Fundamentos teóricos, metodológicos y tecnológicos sobre la aplicación de la inteligencia artificial en el nivel universitario
Palabras clave:
Inteligencia artificial, educación superior, aprendizaje adaptativo, analítica educativa, innovación tecnológicaResumen
La aplicación de la inteligencia artificial (IA) en el ámbito universitario se ha convertido en un campo de creciente interés, dado su potencial para transformar los procesos educativos, investigativos y administrativos. Este artículo explora los fundamentos teóricos, metodológicos y tecnológicos que sustentan la integración de la IA en la educación superior, analizando su papel en el mejoramiento de la enseñanza-aprendizaje, la personalización educativa, la analítica académica y la optimización de la gestión universitaria. Desde el punto de vista teórico, se revisan los aportes de enfoques constructivistas, conectivistas y del aprendizaje adaptativo; así como las llamadas metodología activas de aprendizaje, en los que la IA funge como mediador entre el conocimiento y los estudiantes En el plano metodológico, se examinan las estrategias de diseño e implementación de sistemas inteligentes, modelos de aprendizaje automático y el uso de plataformas de aprendizaje adaptativo. Tecnológicamente, se destacan las herramientas basadas en algoritmos de machine learning, procesamiento de lenguaje natural, chatbots académicos y sistemas de recomendación, los cuales amplían las posibilidades de apoyo tanto a docentes como a estudiantes. La investigación muestra que la IA no solo es un recurso de apoyo, sino también un catalizador de innovación educativa, capaz de fomentar nuevas competencias digitales, analíticas y críticas en los universitarios. Finalmente, se discuten los desafíos éticos, de equidad y de gobernanza tecnológica que deben ser considerados para garantizar una aplicación responsable y sostenible de la IA en el nivel universitario.
Descargas
Citas
Acosta-Servín, S., Veytia-Bucheli, M. G., & Cáceres-Mesa, M. L. (2025). Innovar en la práctica docente. Desarrollo de competencias digitales en la Licenciatura. Sophia Editions.
Arizona State University. (2025). Laptop screen with text: Paid tool for ASU faculty, staff, and student workers. ChatGPT Edu. https://ai.asu.edu/ai-tools/chatgpt-edu
Brusilovsky, P., & Millán, E. (2007). User models for adaptive hypermedia and adaptive educational systems. En P. Brusilovsky, A. Kobsa, & W. Nejdl (Eds.), The adaptive web (pp. 3–53). Springer-Verlag.
Burrows, S., Gurevych, I., & Stein, B. (2015). The eras and trends of automatic short answer grading. International Journal of Artificial Intelligence in Education, 25(1), 60–117. https://doi.org/10.1007/s40593-014-0026-8
Cabero-Almenara, J., Guillen-Gamez, F. D., Ruiz-Palmero, J., & Palacios-Rodríguez, A. (2021). Classification models in the digital competence of higher education teachers based on the DigCompEdu Framework: logistic regression and segment tree. Journal of E-Learning and Knowledge Society, 17(1), 49-61. https://doi.org/10.20368/1971-8829/1135472
Casimiro-Urcos, W. H., Casimiro-Urcos, C. N., Quinteros-Osorio, R. O., Tello-Conde, A. R., & Casimiro-Guerra, G. (2025). Docentes conectados: Evaluando las competencias digitales en la Educación Superior. Sophia Editions.
Committee on Publication Ethics. (2023). Authorship and AI tools. https://publicationethics.org/guidance/cope-position/authorship-and-ai-tools
Downes, S. (2019). Recent work in connectivism. European Journal of Open, Distance and E-Learning, 22(2), 112–131.
Foltynek, T., Meuschke, N., & Gipp, B. (2020). Academic Plagiarism Detection: A Systematic Literature Review. ACM Computing Surveys, 52(6), 1–42. https://doi.org/10.1145/3345317
Jonassen, D. (1999). Designing constructivist learning environments. EnC. Reigeluth, (Ed.), Instructional-design theories and models: A new paradigm of instructional theory (pp. 215-239). Pennsylvania State University.
Knox, J. (2020). Artificial Intelligence and Education in China. Learning, Media and Technology, 45(3), 298-311. https://doi.org/10.1080/17439884.2020.1754236
León-González, J. L., & Pire-Rojas, A. (Comp). (2025). Investigación, neurociencia e inteligencia artificial: Hacia una formación universitaria integral. Sophia Editions.
Long, P., & Siemens, G. (2011). Penetrating the Fog: Analytics in Learning and Education. EDUCAUSE Review, 46(5), 31-40. https://er.educause.edu/articles/2011/9/penetrating-the-fog-analytics-in-learning-and-education
Manouselis, N., Drachsler, H., Verbert, K., & Duval, E. (2011). Recommender systems for learning. SpringerBriefs in Electrical and Computer Engineering. Springer.
