FORMATOS Y MEDIOS (VFM)
HERRAMIENTAS DE EVALUACIÓN PERSONALIZADAS (HEP)
pág. 6352
Aunque el aprendizaje a su propio ritmo recibe menor atención (33 estudios), sigue siendo esencial en
la personalización educativa (Bhutoria, 2022; Guan et al., 2024). Sin embargo, la integración de estas
dimensiones ha sido escasamente estudiada, con solo 14 investigaciones abordando un enfoque
holístico (Boustani et al., 2024; Hossain, Sohag, Hasan, Ahmed, Al- Amin, et al., 2024). La
combinación más analizada es la de monitoreo del progreso y ajuste del ritmo (21 estudios), lo que
indica que la personalización con IA Gen prioriza la adaptación del contenido con seguimiento
constante, dejando en segundo plano estrategias autónomas. Esto evidencia la necesidad de
investigaciones que fomenten un equilibrio entre el aprendizaje guiado y la autonomía estudiantil,
garantizando modelos educativos más inclusivos y flexibles.
Gráfico 4: Clasificación de artículos en el contexto de Ritmo de aprendizaje
Retroalimentación individualizada
El análisis del gráfico 5 muestra que la retroalimentación personalizada es el enfoque más estudiado en
la educación superior con IA Generativa (61 estudios), superando al monitoreo del progreso (33
estudios) y a los Sistemas de Tutoría Inteligente (ITS) (29 estudios), lo que evidencia una preferencia
por estrategias individualizadas sobre modelos combinados (Acquah et al., 2024; Al Faraby et al.,
2024). Herramientas como ChatGPT y T-Bot han demostrado mejorar la interacción y la
retroalimentación en tiempo real (Al Shloul et al., 2024)
14
15
19
21
33
38
40
0 5 10 15 20 25 30 35 40 45
APR + ARSP + MPYA
APR + MPYA
APR+ ARSP
ARSP + MPYA
APRENDIZAJE A SU PROPIO RITMO (APR)
AJUSTE DEL RITMO SEGÚN EL PROGRESO (ARSP)
MONITOREO DEL PROGRESO Y AUTONOMÍA (MPYA)
Aunque el aprendizaje a su propio ritmo recibe menor atención (33 estudios), sigue siendo esencial en
la personalización educativa (Bhutoria, 2022; Guan et al., 2024). Sin embargo, la integración de estas
dimensiones ha sido escasamente estudiada, con solo 14 investigaciones abordando un enfoque
holístico (Boustani et al., 2024; Hossain, Sohag, Hasan, Ahmed, Al- Amin, et al., 2024). La
combinación más analizada es la de monitoreo del progreso y ajuste del ritmo (21 estudios), lo que
indica que la personalización con IA Gen prioriza la adaptación del contenido con seguimiento
constante, dejando en segundo plano estrategias autónomas. Esto evidencia la necesidad de
investigaciones que fomenten un equilibrio entre el aprendizaje guiado y la autonomía estudiantil,
garantizando modelos educativos más inclusivos y flexibles.
Gráfico 4: Clasificación de artículos en el contexto de Ritmo de aprendizaje
Retroalimentación individualizada
El análisis del gráfico 5 muestra que la retroalimentación personalizada es el enfoque más estudiado en
la educación superior con IA Generativa (61 estudios), superando al monitoreo del progreso (33
estudios) y a los Sistemas de Tutoría Inteligente (ITS) (29 estudios), lo que evidencia una preferencia
por estrategias individualizadas sobre modelos combinados (Acquah et al., 2024; Al Faraby et al.,
2024). Herramientas como ChatGPT y T-Bot han demostrado mejorar la interacción y la
retroalimentación en tiempo real (Al Shloul et al., 2024)
14
15
19
21
33
38
40
0 5 10 15 20 25 30 35 40 45
APR + ARSP + MPYA
APR + MPYA
APR+ ARSP
ARSP + MPYA
APRENDIZAJE A SU PROPIO RITMO (APR)
AJUSTE DEL RITMO SEGÚN EL PROGRESO (ARSP)
MONITOREO DEL PROGRESO Y AUTONOMÍA (MPYA)
pág. 6353
Aunque persisten desafíos como la resistencia docente y la falta de formación en el uso de IA Gen,
limitando su integración en programas educativos (Collie & Martin, 2024). Además, si bien la IA Gen
fomenta la colaboración en proyectos grupales (Weng et al., 2024), su implementación enfrenta
obstáculos como la precisión limitada de los modelos, los sesgos algorítmicos y la privacidad de datos
(Al-Shabandar et al., 2024). En educación STEM y programación, herramientas como PyTutor
personalizan el aprendizaje, pero pueden generar dependencia en los estudiantes (Yang et al., 2024).
Para superar estas limitaciones, se recomienda fortalecer la formación docente en IA Gen, combinar
retroalimentación automatizada con supervisión humana y desarrollar políticas que regulen su uso
(AlSagri & Sohail, 2024). A futuro, se espera una mayor personalización con regulaciones que
garanticen equidad e inclusión digital, asegurando un uso responsable de la IA Gen en la educación
(Adel et al., 2024).
Gráfico 5: La AI Gen en el contexto de retroalimentación individualizada
Percepción de la efectividad de la IA Gen para personalizar el aprendizaje
La IA Generativa ha transformado la educación superior al personalizar el aprendizaje, fomentar la
autonomía estudiantil y revolucionar las metodologías educativas mediante herramientas como
ChatGPT y los sistemas de tutoría inteligente (ITS), que proporcionan retroalimentación inmediata y
adaptativa (Acquah et al., 2024; Al Faraby et al., 2024). Su integración con ambientes inmersivos ha
mejorado la retención del conocimiento en áreas como la enseñanza de idiomas y la ciberseguridad
(Adel et al., 2024).
61
33
29
16
14
3
9
0 10 20 30 40 50 60 70
RETROALIMENTACIÓN PERSONALIZADA (RP)
MONITOREO DEL PROGRESO Y RETROALIMENTACIÓN DEL PROFESOR
(MPYRP)
SISTEMAS DE TUTORÍA INTELIGENTE (ITS)
RP + ITS
RP + MPYRP
ITS + MPYRP
RP + ITS + MPYRP
Aunque persisten desafíos como la resistencia docente y la falta de formación en el uso de IA Gen,
limitando su integración en programas educativos (Collie & Martin, 2024). Además, si bien la IA Gen
fomenta la colaboración en proyectos grupales (Weng et al., 2024), su implementación enfrenta
obstáculos como la precisión limitada de los modelos, los sesgos algorítmicos y la privacidad de datos
(Al-Shabandar et al., 2024). En educación STEM y programación, herramientas como PyTutor
personalizan el aprendizaje, pero pueden generar dependencia en los estudiantes (Yang et al., 2024).
Para superar estas limitaciones, se recomienda fortalecer la formación docente en IA Gen, combinar
retroalimentación automatizada con supervisión humana y desarrollar políticas que regulen su uso
(AlSagri & Sohail, 2024). A futuro, se espera una mayor personalización con regulaciones que
garanticen equidad e inclusión digital, asegurando un uso responsable de la IA Gen en la educación
(Adel et al., 2024).
Gráfico 5: La AI Gen en el contexto de retroalimentación individualizada
Percepción de la efectividad de la IA Gen para personalizar el aprendizaje
La IA Generativa ha transformado la educación superior al personalizar el aprendizaje, fomentar la
autonomía estudiantil y revolucionar las metodologías educativas mediante herramientas como
ChatGPT y los sistemas de tutoría inteligente (ITS), que proporcionan retroalimentación inmediata y
adaptativa (Acquah et al., 2024; Al Faraby et al., 2024). Su integración con ambientes inmersivos ha
mejorado la retención del conocimiento en áreas como la enseñanza de idiomas y la ciberseguridad
(Adel et al., 2024).
61
33
29
16
14
3
9
0 10 20 30 40 50 60 70
RETROALIMENTACIÓN PERSONALIZADA (RP)
MONITOREO DEL PROGRESO Y RETROALIMENTACIÓN DEL PROFESOR
(MPYRP)
SISTEMAS DE TUTORÍA INTELIGENTE (ITS)
RP + ITS
RP + MPYRP
ITS + MPYRP
RP + ITS + MPYRP
pág. 6354
Sin embargo, su implementación enfrenta desafíos operacionales, incluyendo la capacitación docente y
la optimización de algoritmos de personalización (Nedungadi et al., 2024). En entornos multiculturales,
la IA Gen ha facilitado la inclusión educativa al adaptar contenidos a diversos idiomas, pero persisten
problemas de equidad y accesibilidad (Al-Shabandar et al., 2024). Asimismo, su aplicación en la
enseñanza de idiomas ha reducido la ansiedad estudiantil y mejorado el desempeño lingüístico (Dolenc
& Brumen, 2024), aunque plantea riesgos éticos como el plagio y la privacidad de datos (AlSagri &
Sohail, 2024). La falta de regulaciones estandarizadas limita su uso responsable, lo que ha llevado a
algunas universidades a establecer normativas y fomentar la alfabetización en IA Gen (H. Wang et al.,
2023). En conclusión, aunque la IA Gen representa un avance significativo en la educación, su
integración efectiva requiere fortalecer la formación docente, garantizar un uso ético y desarrollar
infraestructuras tecnológicas equitativas y accesibles.
Eficiencia educativa
La inteligencia artificial generativa (IA Gen) está transformando la eficiencia educativa en la educación
superior al facilitar la personalización del aprendizaje, optimizar el tiempo de estudio y fortalecer la
retención del conocimiento y el desarrollo de habilidades. Estudios como los de Al Shloul et al. (2024)
y Awidi (2024) destacan el papel de herramientas como ChatGPT para fomentar la participación,
proporcionar retroalimentación inmediata y realizar evaluaciones objetivas, lo que incrementa la
efectividad del aprendizaje. Sin embargo, también se identifican limitaciones, como sesgos algorítmicos
y falta de precisión, que podrían afectar su fiabilidad (Idowu et al., 2024; Xu et al., 2024).
En cuanto a la optimización de tareas administrativas y docentes, investigaciones (Al-Shabandar et al.,
2024; Hadzhikoleva et al., 2024) muestran que la automatización de funciones como la corrección de
exámenes y la generación de contenidos reduce la carga laboral y mejora la eficiencia institucional. Aun
así, se subraya la necesidad de supervisión humana ante riesgos éticos y de integridad académica (W.-
L. Hsu & Silalahi, 2024; Malik & Raza, 2023).
Respecto a las fases del aprendizaje, la IA Gen ha demostrado un impacto significativo en la asimilación
del conocimiento (46 estudios), el desarrollo de habilidades (31) y la reducción del tiempo de estudio
(26), según el gráfico 6.
Sin embargo, su implementación enfrenta desafíos operacionales, incluyendo la capacitación docente y
la optimización de algoritmos de personalización (Nedungadi et al., 2024). En entornos multiculturales,
la IA Gen ha facilitado la inclusión educativa al adaptar contenidos a diversos idiomas, pero persisten
problemas de equidad y accesibilidad (Al-Shabandar et al., 2024). Asimismo, su aplicación en la
enseñanza de idiomas ha reducido la ansiedad estudiantil y mejorado el desempeño lingüístico (Dolenc
& Brumen, 2024), aunque plantea riesgos éticos como el plagio y la privacidad de datos (AlSagri &
Sohail, 2024). La falta de regulaciones estandarizadas limita su uso responsable, lo que ha llevado a
algunas universidades a establecer normativas y fomentar la alfabetización en IA Gen (H. Wang et al.,
2023). En conclusión, aunque la IA Gen representa un avance significativo en la educación, su
integración efectiva requiere fortalecer la formación docente, garantizar un uso ético y desarrollar
infraestructuras tecnológicas equitativas y accesibles.
Eficiencia educativa
La inteligencia artificial generativa (IA Gen) está transformando la eficiencia educativa en la educación
superior al facilitar la personalización del aprendizaje, optimizar el tiempo de estudio y fortalecer la
retención del conocimiento y el desarrollo de habilidades. Estudios como los de Al Shloul et al. (2024)
y Awidi (2024) destacan el papel de herramientas como ChatGPT para fomentar la participación,
proporcionar retroalimentación inmediata y realizar evaluaciones objetivas, lo que incrementa la
efectividad del aprendizaje. Sin embargo, también se identifican limitaciones, como sesgos algorítmicos
y falta de precisión, que podrían afectar su fiabilidad (Idowu et al., 2024; Xu et al., 2024).
En cuanto a la optimización de tareas administrativas y docentes, investigaciones (Al-Shabandar et al.,
2024; Hadzhikoleva et al., 2024) muestran que la automatización de funciones como la corrección de
exámenes y la generación de contenidos reduce la carga laboral y mejora la eficiencia institucional. Aun
así, se subraya la necesidad de supervisión humana ante riesgos éticos y de integridad académica (W.-
L. Hsu & Silalahi, 2024; Malik & Raza, 2023).
Respecto a las fases del aprendizaje, la IA Gen ha demostrado un impacto significativo en la asimilación
del conocimiento (46 estudios), el desarrollo de habilidades (31) y la reducción del tiempo de estudio
(26), según el gráfico 6.
pág. 6355
La mejora en la comprensión y retención, especialmente cuando se emplea en metodologías activas,
apunta a un aprendizaje más inclusivo (AlSagri & Sohail, 2024). La IA también facilita la identificación
de estudiantes en riesgo y la personalización del apoyo (Al-Zawqari et al., 2024; Azizah et al., 2024).
Además, automatiza procesos de evaluación y retroalimentación, reduciendo así el tiempo de estudio
(Awidi, 2024).
No obstante, solo 9 estudios abordan de forma integral estas tres dimensiones, lo que refleja una
integración limitada. Persisten desafíos como la dependencia tecnológica, sesgos en modelos
predictivos, falta de regulación ética, resistencia docente y variabilidad en la calidad del contenido
generado (Collie & Martin, 2024; Gruenhagen et al., 2024). El futuro apunta hacia tutorías
personalizadas, evaluación automatizada y aprendizaje equitativo (Farhood et al., 2024; Zhang et al.,
2024), siempre y cuando se desarrollen marcos éticos y estrategias claras que aseguren su
implementación responsable.
Gráfico 6: Evaluación del impacto del IA Gen en diferentes fases del aprendizaje
Innovaciones pedagógicas
La implementación de la IA Generativa (IA Gen) ha mejorado la educación, respondiendo a RQ5 al
posibilitar la personalización del aprendizaje, la automatización de evaluaciones y la optimización de
metodologías activas (Pozdniakov et al., 2024; Yang et al., 2024; Zhang et al., 2024). Herramientas
como PyTutor y videos educativos adaptativos facilitan la enseñanza de programación e idiomas,
promoviendo un aprendizaje contextualizado y retroalimentación en tiempo real (Essel et al., 2024;
46
31
26
15
14
9
0 5 10 15 20 25 30 35 40 45 50
MEJORA EN LA ASIMILACIÓN DE CONOCIMIENTOS (MAC)
DESARROLLO DE HABILIDADES (DH)
REDUCCIÓN DEL TIEMPO DEDICADO AL ESTUDIO (RTDE)
SOLO ESTUDIOS QUE COMBINAN: MAC + DH
SOLO ESTUDIOS QUE COMBINAN: RTDE + MAC
SOLO ESTUDIOS QUE COMBINAN: RTDE + MAC + DH
La mejora en la comprensión y retención, especialmente cuando se emplea en metodologías activas,
apunta a un aprendizaje más inclusivo (AlSagri & Sohail, 2024). La IA también facilita la identificación
de estudiantes en riesgo y la personalización del apoyo (Al-Zawqari et al., 2024; Azizah et al., 2024).
