Inteligencia artificial generativa en la
pedagogía universitaria. Revisión sistemática
Generative artificial intelligence in university pedagogy. Systematic review
Dr. Josnel Martínez-Garcés es profesor-investigador de la Universidad Santiago de Cali (Colombia)
(https://ror.org/00dxj9a45) (josnelmartinez00@usc.edu.co) (https://orcid.org/0000-0002-8120-3285)
Vanessa Asprilla-Castillo es profesora-investigadora de la Universidad del Valle (Colombia)
(https://ror.org/00jb9vg53) (vanessa.asprilla@correounivalle.edu.co) (https://orcid.org/0000-0002-4451-6792)
Edwin Montenegro-Perafán es profesor-investigador de la Universidad del Valle (Colombia)
(https://ror.org/00jb9vg53) (edwin.montenegro@correounivalle.edu.co) (https://orcid.org/0009-0004-3703-632X)
Recibido: 23/04/2026 / Revisado: 16/06/2026 / Aceptado: 22/06/2026 / Publicado: 1/07/2026
Resumen
El objetivo de este artículo es analizar la producción científica
sobre el uso de la inteligencia artificial generativa dentro de la
práctica pedagógica de los docentes universitarios hispanoa-
mericanos. En cuanto a la metodología aplicada, se desarrolló
una revisión sistemática de la literatura bajo lo definido en el
protocolo PRISMA 2020, con un enfoque mixto y elementos de
bibliometría. Para la búsqueda se utilizaron las bases de datos
Scopus, Web of Science y SciELO, tomando en consideración
las publicaciones generadas entre los años 2021 y 2025. Se
obtuvieron 2197 registros iniciales, de donde se seleccionaron
16 artículos empíricos tras aplicar criterios de inclusión y exclu-
sión relacionados con calidad científica, pertinencia temática,
y contexto geográfico. Los resultados permiten evidenciar tres
tipos de prácticas pedagógicas donde se aplica: uso instrumental
para diseño de materiales, intervención didáctica orientada al
desarrollo del pensamiento crítico, y aplicación en procesos
evaluativos. Asimismo, se identificaron percepciones docentes
ambivalentes, donde se reconocieron beneficios en la eficiencia
laboral y preocupación por la integridad académica y la autono-
mía estudiantil. En lo ético, se identificaron problemáticas aso-
ciados a autoría, sesgo algorítmico, y profundización de brechas
digitales. En conclusión, la inteligencia artificial generativa logra
actuar como un recurso complementario útil en la docencia
universitaria, pero que para su integración requiere marcos for-
mativos y regulatorios más sólidos.
Palabras clave: educación superior, docente, innovación edu-
cacional, inteligencia artificial, tecnología de la información,
pensamiento crítico.
Abstract
The objective of this article is to analyze the scientific produc-
tion on the use of generative artificial intelligence within the
pedagogical practices of Latin American university professors.
Regarding the methodology applied, a systematic literature
review was conducted following the PRISMA 2020 protocol,
with a mixed-methods approach and bibliometric elements.
The Scopus, Web of Science, and SciELO databases were used
for the search, considering publications generated between 2021
and 2025. An initial 2,197 records were obtained, from which
16 empirical articles were selected after applying inclusion and
exclusion criteria related to scientific quality, thematic relevance,
and geographic context. The results reveal three types of peda-
gogical practices where it is applied: instrumental use for mate-
rials design, didactic intervention aimed at developing critical
thinking, and application in evaluation processes. Furthermore,
ambivalent perceptions were identified among professors, who
recognized benefits in work efficiency but also expressed con-
cern about academic integrity and student autonomy. From an
ethical standpoint, problems were identified related to author-
ship, algorithmic bias, and the widening of the digital divide. In
conclusion, generative artificial intelligence can serve as a useful
complementary resource in university teaching, but its integra-
tion requires more robust training and regulatory frameworks.
Keywords: higher education, teacher, educational innovation,
artificial intelligence, information technology, critical thinking.
julio-diciembre 2026
Vol. 21, No. 2, 207-221
https://doi.org/10.17163/alt.v21n2.2026.03
p-ISSN:1390-325X / e-ISSN:1390-8642
http://alteridad.ups.edu.ec
Forma sugerida de citar (APA): Martínez-Garcés, J., Asprilla-Castillo, V. y Montenegro-Perafán, E. (2026). Inteligencia artificial
generativa en la pedagogía universitaria. Revisión sistemática. Alteridad, 21(2), 207-221. https://doi.org/10.17163/alt.v21n2.2026.03
Dr. Josnel Martínez-Garcés, Vanessa Asprilla-Castillo y Edwin Montenegro-Perafán
© Universidad Politécnica Salesiana, Ecuador
208
1. Introducción
Hablar de inteligencia artificial (IA) no consti-
tuye un concepto nuevo ni mucho menos contempo-
ráneo. Sus inicios datan de la Europa de la década de
1930: mientras España se sumía en una guerra civil,
el resto del continente era testigo de innovaciones
tecnológicas que marcarían la era digital a través de
la computación moderna. Sin embargo, tal como la
conocemos hoy día en la década de los 2020 sí forma
parte de una ola de innovación caracterizada por su
asombrosa velocidad de adopción en un contexto
con profundos cambios sociológicos y antropológi-
cos que surgieron desde la pandemia por COVID-
19, y que impactó diversos sectores (Nasser, 2024;
Ordóñez Herrera, 2024).
Así, una forma de definirla sería como la crea-
ción de modelos conceptuales y estrategias de pro-
gramación capaces de replicar procesamientos cog-
nitivos de sistemas biológicos inteligentes (Labañino
Palmeiro et al., 2025). Por lo tanto, se centra en lo
que realiza el ser humano (lo cual le da un carácter
antropocéntrico) y en la racionalidad con la que lo
hace (enfoque lógico). En este orden de ideas, esa
autonomía y capacidad de aprendizaje ponen en
exposición la necesidad del control humano sobre
los mismos, a fin de evitar que se vulneren o afecten
los derechos de las personas (Sánchez Vásquez y
Toro-Valencia, 2021).
Alineado a esto, queda claro que la IA tiene un
alto componente científico y tecnológico, orientada
al diseño de sistemas que son capaces de realizar
actividades y tareas que de manera tradicional nece-
sitarían la inteligencia humana como, por ejemplo, el
razonamiento, la percepción, la toma de decisiones,
y el aprendizaje (Chang Bautista y Chinchay Tapia,
2023). Entre sus principales características destaca
esa capacidad de interacción dinámica con su entor-
no, pudiendo ajustar su comportamiento a partir de
la experiencia, demostrando procesos de aprendizaje
continuo y autonomía, como afirman Contreras
Contreras y Olaya Guerrero (2025). Para Fajardo
Aguilar et al. (2023), esta capacidad adaptativa se
une con su potencial para poder analizar patrones
complejos y transformar datos en nuevo conoci-
miento útil, constituyéndola en una herramienta
clave para tomar decisiones en distintos campos,
desde el organizacional hasta el educativo.
En el contexto universitario, la inteligencia
artificial favorece la creación de entornos de apren-
dizaje dinámicos e interactivos que responden a las
necesidades y transformaciones de las nuevas gene-
raciones de estudiantes (Quinde-Moncerrate et al.,
2025). En consecuencia, los procesos de enseñanza
y aprendizaje han experimentado importantes inno-
vaciones. Sin embargo, para 2022, solo quince países
habían incorporado objetivos de aprendizaje relacio-
nados con la inteligencia artificial en sus planes de
estudio, mientras que apenas siete habían desarrolla-
do programas de formación docente en esta materia
(UNESCO, 2025).