McCarthy, K. S., Roscoe, R. D., Allen, L. K., Likens, A. D., & McNamara, D. S. (2022). Automated writing evaluation: Does spelling and grammar feedback support high-quality writing and revision? Assessing Writing, 52, [páginas no especificadas]. https://files.eric.ed.gov/fulltext/ED620063.pdf
Okonkwo, C. W., & Ade-Ibijola, A. (2021). Chatbots applications in education: A systematic review. Computers and Education: Artificial Intelligence, 2, 100033. https://doi.org/10.1016/j.caeai.2021.100033
Perrotta, C., & Williamson, B. (2018). The social life of learning analytics: Cluster analysis and the ‘performance’ of algorithmic education. Learning, Media and Technology, 43(1), 3–16. https://doi.org/10.1080/17439884.2016.1182927
Ranalli, J., Link, S., & Chukharev-Hudilainen, E. (2017). Automated writing evaluation for formative assessment of second language writing: Investigating the accuracy and usefulness of feedback as part of argument-based validation. Educational Psychology, 37(1), 8–25. https://doi.org/10.1080/01443410.2015.1136407
Siemens, G. (2005). Connectivism: A learning theory for the digital age, International Journal of Instructional Technology and Distance Learning, 2. http://www.itdl.org/Journal/Jan_05/article01.htm
Tecnológico de Monterrey (2025). Enseñanza y aprendizaje. https://tec.mx/es/ia/ensenanza-y-aprendizaje?srsltid=AfmBOoqlNLxqvIKqV2r6w9t-Duq6BXuIsR7KX215dbXXUJaJxV_vAscv
Universidad Metropolitana del Ecuador. (2025). Sitio Web Editorial UMET. https://editorial.umet.edu.ec/
Verbert, K., Manouselis, N., Drachsler, H., & Duval, E. (2011). Dataset-driven research for improving recommender systems for learning. Proceedings of the 1st International Conference on Learning Analytics and Knowledge (LAK’11). New York, United States.
Williamson, B., & Eynon, R. (2020). Historical Threads, Missing Links, and Future Directions in AI in Education. Learning, Media and Technology, 45(3), 223–235. https://doi.org/10.1080/17439884.2020.1798995
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic Review of Research on Artificial Intelligence Applications in Higher Education. International Journal of Educational Technology in Higher Education, 16(39), 1–27. https://doi.org/10.1186/s41239-019-0171-0
Zhao, Y., Pinto Llorente, A. M., & Sánchez Gómez, M. C. (2021). Digital competence in higher education research: A systematic literature review. Computers & Education, 168, 104212. https://doi.org/10.1016/j.compedu.2021.104212
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Lázaro Salomón Dibut-Toledo, Irma Yolanda Razo-Abundis
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Los autores que publican en la Revista UGC están de acuerdo con los siguientes términos:
1. Derechos de Autor
Los autores conservan los derechos de autor sobre sus trabajos sin restricciones. Los autores otorgan a la revista el derecho de primera publicación. Para ello, ceden a la revista, de forma no exclusiva, los derechos de explotación (reproducción, distribución, comunicación pública y transformación). Los autores pueden establecer otros acuerdos adicionales para la distribución no exclusiva de la versión de la obra publicada en la revista, siempre que exista un reconocimiento de su publicación inicial en esta revista.
© Los autores.
2. Licencia
Los trabajos se publican en la revista bajo la licencia de Atribución-NoComercial-CompartirIgual 4.0 Internacional de Creative Commons (CC BY-NC-SA 4.0). Los términos se pueden consultar en: https://creativecommons.org/licenses/by-nc-sa/4.0/deed.es
Esta licencia permite:
- Compartir: copiar y redistribuir el material en cualquier medio o formato.
- Adaptar: remezclar, transformar y crear a partir del material.
Bajo los siguientes términos:
- Atribución: ha de reconocer la autoría de manera apropiada, proporcionar un enlace a la licencia e indicar si se ha hecho algún cambio. Puede hacerlo de cualquier manera razonable, pero no de forma tal que sugiera que el licenciador le da soporte o patrocina el uso que se hace.
- NoComercial: no puede utilizar el material para finalidades comerciales.
- CompartirIgual: si remezcla, transforma o crea a partir del material, debe difundir su creación con la misma licencia que la obra original.
No hay restricciones adicionales. No puede aplicar términos legales ni medidas tecnológicas que restrinjan legalmente a otros hacer cualquier cosa que la licencia permita.