Además, automatiza procesos de evaluación y retroalimentación, reduciendo así el tiempo de estudio
(Awidi, 2024).
No obstante, solo 9 estudios abordan de forma integral estas tres dimensiones, lo que refleja una
integración limitada. Persisten desafíos como la dependencia tecnológica, sesgos en modelos
predictivos, falta de regulación ética, resistencia docente y variabilidad en la calidad del contenido
generado (Collie & Martin, 2024; Gruenhagen et al., 2024). El futuro apunta hacia tutorías
personalizadas, evaluación automatizada y aprendizaje equitativo (Farhood et al., 2024; Zhang et al.,
2024), siempre y cuando se desarrollen marcos éticos y estrategias claras que aseguren su
implementación responsable.
Gráfico 6: Evaluación del impacto del IA Gen en diferentes fases del aprendizaje
Innovaciones pedagógicas
La implementación de la IA Generativa (IA Gen) ha mejorado la educación, respondiendo a RQ5 al
posibilitar la personalización del aprendizaje, la automatización de evaluaciones y la optimización de
metodologías activas (Pozdniakov et al., 2024; Yang et al., 2024; Zhang et al., 2024). Herramientas
como PyTutor y videos educativos adaptativos facilitan la enseñanza de programación e idiomas,
promoviendo un aprendizaje contextualizado y retroalimentación en tiempo real (Essel et al., 2024;
46
31
26
15
14
9
0 5 10 15 20 25 30 35 40 45 50
MEJORA EN LA ASIMILACIÓN DE CONOCIMIENTOS (MAC)
DESARROLLO DE HABILIDADES (DH)
REDUCCIÓN DEL TIEMPO DEDICADO AL ESTUDIO (RTDE)
SOLO ESTUDIOS QUE COMBINAN: MAC + DH
SOLO ESTUDIOS QUE COMBINAN: RTDE + MAC
SOLO ESTUDIOS QUE COMBINAN: RTDE + MAC + DH
pág. 6356
Moundridou et al., 2024). No obstante, muchos estudios se centran en perfeccionar prácticas
tradicionales sin plantear estrategias transformadoras, y faltan mediciones empíricas sobre su impacto
en creatividad y colaboración (Bezirhan & von Davier, 2023; Pack et al., 2024; Youssef et al., 2024).
En relación con RQ6, se han propuesto cursos específicos y simulaciones con IA Gen, pero persiste un
vacío teórico y metodológico que limita su implementación sistémica (Jiang et al., 2024; Kohnke, 2024;
von Garrel & Mayer, 2024; T. Wang et al., 2023). Las preocupaciones sobre privacidad y equidad
subrayan la urgencia de regulaciones claras y modelos éticos (X. Wang et al., 2024). Se proyecta que
la IA Gen influirá en universidades inteligentes, requiriendo políticas que eviten brechas digitales y
fomenten la inclusión (Babu & Wooden, 2023; Teng, 2024).
1. Aprendizaje personalizado e interactivo: El gráfico 7 muestra la integración de tecnologías de IA
Generativa en la educación superior, destacando los chatbots como tutores personalizados (CTP), la
generación de contenido educativo dinámico (GCE) y las rutas de aprendizaje adaptativas (RAA). La
investigación individual sobre estas tecnologías es sólida, con 74, 81 y 71 estudios respectivamente, lo
que refleja un enfoque bien establecido en estas áreas (W. Y. W. Lai & Lee, 2024; Yilmaz & Karaoglan
Yilmaz, 2023). Sin embargo, la exploración de su sinergia es limitada, con solo 13 estudios sobre
CTP+GCE y 7 sobre CTP+RAA, evidenciando un vacío en la comprensión de su integración efectiva
(Veletsianos et al., 2024; Zouhri & Mallahi, 2024). Aunque 47 estudios abordan la combinación de las
tres tecnologías, aún es necesario profundizar en su colaboración para mejorar la personalización del
aprendizaje. Los desafíos incluyen la resistencia al cambio, preocupaciones éticas y la falta de
capacitación técnica, que obstaculizan su implementación efectiva (Sova et al., 2024; Tafazoli, 2024).
La investigación futura debe centrarse en superar estos obstáculos para optimizar el uso de la IA Gen
en entornos educativos, garantizando su aceptación y aplicabilidad en contextos reales (Malik & Raza,
2023; Nedungadi et al., 2024).
En conclusión, aunque la IA Gen ofrece un potencial significativo para la educación superior, su
integración plena requiere estudios adicionales, estrategias de implementación efectivas y regulaciones
que equilibren innovación con equidad y ética.
Moundridou et al., 2024). No obstante, muchos estudios se centran en perfeccionar prácticas
tradicionales sin plantear estrategias transformadoras, y faltan mediciones empíricas sobre su impacto
en creatividad y colaboración (Bezirhan & von Davier, 2023; Pack et al., 2024; Youssef et al., 2024).
En relación con RQ6, se han propuesto cursos específicos y simulaciones con IA Gen, pero persiste un
vacío teórico y metodológico que limita su implementación sistémica (Jiang et al., 2024; Kohnke, 2024;
von Garrel & Mayer, 2024; T. Wang et al., 2023). Las preocupaciones sobre privacidad y equidad
subrayan la urgencia de regulaciones claras y modelos éticos (X. Wang et al., 2024). Se proyecta que
la IA Gen influirá en universidades inteligentes, requiriendo políticas que eviten brechas digitales y
fomenten la inclusión (Babu & Wooden, 2023; Teng, 2024).
1. Aprendizaje personalizado e interactivo: El gráfico 7 muestra la integración de tecnologías de IA
Generativa en la educación superior, destacando los chatbots como tutores personalizados (CTP), la
generación de contenido educativo dinámico (GCE) y las rutas de aprendizaje adaptativas (RAA). La
investigación individual sobre estas tecnologías es sólida, con 74, 81 y 71 estudios respectivamente, lo
que refleja un enfoque bien establecido en estas áreas (W. Y. W. Lai & Lee, 2024; Yilmaz & Karaoglan
Yilmaz, 2023). Sin embargo, la exploración de su sinergia es limitada, con solo 13 estudios sobre
CTP+GCE y 7 sobre CTP+RAA, evidenciando un vacío en la comprensión de su integración efectiva
(Veletsianos et al., 2024; Zouhri & Mallahi, 2024). Aunque 47 estudios abordan la combinación de las
tres tecnologías, aún es necesario profundizar en su colaboración para mejorar la personalización del
aprendizaje. Los desafíos incluyen la resistencia al cambio, preocupaciones éticas y la falta de
capacitación técnica, que obstaculizan su implementación efectiva (Sova et al., 2024; Tafazoli, 2024).
La investigación futura debe centrarse en superar estos obstáculos para optimizar el uso de la IA Gen
en entornos educativos, garantizando su aceptación y aplicabilidad en contextos reales (Malik & Raza,
2023; Nedungadi et al., 2024).
En conclusión, aunque la IA Gen ofrece un potencial significativo para la educación superior, su
integración plena requiere estudios adicionales, estrategias de implementación efectivas y regulaciones
que equilibren innovación con equidad y ética.
pág. 6357
Gráfico 7: Rol de la IA Gen en el Aprendizaje Personalizado e Interactivo
2. Fomento de habilidades esenciales para el futuro: El análisis del gráfico 8 evidencia que la
promoción de la colaboración (PC) es la dimensión más estudiada en la literatura sobre IA Generativa
en educación superior (62 estudios), seguida por la estimulación de la creatividad (EC) (59 estudios) y
el desarrollo del pensamiento crítico (DPC) (56 estudios), reflejando una tendencia hacia metodologías
participativas y colectivas en el aprendizaje (Bhutoria, 2022; Markauskaite et al., 2022). Sin embargo,
la integración de estas dimensiones aún es limitada, ya que combinaciones como EC+PC y DPC+EC
cuentan con solo 8 estudios cada una, lo que sugiere que la creatividad aún no se trabaja ampliamente
en conjunto con la colaboración o el pensamiento crítico (Bezirhan & von Davier, 2023). La
combinación DPC+PC, con 24 estudios, indica que el pensamiento crítico es comúnmente abordado en
contextos colaborativos, mientras que la intersección de las tres dimensiones (DPC+EC+PC) sigue
siendo poco explorada (20 estudios) (Pack et al., 2024). Estos resultados resaltan la necesidad de
enfoques más integrales que maximicen el impacto del aprendizaje. Aunque herramientas como
ChatGPT facilitan el desarrollo de estas competencias, su adopción enfrenta desafíos como la
resistencia docente, la falta de formación en IA Gen y la ausencia de marcos metodológicos claros (C.
Y. Lai et al., 2023; Yilmaz & Karaoglan Yilmaz, 2023). A futuro, la alfabetización en IA Gen y el
aprendizaje colaborativo humano-IA Gen se perfilan como tendencias clave para mejorar la enseñanza
(Moorhouse, 2024; Ruwe & Mayweg-Paus, 2023). En este sentido, integrar pensamiento crítico,
creatividad y colaboración mediante IA Gen puede ser una estrategia efectiva para preparar a los
estudiantes ante los retos del siglo XXI (Yang et al., 2024).
74
81
71
13
7
15
47
0 10 20 30 40 50 60 70 80 90
CHATBOTS COMO TUTORES PERSONALIZADOS (CHTP)
GENERACIÓN DE CONTENIDO EDUCATIVO DINÁMICO (GCED)
RUTAS DE APRENDIZAJE ADAPTATIVAS (RAA)
CHTPS + GCED
CTP + RAA
GCED + RAA
CHTPS + GCED + RAA
Gráfico 7: Rol de la IA Gen en el Aprendizaje Personalizado e Interactivo
2. Fomento de habilidades esenciales para el futuro: El análisis del gráfico 8 evidencia que la
promoción de la colaboración (PC) es la dimensión más estudiada en la literatura sobre IA Generativa
en educación superior (62 estudios), seguida por la estimulación de la creatividad (EC) (59 estudios) y
el desarrollo del pensamiento crítico (DPC) (56 estudios), reflejando una tendencia hacia metodologías
participativas y colectivas en el aprendizaje (Bhutoria, 2022; Markauskaite et al., 2022). Sin embargo,
la integración de estas dimensiones aún es limitada, ya que combinaciones como EC+PC y DPC+EC
cuentan con solo 8 estudios cada una, lo que sugiere que la creatividad aún no se trabaja ampliamente
en conjunto con la colaboración o el pensamiento crítico (Bezirhan & von Davier, 2023). La
combinación DPC+PC, con 24 estudios, indica que el pensamiento crítico es comúnmente abordado en
contextos colaborativos, mientras que la intersección de las tres dimensiones (DPC+EC+PC) sigue
siendo poco explorada (20 estudios) (Pack et al., 2024). Estos resultados resaltan la necesidad de
enfoques más integrales que maximicen el impacto del aprendizaje. Aunque herramientas como
ChatGPT facilitan el desarrollo de estas competencias, su adopción enfrenta desafíos como la
resistencia docente, la falta de formación en IA Gen y la ausencia de marcos metodológicos claros (C.
Y. Lai et al., 2023; Yilmaz & Karaoglan Yilmaz, 2023). A futuro, la alfabetización en IA Gen y el
aprendizaje colaborativo humano-IA Gen se perfilan como tendencias clave para mejorar la enseñanza
(Moorhouse, 2024; Ruwe & Mayweg-Paus, 2023). En este sentido, integrar pensamiento crítico,
creatividad y colaboración mediante IA Gen puede ser una estrategia efectiva para preparar a los
estudiantes ante los retos del siglo XXI (Yang et al., 2024).
74
81
71
13
7
15
47
0 10 20 30 40 50 60 70 80 90
CHATBOTS COMO TUTORES PERSONALIZADOS (CHTP)
GENERACIÓN DE CONTENIDO EDUCATIVO DINÁMICO (GCED)
RUTAS DE APRENDIZAJE ADAPTATIVAS (RAA)
CHTPS + GCED
CTP + RAA
GCED + RAA
CHTPS + GCED + RAA
pág. 6358
Gráfico 8: Revisión de la literatura en el contexto del fomento de habilidades esenciales para el futuro
3. Optimización de la enseñanza y la evaluación: El análisis del gráfico 9 revela un creciente interés
en la aplicación de la IA Generativa en la educación superior, destacando su impacto en el diseño de
evaluaciones personalizadas (DEP), la retroalimentación automatizada (RA) y la liberación de tiempo
para los profesores (LTP). Con 58 estudios, el diseño de evaluaciones personalizadas resalta cómo la
IA Gen mejora la personalización de las evaluaciones, aumentando la precisión de los resultados
educativos; sin embargo, enfrenta desafíos de integridad académica y la necesidad de supervisión
humana (Bhutoria, 2022; Du et al., 2024; Kamalov et al., 2023). La retroalimentación automatizada,
analizada en 84 estudios, ha demostrado mejorar la eficiencia evaluativa y fomentar el aprendizaje
autónomo, aunque se ha señalado que su calidad es limitada en tareas que requieren creatividad o
pensamiento crítico (Chen et al., 2023; Hadzhikoleva et al., Babu 2024). Asimismo, la liberación de
tiempo para los profesores, mencionada en 46 estudios, evidencia cómo la automatización de tareas
docentes permite una mayor interacción pedagógica, aunque plantea preocupaciones sobre el
desplazamiento laboral y la necesidad de formación docente en IA Gen (Al-Shabandar et al., 2024;
Babu & Wooden, 2023). La combinación de estas dimensiones sugiere que la IA Gen tiene el potencial
de transformar la enseñanza, pero su implementación efectiva requiere abordar desafíos éticos, técnicos
y regulatorios para garantizar un uso responsable y equitativo (Rodrigues et al., 2024; Ruwe & Mayweg-
Paus, 2023).
56
59
62
20
8
8
24
0 10 20 30 40 50 60 70
DESARROLLO DEL PENSAMIENTO CRÍTICO (DPC)
ESTIMULACIÓN DE LA CREATIVIDAD (EC)
PROMOCIÓN DE LA COLABORACIÓN (PC)
DPC+EC+PC
DPC+EC
EC+PC
DPC+PC
Gráfico 8: Revisión de la literatura en el contexto del fomento de habilidades esenciales para el futuro
3. Optimización de la enseñanza y la evaluación: El análisis del gráfico 9 revela un creciente interés
en la aplicación de la IA Generativa en la educación superior, destacando su impacto en el diseño de
evaluaciones personalizadas (DEP), la retroalimentación automatizada (RA) y la liberación de tiempo
para los profesores (LTP). Con 58 estudios, el diseño de evaluaciones personalizadas resalta cómo la
IA Gen mejora la personalización de las evaluaciones, aumentando la precisión de los resultados
educativos; sin embargo, enfrenta desafíos de integridad académica y la necesidad de supervisión
humana (Bhutoria, 2022; Du et al., 2024; Kamalov et al., 2023). La retroalimentación automatizada,
analizada en 84 estudios, ha demostrado mejorar la eficiencia evaluativa y fomentar el aprendizaje
autónomo, aunque se ha señalado que su calidad es limitada en tareas que requieren creatividad o
pensamiento crítico (Chen et al., 2023; Hadzhikoleva et al., Babu 2024). Asimismo, la liberación de
tiempo para los profesores, mencionada en 46 estudios, evidencia cómo la automatización de tareas
docentes permite una mayor interacción pedagógica, aunque plantea preocupaciones sobre el
desplazamiento laboral y la necesidad de formación docente en IA Gen (Al-Shabandar et al., 2024;
Babu & Wooden, 2023). La combinación de estas dimensiones sugiere que la IA Gen tiene el potencial
de transformar la enseñanza, pero su implementación efectiva requiere abordar desafíos éticos, técnicos
y regulatorios para garantizar un uso responsable y equitativo (Rodrigues et al., 2024; Ruwe & Mayweg-
Paus, 2023).