En el ámbito hispanoamericano, más allá del
idioma compartido, persisten marcadas diferencias
en la incorporación de la inteligencia artificial en los
contextos académicos. España constituye un ejem-
plo significativo de avance en este campo, ya que
su gobierno ha establecido normativas orientadas a
garantizar una integración efectiva y un uso ético de
estas tecnologías en la educación. Además, ha pro-
movido mecanismos de colaboración con empresas
de base tecnológica para impulsar su desarrollo e
implementación (Instituto Nacional de Tecnologías
Educativas y de Formación del Profesorado, 2024).
En contraste, en América Latina este proceso
se ha caracterizado por importantes desafíos y ten-
siones. Si bien los beneficios de la inteligencia artifi-
cial para la educación son ampliamente reconocidos,
la región continúa enfrentando limitaciones en el
acceso a la tecnología, ausencia de marcos regula-
torios claros y deficiencias en la formación docente
para el uso pedagógico de herramientas basadas en
algoritmos e inteligencia artificial (Acevedo Carrillo
et al., 2026)
Ante esas dificultades, se suma otro reto
importante en la distinción de la calidad de los
entregables que hacen los estudiantes, entre o
generado por ellos y lo que se hace con inteligencia
artificial generativa, ya que estos pueden ser desde
“excelente” hasta de “muy mala” calidad (Perdomo
y González, 2025). Esta realidad vuelve a exponer
la necesidad que tienen los docentes de capacitarse
sobre el uso de las mismas, dejando abierto el deba-
te sobre la pertinencia de los diálogos consensuados
con los estudiantes para determinar las implicacio-
nes de su uso en la experiencia educativa (Jardón
Gallegos et al., 2024).
Dr. Josnel Martínez-Garcés, Vanessa Asprilla-Castillo y Edwin Montenegro-Perafán
Alteridad, 2026, 21(2), 207-221 209
Al hablar específicamente de inteligencia arti-
ficial generativa (IAG), o aquella que puede producir
contenido original (visual, auditivo, etc.) de forma
autónoma con apoyo de modelos de aprendizaje, es
evidente como se ha ido consolidando como una
herramienta de alto impacto en el contexto univer-
sitario. Entre los principales se destaca su posibili-
dad para personalizar la experiencia de formación,
trayendo como resultados mejora en los indicadores
de permanencia estudiantil y de rendimiento acadé-
mico (Tostado Ramírez et al., 2025).
Así, Rodríguez (2025) sostiene que la genera-
tiva es una subdisciplina de la IA basada en mode-
los avanzados —principalmente redes neuronales
profundas— que analizan información, aprenden
patrones complejos a partir de múltiples datos, y
generan nuevas salidas coherentes y originales en
distintos formatos, tales como audios, imágenes, tex-
tos, y/o códigos. De esta forma, para Romani Pillpe
et al. (2025) su carácter de “generativa” se vincula
con su lógica adaptativa que permite la creación de
experiencias personalizadas; sobre todo en entor-
nos educativos, donde puede ser capaz de diseñar
recursos, actividades y retroalimentaciones ajustadas
a las particularidades de cada estudiante. Esto, ade-
más de hacer mucho más óptimos los mecanismos
de enseñanza-aprendizaje, ayuda a transformar la
interacción pedagógica mediante nuevas formas de
mediación tecnológica. Sin embargo, su desarrollo
trae consigo desafíos éticos, destacando la autoría, la
originalidad y el uso con responsabilidad del cono-
cimiento generado. Según Sánchez et al. (2025) esto
demuestra su naturaleza como tecnología disruptiva
en evolución constante.
Aunque cada vez hay un mayor interés aca-
démico en la IAG y su aplicación en la educación
superior, sigue existiendo limitada sistematización
de cómo los docentes universitarios la están utili-
zando en su práctica pedagógica, y sus percepciones
a partir de su experiencia usándolas. Esto dificulta
comprender de manera integrada las dinámicas
reales de incorporación de la inteligencia artificial
generativa en el aula, particularmente en contex-
tos caracterizados por problemáticas estructurales
como los de América Latina. Según Silgado-Tuñón y
López-Flores (2025), la producción científica recien-
te que aborda esta cuestión, se concentra en enfoques
generales (impactos, beneficios, aspectos éticos o
aplicaciones específicas) sin lograr una integración
analítica que permita comprender de manera articu-
lada las prácticas reales de uso en contextos educati-
vos concretos.
Vallejo Ballesteros et al. (2025) coinciden
en que existe una importante ausencia de estudios
empíricos sobre este tema, particularmente aquellos
con diseños experimentales o longitudinales, lo que
dificulta la validez y la generalización de hallazgos
sobre su impacto en procesos de enseñanza y apren-
dizaje. A esta situación se añade como agravante
la ausencia de marcos normativos y lineamientos
institucionales claros, dejando en evidencia un vacío
regulatorio y una escasa sistematización del cono-
cimiento en torno a su implementación pedagógica
(Ricra Ruíz et al., 2025).
Por ello, esta investigación tiene como objetivo
analizar la producción científica publicada sobre el uso
de la inteligencia artificial en las prácticas pedagógicas
de los docentes universitarios, partiendo de la pregun-
ta: ¿cómo se utiliza la inteligencia artificial generativa
en la práctica docente dentro de las universidades y
qué percepciones, implicaciones éticas y condiciones
contextuales emergen de su uso? Específicamente,
se busca responder: ¿en qué tipos de prácticas peda-
gógicas se usan?, ¿cuáles son las percepciones de los
docentes sobre su utilización? Y ¿qué implicaciones
éticas se identifican al momento de usarlas?
1.1 Inteligencia artificial generativa en la
práctica pedagógica
En la práctica pedagógica, es una estrategia
para la mejora de la gestión docente principalmente
a través de la automatización de los sistemas de eva-
luación que permite optimizar el tiempo y aumentar
la objetividad. Sin embargo, es necesario resaltar
que difícilmente pueda sustituir por completo la
intervención del docente, cargada de cualidades y
habilidades humanas que no se pueden replicar
(Saltos Loayza et al., 2025). En ese sentido, para la
OCDE (2026), la inteligencia artificial generativa
complementa el proceso de enseñanza sin hacer que
los docentes pierdan su autonomía.
Ya en la educación superior, para Farinango
et al. (2026), el aporte que hace la inteligencia arti-
ficial generativa no es solo automatizar actividades
evaluativas: está modificando de manera constante
algunas dinámicas de la práctica docente, especial-
mente en lo que tiene que ver con la creación de
Dr. Josnel Martínez-Garcés, Vanessa Asprilla-Castillo y Edwin Montenegro-Perafán
© Universidad Politécnica Salesiana, Ecuador
210
recursos y experiencias de aprendizaje ajustadas a
las características de los estudiantes. Esta situación
promueve enfoques pedagógicos centrados en el
aprendizaje activo y en la participación. Asimismo,
estas herramientas hacen posible elaborar materiales
didácticos, ofrecer explicaciones complementarias
y proporcionar retroalimentación de manera rápi-
da, diversificando las formas de acompañamiento
durante el proceso formativo. En este sentido, Betti
Galasso (2026) señala que la inteligencia artificial
puede contribuir a reducir la carga asociada a tareas
rutinarias en momentos donde las responsabilida-
des académicas sean elevadas, permitiendo que los
docentes dediquen mayor atención a aspectos fun-
damentales de su labor, como la reflexión crítica, la
orientación de los estudiantes, y la contextualización
de los conocimientos.
El verdadero impacto de la inteligencia artifi-
cial generativa en la academia no radica en lo que es
ella en sí misma, sino en cómo se introduce en el día
a día. Al respecto, Rodríguez-Ruíz (2025) sostiene
que estas herramientas transforman el aprendizaje
colaborativo al facilitar el intercambio de ideas y
conectar de forma más efectiva a estudiantes y pro-
fesores. Sin embargo, destaca que su función primor-
dial es respaldar la labor docente sin desplazar sus
responsabilidades fundamentales. Es un equilibrio
delicado donde la innovación camina de la mano con
nuevos e importantes desafíos académicos.
Por ello, García Gutiérrez et al. (2025) con-
centran sus preocupaciones en la originalidad de los
documentos académicos y la responsabilidad de sus
autorías, así como con la posible existencia de sesgos
culturales presentes en los contenidos generados.
Ante esta situación, la responsabilidad no se vuelve
exclusiva de los docentes o estudiantes, sino que va
más allá ameritando lineamientos institucionales
que orienten un uso ético y responsable de estas
herramientas. En esta línea, Santillán-Aguirre et al.
(2025) y Rodríguez Hernández (2023) destacan que
hay otros aspectos que también requieren especial
atención, como la protección de los datos personales
y la privacidad de los usuarios. A esto se suma el pro-
blema de la calidad en la información producida por
estos sistemas. González López (2026) señala que
los contenidos generados pueden ser imprecisos, o
presentar omisiones y/o sesgos que harían necesaria
una revisión crítica constante por parte del docente.
La autonomía intelectual, la creatividad y el
sentido crítico de los estudiantes podrían verse afec-
tados si abusan de estas herramientas. De acuerdo
con Camacho Marín (2025), un uso descontrolado
de la tecnología amenaza con volver a los alumnos
dependientes, limitando su destreza para construir
conocimiento por ellos mismos. De igual forma, es
común encontrar brechas en la formación docente y
en la existencia de políticas institucionales claras, lo
que limita una implementación pedagógica efectiva
y ética (Corona Domínguez, 2025). En conjunto,
estos retos evidencian la necesidad de una integra-
ción crítica, regulada y contextualizada de la IAG en
la educación.
2. Metodología
Metodológicamente, la presente investigación
tiene un diseño bibliográfico soportado con una
revisión sistemática. En esta se examina la bibliogra-
fía disponible sobre el tema elegido y se determina
cuáles son los aspectos más relevantes para su estu-
dio, en este caso lo teórico y lo conceptual (Blanco
Pena, 2024; Ramos-Galarza y García-Cruz, 2024). El
enfoque es cualitativo, basado en la sistematización
de teorías y hallazgos empíricos previos que serán
categorizados para lograr describir el fenómeno, con
elementos cuantitativos centrados en datos bibliomé-
tricos (Sandoval Forero, 2024). Se acoge a lo estable-
cido en el protocolo PRISMA 2020, enfocado en las
cuatro etapas de recorrido analítico para garantizar
su transparencia, a saber: a) identificación, b) criba-
do, c) elegibilidad, y d) inclusión (Page et al., 2021).
2.1 Identificación
La búsqueda se realizó en abril de 2026, y se
tomaron como referencia tres bases de datos acadé-
micas con amplia visibilidad y cobertura, a saber: a)
Scopus, b) Web of Science (WoS) - específicamente
Social Sciences Citation Index (SSCI), y c) Scientific
Electronic Library Online (SciELO). La estrategia de
búsqueda se construyó mediante el uso de operado-
res booleanos (AND, OR) y truncamientos. Esta se
aplicó en los campos título, resumen y palabras clave
(TITLE-ABS-KEY) garantizando exhaustividad y
reproducibilidad del proceso (ver tabla 1). La estra-
tegia arrojó un total de 2197 documentos: a) 1437 en
Scopus, b) 749 en Web of Science y c) 11 en SciELO.
Dr. Josnel Martínez-Garcés, Vanessa Asprilla-Castillo y Edwin Montenegro-Perafán
Alteridad, 2026, 21(2), 207-221 211
Tabla 1. Ecuación de búsqueda
TITLE-ABS-KEY
((“generative artificial intelli-
gence” OR “generative AI” OR
“GenAI”
OR “large language model*”
OR “LLM*”
OR “ChatGPT” OR “GPT-3” OR
“GPT-4”
OR “AI-generated content”))
AND AND NOT
(“university teacher*” OR “hi-
gher education teacher*”
OR “faculty member*” OR
“academic staff”
OR “university professor*” OR
“college instructor*”
OR “lecturer*” OR “faculty”)
(“practice*” OR “teaching
practice*” OR “pedagogical
practice*”
OR “use” OR “adoption” OR
“integration”
OR “perception*” OR “attitu-
de*” OR “belief*”
OR “experience*” OR
“view*” OR “opinion*”)
(“school teacher*” OR “pri-
mary education” OR “secon-
dary education”)
2.2 Cribaje
Establecer criterios de inclusión y exclusión
fue clave para garantizar calidad y relevancia en
el material analizado. En concreto, se priorizaron
aquellas investigaciones centradas en el uso y las
posturas de los profesores universitarios frente a la
inteligencia artificial generativa. Así, mediante un
protocolo de selección sistemático, se buscó asegurar
la vigencia, el método y la alineación temática de los
textos elegidos (ver tabla 2).
Tabla 2. Criterios de inclusión y exclusión
Criterio Inclusión Exclusión
Período de publicación 2021-2025 Fuera del rango establecido
Área temática Ciencias sociales Áreas distintas a las ciencias sociales
Tipo de documento Artículos científicos Libros, capítulos de libro, conferencias, tesis y
otros no arbitrados
Palabras clave Inteligencia artificial generativa
AND educación superior
Estudios que no aborden simultáneamente ambas
categorías
Idioma Español, inglés Otros idiomas
Disponibilidad Texto completo Sin texto completo
La delimitación temporal entre 2021 y 2025 se
debe al carácter reciente de la temática y a la necesi-
dad de analizar la evidencia más actual que esté dis-
ponible. Por ser un campo en rápida expansión, este
período permite recoger investigaciones desarrolla-
das en el momento de mayor crecimiento y adopción
de dichas tecnologías en el ámbito educativo. Por su
parte, la selección de estudios pertenecientes al área
de las ciencias sociales se debe al interés de compren-
der el fenómeno desde una perspectiva pedagógica
y educativa, excluyendo trabajos centrados en enfo-
ques más técnicos o tecnológicos que se alejan del
propósito de la investigación.
Asimismo, solo se incluyeron artículos cien-
tíficos arbitrados para garantizar que la evidencia
analizada hubiera sido validada a través de procesos
de evaluación académica que respalden su rigor y
calidad. Sobre las palabras clave, estas buscan redu-
cir la posibilidad de incorporar documentos ajenos
al objeto de estudio. Con respecto al idioma, se
tomaron en cuenta solo publicaciones en español e
inglés por ser la que concentran una proporción sig-
nificativa de la producción científica sobre este tema,
facilitando el acceso a investigaciones desarrolladas
en diferentes contextos.
De igual manera, se dio prioridad a los docu-
mentos disponibles en texto completo, permitiendo
así la revisión detallada de los estudios y la verifica-
ción de la información. Tras la aplicación de estos
criterios, se identificaron 110 registros relevantes.
Sin embargo, la depuración de duplicados permitió
Dr. Josnel Martínez-Garcés, Vanessa Asprilla-Castillo y Edwin Montenegro-Perafán
© Universidad Politécnica Salesiana, Ecuador
212
excluir 11 documentos repetidos, quedando así solo
99 artículos para la fase de elegibilidad.
2.3 Elegibilidad
En esta fase se evaluó el contenido completo de
los artículos seleccionados. Se consideraron criterios
adicionales como a) estudios empíricos y b) investi-
gaciones desarrolladas en países de Hispanoamérica.
Como resultado, se excluyeron 83 documentos: seis
por ser artículos teóricos o de revisión y 77 por no
corresponder al contexto geográfico de interés.
2.4 Inclusión
Así, se incluyeron 16 artículos que cumplieron
con todos los criterios establecidos, constituyéndose
como el corpus definitivo para la respuesta al obje-
tivo del estudio. El proceso completo de selección se
sintetiza en la figura 1, donde se evidencia la reduc-
ción progresiva desde los 2197 registros iniciales
hasta los 16 estudios incluidos.