56
59
62
20
8
8
24
0 10 20 30 40 50 60 70
DESARROLLO DEL PENSAMIENTO CRÍTICO (DPC)
ESTIMULACIÓN DE LA CREATIVIDAD (EC)
PROMOCIÓN DE LA COLABORACIÓN (PC)
DPC+EC+PC
DPC+EC
EC+PC
DPC+PC
pág. 6359
Gráfico 9: La IA Gen en la optimización de la enseñanza y la evaluación
Integración de la IA Gen en el diseño curricular
El análisis del gráfico 10 evidencia que la integración de la IA Generativa en el diseño curricular ha
sido ampliamente estudiada en la selección de herramientas de IA Gen y la definición de objetivos de
aprendizaje, con 91 estudios cada una, lo que refleja una tendencia hacia una planificación detallada y
una personalización del aprendizaje mediante estas tecnologías (T. Wang et al., 2023; Zaim et al., 2024).
Asimismo, el diseño de actividades de aprendizaje, con 86 estudios, destaca el interés en desarrollar
experiencias alineadas con las capacidades avanzadas de la IA Gen para optimizar su integración en los
currículos educativos. Sin embargo, se observan vacíos significativos en la provisión de orientación y
apoyo (POA) y en la evaluación del impacto (EI), con solo 20 y 24 estudios respectivamente, lo que
sugiere una falta de seguimiento y evaluación sistemática de estas iniciativas (Liu et al., 2023; Slade et
al., 2024). La escasez de estudios sobre evaluación del impacto plantea dudas sobre cómo se están
midiendo los beneficios del uso de IA Gen en contextos educativos reales y su capacidad para mejorar
el aprendizaje. Estos hallazgos resaltan la necesidad de un enfoque más equilibrado en la investigación
y la práctica educativa, asegurando que la adopción de la IA Gen no solo se limite a su implementación
tecnológica, sino que también se acompañe de estrategias de monitoreo y validación que garanticen su
efectividad y sostenibilidad en el tiempo.
7
12
26
23
46
58
84
0 10 20 30 40 50 60 70 80 90
DEP + LTP
RA + LTP
DEP + RA
DEP + RA + LTP
LIBERACIÓN DE TIEMPO PARA LOS PROFESORES (LTP)
DISEÑO DE EVALUACIONES PERSONALIZADAS (DEP)
RETROALIMENTACIÓN AUTOMATIZADA (RA)
Gráfico 9: La IA Gen en la optimización de la enseñanza y la evaluación
Integración de la IA Gen en el diseño curricular
El análisis del gráfico 10 evidencia que la integración de la IA Generativa en el diseño curricular ha
sido ampliamente estudiada en la selección de herramientas de IA Gen y la definición de objetivos de
aprendizaje, con 91 estudios cada una, lo que refleja una tendencia hacia una planificación detallada y
una personalización del aprendizaje mediante estas tecnologías (T. Wang et al., 2023; Zaim et al., 2024).
Asimismo, el diseño de actividades de aprendizaje, con 86 estudios, destaca el interés en desarrollar
experiencias alineadas con las capacidades avanzadas de la IA Gen para optimizar su integración en los
currículos educativos. Sin embargo, se observan vacíos significativos en la provisión de orientación y
apoyo (POA) y en la evaluación del impacto (EI), con solo 20 y 24 estudios respectivamente, lo que
sugiere una falta de seguimiento y evaluación sistemática de estas iniciativas (Liu et al., 2023; Slade et
al., 2024). La escasez de estudios sobre evaluación del impacto plantea dudas sobre cómo se están
midiendo los beneficios del uso de IA Gen en contextos educativos reales y su capacidad para mejorar
el aprendizaje. Estos hallazgos resaltan la necesidad de un enfoque más equilibrado en la investigación
y la práctica educativa, asegurando que la adopción de la IA Gen no solo se limite a su implementación
tecnológica, sino que también se acompañe de estrategias de monitoreo y validación que garanticen su
efectividad y sostenibilidad en el tiempo.
7
12
26
23
46
58
84
0 10 20 30 40 50 60 70 80 90
DEP + LTP
RA + LTP
DEP + RA
DEP + RA + LTP
LIBERACIÓN DE TIEMPO PARA LOS PROFESORES (LTP)
DISEÑO DE EVALUACIONES PERSONALIZADAS (DEP)
RETROALIMENTACIÓN AUTOMATIZADA (RA)
pág. 6360
Gráfico 10: Integración de la IA Gen en el diseño curricular
Desafíos éticos
El uso de la inteligencia artificial generativa (IA Gen) en la educación superior plantea desafíos éticos
fundamentales, como la privacidad de los datos estudiantiles, el sesgo algorítmico, la dependencia
tecnológica y la propiedad intelectual. La recopilación de información para personalizar el aprendizaje
genera preocupaciones sobre la seguridad y confidencialidad de los datos, pues su uso sin
consentimiento explícito pone en riesgo la privacidad de los estudiantes (Bhutoria, 2022). Además, el
sesgo en los algoritmos puede perpetuar desigualdades estructurales, afectando la equidad en el acceso
educativo (Idowu et al., 2024). La dependencia excesiva de estas tecnologías podría reducir la
autonomía y el pensamiento crítico de los estudiantes, limitando su capacidad de aprendizaje
independiente (İpek et al., 2023). En cuanto a la propiedad intelectual, la generación automatizada de
contenido académico plantea interrogantes sobre la autoría y la regulación de los derechos de uso del
material producido por IA Gen (Chiu, 2024). Para abordar estos problemas, es necesario establecer
normativas que fomenten la transparencia en los algoritmos, estrategias para mitigar sesgos y garantizar
una supervisión humana efectiva en su aplicación (Foung et al., 2024; Fu & Weng, 2024). Además,
regular el acceso y uso de los contenidos generados contribuiría a la protección de la propiedad
intelectual y a la consolidación de prácticas académicas responsables (Jin et al., 2024a).
1
1
1
2
2
2
4
5
7
9
12
51
20
24
86
91
91
0 10 20 30 40 50 60 70 80 90 100
DOA + SH AI GEN + POA + EI
SH AI GEN + DAA + EI
SH AI GEN + EI
SH AI GEN + DAA + POA
DOA + DAA + EI
SH AI GEN + DAA
DOA + DAA
DOA + SH AI GEN + DAA + POA
DOA + SH AI GEN + DAA + EI
DOA+ SH AI GEN
DOA + SH AI GEN + DAA + POA + EI
DOA+ SH AI GEN + DAA
PROPORCIONAR ORIENTACIÓN Y APOYO (POA)
EVALUAR EL IMPACTO (EI)
DISEÑAR ACTIVIDADES DE APRENDIZAJE (DAA)
SELECCIONAR HERRAMIENTAS DE IA GENERATIVA (SH AI GEN)
DEFINIR OBJETIVOS DE APRENDIZAJE (DOA)
Gráfico 10: Integración de la IA Gen en el diseño curricular
Desafíos éticos
El uso de la inteligencia artificial generativa (IA Gen) en la educación superior plantea desafíos éticos
fundamentales, como la privacidad de los datos estudiantiles, el sesgo algorítmico, la dependencia
tecnológica y la propiedad intelectual. La recopilación de información para personalizar el aprendizaje
genera preocupaciones sobre la seguridad y confidencialidad de los datos, pues su uso sin
consentimiento explícito pone en riesgo la privacidad de los estudiantes (Bhutoria, 2022). Además, el
sesgo en los algoritmos puede perpetuar desigualdades estructurales, afectando la equidad en el acceso
educativo (Idowu et al., 2024). La dependencia excesiva de estas tecnologías podría reducir la
autonomía y el pensamiento crítico de los estudiantes, limitando su capacidad de aprendizaje
independiente (İpek et al., 2023). En cuanto a la propiedad intelectual, la generación automatizada de
contenido académico plantea interrogantes sobre la autoría y la regulación de los derechos de uso del
material producido por IA Gen (Chiu, 2024). Para abordar estos problemas, es necesario establecer
normativas que fomenten la transparencia en los algoritmos, estrategias para mitigar sesgos y garantizar
una supervisión humana efectiva en su aplicación (Foung et al., 2024; Fu & Weng, 2024). Además,
regular el acceso y uso de los contenidos generados contribuiría a la protección de la propiedad
intelectual y a la consolidación de prácticas académicas responsables (Jin et al., 2024a).
1
1
1
2
2
2
4
5
7
9
12
51
20
24
86
91
91
0 10 20 30 40 50 60 70 80 90 100
DOA + SH AI GEN + POA + EI
SH AI GEN + DAA + EI
SH AI GEN + EI
SH AI GEN + DAA + POA
DOA + DAA + EI
SH AI GEN + DAA
DOA + DAA
DOA + SH AI GEN + DAA + POA
DOA + SH AI GEN + DAA + EI
DOA+ SH AI GEN
DOA + SH AI GEN + DAA + POA + EI
DOA+ SH AI GEN + DAA
PROPORCIONAR ORIENTACIÓN Y APOYO (POA)
EVALUAR EL IMPACTO (EI)
DISEÑAR ACTIVIDADES DE APRENDIZAJE (DAA)
SELECCIONAR HERRAMIENTAS DE IA GENERATIVA (SH AI GEN)
DEFINIR OBJETIVOS DE APRENDIZAJE (DOA)
pág. 6361
En conclusión, la implementación de la IA Gen en la educación debe equilibrar sus beneficios con un
marco ético sólido que promueva la equidad, la transparencia y la responsabilidad en su uso.
1. Privacidad: El gráfico 11 evidencia que el uso de la inteligencia artificial generativa (IA Gen) en la
educación superior plantea preocupaciones éticas clave, especialmente en la privacidad y seguridad de
los datos estudiantiles. La recopilación y uso de datos (RyUDE) ha sido abordada en 58 estudios, el
almacenamiento y seguridad de datos (AySD) en 49 estudios, y la combinación de ambos factores en
35 estudios adicionales, lo que refleja una creciente inquietud sobre la exposición de información
personal y los sesgos algorítmicos en la gestión de datos (Acosta-Enriquez et al., 2024; Jacques et al.,
2024). Además, la falta de regulaciones claras sobre el uso de plataformas de IA Gen representa un
riesgo significativo para la confidencialidad estudiantil (Hossain, Sohag, Hasan, Ahmed, Al- Amin, et
al., 2024; Kamalov et al., 2023). Para mitigar estos desafíos, se han propuesto normativas centradas en
la ética, la integridad académica y la transparencia en el manejo de datos, junto con estrategias como la
capacitación en el uso responsable de IA Gen, la adopción de estándares de seguridad y regulaciones
universitarias específicas (Adel et al., 2024; Al-Shabandar et al., 2024). Sin embargo, aún existe una
brecha en la implementación efectiva de estas medidas, lo que sugiere la necesidad de desarrollar
enfoques más estructurados y normativas específicas. A futuro, la IA Gen podría consolidarse en la
personalización del aprendizaje, siempre que evolucione dentro de un marco regulatorio sólido que
priorice la seguridad y la equidad (Alfredo et al., 2024; Alshahrani et al., 2024). En conclusión, aunque
la IA Gen ofrece oportunidades para mejorar la educación superior, su integración debe ir acompañada
de normativas claras y estrategias de protección de datos que aseguren su implementación ética y
responsable.
Gráfico 11: La IA Gen en la recopilación y seguridad de datos
58
49
35
0 10 20 30 40 50 60 70
RECOPILACIÓN Y USO DE DATOS DE LOS ESTUDIANTES (RYUDE)
ALMACENAMIENTO Y SEGURIDAD DE DATOS (AYSD)
RYUDE + AYSD
En conclusión, la implementación de la IA Gen en la educación debe equilibrar sus beneficios con un
marco ético sólido que promueva la equidad, la transparencia y la responsabilidad en su uso.
1. Privacidad: El gráfico 11 evidencia que el uso de la inteligencia artificial generativa (IA Gen) en la
educación superior plantea preocupaciones éticas clave, especialmente en la privacidad y seguridad de
los datos estudiantiles. La recopilación y uso de datos (RyUDE) ha sido abordada en 58 estudios, el
almacenamiento y seguridad de datos (AySD) en 49 estudios, y la combinación de ambos factores en
35 estudios adicionales, lo que refleja una creciente inquietud sobre la exposición de información
personal y los sesgos algorítmicos en la gestión de datos (Acosta-Enriquez et al., 2024; Jacques et al.,
2024). Además, la falta de regulaciones claras sobre el uso de plataformas de IA Gen representa un
riesgo significativo para la confidencialidad estudiantil (Hossain, Sohag, Hasan, Ahmed, Al- Amin, et
al., 2024; Kamalov et al., 2023). Para mitigar estos desafíos, se han propuesto normativas centradas en
la ética, la integridad académica y la transparencia en el manejo de datos, junto con estrategias como la
capacitación en el uso responsable de IA Gen, la adopción de estándares de seguridad y regulaciones
universitarias específicas (Adel et al., 2024; Al-Shabandar et al., 2024). Sin embargo, aún existe una
brecha en la implementación efectiva de estas medidas, lo que sugiere la necesidad de desarrollar
enfoques más estructurados y normativas específicas. A futuro, la IA Gen podría consolidarse en la
personalización del aprendizaje, siempre que evolucione dentro de un marco regulatorio sólido que
priorice la seguridad y la equidad (Alfredo et al., 2024; Alshahrani et al., 2024). En conclusión, aunque
la IA Gen ofrece oportunidades para mejorar la educación superior, su integración debe ir acompañada
de normativas claras y estrategias de protección de datos que aseguren su implementación ética y
responsable.
Gráfico 11: La IA Gen en la recopilación y seguridad de datos
58
49
35
0 10 20 30 40 50 60 70
RECOPILACIÓN Y USO DE DATOS DE LOS ESTUDIANTES (RYUDE)
ALMACENAMIENTO Y SEGURIDAD DE DATOS (AYSD)
RYUDE + AYSD
pág. 6362
2. Sesgo algorítmico: El gráfico 12 evidencia que la falta de transparencia es la principal preocupación
en la investigación sobre IA Generativa en educación superior, con 32 estudios centrados en este
problema, mientras que 33 investigaciones abordan la combinación de discriminación algorítmica (DA)
y falta de transparencia (FD), y solo 7 se enfocan exclusivamente en la DA. Estos datos reflejan que la
opacidad en los modelos de IA Gen genera desconfianza y dificulta su adopción en entornos educativos
(Chauncey & McKenna, 2023; Slade et al., 2024). A pesar de estos desafíos, la IA Gen ha impulsado
la personalización del aprendizaje y la automatización de tareas, lo que ha mejorado la eficiencia
educativa y fomentado metodologías innovadoras (Acosta-Enriquez et al., 2024; Boustani et al., 2024).