Figura 1. Diagrama de flujo de la revisión sistemática
Identificación
Registros identificados desde búsque-
da en Scopus:
n=1437
Registros identificados desde búsque-
da en Web of Science:
n=749
Registros identificados desde bús-
queda en SciELO:
n=11
Total de registros identificados mediante la búsqueda en bases de datos: n=2197
Cribaje
Registros cribados por área temática, tipo de documento, palabras
clave, idioma, disponibilidad y período de publicación:
n=110
Registros excluidos tras la aplicación de criterios: n=
2077
Registros duplicados: n= 11
Registros tras cribado y eliminación de duplicados: n=99
Elegibilidad
Criterios:
• Artículos de investigación empírica
• Investigaciones desarrolladas en algún país
de Hispanoamérica
Exclusión:
• Artículos teóricos y/o de revisión: n=6
• Investigaciones desarrolladas fuera de Hispanoamérica: n=77
Inclusión
Registros incluidos para el análisis y respuesta al objetivo del estudio: n=16
Así, en la figura 1 se observa cómo, de 2197
documentos identificados, son 110 los que cumplen
con los criterios de inclusión establecidos para el cri-
bado, pero 11 están duplicados en las bases de datos
revisadas, de manera que la cifra se reduce a 99.
Luego, a través de la fase elegibilidad se descartan 83
por presentar características excluyentes, quedando
una inclusión total de 16 trabajos.
3. Resultados
La tabla 3 reúne los títulos, autores, año de
publicación y bases de datos de procedencia de los
16 artículos científicos seleccionados. Además, se
asigna una codificación específica a cada artículo
para facilitar su identificación y análisis a lo largo
del documento.
Dr. Josnel Martínez-Garcés, Vanessa Asprilla-Castillo y Edwin Montenegro-Perafán
Alteridad, 2026, 21(2), 207-221 213
Tabla 3. Listado de artículos elegidos
Código Título Fuente
Art1
Cabero-Almenara et al. (2025). “Conocimiento de la Inteligencia Artificial Generativa del profeso-
rado. Modelo predictivo basado en el TPACK para la integración ética de la Inteligencia Artificial
Generativa en la Educación Superior”.
Scopus
Art2 Cordero, et al. (2025). “Integration of generative artificial intelligence in higher education: Best
practices”. Scopus
Art3 Fontanelli, et al. (2025). “Uso y valoración de la inteligencia artificial generativa en los estudios so-
ciales. Reporte sobre la experiencia de la comunidad académica de la Flacso México”. Scopus
Art4 Lucero-Baldevenites, et al. (2025). “El uso del ChatGPT en actividades académicas por parte de
docentes universitarios”. SciELO
Art5 Macías Galeas, et al. (2025). “Algoritmos y autonomía docente: Resistencias pedagógicas ante la
estandarización EdTech en la era de la IA generativa”. Scopus
Art6 Miras et al. (2025). “Aplicación de un modelo GPT en el estudio de constelaciones multimodales”. SciELO
Art7 Muñóz Martínez et al. (2025). “IA generativa y pensamiento crítico en la educación universitaria a
distancia: desafíos y oportunidades”. Web of Science
Art8 Nevárez Montes et al. (2025). “Faculty acceptance and use of generative artificial intelligence in their
practice”. Scopus
Art9 Pereira-González et al. (2025). “Dimensiones latentes en la adopción de ChatGPT en la universidad:
modelo CHASSIS”. SciELO
Art10 Rivadeneira et al. (2025). “Exploring the role of ChatGPT in higher education institutions: Where
does Latin America stand?”. Scopus
Art11 Ros-Arlanzón et al. (2025). “When AI models take the exam: Large language models vs medical
students on multiple-choice course exams”. Web of Science
Art12 Verano-Tacoronte et al. (2025). “Are university teachers ready for generative artificial intelligence?
Unpacking faculty anxiety in the ChatGPT era”. Web of Science
Art13 Cambra-Fierro et al. (2024). “ChatGPT adoption and its influence on faculty well-being: An empirical
research in higher education”. Web of Science
Art14 De la Puente et al. (2024). “Investigating the use of chatGPT as a tool for enhancing critical thinking
and argumentation skills in international relations debates among undergraduate students”. Web of Science
Art15 Mateus et al. (2024). “Communication educators facing the arrival of generative artificial intelligence:
Exploration in Mexico, Peru, and Spain”. Scopus
Art16
Padilla Piernas et al. (2024). “Impacto y Perspectivas de la Inteligencia Artificial Generativa en
la Educación Superior: Un Estudio sobre la Percepción y Adopción Docente usando el modelo
AETGE/GATE”.
Scopus
En la tabla 3 se observa que, aunque el perío-
do de búsqueda se delimitó entre 2021 y 2025, los
documentos que cumplieron todos los criterios de
inclusión fueron publicados únicamente entre 2024 y
2025. Asimismo, pese a tratarse de estudios desarro-
llados en Hispanoamérica, la distribución idiomática
de las publicaciones resulta equilibrada: el 50 % de
los artículos seleccionados está escrito en español y
el 50 % restante en inglés. Por otro lado, la tabla 4 se
elaboró con el propósito de identificar el contexto
geográfico en el que se desarrollaron las investiga-
ciones seleccionadas. En este sentido, es importante
precisar que la clasificación corresponde al lugar de
procedencia de las unidades de estudio consideradas
en cada trabajo y no al país de origen de las revistas
en las que fueron publicados los artículos.
Dr. Josnel Martínez-Garcés, Vanessa Asprilla-Castillo y Edwin Montenegro-Perafán
© Universidad Politécnica Salesiana, Ecuador
214
Tabla 4. Contexto geográfico donde se desarrollaron los estudios
País Frecuencia absoluta Frecuencia relativa
Colombia 2 12,50 %
Ecuador 4 25,00 %
España 7 43,75 %
México 2 12,50 %
Perú 1 6,25 %
Total 16 100 %
Nota. Elaboración propia.
Se observa en la tabla 4 que gran parte de
los artículos (43,75 %) obedecen a investigaciones
desarrolladas en España, seguido por Ecuador
(25,00 %). Estos datos ponen en evidencia la
necesidad que surge en América Latina de poder
adelantar trabajos enfocados en el uso de inteligen-
cia artificial generativa en docentes universitarios
dentro de sus prácticas pedagógicas, en el marco
de las particularidades (económicas, sociales, cul-
turales, etc.) que caracterizan la región, para poder
tener una aproximación a esas diferentes realidades.
Por otro lado, para el análisis de co-ocurrencia en
las palabras claves se plantea una visualización
de superposición generado a través de VosViewer
v.1.6.20 (ver figura 2).
Figura 2. Superposición de ocurrencia en palabras clave
La figura 2 se interpreta desde dos posicio-
nes: la escala temporal y la estructura de la red. En
primer lugar, tomando como base los promedios de
años de publicación, se observa que a principios de
Dr. Josnel Martínez-Garcés, Vanessa Asprilla-Castillo y Edwin Montenegro-Perafán
Alteridad, 2026, 21(2), 207-221 215
2024 (nodos púrpuras/azules) “profesores”, “pensa-
miento crítico” y “chatGPT” surgen como conceptos
básicos del debate inicial. Luego, a finales de 2024
(nodos verdes) la “inteligencia artificial generativa”
y “educación superior” aparecen en el centro de la
figura, dejando ver que, en este período, el debate se
concentró en el ámbito universitario. Ya a inicios de
2025 (nodos amarillos), se encuentran “inteligencia
artificial” y “tecnología educativa” sugiriendo una
integración más amplia de la tecnología en el con-
texto pedagógico.
En segundo lugar, en las conexiones y pesos
que se aprecian en la figura, “educación superior”
es el eje central que actúa como puente entre “pro-
fesores” (parte operativa) y “chatGPT” e “inteli-
gencia artificial” (parte tecnológica). También es
posible observar que “pensamiento crítico” solo se
conecta con “chatGPT”, demostrando que entre los
documentos estudiados las habilidades cognitivas
superiores están más ligadas a esa herramienta en
específico que a la inteligencia artificial generativa en
general. A través de VosViewer v.1.6.20 también fue
posible el establecimiento de dos clústeres, los cuáles
se han denominado “Dimensión institucional y pra-
xis pedagógica” y “Dimensión instrumental y desa-
rrollo de habilidades”, y que se detallan en la tabla 5.
Tabla 5. Clústeres generados a partir de las palabras clave
Clúster 1: Dimensión institucional y praxis pedagógica Clúster 2: Dimensión instrumental y desarrollo de
habilidades
Educación superior ChatGPT
Inteligencia artificial generativa Inteligencia artificial
Profesores Pensamiento crítico
Tecnología educativa
De acuerdo con la tabla 5, el clúster 1 se centra
en el marco estructural. Muestra cómo las institucio-
nes de educación superior y los docentes están inte-
grando la inteligencia artificial generativa como una
nueva categoría dentro de la tecnología educativa,
enfocada en el rol del profesor universitario frente
al cambio sistémico. El clúster 2 se fundamenta en
la herramienta y su impacto; es la visión micro o
aplicada. Aquí la literatura analizada muestra cómo
el uso de herramientas específicas (como ChatGPT)
desafía o potencia procesos cognitivos superiores,
específicamente el pensamiento crítico. Sugiere que
el debate sobre la inteligencia artificial en la práctica
docente está ligado con la preocupación por la auto-
nomía intelectual del estudiante.
3.1 Tipos de prácticas pedagógicas donde los
docentes universitarios hispanoamericanos
utilizan la inteligencia artificial generativa
De acuerdo con los documentos revisados, se
pueden dividir en tres grandes prácticas:
• De tipo instrumental y de diseño. Predomina la
producción de texto y la creación de materiales
didácticos (bancos de preguntas, presentacio-
nes, rúbricas, etc.). La inteligencia artificial
generativa es utilizada como un asistente de
diseño instruccional para optimizar flujos de
trabajo y reducir la carga burocrática (Nevárez
Montes y Elizondo García, 2025; Lucero-
Baldevenites et al., 2025).
• De tipo intervención didáctica. Se dan experien-
cias de aprendizaje por comparación y debates
dialógicos donde la inteligencia artificial actúa
como contraparte argumentativa en disciplinas
complejas como las Relaciones Internacionales.
En estos casos el estudiante debe validar, con-
trastar y criticar el output generado, fomentan-
do la reflexión (Cabero-Almenara et al., 2025;
Macías Galeas y Betancourt Anangono, 2025).
• De tipo evaluativo. Se usa la inteligencia artifi-
cial para la retroalimentación formativa inme-
diata y el diseño de evaluaciones adaptativas. A
pesar de ello, hay estudios de benchmarking en
Medicina que muestran como esta inteligencia
supera el desempeño promedio del estudiante
en exámenes de opción múltiple, lo que obli-
ga a migrar hacia evaluaciones de proceso y
desempeños auténticos en el aula (Miras et al.,
2025; Padilla Piernas y Martín García, 2024).
Dr. Josnel Martínez-Garcés, Vanessa Asprilla-Castillo y Edwin Montenegro-Perafán
© Universidad Politécnica Salesiana, Ecuador
216
• En comparación con otros estudios realizados en
Estados Unidos y en el Reino Unido, en estos se
ha concluido que la inteligencia artificial gene-
rativa es utilizada como tutor virtual brindando
explicaciones alternativas y orientación fuera
de clase (Nasr et al., 2025). Adicionalmente,
Qian (2025) sostiene que en dichos países se
ha implementado su uso como asistentes gene-
rativos que apoyan la resolución de problemas
complejos o mal estructurados, apoyando el
desarrollo cognitivo del estudiantado.
3.2 Percepciones de los docentes universitarios
hispanoamericanos sobre el uso de la inteli-
gencia artificial generativa
El impacto de la IA generativa en el entorno
educativo se mueve en una balanza entre el bienestar
y la preocupación. Trabajos como los de Verano-
Tacoronte et al. (2025) y Cambra-Fierro et al. (2024)
exponen que, aunque optimizar tiempos con tecno-
logía mitiga la presión y mejora el estado de ánimo,
persiste una inquietud de fondo. El foco de alarma
se centra en la honestidad académica y en el temor a
que las competencias intelectuales de los estudiantes
terminen por debilitarse.
Asimismo, los profesores perciben la inte-
ligencia artificial generativa como herramienta de
alta capacidad sintáctica, pero con baja ambición
creativa y profundidad analítica. No se le ve como un
reemplazo sino como un aliado creativo que carece
de la experiencia situada y el juicio ético humano
haciendo que a veces se tenga una percepción de
“mediocridad colaborativa” (Ros-Arlanzón et al.,
2025; Mateus et al., 2024). Finalmente, aunque existe
la alta intención conductual de adoptar la tecnología
dentro del contexto académico, la autopercepción
de conocimiento es baja. Los docentes se sienten
“espectadores” de una disrupción que no dominan
en lo técnico, lo que genera una demanda urgente
de alfabetización algorítmica institucional (De la
Puente et al., 2024; Cordero et al., 2025).
En este orden de ideas, al comparar los resul-
tados obtenidos con estudios realizados en China, se
observa una percepción favorable por parte de los
profesores universitarios respecto al potencial de la
inteligencia artificial generativa para apoyar la escri-
tura académica y el aprendizaje de nuevos idiomas
(Cai y Yu, 2025). Por el contrario, investigaciones
desarrolladas en el ámbito de la educación superior
marroquí muestran una postura más cautelosa res-
pecto a la capacidad de estas tecnologías para aportar
juicio pedagógico y contextualización cultural en los
procesos educativos (Haroud y Saqri, 2025).
3.3 Implicaciones éticas identificadas por los
docentes universitarios hispanoamericanos en
el uso de la inteligencia artificial generativa
Entre las principales preocupaciones en cuan-
to a lo ético se encuentra lo relativo a las autorías
de los productos académicos. López-Vasco (2025)
y Fontanelli et al. (2025) muestran que la situación
va mucho más allá de una mera detección de pla-
gio, sino que busca determinar ese balance entre la
participación humana dentro del trabajo y lo que
ha sido generado con apoyo de inteligencia artificial
generativa. Por ello, algunos autores proponen esta-
blecer declaraciones de transparencia que permitan
a los estudiantes informar de manera explícita cómo
y cuándo han utilizado estas herramientas durante el
desarrollo de las actividades académicas.
De igual forma, para Muñoz Martínez et al.
(2025) existen riesgos asociados a la calidad de la
información generada por estos sistemas. Esto se
vuelve aún más preocupante en los países en desa-
rrollo, donde los modelos de inteligencia artificial
suelen entrenarse con datos que no siempre reflejan
correctamente las realidades sociales, culturales o
educativas locales; por ello, existe la posibilidad de
reproducir sesgos o generar respuestas alejadas de
esas particularidades. A esto se agregan las impor-
tantes brechas de acceso a la tecnología que existen.
En los países americanos, diversos estudios
evidencian que no todos los estudiantes disponen de
las mismas oportunidades para utilizar herramientas
avanzadas de inteligencia artificial. Por ejemplo, quie-
nes tienen acceso a versiones de pago o poseen mayo-
res competencias para formular instrucciones eficaces
suelen obtener resultados superiores, lo que puede
traducirse en ventajas académicas significativas. Esta
situación pone de manifiesto el riesgo de profundizar
desigualdades preexistentes vinculadas a factores eco-
nómicos, educativos y tecnológicos (Rivadeneira et
al., 2025; Pereira-González et al., 2025).
Al indagar en estudios realizados en otros paí-
ses fuera de Hispanoamérica se pudo conocer que, por
ejemplo, en Ghana se han podido identificado impor-
Dr. Josnel Martínez-Garcés, Vanessa Asprilla-Castillo y Edwin Montenegro-Perafán
Alteridad, 2026, 21(2), 207-221 217
tantes implicaciones relacionadas con la dependencia
tecnológica y su impacto en las relaciones sociales
de los alumnos (Amaniampong y Nantwi, 2026).