Sin embargo, la combinación de falta de transparencia y sesgos algorítmicos puede amplificar
desigualdades en el acceso y los resultados educativos, afectando la equidad en la enseñanza (Al-
Zawqari et al., 2024; Idowu et al., 2024). Además, la ausencia de marcos regulatorios y la falta de
formación docente en IA Gen representan barreras para su integración ética en la educación superior
(Balan, 2024; Yuwono et al., 2024). Para abordar estos problemas, se recomienda la creación de
normativas específicas, la implementación de programas de formación ética y la realización de
investigaciones longitudinales que permitan evaluar su impacto a largo plazo (Kizilcec et al., 2024;
Zhai et al., 2024). En conclusión, aunque la IA Gen ofrece avances significativos en la educación, su
implementación debe ir acompañada de estrategias que garanticen la equidad, la transparencia y la
responsabilidad en su uso.
Gráfico 12: La IA Gen y los sesgos algorítmicos
7
32
33
0 5 10 15 20 25 30 35
DISCRIMINACIÓN ALGORÍTMICA (DA)
FALTA DE TRANSPARENCIA (FT)
DA+FT
2. Sesgo algorítmico: El gráfico 12 evidencia que la falta de transparencia es la principal preocupación
en la investigación sobre IA Generativa en educación superior, con 32 estudios centrados en este
problema, mientras que 33 investigaciones abordan la combinación de discriminación algorítmica (DA)
y falta de transparencia (FD), y solo 7 se enfocan exclusivamente en la DA. Estos datos reflejan que la
opacidad en los modelos de IA Gen genera desconfianza y dificulta su adopción en entornos educativos
(Chauncey & McKenna, 2023; Slade et al., 2024). A pesar de estos desafíos, la IA Gen ha impulsado
la personalización del aprendizaje y la automatización de tareas, lo que ha mejorado la eficiencia
educativa y fomentado metodologías innovadoras (Acosta-Enriquez et al., 2024; Boustani et al., 2024).
Sin embargo, la combinación de falta de transparencia y sesgos algorítmicos puede amplificar
desigualdades en el acceso y los resultados educativos, afectando la equidad en la enseñanza (Al-
Zawqari et al., 2024; Idowu et al., 2024). Además, la ausencia de marcos regulatorios y la falta de
formación docente en IA Gen representan barreras para su integración ética en la educación superior
(Balan, 2024; Yuwono et al., 2024). Para abordar estos problemas, se recomienda la creación de
normativas específicas, la implementación de programas de formación ética y la realización de
investigaciones longitudinales que permitan evaluar su impacto a largo plazo (Kizilcec et al., 2024;
Zhai et al., 2024). En conclusión, aunque la IA Gen ofrece avances significativos en la educación, su
implementación debe ir acompañada de estrategias que garanticen la equidad, la transparencia y la
responsabilidad en su uso.
Gráfico 12: La IA Gen y los sesgos algorítmicos
7
32
33
0 5 10 15 20 25 30 35
DISCRIMINACIÓN ALGORÍTMICA (DA)
FALTA DE TRANSPARENCIA (FT)
DA+FT
pág. 6363
3. Dependencia tecnológica: El análisis de la tabla revela preocupaciones significativas sobre la
disminución de la interacción humana (DIH) y la sobre-reliance en la tecnología (S-RT) en la educación
superior, con 13 estudios dedicados a DIH, 34 a S-RT y 25 que combinan ambos temas. La reducción
de la interacción cara a cara debido a la implementación de la inteligencia artificial generativa (IA Gen)
podría afectar el desarrollo emocional y social de los estudiantes, al limitar la construcción de
habilidades interpersonales esenciales (Padovano & Cardamone, 2024; Rahimi & Sevilla-Pavón, 2024).
Paralelamente, la sobre-reliance en la tecnología refleja una dependencia excesiva de herramientas
digitales, lo que podría comprometer la autonomía estudiantil y la capacidad de pensamiento crítico (Li
et al., 2025; Slade et al., 2024). La intersección de ambos fenómenos en 25 estudios sugiere que la
combinación de menor interacción humana y mayor dependencia tecnológica amplifica los desafíos
educativos, creando un déficit en habilidades interpersonales y cognitivas. Esto destaca la necesidad de
un enfoque equilibrado que garantice el uso de la IA Gen como una herramienta complementaria y no
como un sustituto de la interacción humana en el aprendizaje (Boustani et al., 2024; Lee et al., 2024).
Para abordar este reto, es esencial que los educadores y responsables políticos diseñen estrategias que
fomenten la interacción social y la autonomía, asegurando que la tecnología enriquezca la educación
sin comprometer su dimensión humana.
Gráfico 13: La IA Gen y la dependencia tecnológica
4. Propiedad intelectual: El análisis de los estudios muestra que el impacto de la inteligencia artificial
generativa (IA Gen) en la educación superior se centra en dos dimensiones principales: la autoría y
originalidad, y el plagio. En cuanto a la autoría, 11 estudios resaltan la controversia sobre la atribución
en textos generados con IA Gen, señalando preocupaciones sobre su efecto en el desarrollo del
pensamiento crítico y la creatividad estudiantil (Meniado et al., 2024; Papakonstantinidis et al., 2024).
13
34
25
0 5 10 15 20 25 30 35 40
DISMINUCIÓN DE INTERACCIÓN HUMANA (DIH)
SOBRE-RELIANCE EN LA TECNOLOGÍA (S-RT)
DIH + S-RT
3. Dependencia tecnológica: El análisis de la tabla revela preocupaciones significativas sobre la
disminución de la interacción humana (DIH) y la sobre-reliance en la tecnología (S-RT) en la educación
superior, con 13 estudios dedicados a DIH, 34 a S-RT y 25 que combinan ambos temas. La reducción
de la interacción cara a cara debido a la implementación de la inteligencia artificial generativa (IA Gen)
podría afectar el desarrollo emocional y social de los estudiantes, al limitar la construcción de
habilidades interpersonales esenciales (Padovano & Cardamone, 2024; Rahimi & Sevilla-Pavón, 2024).
Paralelamente, la sobre-reliance en la tecnología refleja una dependencia excesiva de herramientas
digitales, lo que podría comprometer la autonomía estudiantil y la capacidad de pensamiento crítico (Li
et al., 2025; Slade et al., 2024). La intersección de ambos fenómenos en 25 estudios sugiere que la
combinación de menor interacción humana y mayor dependencia tecnológica amplifica los desafíos
educativos, creando un déficit en habilidades interpersonales y cognitivas. Esto destaca la necesidad de
un enfoque equilibrado que garantice el uso de la IA Gen como una herramienta complementaria y no
como un sustituto de la interacción humana en el aprendizaje (Boustani et al., 2024; Lee et al., 2024).
Para abordar este reto, es esencial que los educadores y responsables políticos diseñen estrategias que
fomenten la interacción social y la autonomía, asegurando que la tecnología enriquezca la educación
sin comprometer su dimensión humana.
Gráfico 13: La IA Gen y la dependencia tecnológica
4. Propiedad intelectual: El análisis de los estudios muestra que el impacto de la inteligencia artificial
generativa (IA Gen) en la educación superior se centra en dos dimensiones principales: la autoría y
originalidad, y el plagio. En cuanto a la autoría, 11 estudios resaltan la controversia sobre la atribución
en textos generados con IA Gen, señalando preocupaciones sobre su efecto en el desarrollo del
pensamiento crítico y la creatividad estudiantil (Meniado et al., 2024; Papakonstantinidis et al., 2024).
13
34
25
0 5 10 15 20 25 30 35 40
DISMINUCIÓN DE INTERACCIÓN HUMANA (DIH)
SOBRE-RELIANCE EN LA TECNOLOGÍA (S-RT)
DIH + S-RT
pág. 6364
Para abordar este desafío, se recomienda fortalecer la alfabetización en IA Gen mediante capacitaciones
específicas para docentes y estudiantes, aunque la falta de regulaciones claras sobre la coautoría sigue
generando incertidumbre en el ámbito académico (Mezak Matijevic et al., 2024; von Garrel & Mayer,
2024). En paralelo, 10 estudios abordan el problema del plagio, destacando que los detectores
tradicionales no identifican con precisión los textos generados por IA Gen, lo que dificulta la evaluación
de la originalidad en los trabajos académicos y puede comprometer la integridad académica (Lünich et
al., 2024; Slade et al., 2024). Además, 51 estudios combinan ambas dimensiones, enfatizando la
necesidad de un equilibrio entre el uso innovador de la IA Gen y la ética académica (Memarian &
Doleck, 2023; Tafazoli, 2024). Aunque las universidades han comenzado a regular el uso de estas
tecnologías, persisten brechas en la implementación de estrategias efectivas para mitigar el plagio sin
limitar el uso creativo de la IA Gen (Ma et al., 2024; X. Wang et al., 2024). Se sugiere combinar la
revisión humana con herramientas avanzadas para garantizar la integridad académica, asegurando que
la IA Gen sea utilizada de manera ética y responsable (Parambil et al., 2024; Zouhri & Mallahi, 2024).
Gráfico 13: La IA Gen y la propiedad intelectual
DISCUSIÓN
La inteligencia artificial generativa (IA Gen) está revolucionando la educación superior, ofreciendo
oportunidades sin precedentes para personalizar el aprendizaje, mejorar la eficiencia educativa e
innovar en las prácticas pedagógicas. Sin embargo, esta transformación también plantea desafíos éticos
y técnicos que requieren una atención cuidadosa. Los resultados de esta investigación, basados en el
análisis de 129 estudios, permiten responder a las preguntas planteadas en la introducción y
contextualizar los hallazgos dentro de la literatura existente.
11
10
51
0 10 20 30 40 50 60
AUTORÍA Y ORIGINALIDAD
PLAGIO
AUTORÍA Y ORIGINALIDAD + PLAGIO
Para abordar este desafío, se recomienda fortalecer la alfabetización en IA Gen mediante capacitaciones
específicas para docentes y estudiantes, aunque la falta de regulaciones claras sobre la coautoría sigue
generando incertidumbre en el ámbito académico (Mezak Matijevic et al., 2024; von Garrel & Mayer,
2024). En paralelo, 10 estudios abordan el problema del plagio, destacando que los detectores
tradicionales no identifican con precisión los textos generados por IA Gen, lo que dificulta la evaluación
de la originalidad en los trabajos académicos y puede comprometer la integridad académica (Lünich et
al., 2024; Slade et al., 2024). Además, 51 estudios combinan ambas dimensiones, enfatizando la
necesidad de un equilibrio entre el uso innovador de la IA Gen y la ética académica (Memarian &
Doleck, 2023; Tafazoli, 2024). Aunque las universidades han comenzado a regular el uso de estas
tecnologías, persisten brechas en la implementación de estrategias efectivas para mitigar el plagio sin
limitar el uso creativo de la IA Gen (Ma et al., 2024; X. Wang et al., 2024). Se sugiere combinar la
revisión humana con herramientas avanzadas para garantizar la integridad académica, asegurando que
la IA Gen sea utilizada de manera ética y responsable (Parambil et al., 2024; Zouhri & Mallahi, 2024).
Gráfico 13: La IA Gen y la propiedad intelectual
DISCUSIÓN
La inteligencia artificial generativa (IA Gen) está revolucionando la educación superior, ofreciendo
oportunidades sin precedentes para personalizar el aprendizaje, mejorar la eficiencia educativa e
innovar en las prácticas pedagógicas. Sin embargo, esta transformación también plantea desafíos éticos
y técnicos que requieren una atención cuidadosa. Los resultados de esta investigación, basados en el
análisis de 129 estudios, permiten responder a las preguntas planteadas en la introducción y
contextualizar los hallazgos dentro de la literatura existente.
11
10
51
0 10 20 30 40 50 60
AUTORÍA Y ORIGINALIDAD
PLAGIO
AUTORÍA Y ORIGINALIDAD + PLAGIO
pág. 6365
A continuación, se discuten los principales resultados, se comparan con investigaciones previas y se
proponen modelos teóricos para guiar la implementación futura de la IA Gen en la educación superior.
Personalización del aprendizaje: La IA Gen, mediante sistemas como ChatGPT y PyTutor, adapta
contenidos al ritmo y necesidades individuales de los estudiantes, mejorando motivación y retención
(Acquah et al., 2024; Al Faraby et al., 2024). Bhutoria (2022) destaca su potencial para itinerarios
educativos personalizados. Sin embargo, surgen preocupaciones por dependencia tecnológica y falta de
autenticidad (Al Shloul et al., 2024; Chen et al., 2023), riesgos que Memarian y Doleck (2023) vinculan
con la reducción de autonomía estudiantil y desigualdades en acceso. Se propone un modelo centrado
en el estudiante, combinando retroalimentación automatizada con supervisión humana para fomentar
equidad, inclusión y pensamiento crítico (Dakakni & Safa, 2023).
Eficiencia educativa: La IA Gen optimiza tiempo de estudio y automatiza tareas administrativas,
mejorando participación y retroalimentación (Al Shloul et al., 2024; Awidi, 2024). Khosravi et al.
(2023) señalan su capacidad para acelerar el currículo sin comprometer calidad. No obstante, los sesgos
algorítmicos y falta de precisión limitan su eficacia (Idowu et al., 2024; Xu et al., 2024), mientras que
la automatización genera inquietudes sobre empleos y capacitación docente (Balan, 2024; Chiu, 2024).
Un modelo de integración curricular significativa sugiere incorporar IA Gen para fortalecer habilidades
del siglo XXI (pensamiento crítico, creatividad) y formar docentes en su uso ético-pedagógico
(Memarian & Doleck, 2023).
Innovaciones pedagógicas: Herramientas como PyTutor y ChatGPT facilitan enseñanza adaptativa en
programación e idiomas (Yang et al., 2024; Zhang et al., 2024), mientras impulsan metodologías como
aprendizaje basado en proyectos (Jin et al., 2024a). Pese a esto, faltan estrategias claras para su
implementación en aulas y medición de impacto a largo plazo en competencias clave (Bezirhan & von
Davier, 2023; Youssef et al., 2024). El modelo de evaluación adaptativa propone plataformas de
monitoreo continuo para ajustar estrategias pedagógicas (Slade et al., 2024).
Desafíos éticos: Privacidad, sesgos algorítmicos y dependencia tecnológica son críticos. Jacques et al.
(2024) enfatizan protocolos para manejo de datos, mientras Bhutoria (2022) alerta sobre desigualdades
por sesgos. La dependencia podría mermar autonomía estudiantil (Alfredo et al., 2024). Un marco ético
sólido debe regular transparencia algorítmica, protección de datos y equidad (Jin et al., 2024b).
A continuación, se discuten los principales resultados, se comparan con investigaciones previas y se
proponen modelos teóricos para guiar la implementación futura de la IA Gen en la educación superior.
Personalización del aprendizaje: La IA Gen, mediante sistemas como ChatGPT y PyTutor, adapta
contenidos al ritmo y necesidades individuales de los estudiantes, mejorando motivación y retención
(Acquah et al., 2024; Al Faraby et al., 2024). Bhutoria (2022) destaca su potencial para itinerarios
educativos personalizados. Sin embargo, surgen preocupaciones por dependencia tecnológica y falta de
autenticidad (Al Shloul et al., 2024; Chen et al., 2023), riesgos que Memarian y Doleck (2023) vinculan
con la reducción de autonomía estudiantil y desigualdades en acceso. Se propone un modelo centrado
en el estudiante, combinando retroalimentación automatizada con supervisión humana para fomentar
equidad, inclusión y pensamiento crítico (Dakakni & Safa, 2023).
Eficiencia educativa: La IA Gen optimiza tiempo de estudio y automatiza tareas administrativas,
mejorando participación y retroalimentación (Al Shloul et al., 2024; Awidi, 2024). Khosravi et al.