Asimismo, en Siria se han detectado impactos éticos
que tiene que ver con la privacidad de la información
brindada a la inteligencia artificial generativa, y el uso
sesgado que se le pueda dar esta para reproducir este-
reotipos culturales que no representan la diversidad
real de las comunidades (Kayyali, 2025).
4. Conclusiones
Los resultados muestran que la inteligencia
artificial generativa está aumentando su presen-
cia dentro de la práctica pedagógica universitaria
de Hispanoamérica. Lejos de ser percibida como
un reemplazo de la labor docente, su utilización
se orienta principalmente al apoyo de actividades
relacionadas con el diseño de materiales, desarrollo
de estrategias didácticas y procesos de evaluación.
Así, su incorporación comienza a articularse con
distintas dimensiones del trabajo académico y de las
dinámicas de enseñanza y aprendizaje en el sistema
de educación superior. Entre sus principales con-
tribuciones se encuentra la posibilidad de reducir
el tiempo destinado a tareas operativas y adminis-
trativas, permitiendo que los docentes concentren
sus esfuerzos en otras actividades, como acompaña-
miento, orientación y mediación pedagógica.
Asimismo, las herramientas generativas per-
miten personalizar las experiencias de aprendizaje
y amplían las alternativas metodológicas disponi-
bles para el desarrollo del pensamiento crítico. Sin
embargo, estos beneficios dependen mucho de la
forma en que estas tecnologías sean incorporadas al
proceso educativo, ya que su efectividad está asocia-
da a un uso pedagógicamente planificado y acom-
pañado por criterios académicos claros. La revisión
también evidencia que la relación entre los docentes
y la inteligencia artificial generativa es ambivalente.
Aunque existe un reconocimiento generalizado de
su utilidad para apoyar tareas académicas, hay pre-
ocupaciones por la integridad académica, los efectos
derivados de una dependencia excesiva a estas herra-
mientas, y la autonomía de los alumnos.
De igual manera, se mantienen inquietudes
sobre la autoría de los productos académicos, la
presencia de sesgos en los contenidos generados, la
confiabilidad de la información producida y las des-
igualdades derivadas del acceso y aprovechamiento
de estas tecnologías. Otro aspecto importante es
la brecha entre la disposición de algunos docentes
para incorporar estas herramientas y su nivel de
conocimiento para utilizarlas de manera crítica y
efectiva. Esta situación expone la necesidad de for-
talecer procesos de formación donde se combinen
competencias digitales, éticas, y pedagógicas, así
como de consolidar orientaciones institucionales
que permitan la incorporación con responsabilidad
de la inteligencia artificial generativa en entornos
universitarios. Adicionalmente, la revisión realizada
contribuye a organizar un campo de estudio que
todavía está en incipiente desarrollo.
La sistematización de evidencias permitió
identificar tendencias comunes, vacíos de investi-
gación y temas que requieren una mayor profun-
dización, sobre todo aquellos relacionados con los
efectos pedagógicos de largo plazo, las transforma-
ciones en los modelos de evaluación y las implica-
ciones éticas de la expansión de estas tecnologías en
la educación superior. Así, la inteligencia artificial
generativa ofrece posibilidades significativas para
fortalecer los procesos de enseñanza y aprendizaje en
la universidad. No obstante, su incorporación exige
una mirada crítica que considere tanto sus aportes
como sus limitaciones, reconociendo que el valor
educativo de estas herramientas depende menos de
la tecnología en sí misma que de las decisiones peda-
gógicas que orientan su utilización.
Finalmente, entre las limitaciones del estudio
se identifica un sesgo potencial relacionado con la
delimitación geográfica del corpus, el cual se cen-
tra exclusivamente en estudios desarrollados en
Hispanoamérica; aunque esta decisión corresponde
a un interés de contextualización regional, restrin-
ge la posibilidad de generalización de hallazgos.
Adicionalmente, la selección basada en únicamente
de trabajos disponibles en las tres bases de datos uti-
lizadas, así como la delimitación idiomática, pueden
haber limitado la incorporación de otros estudios
relevantes indexados en otras fuentes o publicados
en otros idiomas. Lo anterior abre el camino a nue-
vas investigaciones para mejorar la comprensión
global de articular la inteligencia artificial generativa
en la práctica pedagógica en las universidades.
Dr. Josnel Martínez-Garcés, Vanessa Asprilla-Castillo y Edwin Montenegro-Perafán
© Universidad Politécnica Salesiana, Ecuador
218
Referencias bibliográficas
Acevedo Carrillo, M., Cabezas Torres, N. M., La Serna La
Rosa, P. A. y Araujo Rossel, S. A. (2026). Desafíos
y oportunidades de la inteligencia artificial en la
educación superior latinoamericana: Una revi-
sión sistemática de la literatura. Revista InveCom,
6(1), e601074.
https://doi.org/10.5281/zenodo.15508755
Amaniampong, A. y Nantwi, W. K. (2026). Generative AI
for teacher education: Ethical considerations from
the perspective of lecturers and students. Journal
of Education Management and Leadership, 5(1),
37-51. https://doi.org/10.51317/jeml.v5i1.905
Betti Galasso, B. J. (2026). Inteligencia artificial generativa
y formación docente: Competencias emergen-
tes en América Latina, una revisión de alcance.
Revista Actualidades investigativas en educación,
26(1), 1-43. https://doi.org/10.15517/z4mcs052
Blanco Pena, J. M. (2024). La revisión sistemática como
metodología para la investigación en E/LE.
Círculo de lingüística aplicada a la comunicación,
97, 179-193. https://doi.org/10.5209/clac.88711
Cabero-Almenara, J., Pedraza-Goyeneche, C. E., Fredy-
Montes, J. y Palacios Rodríguez, A. (2025).
Conocimiento de la Inteligencia Artificial
Generativa del profesorado. Modelo predictivo
basado en el TPACK para la integración ética
de la Inteligencia Artificial Generativa en la
Educación Superior. Revista electrónica interu-
niversitaria de formación del profesorado, 29(1),
15-31. https://doi.org/10.6018/reifop.690971
Cai, S. y Yu, W. (2025). Incorporating Generative AI in
EFL Writing: An Investigation into Students’ and
Teachers’ Perceptions. Journal of literature and art
studies, 15(7), 526-539.
https://doi.org/10.17265/2159-5836/2025.07.002
Camacho Marín, R. J. (2025). Inteligencia artificial en el
aula: Desafíos y oportunidades para la educación
del siglo XXI. Revista multidisciplinar ciencia y
descubrimiento, 3(1), 1-16.
https://doi.org/10.63816/92rwmv16
Cambra-Fierro, J., Fuentes Blasco, M., López-Pérez, M.
E. y Trifu, A. (2024). ChatGPT adoption and its
influence on faculty well-being: An empirical
research in higher education. Educ Inf Technol,
(30), 1517-1538.
https://doi.org/10.1007/s10639-024-12871-0
Chang Bautista, L. y Chinchay Tapia, J. A. (2023). La
inteligencia artificial en el marketing digital de
Latinoamérica 2020-2023: Una revisión sistemá-
tica de literatura. Revista de ciencias y artes, 1(4),
124-153.
https://doi.org/10.37211/2789.1216.v1.n4.45
Contreras Contreras, F. y Olaya Guerrero, J. C. (2025).
Inteligencia artificial en las empresas: oportuni-
dades y desafíos. Impulso, Revista de administra-
ción, 5(9), 353-367.
https://doi.org/10.59659/impulso.v.5i9.88
Cordero, J., Torres-Zambrano, J. y Cordero-Castillo,
A. (2025). Integration of Generative Artificial
Intelligence in Higher Education: Best Practices.