(2023) señalan su capacidad para acelerar el currículo sin comprometer calidad. No obstante, los sesgos
algorítmicos y falta de precisión limitan su eficacia (Idowu et al., 2024; Xu et al., 2024), mientras que
la automatización genera inquietudes sobre empleos y capacitación docente (Balan, 2024; Chiu, 2024).
Un modelo de integración curricular significativa sugiere incorporar IA Gen para fortalecer habilidades
del siglo XXI (pensamiento crítico, creatividad) y formar docentes en su uso ético-pedagógico
(Memarian & Doleck, 2023).
Innovaciones pedagógicas: Herramientas como PyTutor y ChatGPT facilitan enseñanza adaptativa en
programación e idiomas (Yang et al., 2024; Zhang et al., 2024), mientras impulsan metodologías como
aprendizaje basado en proyectos (Jin et al., 2024a). Pese a esto, faltan estrategias claras para su
implementación en aulas y medición de impacto a largo plazo en competencias clave (Bezirhan & von
Davier, 2023; Youssef et al., 2024). El modelo de evaluación adaptativa propone plataformas de
monitoreo continuo para ajustar estrategias pedagógicas (Slade et al., 2024).
Desafíos éticos: Privacidad, sesgos algorítmicos y dependencia tecnológica son críticos. Jacques et al.
(2024) enfatizan protocolos para manejo de datos, mientras Bhutoria (2022) alerta sobre desigualdades
por sesgos. La dependencia podría mermar autonomía estudiantil (Alfredo et al., 2024). Un marco ético
sólido debe regular transparencia algorítmica, protección de datos y equidad (Jin et al., 2024b).
pág. 6366
Modelos teóricos propuestos
1. Enfoque centrado en el estudiante: Personalización y accesibilidad, promoviendo aprendizaje
autónomo (Chen et al., 2023; Dakakni & Safa, 2023).
2. Integración curricular significativa: IA Gen como herramienta para habilidades del siglo XXI (Li
et al., 2025; Memarian & Doleck, 2023).
3. Formación docente: Capacitación en uso ético y pedagógico (Jacques et al., 2024; X. Wang et al.,
2024).
4. Evaluación adaptativa: Retroalimentación inmediata y ajuste de intervenciones (Slade et al., 2024)
5. Marco ético: Transparencia, equidad y explicabilidad en algoritmos (Jin et al., 2024a; Liu et al.,
2023).
Limitaciones y proyecciones futuras: Aunque esta investigación ha proporcionado una visión
exhaustiva del impacto de la IA Gen en la educación superior, es importante reconocer sus limitaciones.
En primer lugar, la mayoría de los estudios analizados se centran en contextos específicos, lo que limita
la generalización de los resultados. Además, la falta de estudios longitudinales dificulta la evaluación
del impacto a largo plazo de estas tecnologías en el aprendizaje y la equidad educativa.
En el futuro, se recomienda impulsar la investigación multidisciplinaria que explore la interacción entre
la tecnología, la pedagogía y la ética, con el objetivo de maximizar el potencial educativo de la IA Gen.
Además, es fundamental desarrollar políticas claras y mecanismos de regulación que aborden los
desafíos éticos y técnicos, garantizando una implementación responsable y equitativa de estas
tecnologías.
CONCLUSIONES
La presente investigación profundiza en el impacto de la inteligencia artificial generativa (IA Gen) en
la transformación digital de la educación superior, destacando su capacidad para personalizar el
aprendizaje, mejorar la eficiencia educativa e innovar en las prácticas pedagógicas. A pesar de sus
ventajas, la implementación de la IA Gen plantea desafíos éticos y técnicos que requieren una atención
prioritaria para su uso equitativo y responsable.
En términos de personalización del aprendizaje, se ha comprobado que herramientas como ChatGPT y
los sistemas de aprendizaje adaptativo facilitan la adaptación de los contenidos a las necesidades
Modelos teóricos propuestos
1. Enfoque centrado en el estudiante: Personalización y accesibilidad, promoviendo aprendizaje
autónomo (Chen et al., 2023; Dakakni & Safa, 2023).
2. Integración curricular significativa: IA Gen como herramienta para habilidades del siglo XXI (Li
et al., 2025; Memarian & Doleck, 2023).
3. Formación docente: Capacitación en uso ético y pedagógico (Jacques et al., 2024; X. Wang et al.,
2024).
4. Evaluación adaptativa: Retroalimentación inmediata y ajuste de intervenciones (Slade et al., 2024)
5. Marco ético: Transparencia, equidad y explicabilidad en algoritmos (Jin et al., 2024a; Liu et al.,
2023).
Limitaciones y proyecciones futuras: Aunque esta investigación ha proporcionado una visión
exhaustiva del impacto de la IA Gen en la educación superior, es importante reconocer sus limitaciones.
En primer lugar, la mayoría de los estudios analizados se centran en contextos específicos, lo que limita
la generalización de los resultados. Además, la falta de estudios longitudinales dificulta la evaluación
del impacto a largo plazo de estas tecnologías en el aprendizaje y la equidad educativa.
En el futuro, se recomienda impulsar la investigación multidisciplinaria que explore la interacción entre
la tecnología, la pedagogía y la ética, con el objetivo de maximizar el potencial educativo de la IA Gen.
Además, es fundamental desarrollar políticas claras y mecanismos de regulación que aborden los
desafíos éticos y técnicos, garantizando una implementación responsable y equitativa de estas
tecnologías.
CONCLUSIONES
La presente investigación profundiza en el impacto de la inteligencia artificial generativa (IA Gen) en
la transformación digital de la educación superior, destacando su capacidad para personalizar el
aprendizaje, mejorar la eficiencia educativa e innovar en las prácticas pedagógicas. A pesar de sus
ventajas, la implementación de la IA Gen plantea desafíos éticos y técnicos que requieren una atención
prioritaria para su uso equitativo y responsable.
En términos de personalización del aprendizaje, se ha comprobado que herramientas como ChatGPT y
los sistemas de aprendizaje adaptativo facilitan la adaptación de los contenidos a las necesidades
pág. 6367
individuales de los estudiantes, incrementando su motivación y retención del conocimiento. Sin
embargo, persisten preocupaciones relacionadas con la equidad en el acceso y la dependencia
tecnológica, lo que subraya la necesidad de estrategias para garantizar su disponibilidad sin generar
desigualdades.
Desde la perspectiva de la eficiencia educativa, la automatización de tareas administrativas y docentes
ha permitido optimizar el tiempo de los educadores, favoreciendo actividades más interactivas. No
obstante, la investigación también revela limitaciones en la precisión de los algoritmos y la existencia
de sesgos, lo que exige mecanismos de supervisión humana y mejoras en el desarrollo de algoritmos
más justos.
En cuanto a la innovación pedagógica, la IA Gen ha impulsado nuevas metodologías, como la
evaluación automatizada y la generación de contenido dinámico. Sin embargo, la implementación en el
aula sigue siendo un reto, y se requieren estudios más profundos sobre su impacto en el desarrollo de
competencias clave.
Finalmente, los desafíos éticos incluyen la privacidad de los datos, la equidad en el acceso, la
transparencia de los algoritmos y la propiedad intelectual de los contenidos generados. Se requiere el
desarrollo de marcos regulatorios que aseguren un uso seguro y responsable de la IA Gen en la
educación superior.
Este estudio contribuye significativamente al debate académico, proponiendo modelos teóricos que
guían la integración de la IA Gen en la educación con un enfoque en personalización, integración
curricular, formación docente y evaluación adaptativa.
REFERENCIAS BIBLIOGRÁFICAS
Acosta-Enriquez, B. G., Arbulú Pérez Vargas, C. G., Huamaní Jordan, O., Arbulú Ballesteros, M. A., &
Paredes Morales, A. E. (2024). Exploring attitudes toward ChatGPT among college students: An
empirical analysis of cognitive, affective, and behavioral components using path analysis.
Computers and Education: Artificial Intelligence, 7. https://doi.org/10.1016/j.caeai.2024.100320
Acquah, B. Y. S., Arthur, F., Salifu, I., Quayson, E., & Nortey, S. A. (2024). Preservice teachers’
behavioural intention to use artificial intelligence in lesson planning: A dual-staged PLS-SEM-
individuales de los estudiantes, incrementando su motivación y retención del conocimiento. Sin
embargo, persisten preocupaciones relacionadas con la equidad en el acceso y la dependencia
tecnológica, lo que subraya la necesidad de estrategias para garantizar su disponibilidad sin generar
desigualdades.
Desde la perspectiva de la eficiencia educativa, la automatización de tareas administrativas y docentes
ha permitido optimizar el tiempo de los educadores, favoreciendo actividades más interactivas. No
obstante, la investigación también revela limitaciones en la precisión de los algoritmos y la existencia
de sesgos, lo que exige mecanismos de supervisión humana y mejoras en el desarrollo de algoritmos
más justos.
En cuanto a la innovación pedagógica, la IA Gen ha impulsado nuevas metodologías, como la
evaluación automatizada y la generación de contenido dinámico. Sin embargo, la implementación en el
aula sigue siendo un reto, y se requieren estudios más profundos sobre su impacto en el desarrollo de
competencias clave.
Finalmente, los desafíos éticos incluyen la privacidad de los datos, la equidad en el acceso, la
transparencia de los algoritmos y la propiedad intelectual de los contenidos generados. Se requiere el
desarrollo de marcos regulatorios que aseguren un uso seguro y responsable de la IA Gen en la
educación superior.
Este estudio contribuye significativamente al debate académico, proponiendo modelos teóricos que
guían la integración de la IA Gen en la educación con un enfoque en personalización, integración
curricular, formación docente y evaluación adaptativa.
REFERENCIAS BIBLIOGRÁFICAS
Acosta-Enriquez, B. G., Arbulú Pérez Vargas, C. G., Huamaní Jordan, O., Arbulú Ballesteros, M. A., &
Paredes Morales, A. E. (2024). Exploring attitudes toward ChatGPT among college students: An
empirical analysis of cognitive, affective, and behavioral components using path analysis.
Computers and Education: Artificial Intelligence, 7. https://doi.org/10.1016/j.caeai.2024.100320
Acquah, B. Y. S., Arthur, F., Salifu, I., Quayson, E., & Nortey, S. A. (2024). Preservice teachers’
behavioural intention to use artificial intelligence in lesson planning: A dual-staged PLS-SEM-
pág. 6368
ANN approach. Computers and Education: Artificial Intelligence, 7, 100307.
https://doi.org/https://doi.org/10.1016/j.caeai.2024.100307
Adel, A., Ahsan, A., & Davison, C. (2024). ChatGPT Promises and Challenges in Education:
Computational and Ethical Perspectives. In Education Sciences (Vol. 14, Issue 8).
Multidisciplinary Digital Publishing Institute (MDPI). https://doi.org/10.3390/educsci14080814
Al Faraby, S., Romadhony, A., & Adiwijaya. (2024). Analysis of LLMs for educational question
classification and generation. Computers and Education: Artificial Intelligence, 7, 100298.
https://doi.org/https://doi.org/10.1016/j.caeai.2024.100298
Al Shloul, T., Mazhar, T., Abbas, Q., Iqbal, M., Ghadi, Y. Y., Shahzad, T., Mallek, F., & Hamam, H.
(2024). Role of activity-based learning and ChatGPT on students’ performance in education.
Computers and Education: Artificial Intelligence, 6, 100219.
https://doi.org/https://doi.org/10.1016/j.caeai.2024.100219
Alfredo, R., Echeverria, V., Jin, Y., Yan, L., Swiecki, Z., Gašević, D., & Martinez-Maldonado, R. (2024).
Human-centred learning analytics and AI in education: A systematic literature review. Computers
and Education: Artificial Intelligence, 6, 100215.
https://doi.org/https://doi.org/10.1016/j.caeai.2024.100215
AlSagri, H. S., & Sohail, S. S. (2024). Evaluating the role of Artificial Intelligence in sustainable
development goals with an emphasis on “quality education.” Discover Sustainability, 5(1).
https://doi.org/10.1007/s43621-024-00682-9
Al-Shabandar, R., Jaddoa, A., Elwi, T. A., Mohammed, A. H., & Hussain, A. J. (2024). A Systematic
Review for the Implication of Generative AI in Higher Education. Infocommunications Journal,
16(3), 31–42. https://doi.org/10.36244/ICJ.2024.3.3
Alshahrani, B. T., Pileggi, S. F., & Karimi, F. (2024). A Social Perspective on AI in the Higher Education
System: A Semisystematic Literature Review. In Electronics (Switzerland) (Vol. 13, Issue 8).
Multidisciplinary Digital Publishing Institute (MDPI).
https://doi.org/10.3390/electronics13081572
ANN approach. Computers and Education: Artificial Intelligence, 7, 100307.
https://doi.org/https://doi.org/10.1016/j.caeai.2024.100307
Adel, A., Ahsan, A., & Davison, C. (2024). ChatGPT Promises and Challenges in Education:
Computational and Ethical Perspectives. In Education Sciences (Vol. 14, Issue 8).
Multidisciplinary Digital Publishing Institute (MDPI). https://doi.org/10.3390/educsci14080814
Al Faraby, S., Romadhony, A., & Adiwijaya. (2024). Analysis of LLMs for educational question
classification and generation. Computers and Education: Artificial Intelligence, 7, 100298.
https://doi.org/https://doi.org/10.1016/j.caeai.2024.100298
Al Shloul, T., Mazhar, T., Abbas, Q., Iqbal, M., Ghadi, Y. Y., Shahzad, T., Mallek, F., & Hamam, H.
(2024). Role of activity-based learning and ChatGPT on students’ performance in education.
Computers and Education: Artificial Intelligence, 6, 100219.
https://doi.org/https://doi.org/10.1016/j.caeai.2024.100219
Alfredo, R., Echeverria, V., Jin, Y., Yan, L., Swiecki, Z., Gašević, D., & Martinez-Maldonado, R. (2024).
Human-centred learning analytics and AI in education: A systematic literature review. Computers
and Education: Artificial Intelligence, 6, 100215.
https://doi.org/https://doi.org/10.1016/j.caeai.2024.100215
AlSagri, H. S., & Sohail, S. S. (2024). Evaluating the role of Artificial Intelligence in sustainable
development goals with an emphasis on “quality education.” Discover Sustainability, 5(1).
https://doi.org/10.1007/s43621-024-00682-9
Al-Shabandar, R., Jaddoa, A., Elwi, T. A., Mohammed, A. H., & Hussain, A. J. (2024). A Systematic
Review for the Implication of Generative AI in Higher Education. Infocommunications Journal,
16(3), 31–42. https://doi.org/10.36244/ICJ.2024.3.3
Alshahrani, B. T., Pileggi, S. F., & Karimi, F. (2024). A Social Perspective on AI in the Higher Education
System: A Semisystematic Literature Review. In Electronics (Switzerland) (Vol. 13, Issue 8).
Multidisciplinary Digital Publishing Institute (MDPI).
https://doi.org/10.3390/electronics13081572
pág. 6369
Al-Zawqari, A., Peumans, D., & Vandersteen, G. (2024). Latent space bias mitigation for predicting at-
risk students. Computers and Education: Artificial Intelligence, 7.
https://doi.org/10.1016/j.caeai.2024.100300
Awidi, I. T. (2024). Comparing expert tutor evaluation of reflective essays with marking by generative
artificial intelligence (AI) tool. Computers and Education: Artificial Intelligence, 6, 100226.
https://doi.org/https://doi.org/10.1016/j.caeai.2024.100226
Azizah, Z., Ohyama, T., Zhao, X., Ohkawa, Y., & Mitsuishi, T. (2024). Predicting at-risk students in the
early stage of a blended learning course via machine learning using limited data. Computers and
Education: Artificial Intelligence, 7. https://doi.org/10.1016/j.caeai.2024.100261
Babu, G., & Wooden, O. (2023). Managing the Strategic Transformation of Higher Education through
Artificial Intelligence. Administrative Sciences, 13(9), 196.
https://doi.org/https://doi.org/10.3390/admsci13090196
Balan, A. (2024). Examining the ethical and sustainability challenges of legal
education’s AI revolution. International Journal of the Legal
Profession. https://doi.org/10.1080/09695958.2024.2421179
Bezirhan, U., & von Davier, M. (2023). Automated reading passage generation with OpenAI’s large
language model. Computers and Education: Artificial Intelligence, 5.
https://doi.org/10.1016/j.caeai.2023.100161
Bhutoria, A. (2022). Personalized education and Artificial Intelligence in the United States, China, and
India: A systematic review using a Human-In-The-Loop model. Computers and Education:
Artificial Intelligence, 3, 100068. https://doi.org/https://doi.org/10.1016/j.caeai.2022.100068
Boustani, N. M., Sidani, D., & Boustany, Z. (2024). Leveraging ICT and Generative AI in Higher
Education for Sustainable Development: The Case of a Lebanese Private University.
Administrative Sciences, 14(10). https://doi.org/10.3390/admsci14100251
Chauncey, S. A., & McKenna, H. P. (2023). A framework and exemplars for ethical and responsible use
of AI Chatbot technology to support teaching and learning. Computers and Education: Artificial
Intelligence, 5. https://doi.org/10.1016/j.caeai.2023.100182
Al-Zawqari, A., Peumans, D., & Vandersteen, G. (2024). Latent space bias mitigation for predicting at-
risk students. Computers and Education: Artificial Intelligence, 7.
https://doi.org/10.1016/j.caeai.2024.100300
Awidi, I. T. (2024). Comparing expert tutor evaluation of reflective essays with marking by generative
artificial intelligence (AI) tool. Computers and Education: Artificial Intelligence, 6, 100226.
https://doi.org/https://doi.org/10.1016/j.caeai.2024.100226
Azizah, Z., Ohyama, T., Zhao, X., Ohkawa, Y., & Mitsuishi, T. (2024). Predicting at-risk students in the
early stage of a blended learning course via machine learning using limited data. Computers and
Education: Artificial Intelligence, 7. https://doi.org/10.1016/j.caeai.2024.100261
Babu, G., & Wooden, O. (2023). Managing the Strategic Transformation of Higher Education through
Artificial Intelligence. Administrative Sciences, 13(9), 196.
https://doi.org/https://doi.org/10.3390/admsci13090196
Balan, A. (2024). Examining the ethical and sustainability challenges of legal
education’s AI revolution. International Journal of the Legal
Profession. https://doi.org/10.1080/09695958.2024.2421179
Bezirhan, U., & von Davier, M. (2023). Automated reading passage generation with OpenAI’s large
language model. Computers and Education: Artificial Intelligence, 5.
https://doi.org/10.1016/j.caeai.2023.100161
Bhutoria, A. (2022). Personalized education and Artificial Intelligence in the United States, China, and
India: A systematic review using a Human-In-The-Loop model. Computers and Education:
Artificial Intelligence, 3, 100068. https://doi.org/https://doi.org/10.1016/j.caeai.2022.100068
Boustani, N. M., Sidani, D., & Boustany, Z. (2024). Leveraging ICT and Generative AI in Higher
Education for Sustainable Development: The Case of a Lebanese Private University.
Administrative Sciences, 14(10). https://doi.org/10.3390/admsci14100251
Chauncey, S. A., & McKenna, H. P. (2023). A framework and exemplars for ethical and responsible use
of AI Chatbot technology to support teaching and learning. Computers and Education: Artificial
Intelligence, 5. https://doi.org/10.1016/j.caeai.2023.100182
pág. 6370
Chen, B., Zhu, X., & Díaz del Castillo H., F. (2023). Integrating generative AI in knowledge building.
Computers and Education: Artificial Intelligence, 5. https://doi.org/10.1016/j.caeai.2023.100184
Chiu, T. K. F. (2024). Future research recommendations for transforming higher education with
generative AI. Computers and Education: Artificial Intelligence, 6.
https://doi.org/10.1016/j.caeai.2023.100197
Collie, R. J., & Martin, A. J. (2024). Teachers’ motivation and engagement to harness generative AI for
teaching and learning: The role of contextual, occupational, and background factors. Computers
and Education: Artificial Intelligence, 6. https://doi.org/10.1016/j.caeai.2024.100224
Dai, W., Tsai, Y. S., Lin, J., Aldino, A., Jin, H., Li, T., Gašević, D., & Chen, G. (2024). Assessing the
proficiency of large language models in automatic feedback generation: An evaluation study.
Computers and Education: Artificial Intelligence, 7. https://doi.org/10.1016/j.caeai.2024.100299
Dakakni, D., & Safa, N. (2023). Artificial intelligence in the L2 classroom: Implications and challenges
on ethics and equity in higher education: A 21st century Pandora’s box. Computers and Education:
Artificial Intelligence, 5, 100179. https://doi.org/https://doi.org/10.1016/j.caeai.2023.100179
Dolenc, K., & Brumen, M. (2024). Exploring social and computer science students’ perceptions of AI
integration in (foreign) language instruction. Computers and Education: Artificial Intelligence, 7,
100285. https://doi.org/https://doi.org/10.1016/j.caeai.2024.100285
Du, H., Jia, Q., Gehringer, E., & Wang, X. (2024). Harnessing large language models to auto-evaluate
the student project reports. Computers and Education: Artificial Intelligence, 7.
https://doi.org/10.1016/j.caeai.2024.100268
Einarsson, H., Lund, S. H., & Jónsdóttir, A. H. (2024). Application of ChatGPT for automated problem
reframing across academic domains. Computers and Education: Artificial Intelligence, 6, 100194.
https://doi.org/https://doi.org/10.1016/j.caeai.2023.100194
Essel, H. B., Vlachopoulos, D., Essuman, A. B., & Amankwa, J. O. (2024). ChatGPT effects on
cognitive skills of undergraduate students: Receiving instant responses from AI-based
conversational large language models (LLMs). Computers and Education: Artificial Intelligence,
6, 100198. https://doi.org/https://doi.org/10.1016/j.caeai.2023.100198
Chen, B., Zhu, X., & Díaz del Castillo H., F. (2023). Integrating generative AI in knowledge building.
Computers and Education: Artificial Intelligence, 5. https://doi.org/10.1016/j.caeai.2023.100184
Chiu, T. K. F. (2024). Future research recommendations for transforming higher education with
generative AI. Computers and Education: Artificial Intelligence, 6.
https://doi.org/10.1016/j.caeai.2023.100197
Collie, R. J., & Martin, A. J. (2024). Teachers’ motivation and engagement to harness generative AI for
teaching and learning: The role of contextual, occupational, and background factors. Computers
and Education: Artificial Intelligence, 6. https://doi.org/10.1016/j.caeai.2024.100224
Dai, W., Tsai, Y. S., Lin, J., Aldino, A., Jin, H., Li, T., Gašević, D., & Chen, G. (2024). Assessing the
proficiency of large language models in automatic feedback generation: An evaluation study.
Computers and Education: Artificial Intelligence, 7. https://doi.org/10.1016/j.caeai.2024.100299
Dakakni, D., & Safa, N. (2023). Artificial intelligence in the L2 classroom: Implications and challenges
on ethics and equity in higher education: A 21st century Pandora’s box. Computers and Education:
Artificial Intelligence, 5, 100179. https://doi.org/https://doi.org/10.1016/j.caeai.2023.100179
Dolenc, K., & Brumen, M. (2024). Exploring social and computer science students’ perceptions of AI
integration in (foreign) language instruction. Computers and Education: Artificial Intelligence, 7,
100285. https://doi.org/https://doi.org/10.1016/j.caeai.2024.100285
Du, H., Jia, Q., Gehringer, E., & Wang, X. (2024). Harnessing large language models to auto-evaluate
the student project reports. Computers and Education: Artificial Intelligence, 7.
https://doi.org/10.1016/j.caeai.2024.100268
Einarsson, H., Lund, S. H., & Jónsdóttir, A. H. (2024). Application of ChatGPT for automated problem
reframing across academic domains. Computers and Education: Artificial Intelligence, 6, 100194.
https://doi.org/https://doi.org/10.1016/j.caeai.2023.100194
Essel, H. B., Vlachopoulos, D., Essuman, A. B., & Amankwa, J. O. (2024). ChatGPT effects on
cognitive skills of undergraduate students: Receiving instant responses from AI-based
conversational large language models (LLMs). Computers and Education: Artificial Intelligence,
6, 100198. https://doi.org/https://doi.org/10.1016/j.caeai.2023.100198
pág. 6371
Farhood, H., Joudah, I., Beheshti, A., & Muller, S. (2024). Advancing student outcome predictions
through generative adversarial networks. Computers and Education: Artificial Intelligence, 7,
100293. https://doi.org/https://doi.org/10.1016/j.caeai.2024.100293
Foung, D., Lin, L., & Chen, J. (2024). Reinventing assessments with ChatGPT and other online tools:
Opportunities for GenAI-empowered assessment practices. Computers and Education: Artificial
Intelligence, 6. https://doi.org/10.1016/j.caeai.2024.100250
Fu, Y., & Weng, Z. (2024). Navigating the ethical terrain of AI in education: A systematic review on
framing responsible human-centered AI practices. Computers and Education: Artificial
Intelligence, 7, 100306. https://doi.org/https://doi.org/10.1016/j.caeai.2024.100306
Gruenhagen, J. H., Sinclair, P. M., Carroll, J. A., Baker, P. R. A., Wilson, A., & Demant, D. (2024). The
rapid rise of generative AI and its implications for academic integrity: Students’ perceptions and
use of chatbots for assistance with assessments. Computers and Education: Artificial Intelligence,
7. https://doi.org/10.1016/j.caeai.2024.100273
Guan, L., Li, S., & Gu, M. M. (2024). AI in informal digital English learning: A meta-analysis of its
effectiveness on proficiency, motivation, and self-regulation. Computers and Education: Artificial
Intelligence, 7, 100323. https://doi.org/https://doi.org/10.1016/j.caeai.2024.100323
Hadzhikoleva, S., Rachovski, T., Ivanov, I., Hadzhikolev, E., & Dimitrov, G. (2024). Automated Test
Creation Using Large Language Models: A Practical Application. Applied Sciences (Switzerland),
14(19). https://doi.org/10.3390/app14199125
Hossain, R., Sohag, H. J., Hasan, F., Ahmed, S., Al- Amin, & Islam, M. M. (2024). Prospective Artificial
Intelligence (AI) Applications in the University Education Level: Enhancing Learning, Teaching
and Administration through a PRISMA Base Review Systematic Review. Pakistan Journal of Life
and Social Sciences, 22(2), 9173–9191. https://doi.org/10.57239/PJLSS-2024-22.2.00694
Hossain, R., Sohag, H. J., Hasan, F., Ahmed, S., & Islam, M. M. (2024). Prospective Artificial
Intelligence (AI) Applications in the University Education Level: Enhancing Learning, Teaching
and Administration through a PRISMA Base Review Systematic Review. Pakistan Journal of Life
and Social Sciences, 22(2), 9173–9191. https://doi.org/10.57239/PJLSS-2024-22.2.00694
Farhood, H., Joudah, I., Beheshti, A., & Muller, S. (2024). Advancing student outcome predictions
through generative adversarial networks. Computers and Education: Artificial Intelligence, 7,
100293. https://doi.org/https://doi.org/10.1016/j.caeai.2024.100293
Foung, D., Lin, L., & Chen, J. (2024). Reinventing assessments with ChatGPT and other online tools:
Opportunities for GenAI-empowered assessment practices. Computers and Education: Artificial
Intelligence, 6. https://doi.org/10.1016/j.caeai.2024.100250
Fu, Y., & Weng, Z. (2024). Navigating the ethical terrain of AI in education: A systematic review on
framing responsible human-centered AI practices. Computers and Education: Artificial
Intelligence, 7, 100306. https://doi.org/https://doi.org/10.1016/j.caeai.2024.100306
Gruenhagen, J. H., Sinclair, P. M., Carroll, J. A., Baker, P. R. A., Wilson, A., & Demant, D. (2024). The
rapid rise of generative AI and its implications for academic integrity: Students’ perceptions and
use of chatbots for assistance with assessments. Computers and Education: Artificial Intelligence,
7. https://doi.org/10.1016/j.caeai.2024.100273
Guan, L., Li, S., & Gu, M. M. (2024). AI in informal digital English learning: A meta-analysis of its
effectiveness on proficiency, motivation, and self-regulation. Computers and Education: Artificial
Intelligence, 7, 100323. https://doi.org/https://doi.org/10.1016/j.caeai.2024.100323
Hadzhikoleva, S., Rachovski, T., Ivanov, I., Hadzhikolev, E., & Dimitrov, G. (2024). Automated Test
Creation Using Large Language Models: A Practical Application. Applied Sciences (Switzerland),
14(19). https://doi.org/10.3390/app14199125
Hossain, R., Sohag, H. J., Hasan, F., Ahmed, S., Al- Amin, & Islam, M. M. (2024). Prospective Artificial
Intelligence (AI) Applications in the University Education Level: Enhancing Learning, Teaching
and Administration through a PRISMA Base Review Systematic Review. Pakistan Journal of Life
and Social Sciences, 22(2), 9173–9191. https://doi.org/10.57239/PJLSS-2024-22.2.00694
Hossain, R., Sohag, H. J., Hasan, F., Ahmed, S., & Islam, M. M. (2024). Prospective Artificial
Intelligence (AI) Applications in the University Education Level: Enhancing Learning, Teaching
and Administration through a PRISMA Base Review Systematic Review. Pakistan Journal of Life
and Social Sciences, 22(2), 9173–9191. https://doi.org/10.57239/PJLSS-2024-22.2.00694
pág. 6372
Hsu, W. L., & Silalahi, A. D. K. (2024). Exploring the paradoxical use of ChatGPT in education:
Analyzing benefits, risks, and coping strategies through integrated UTAUT and PMT theories
using a hybrid approach of SEM and fsQCA. Computers and Education: Artificial Intelligence, 7.
https://doi.org/10.1016/j.caeai.2024.100329
Idowu, J. A., Koshiyama, A. S., & Treleaven, P. (2024). Investigating algorithmic bias in student
progress monitoring. Computers and Education: Artificial Intelligence, 7.
https://doi.org/10.1016/j.caeai.2024.100267
İpek, Z. H., Gözüm, A. İ. C., Papadakis, S., & Kallogiannakis, M. (2023). Educational Applications of
the ChatGPT AI System: A Systematic Review Research. Educational Process: International
Journal, 12(3), 26–55. https://doi.org/10.22521/edupij.2023.123.2
Jacques, P. H., Moss, H. K., & Garger, J. (2024). A synthesis of AI in higher education: Shaping the
future. In Journal of Behavioral and Applied Management (Vol. 2024, Issue 2).
https://jbam.scholasticahq.com/
Jiang, Q., Zhang, Y., Wei, W., & Gu, C. (2024). Evaluating technological and instructional factors
influencing the acceptance of AIGC-assisted design courses. Computers and Education: Artificial
Intelligence, 7. https://doi.org/10.1016/j.caeai.2024.100287
Jin, Y., Yan, L., Echeverria, V., Gašević, D., & Martinez-Maldonado, R. (2024a). Generative AI in
Higher Education: A Global Perspective of Institutional Adoption Policies and Guidelines.