Education Sciences, 15(1), 32.
https://doi.org/10.3390/educsci15010032
Corona Domínguez, B. (2025). Implicaciones éticas de la
inteligencia artificial generativa en la educación
superior: Una revisión sistemática. Horizonte
académico, 5(1), 289-307.
https://doi.org/10.70208/3007.8245.v5.n1.83
De la Puente, M., Torres, J.; Blanco Troncoso, A. L.,
Hernández Meza, Y. Y. y Márquez Carrascal, J.
X. (2024). Investigating the use of chatGPT as
a tool for enhancing critical thinking and argu-
mentation skills in international relations debates
among undergraduate students. Smart Learn.
Environ, 11(55).
https://doi.org/10.1186/s40561-024-00347-0
Fajardo Aguilar, G. M., Ayala Gavilanes, D. C., Arroba
Freire, E. M. y López Quincha, M. (2023).
Inteligencia artificial y la educación universitaria:
Una revisión sistemática. Magazine de las ciencias:
Revista de investigación e innovación, 8(1), 109-
131. https://doi.org/10.33262/rmc.v8i1.2935
Farinango, O., Rivera, M., Gualsaquí, D., Guerra, D. y
Panamá, C. (2026). Impacto educativo de la inte-
ligencia artificial generativa: Una revisión crítica
de avances, desafíos y perspectivas. Revista Ecos
de la academia, 11(23), 1-26.
https://doi.org/10.53358/ecosacademia.v11i23.1347
Fontanelli, Óscar, Schulz, M. S., Alba Udave, J., Quintana
Nedelcu, D., Tavera Fenollosa, L. y Dussauge
Laguna, M. I. (2025). Uso y valoración de la
inteligencia artificial generativa en los estudios
sociales. Reporte sobre la experiencia de la comu-
nidad académica de la Flacso México. Perfiles
Latinoamericanos, 33(66), 267-279.
https://doi.org/10.18504/pl3366-013-2025
García Gutiérrez, G. F., Tapia Guerrero, J. A., Mejía Peralta,
C. E. y Egüez Cevallos, R. C. (2025). Uso de inte-
ligencia artificial generativa como herramienta
de apoyo académico en la innovación pedagógica
universitaria. Revista social fronteriza, 5(6), e955.
https://doi.org/10.59814/resofro.2025.5(6)955
González, A. (2026). Inteligencia artificial generativa en
la educación superior: oportunidades, desafíos y
Dr. Josnel Martínez-Garcés, Vanessa Asprilla-Castillo y Edwin Montenegro-Perafán
Alteridad, 2026, 21(2), 207-221 219
transformaciones en la práctica docente. Revista
G-ner@ndo, 7(1), 3745-3762.
https://doi.org/10.66473/rcmg.v7i1.1067
Haroud, S. y Saqri, N. (2025). Generative AI in higher
education: Teachers’ and Students’ Perspectives
on support, replacement, and digital literacy.
Education sciences, 15(4), e396.
https://doi.org/10.3390/educsci15040396
Instituto nacional de tecnologías educativas y de forma-
ción del profesorado. (04 de julio de 2024). Guía
sobre el uso de la inteligencia artificial en el ámbi-
to educativo. https://bit.ly/4nfkDaS
Jardón Gallegos, M. del C., Allas Chisag, W. D., Zamora
Valencia, D. A. y Cedeño Saltos, N. E. (2024).
Impacto de la inteligencia artificial en la educa-
ción superior: Percepciones de alumnos y pro-
fesores sobre el uso de IA en el aprendizaje y la
evaluación. Reincisol, 3(6), 7008-7033.
https://doi.org/10.59282/reincisol.V3(6)7008-7033
Kayyali, M. (2025). Ethical implications of generative AI
in education: Privacy, bias, and integrity. En L.
Kyei-Blankson y E. Ntuli (eds.), Transformative
AI practices for personalized learning strategies
(pp. 185-218). IGI Global Scientific Publishing.
https://doi.org/10.4018/979-8-3693-8744-3.ch008
Labañino Palmeiro, L., Lorca Marín, A. A., De las Heras
Pérez, M. de los A. y Campina López, A. C.
(2025). Evolution of the concept of artificial
intelligence in scientific literature: a systematic
análisis. Digital education review, (46), 65-76.
https://doi.org/10.1344/der.2025.46.65-76
López-Vasco, F. E., Angulo-Álvarez, M. R. y Sosa-Zúñiga,
D. I. (2025). Formación docente en IA Generativa:
impacto ético y retos en educación superior.
Alteridad, 20(2), 166-177.
https://doi.org/10.17163/alt.v20n2.2025.01
Lucero-Baldevenites, E. V., Bueno-Fernández, M.
M., Caballero-de Lamarque, C. P. y Bracho-
Fuenmayor, P. L. (2025). El uso del ChatGPT en
actividades académicas por parte de docentes
universitarios. Episteme Koinonia, 8(16), 264-284.
https://doi.org/10.35381/e.k.v8i16.4591
Macías Galeas, I. y Betancourt Anangono, D. I. (2025).
Algoritmos y autonomía docente: Resistencias
pedagógicas ante la estandarización EdTech en
la era de la IA generativa. Revista española de
Educación comparada, (48), 442-460.
https://doi.org/10.5944/reec.48.2025.45210
Mateus, J. C., Cappello, G., Lugo, N. y Guerrero-Pico,
M. (2024). Communication educators facing
the arrival of Generative Artificial Intelligence:
exploration in Mexico, Peru, and Spain. Digital
Education Review, (45), 106-114.
https://doi.org/10.1344/der.2024.45.106-114
Miras, S., Cantó-Delgado, R. y Rovira-Collado, J. (2025).
Aplicación de un modelo GPT en el estudio
de constelaciones multimodales. Perspectiva
Educacional, 64(3), 122-150.
https://doi.org/10.4151/07189729-Vol.64-Iss.3-Art.1762
Muñoz Martínez, C., Roger-Monzo, V. y Castelló Sirvent,
F. (2025). Generative AI and critical thinking in
online higher education: challenges and opportu-
nities. RIED-Revista iberoamericana de educación
a distancia, 28(2), 233-273.
https://doi.org/10.5944/ried.28.2.43556
Nasr, N. R., Tu, C.-H., Werner, J., Bauer, T., Yen, C.-J. y
Sujo-Montes, L. (2025). Exploring the impact
of generative AI ChatGPT on critical thinking
in higher education: Passive AI-directed use or
human–AI supported collaboration? Education
Sciences, 15(9), e1198.
https://doi.org/10.3390/educsci15091198
Nasser, F. (2024). Un repaso a la historia de la inteligen-
cia artificial: acordes y desacuerdos. Tabanque.
Revista pedagógica, (36), 7-18.
https://doi.org/10.24197/trp.36.2024.7-18
Nevárez Montes, J. y Elizondo-Garcia, J. (2025). Faculty
acceptance and use of generative artificial intelli-
gence in their practice. Front. Educ., (10), 1427450.
https://doi.org/10.3389/feduc.2025.1427450
OCDE (19 de enero de 2026). Perspectivas de la OCDE
sobre la educación digital 2026.
https://bit.ly/3Rlr0NC
Ordóñez Herrera, M. G. (2024). El desafío de la toma
de decisiones gerenciales basada en datos con
inteligencia artificial. Revista FACES, 6(1), 34-53.
https://bit.ly/3SI3Ly5
Padilla Piernas, J. M. y Martín García, M. M. (2024).