Computers and Education: Artificial Intelligence, 100348.
https://doi.org/10.1016/j.caeai.2024.100348
Jin, Y., Yan, L., Echeverria, V., Gašević, D., & Martinez-Maldonado, R. (2024b). Generative AI in
Higher Education: A Global Perspective of Institutional Adoption Policies and Guidelines.
http://arxiv.org/abs/2405.11800
Kamalov, F., Santandreu Calonge, D., & Gurrib, I. (2023). New Era of Artificial Intelligence in
Education: Towards a Sustainable Multifaceted Revolution. Sustainability (Switzerland), 15(16).
https://doi.org/10.3390/su151612451
Hsu, W. L., & Silalahi, A. D. K. (2024). Exploring the paradoxical use of ChatGPT in education:
Analyzing benefits, risks, and coping strategies through integrated UTAUT and PMT theories
using a hybrid approach of SEM and fsQCA. Computers and Education: Artificial Intelligence, 7.
https://doi.org/10.1016/j.caeai.2024.100329
Idowu, J. A., Koshiyama, A. S., & Treleaven, P. (2024). Investigating algorithmic bias in student
progress monitoring. Computers and Education: Artificial Intelligence, 7.
https://doi.org/10.1016/j.caeai.2024.100267
İpek, Z. H., Gözüm, A. İ. C., Papadakis, S., & Kallogiannakis, M. (2023). Educational Applications of
the ChatGPT AI System: A Systematic Review Research. Educational Process: International
Journal, 12(3), 26–55. https://doi.org/10.22521/edupij.2023.123.2
Jacques, P. H., Moss, H. K., & Garger, J. (2024). A synthesis of AI in higher education: Shaping the
future. In Journal of Behavioral and Applied Management (Vol. 2024, Issue 2).
https://jbam.scholasticahq.com/
Jiang, Q., Zhang, Y., Wei, W., & Gu, C. (2024). Evaluating technological and instructional factors
influencing the acceptance of AIGC-assisted design courses. Computers and Education: Artificial
Intelligence, 7. https://doi.org/10.1016/j.caeai.2024.100287
Jin, Y., Yan, L., Echeverria, V., Gašević, D., & Martinez-Maldonado, R. (2024a). Generative AI in
Higher Education: A Global Perspective of Institutional Adoption Policies and Guidelines.
Computers and Education: Artificial Intelligence, 100348.
https://doi.org/10.1016/j.caeai.2024.100348
Jin, Y., Yan, L., Echeverria, V., Gašević, D., & Martinez-Maldonado, R. (2024b). Generative AI in
Higher Education: A Global Perspective of Institutional Adoption Policies and Guidelines.
http://arxiv.org/abs/2405.11800
Kamalov, F., Santandreu Calonge, D., & Gurrib, I. (2023). New Era of Artificial Intelligence in
Education: Towards a Sustainable Multifaceted Revolution. Sustainability (Switzerland), 15(16).
https://doi.org/10.3390/su151612451
pág. 6373
Khosravi, H., Denny, P., Moore, S., & Stamper, J. (2023). Learnersourcing in the age of AI: Student,
educator and machine partnerships for content creation. Computers and Education: Artificial
Intelligence, 5, 100151. https://doi.org/https://doi.org/10.1016/j.caeai.2023.100151
Kizilcec, R. F., Huber, E., Papanastasiou, E. C., Cram, A., Makridis, C. A., Smolansky, A., Zeivots, S.,
& Raduescu, C. (2024). Perceived impact of generative AI on assessments: Comparing educator
and student perspectives in Australia, Cyprus, and the United States. Computers and Education:
Artificial Intelligence, 7, 100269. https://doi.org/https://doi.org/10.1016/j.caeai.2024.100269
Kohnke, L. (2024). Exploring EAP students’ perceptions of GenAI and traditional grammar-checking
tools for language learning. Computers and Education: Artificial Intelligence, 7.
https://doi.org/10.1016/j.caeai.2024.100279
Lai, C. Y., Cheung, K. Y., & Chan, C. S. (2023). Exploring the role of intrinsic motivation in ChatGPT
adoption to support active learning: An extension of the technology acceptance model. Computers
and Education: Artificial Intelligence, 5. https://doi.org/10.1016/j.caeai.2023.100178
Lai, W. Y. W., & Lee, J. S. (2024). A systematic review of conversational AI tools in ELT: Publication
trends, tools, research methods, learning outcomes, and antecedents. Computers and Education:
Artificial Intelligence, 7, 100291. https://doi.org/https://doi.org/10.1016/j.caeai.2024.100291
Lee, D., Arnold, M., Srivastava, A., Plastow, K., Strelan, P., Ploeckl, F., Lekkas, D., & Palmer, E. (2024).
The impact of generative AI on higher education learning and teaching: A study of educators’
perspectives. Computers and Education: Artificial Intelligence, 6, 100221.
https://doi.org/https://doi.org/10.1016/j.caeai.2024.100221
Li, C., Xing, W., Song, Y., & Lyu, B. (2025). RICE AlgebraBot: Lessons learned from designing and
developing responsible conversational AI using induction, concretization, and exemplification to
support algebra learning. Computers and Education: Artificial Intelligence, 8.
https://doi.org/10.1016/j.caeai.2024.100338
Liu, M., Ren, Y., Nyagoga, L. M., Stonier, F., Wu, Z., & Yu, L. (2023). Future of education in the era of
generative artificial intelligence: Consensus among Chinese scholars on applications of ChatGPT
in schools. Future in Educational Research, 1(1), 72–101. https://doi.org/10.1002/fer3.10
Khosravi, H., Denny, P., Moore, S., & Stamper, J. (2023). Learnersourcing in the age of AI: Student,
educator and machine partnerships for content creation. Computers and Education: Artificial
Intelligence, 5, 100151. https://doi.org/https://doi.org/10.1016/j.caeai.2023.100151
Kizilcec, R. F., Huber, E., Papanastasiou, E. C., Cram, A., Makridis, C. A., Smolansky, A., Zeivots, S.,
& Raduescu, C. (2024). Perceived impact of generative AI on assessments: Comparing educator
and student perspectives in Australia, Cyprus, and the United States. Computers and Education:
Artificial Intelligence, 7, 100269. https://doi.org/https://doi.org/10.1016/j.caeai.2024.100269
Kohnke, L. (2024). Exploring EAP students’ perceptions of GenAI and traditional grammar-checking
tools for language learning. Computers and Education: Artificial Intelligence, 7.
https://doi.org/10.1016/j.caeai.2024.100279
Lai, C. Y., Cheung, K. Y., & Chan, C. S. (2023). Exploring the role of intrinsic motivation in ChatGPT
adoption to support active learning: An extension of the technology acceptance model. Computers
and Education: Artificial Intelligence, 5. https://doi.org/10.1016/j.caeai.2023.100178
Lai, W. Y. W., & Lee, J. S. (2024). A systematic review of conversational AI tools in ELT: Publication
trends, tools, research methods, learning outcomes, and antecedents. Computers and Education:
Artificial Intelligence, 7, 100291. https://doi.org/https://doi.org/10.1016/j.caeai.2024.100291
Lee, D., Arnold, M., Srivastava, A., Plastow, K., Strelan, P., Ploeckl, F., Lekkas, D., & Palmer, E. (2024).
The impact of generative AI on higher education learning and teaching: A study of educators’
perspectives. Computers and Education: Artificial Intelligence, 6, 100221.
https://doi.org/https://doi.org/10.1016/j.caeai.2024.100221
Li, C., Xing, W., Song, Y., & Lyu, B. (2025). RICE AlgebraBot: Lessons learned from designing and
developing responsible conversational AI using induction, concretization, and exemplification to
support algebra learning. Computers and Education: Artificial Intelligence, 8.
https://doi.org/10.1016/j.caeai.2024.100338
Liu, M., Ren, Y., Nyagoga, L. M., Stonier, F., Wu, Z., & Yu, L. (2023). Future of education in the era of
generative artificial intelligence: Consensus among Chinese scholars on applications of ChatGPT
in schools. Future in Educational Research, 1(1), 72–101. https://doi.org/10.1002/fer3.10
pág. 6374
Lünich, M., Keller, B., & Marcinkowski, F. (2024). Diverging perceptions of artificial intelligence in
higher education: A comparison of student and public assessments on risks and damages of
academic performance prediction in Germany. Computers and Education: Artificial Intelligence,
7, 100305. https://doi.org/https://doi.org/10.1016/j.caeai.2024.100305
Ma, Q., Crosthwaite, P., Sun, D., & Zou, D. (2024). Exploring ChatGPT literacy in language education:
A global perspective and comprehensive approach. Computers and Education: Artificial
Intelligence, 7, 100278. https://doi.org/https://doi.org/10.1016/j.caeai.2024.100278
Malik, K., & Raza, A. (2023). Contribution of Journal of Intellectual Property Rights (JIPR) in IPR
Research: A View through the Articles Published in the First Decade of Twenty-First Century
(2000–2004) — II. Journal of Intellectual Property Rights, 28(2), 171–185.
https://doi.org/10.56042/jipr.v28i2.562
Markauskaite, L., Marrone, R., Poquet, O., Knight, S., Martinez-Maldonado, R., Howard, S., Tondeur,
J., De Laat, M., Buckingham Shum, S., Gašević, D., & Siemens, G. (2022). Rethinking the
entwinement between artificial intelligence and human learning: What capabilities do learners
need for a world with AI? Computers and Education: Artificial Intelligence, 3, 100056.
https://doi.org/https://doi.org/10.1016/j.caeai.2022.100056
Memarian, B., & Doleck, T. (2023). Fairness, Accountability, Transparency, and Ethics (FATE) in
Artificial Intelligence (AI) and higher education: A systematic review. In Computers and
Education: Artificial Intelligence (Vol. 5). Elsevier B.V.
https://doi.org/10.1016/j.caeai.2023.100152
Meniado, J. C., Huyen, D. T. T., Panyadilokpong, N., & Lertkomolwit, P. (2024). Using ChatGPT for
second language writing: Experiences and perceptions of EFL learners in Thailand and Vietnam.
Computers and Education: Artificial Intelligence, 7, 100313.
https://doi.org/https://doi.org/10.1016/j.caeai.2024.100313
Mezak Matijevic, M., Pisker, B., & Dokic, K. (2024). Constructing a Socio-Legal Framework Proposal
for Governing Large Language Model Usage and Application in Education. Social Sciences,
13(9), 479. https://doi.org/10.3390/socsci13090479
Lünich, M., Keller, B., & Marcinkowski, F. (2024). Diverging perceptions of artificial intelligence in
higher education: A comparison of student and public assessments on risks and damages of
academic performance prediction in Germany. Computers and Education: Artificial Intelligence,
7, 100305. https://doi.org/https://doi.org/10.1016/j.caeai.2024.100305
Ma, Q., Crosthwaite, P., Sun, D., & Zou, D. (2024). Exploring ChatGPT literacy in language education:
A global perspective and comprehensive approach. Computers and Education: Artificial
Intelligence, 7, 100278. https://doi.org/https://doi.org/10.1016/j.caeai.2024.100278
Malik, K., & Raza, A. (2023). Contribution of Journal of Intellectual Property Rights (JIPR) in IPR
Research: A View through the Articles Published in the First Decade of Twenty-First Century
(2000–2004) — II. Journal of Intellectual Property Rights, 28(2), 171–185.
https://doi.org/10.56042/jipr.v28i2.562
Markauskaite, L., Marrone, R., Poquet, O., Knight, S., Martinez-Maldonado, R., Howard, S., Tondeur,
J., De Laat, M., Buckingham Shum, S., Gašević, D., & Siemens, G. (2022). Rethinking the
entwinement between artificial intelligence and human learning: What capabilities do learners
need for a world with AI? Computers and Education: Artificial Intelligence, 3, 100056.
https://doi.org/https://doi.org/10.1016/j.caeai.2022.100056
Memarian, B., & Doleck, T. (2023). Fairness, Accountability, Transparency, and Ethics (FATE) in
Artificial Intelligence (AI) and higher education: A systematic review. In Computers and
Education: Artificial Intelligence (Vol. 5). Elsevier B.V.
https://doi.org/10.1016/j.caeai.2023.100152
Meniado, J. C., Huyen, D. T. T., Panyadilokpong, N., & Lertkomolwit, P. (2024). Using ChatGPT for
second language writing: Experiences and perceptions of EFL learners in Thailand and Vietnam.
Computers and Education: Artificial Intelligence, 7, 100313.
https://doi.org/https://doi.org/10.1016/j.caeai.2024.100313
Mezak Matijevic, M., Pisker, B., & Dokic, K. (2024). Constructing a Socio-Legal Framework Proposal
for Governing Large Language Model Usage and Application in Education. Social Sciences,
13(9), 479. https://doi.org/10.3390/socsci13090479
pág. 6375
Moorhouse, B. L. (2024). Beginning and first-year language teachers’ readiness for the generative AI
age. Computers and Education: Artificial Intelligence, 6, 100201.
https://doi.org/https://doi.org/10.1016/j.caeai.2024.100201
Moundridou, M., Matzakos, N., & Doukakis, S. (2024). Generative AI tools as educators’ assistants:
Designing and implementing inquiry-based lesson plans. Computers and Education: Artificial
Intelligence, 7, 100277. https://doi.org/https://doi.org/10.1016/j.caeai.2024.100277
Nedungadi, P., Tang, K. Y., & Raman, R. (2024). The Transformative Power of Generative Artificial
Intelligence for Achieving the Sustainable Development Goal of Quality Education. Sustainability
(Switzerland), 16(22). https://doi.org/10.3390/su16229779
Pack, A., Barrett, A., & Escalante, J. (2024). Large language models and automated essay scoring of
English language learner writing: Insights into validity and reliability. Computers and Education:
Artificial Intelligence, 6. https://doi.org/10.1016/j.caeai.2024.100234
Padovano, A., & Cardamone, M. (2024). Towards human-AI collaboration in the competency-based
curriculum development process: The case of industrial engineering and management education.
Computers and Education: Artificial Intelligence, 7, 100256.
https://doi.org/https://doi.org/10.1016/j.caeai.2024.100256
Papakonstantinidis, S., Kwiatek, P., & Spathopoulou, F. (2024). Embrace or resist? Drivers of artificial
intelligence writing software adoption in academic and non-academic contexts. Contemporary
Educational Technology, 16(2). https://doi.org/10.30935/cedtech/14250
Parambil, M. M. A., Rustamov, J., Ahmed, S. G., Rustamov, Z., Awad, A. I., Zaki, N., & Alnajjar, F.
(2024). Integrating AI-based and conventional cybersecurity measures into online higher
education settings: Challenges, opportunities, and prospects. Computers and Education: Artificial
Intelligence, 7, 100327. https://doi.org/https://doi.org/10.1016/j.caeai.2024.100327
Pozdniakov, S., Brazil, J., Abdi, S., Bakharia, A., Sadiq, S., Gašević, D., Denny, P., & Khosravi, H.
(2024). Large language models meet user interfaces: The case of provisioning feedback.
Computers and Education: Artificial Intelligence, 7, 100289.
https://doi.org/https://doi.org/10.1016/j.caeai.2024.100289
Moorhouse, B. L. (2024). Beginning and first-year language teachers’ readiness for the generative AI
age. Computers and Education: Artificial Intelligence, 6, 100201.
https://doi.org/https://doi.org/10.1016/j.caeai.2024.100201
Moundridou, M., Matzakos, N., & Doukakis, S. (2024). Generative AI tools as educators’ assistants:
Designing and implementing inquiry-based lesson plans. Computers and Education: Artificial
Intelligence, 7, 100277. https://doi.org/https://doi.org/10.1016/j.caeai.2024.100277
Nedungadi, P., Tang, K. Y., & Raman, R. (2024). The Transformative Power of Generative Artificial
Intelligence for Achieving the Sustainable Development Goal of Quality Education. Sustainability
(Switzerland), 16(22). https://doi.org/10.3390/su16229779
Pack, A., Barrett, A., & Escalante, J. (2024). Large language models and automated essay scoring of
English language learner writing: Insights into validity and reliability. Computers and Education:
Artificial Intelligence, 6. https://doi.org/10.1016/j.caeai.2024.100234
Padovano, A., & Cardamone, M. (2024). Towards human-AI collaboration in the competency-based
curriculum development process: The case of industrial engineering and management education.
Computers and Education: Artificial Intelligence, 7, 100256.
https://doi.org/https://doi.org/10.1016/j.caeai.2024.100256
Papakonstantinidis, S., Kwiatek, P., & Spathopoulou, F. (2024). Embrace or resist? Drivers of artificial
intelligence writing software adoption in academic and non-academic contexts. Contemporary
Educational Technology, 16(2). https://doi.org/10.30935/cedtech/14250
Parambil, M. M. A., Rustamov, J., Ahmed, S. G., Rustamov, Z., Awad, A. I., Zaki, N., & Alnajjar, F.
(2024). Integrating AI-based and conventional cybersecurity measures into online higher
education settings: Challenges, opportunities, and prospects. Computers and Education: Artificial
Intelligence, 7, 100327. https://doi.org/https://doi.org/10.1016/j.caeai.2024.100327
Pozdniakov, S., Brazil, J., Abdi, S., Bakharia, A., Sadiq, S., Gašević, D., Denny, P., & Khosravi, H.
(2024). Large language models meet user interfaces: The case of provisioning feedback.
Computers and Education: Artificial Intelligence, 7, 100289.
https://doi.org/https://doi.org/10.1016/j.caeai.2024.100289
pág. 6376
Rahimi, A. R., & Sevilla-Pavón, A. (2024). The role of ChatGPT readiness in shaping language teachers’
language teaching innovation and meeting accountability: A bisymmetric approach. Computers
and Education: Artificial Intelligence, 7. https://doi.org/10.1016/j.caeai.2024.100258
Rodrigues, L., Dwan Pereira, F., Cabral, L., Gašević, D., Ramalho, G., & Ferreira Mello, R. (2024).
Assessing the quality of automatic-generated short answers using GPT-4. Computers and
Education: Artificial Intelligence, 7. https://doi.org/10.1016/j.caeai.2024.100248
Ruwe, T., & Mayweg-Paus, E. (2023). “Your argumentation is good”, says the AI vs humans – The role
of feedback providers and personalised language for feedback effectiveness. Computers and
Education: Artificial Intelligence, 5. https://doi.org/10.1016/j.caeai.2023.100189
Slade, J. J., Byers, S. M., Becker-Blease, K. A., & Gurung, R. A. R. (2024). Navigating the New
Frontier: Recommendations to Address the Crisis and Potential of AI in the Classroom. Teaching
of Psychology. https://doi.org/10.1177/00986283241276098
Sova, R., Tudor, C., Tartavulea, C. V., & Dieaconescu, R. I. (2024). Artificial Intelligence Tool Adoption
in Higher Education: A Structural Equation Modeling Approach to Understanding Impact Factors
among Economics Students. Electronics, 13(18), 3632.
https://doi.org/10.3390/electronics13183632
Tafazoli, D. (2024). Exploring the potential of generative AI in democratizing English language
education. Computers and Education: Artificial Intelligence, 7, 100275.
https://doi.org/https://doi.org/10.1016/j.caeai.2024.100275
Teng, M. F. (2024). “ChatGPT is the companion, not enemies”: EFL learners’ perceptions and
experiences in using ChatGPT for feedback in writing. Computers and Education: Artificial
Intelligence, 7. https://doi.org/10.1016/j.caeai.2024.100270
Veletsianos, G., Houlden, S., & Johnson, N. (2024). Is Artificial Intelligence in Education an Object or
a Subject? Evidence from a Story Completion Exercise on Learner-AI Interactions. TechTrends,
68(3), 411–422. https://doi.org/10.1007/s11528-024-00942-5
von Garrel, J., & Mayer, J. (2024). Which features of AI-based tools are important for students? A
choice-based conjoint analysis. Computers and Education: Artificial Intelligence, 7, 100311.
https://doi.org/https://doi.org/10.1016/j.caeai.2024.100311
Rahimi, A. R., & Sevilla-Pavón, A. (2024). The role of ChatGPT readiness in shaping language teachers’
language teaching innovation and meeting accountability: A bisymmetric approach. Computers
and Education: Artificial Intelligence, 7. https://doi.org/10.1016/j.caeai.2024.100258
Rodrigues, L., Dwan Pereira, F., Cabral, L., Gašević, D., Ramalho, G., & Ferreira Mello, R. (2024).
Assessing the quality of automatic-generated short answers using GPT-4. Computers and
Education: Artificial Intelligence, 7. https://doi.org/10.1016/j.caeai.2024.100248
Ruwe, T., & Mayweg-Paus, E. (2023). “Your argumentation is good”, says the AI vs humans – The role
of feedback providers and personalised language for feedback effectiveness. Computers and
Education: Artificial Intelligence, 5. https://doi.org/10.1016/j.caeai.2023.100189
Slade, J. J., Byers, S. M., Becker-Blease, K. A., & Gurung, R. A. R. (2024). Navigating the New
Frontier: Recommendations to Address the Crisis and Potential of AI in the Classroom. Teaching
of Psychology. https://doi.org/10.1177/00986283241276098
Sova, R., Tudor, C., Tartavulea, C. V., & Dieaconescu, R. I. (2024). Artificial Intelligence Tool Adoption
in Higher Education: A Structural Equation Modeling Approach to Understanding Impact Factors
among Economics Students. Electronics, 13(18), 3632.
https://doi.org/10.3390/electronics13183632
Tafazoli, D. (2024). Exploring the potential of generative AI in democratizing English language
education. Computers and Education: Artificial Intelligence, 7, 100275.
https://doi.org/https://doi.org/10.1016/j.caeai.2024.100275
Teng, M. F. (2024). “ChatGPT is the companion, not enemies”: EFL learners’ perceptions and
experiences in using ChatGPT for feedback in writing. Computers and Education: Artificial
Intelligence, 7. https://doi.org/10.1016/j.caeai.2024.100270
Veletsianos, G., Houlden, S., & Johnson, N. (2024). Is Artificial Intelligence in Education an Object or
a Subject? Evidence from a Story Completion Exercise on Learner-AI Interactions. TechTrends,
68(3), 411–422. https://doi.org/10.1007/s11528-024-00942-5
von Garrel, J., & Mayer, J. (2024). Which features of AI-based tools are important for students? A
choice-based conjoint analysis. Computers and Education: Artificial Intelligence, 7, 100311.
https://doi.org/https://doi.org/10.1016/j.caeai.2024.100311
pág. 6377
Wang, H., Dang, A., Wu, Z., & Mac, S. (2023). Generative AI in Higher Education: Seeing ChatGPT
Through Universities’ Policies, Resources, and Guidelines.
https://doi.org/10.1016/j.caeai.2024.100326
Wang, T., Lund, B. D., Marengo, A., Pagano, A., Mannuru, N. R., Teel, Z. A., & Pange, J. (2023).
Exploring the Potential Impact of Artificial Intelligence (AI) on International Students in Higher
Education: Generative AI, Chatbots, Analytics, and International Student Success. Applied
Sciences (Switzerland), 13(11). https://doi.org/10.3390/app13116716
Wang, X., Xu, X., Zhang, Y., Hao, S., & Jie, W. (2024). Exploring the impact of artificial intelligence
application in personalized learning environments: thematic analysis of undergraduates’
perceptions in China. Humanities and Social Sciences Communications, 11(1).
https://doi.org/10.1057/s41599-024-04168-x
Weng, X., Xia, Q., Ahmad, Z., & Chiu, T. K. F. (2024). Personality traits for self-regulated learning
with generative artificial intelligence: The case of ChatGPT. Computers and Education: Artificial
Intelligence, 7, 100315. https://doi.org/https://doi.org/10.1016/j.caeai.2024.100315
Xu, S., Huang, X., Lo, C. K., Chen, G., & Jong, M. S. yung. (2024). Evaluating the performance of
ChatGPT and GPT-4o in coding classroom discourse data: A study of synchronous online
mathematics instruction. Computers and Education: Artificial Intelligence, 7.
https://doi.org/10.1016/j.caeai.2024.100325
Yang, A. C. M., Lin, J. Y., Lin, C. Y., & Ogata, H. (2024). Enhancing python learning with PyTutor:
Efficacy of a ChatGPT-Based intelligent tutoring system in programming education. Computers
and Education: Artificial Intelligence, 7. https://doi.org/10.1016/j.caeai.2024.100309
Yilmaz, R., & Karaoglan Yilmaz, F. G. (2023). The effect of generative artificial intelligence (AI)-based
tool use on students’ computational thinking skills, programming self-efficacy and motivation.
Computers and Education: Artificial Intelligence, 4. https://doi.org/10.1016/j.caeai.2023.100147
Youssef, E., Medhat, M., Abdellatif, S., & Al Malek, M. (2024). Examining the effect of ChatGPT usage
on students’ academic learning and achievement: A survey-based study in Ajman, UAE.
Computers and Education: Artificial Intelligence, 7, 100316.
https://doi.org/https://doi.org/10.1016/j.caeai.2024.100316
Wang, H., Dang, A., Wu, Z., & Mac, S. (2023). Generative AI in Higher Education: Seeing ChatGPT
Through Universities’ Policies, Resources, and Guidelines.
https://doi.org/10.1016/j.caeai.2024.100326
Wang, T., Lund, B. D., Marengo, A., Pagano, A., Mannuru, N. R., Teel, Z. A., & Pange, J. (2023).
Exploring the Potential Impact of Artificial Intelligence (AI) on International Students in Higher
Education: Generative AI, Chatbots, Analytics, and International Student Success. Applied
Sciences (Switzerland), 13(11). https://doi.org/10.3390/app13116716
Wang, X., Xu, X., Zhang, Y., Hao, S., & Jie, W. (2024). Exploring the impact of artificial intelligence
application in personalized learning environments: thematic analysis of undergraduates’
perceptions in China. Humanities and Social Sciences Communications, 11(1).
https://doi.org/10.1057/s41599-024-04168-x
Weng, X., Xia, Q., Ahmad, Z., & Chiu, T. K. F. (2024). Personality traits for self-regulated learning
with generative artificial intelligence: The case of ChatGPT. Computers and Education: Artificial
Intelligence, 7, 100315. https://doi.org/https://doi.org/10.1016/j.caeai.2024.100315
Xu, S., Huang, X., Lo, C. K., Chen, G., & Jong, M. S. yung. (2024). Evaluating the performance of
ChatGPT and GPT-4o in coding classroom discourse data: A study of synchronous online
mathematics instruction. Computers and Education: Artificial Intelligence, 7.
https://doi.org/10.1016/j.caeai.2024.100325
Yang, A. C. M., Lin, J. Y., Lin, C. Y., & Ogata, H. (2024). Enhancing python learning with PyTutor:
Efficacy of a ChatGPT-Based intelligent tutoring system in programming education. Computers
and Education: Artificial Intelligence, 7. https://doi.org/10.1016/j.caeai.2024.100309
Yilmaz, R., & Karaoglan Yilmaz, F. G. (2023). The effect of generative artificial intelligence (AI)-based
tool use on students’ computational thinking skills, programming self-efficacy and motivation.
Computers and Education: Artificial Intelligence, 4. https://doi.org/10.1016/j.caeai.2023.100147
Youssef, E., Medhat, M., Abdellatif, S., & Al Malek, M. (2024). Examining the effect of ChatGPT usage
on students’ academic learning and achievement: A survey-based study in Ajman, UAE.
Computers and Education: Artificial Intelligence, 7, 100316.
https://doi.org/https://doi.org/10.1016/j.caeai.2024.100316
pág. 6378
Yuwono, E. I., Tjondronegoro, D., Riverola, C., & Loy, J. (2024). Co-creation in action: Bridging the
knowledge gap in artificial intelligence among innovation champions. Computers and Education:
Artificial Intelligence, 7, 100272. https://doi.org/https://doi.org/10.1016/j.caeai.2024.100272
Zaim, M., Arsyad, S., Waluyo, B., Ardi, H., Al Hafizh, M., Zakiyah, M., Syafitri, W., Nusi, A., &
Hardiah, M. (2024). AI-powered EFL pedagogy: Integrating generative AI into university teaching
preparation through UTAUT and activity theory. Computers and Education: Artificial
Intelligence, 7. https://doi.org/10.1016/j.caeai.2024.100335
Zhai, C., Wibowo, S., & Li, L. D. (2024). The effects of over-reliance on AI dialogue systems on
students’ cognitive abilities: a systematic review. Smart Learning Environments, 11(1).
https://doi.org/10.1186/s40561-024-00316-7
Zhang, Y., Lucas, M., Bem-haja, P., & Pedro, L. (2024). The effect of student acceptance on learning
outcomes: AI-generated short videos versus paper materials. Computers and Education: Artificial
Intelligence, 7. https://doi.org/10.1016/j.caeai.2024.100286
Zouhri, A., & Mallahi, M. El. (2024). Improving Teaching Using Artificial Intelligence and Augmented
Reality. Journal of Automation, Mobile Robotics and Intelligent Systems, 18(2), 57–61.
https://doi.org/10.14313/jamris/2-2024/13
Yuwono, E. I., Tjondronegoro, D., Riverola, C., & Loy, J. (2024). Co-creation in action: Bridging the
knowledge gap in artificial intelligence among innovation champions. Computers and Education:
Artificial Intelligence, 7, 100272. https://doi.org/https://doi.org/10.1016/j.caeai.2024.100272
Zaim, M., Arsyad, S., Waluyo, B., Ardi, H., Al Hafizh, M., Zakiyah, M., Syafitri, W., Nusi, A., &
Hardiah, M. (2024). AI-powered EFL pedagogy: Integrating generative AI into university teaching
preparation through UTAUT and activity theory. Computers and Education: Artificial
Intelligence, 7. https://doi.org/10.1016/j.caeai.2024.100335
Zhai, C., Wibowo, S., & Li, L. D. (2024). The effects of over-reliance on AI dialogue systems on
students’ cognitive abilities: a systematic review. Smart Learning Environments, 11(1).
https://doi.org/10.1186/s40561-024-00316-7
Zhang, Y., Lucas, M., Bem-haja, P., & Pedro, L. (2024). The effect of student acceptance on learning
outcomes: AI-generated short videos versus paper materials. Computers and Education: Artificial
Intelligence, 7. https://doi.org/10.1016/j.caeai.2024.100286
Zouhri, A., & Mallahi, M. El. (2024). Improving Teaching Using Artificial Intelligence and Augmented
Reality. Journal of Automation, Mobile Robotics and Intelligent Systems, 18(2), 57–61.
https://doi.org/10.14313/jamris/2-2024/13