Impacto y perspectivas de la Inteligencia Artificial
Generativa en la Educación Superior: un estudio
sobre la percepción y adopción docente usando el
modelo AETGE/GATE. European Public &Social
Innovation Review, (9), 1-21.
https://doi.org/10.31637/epsir-2024-595
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I.,
Hoffmann, T. C., Mulrow, C. D., Shamseer, L.,
Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R.,
Glanville, J., Grimshaw, J. M., Hróbjartsson, A.,
Lalu, M. M., Li, T., Loder, E. W., Mayo-Wilson,
E., McDonald, S., . . . Moher, D. (2021). The
PRISMA 2020 statement: An updated guideline
for reporting systematic reviews. BMJ, 372(71),
1-9. https://doi.org/10.1136/bmj.n71
Perdomo, B. y González, O. A. (2025). Inteligencia artifi-
cial en educación superior: revisión integrativa de
Dr. Josnel Martínez-Garcés, Vanessa Asprilla-Castillo y Edwin Montenegro-Perafán
© Universidad Politécnica Salesiana, Ecuador
220
la literatura. Cuadernos de Investigación educativa,
16(2), e205.
https://doi.org/10.18861/cied.2025.16.2.4034
Pereira-González, L. M., Basantes-Andrade, A., Mora-
Grijalva, M. y Galárraga-Andrade A. (2025).
Dimensiones latentes en la adopción de ChatGPT
en la universidad: modelo CHASSIS. Alteridad,
20(2), 190-202.
https://doi.org/10.17163/alt.v20n2.2025.03
Qian, Y. (2025). Pedagogical Applications of Generative
AI in Higher Education: a systematic review of
the field. TechTrends, (69), 1105-1120.
https://doi.org/10.1007/s11528-025-01100-1
Quinde-Moncerrate, H. G., Quinde-Zambrano, L. F. y
Franco-Arroyo, P. P. (2025). Incidencia de la inte-
ligencia artificial en la educación contemporánea:
Revisión sistemática. Sociedad & Tecnología, 8(2),
358-368. https://doi.org/10.51247/st.v8i2.505
Ramos-Galarza, C. y García-Cruz, P. (2024). Guía para
realizar estudios de revisión sistemática cuantita-
tiva. CienciAmérica, 13(1), 1-6.
https://doi.org/10.33210/ca.v13i1.444
Ricra Ruíz, R. A., Queque Luque, E. F., Vega Lazo, F. H.,
Martínez Horna, D. J., Ross Audureau, J. y Lara
Tapia, L. M. (2025). Implicaciones éticas de la
inteligencia artificial generativa en la educa-
ción superior: Una revisión sistemática. Revista
InveCom, 6(2), 1-8.
https://doi.org/10.5281/zenodo.16734732
Rivadeneira, L., Bellido de Luna, D. y Fernandez, C.
(2025). Exploring the role of ChatGPT in higher
education institutions: Where does Latin America
stand? Digital government: Research and practice,
6(2), 1-12. https://doi.org/10.1145/3689370
Rodríguez Hernández, L. A. (2023). Inteligencia artificial
generativa en la educación: retos éticos, potencial
pedagógico y perspectivas futuras. Innovarium
International Journal, 1(1), 1-12.
https://bit.ly/4xRtvID
Rodríguez, G. S. (2025). Creación con Inteligencia artifi-
cial generativa: Desafíos y perspectiva. LEX, (36),
147-180.
http://dx.doi.org/10.21503/lex.v23i36.2920
Rodríguez-Ruiz, J. A. (2025). ¿Qué delegar a la máquina?
Desafíos y oportunidades de uso educativo de
la inteligencia artificial generativa. Pensamiento,
palabra y obra, (34), e22322.
https://doi.org/10.17227/ppo.num34-22322
Romani Pill, G., Macedo Inca, K. S., Soto Loza, G. E., Franco
Guevara, A. M. y Ore Choque, M. K. (2025).
Revisión sistemática de inteligencia artificial gene-
rativa (GenIA) para el diseño de experiencias de
aprendizaje, 2020-2025. Espacios, 46(3), 13-27.
https://doi.org/ 10.48082/espacios-a25v46n03p02
Ros-Arlanzón, P., Gutarra-Ávila, R., Arrarte-Esteban, V.,
Bertomeu-González, V., Hernández-Blasco, L.,
Masiá, M., … Sempere, A. P. (2025). When AI
models take the exam: large language models
vs medical students on multiple-choice course
exams. Medical Education Online, 30(1).
https://doi.org/10.1080/10872981.2025.2592430
Saltos Loayza, K. L., Jaramillo Chávez, A. P., Guerrero
Calva E. S. y Diaz Arrieta, R. H. (2025). El uso de
la inteligencia artificial generativa como apoyo en
la mejora de las prácticas docentes en educación
superior. Reincisol, 4(8), 5458-5485.
https://doi.org/10.59282/reincisol.V4(8)5458-5485
Sánchez Vásquez, C. y Toro-Valencia, J. (2021). El derecho
al control humano: Una respuesta jurídica a la
inteligencia artificial. Revista chilena de derecho y
tecnología, 10(2), 211-228.
https://dx.doi.org/10.5354/0719-2584.2021.58745
Sánchez, N., Michay, G. y Calderón, J. (2025). Inteligencia
artificial generativa en educación superior: una
revisión sistemática de literatura hispanohablan-
te. Espacios, 46(6), 14-25.
https://doi.org/10.48082/espacios-a25v46n06p02
Sandoval Forero, E. A. (2024). Metodología para la revi-
sión sistemática de literatura crítica sobre los
desarrollos. Ciencia Latina, Revista científica mul-
tidisciplinar, 8(2), 1007-1025.
https://doi.org/10.37811/cl_rcm.v8i2.10546
Santillán-Aguirre, P., Santos-Poveda, R., Cuadrado-Solís,
V. y Jaramillo-Moyano, E. (2025). Transformación
del aula universitaria: Aplicaciones y perspectivas
de la inteligencia artificial generativa en la docen-
cia. Universidad y sociedad, 17(5), e5225.
https://bit.ly/3QTVSFg
Silgado-Tuñón, D. A. y López-Flores, J. I. (2025).
Inteligencia artificial generativa en la educación
superior: Una revisión sistemática. Unión. Revista
iberoamericana de educación matemática, 21(73),
1-19. https://bit.ly/4f2qmNB
Tostado Ramírez, M. I., Arreola Laveaga, J. y López López,
H. L. (2025). Panorama actual de la inteligencia
artificial. Una revisión del estado del arte en el
contexto educativo. Revista NeyArt, 3(3), 274-
297. https://doi.org/10.61273/neyart.v3i3.147
UNESCO. (22 de enero de 2025). Inteligencia artificial en
la educación: la UNESCO impulsa competencias
clave para docentes y estudiantes.
https://bit.ly/4w9aeS1
Vallejo Ballestero, H. F., Aguilar Pazos, R. E., Fuentes
Seisdedos, L. y Fierro Saltos, F. E. (2025). La
inteligencia artificial generativa como recurso
Dr. Josnel Martínez-Garcés, Vanessa Asprilla-Castillo y Edwin Montenegro-Perafán
Alteridad, 2026, 21(2), 207-221 221
didáctico en la educación superior. Una revisión
sistemática. RECIMUNDO, 9(2), 247-261.
https://doi.org/10.26820/recimundo/9.(2).abril.2025.247-261
Verano-Tacoronte, D., Bolívar-Cruz, A. y Sosa-Cabrera,
S. (2025) Are university teachers ready for gene-
rative artificial intelligence? Unpacking faculty
anxiety in the ChatGPT era. Educ Inf Technol.,
(30), 20495-20522.
https://doi.org/10.1007/s10639-025-13585-7
Declaración de autoría – Taxonomía CRediT
Autores Contribuciones
Dr. Josnel Martínez-Garcés Conceptualización, curación de datos, análisis formal, investigación, metodología, software,
borrador original.
Vanessa Asprilla-Castillo Investigación, validación, revisión y edición.
Edwin Daniel Montenegro-Perafán Investigación, visualización, revisión y edición.
Declaración de uso de inteligencia artificial
La autoría DECLARA que, en la elaboración del artículo Inteligencia artificial generativa en la pedagogía universitaria. Revisión sis-
temática se utilizó ChatGPT para el diseño de la ecuación booleana de búsqueda y mejoras en algunos aspectos de la redacción.
