DOI 10.35381/noesisin.v8i16.881

 

Estrategias de desarrollo y de adopción institucional de la inteligencia artificial en la educación superior: revisión sistemática

 

Development and institutional adoption strategies of artificial intelligence in higher education: A systematic review

 

 

Luis Alberto Moya-Martínez

lamoyam@ucvvirtual.edu.pe

Universidad César Vallejo, Piura, Piura

Perú

https://orcid.org/0009-0009-4264-6903

 

 

 

Recibido: 15 de junio 2026

Revisado: 10 de agosto 2026

Aprobado: 15 de septiembre 2026

Publicado: 01 de octubre 2026

 


RESUMEN

La incorporación de la inteligencia artificial en la educación superior ha generado tensiones entre la innovación tecnológica y la normativa institucional. El objetivo fue sistematizar las estrategias de desarrollo, los modelos de gestión del conocimiento y las estructuras de gobernanza asociadas a su adopción universitaria. Se efectuó una revisión sistemática conforme a PRISMA 2020 en Scopus, Web of Science, PubMed y SciELO, con estudios publicados entre 2021 y 2026, cuya calidad se valoró con CASP y MMAT. Se incluyeron 48 artículos, el 87,5 % publicados desde 2023. La síntesis identificó tres dimensiones interdependientes: ética y gobernanza (37,5 %), infraestructura tecnológica y soberanía de datos (33,3 %), y formación docente con evaluación auténtica (29,2 %). Los estudios que vincularon la analítica del aprendizaje con la tutoría reportaron reducciones estimadas de la deserción de 14 % a 22 %. La adopción sostenible exige gobernanza auditable, infraestructura bajo control institucional y acceso equitativo.

 

Descriptores: Inteligencia artificial; enseñanza superior; gestión del conocimiento; ética (Tesauro UNESCO).

 

 

ABSTRACT

The incorporation of artificial intelligence into higher education has created tensions between technological innovation and institutional regulations. The objective was to systematize the development strategies, knowledge management models, and governance structures associated with its adoption in universities. A systematic review was conducted following PRISMA 2020 in Scopus, Web of Science, PubMed, and SciELO, including studies published between 2021 and 2026, whose quality was appraised with CASP and MMAT. Forty-eight articles were included, 87.5% of them published since 2023. The synthesis identified three interdependent dimensions: ethics and governance (37.5%), technological infrastructure and data sovereignty (33.3%), and faculty development with authentic assessment (29.2%). Studies that linked learning analytics to tutoring reported estimated dropout reductions of 14% to 22%. It is concluded that sustainable adoption requires auditable governance, institutionally controlled infrastructure, and equitable access.

 

Descriptors: Artificial intelligence; higher education; knowledge management; ethics (UNESCO Thesaurus).

 


INTRODUCCIÓN

En pocos años, la inteligencia artificial (IA) dejó de ser una promesa en la educación universitaria para convertirse en un componente estructural de la docencia, el aprendizaje, la investigación y la gestión. Las revisiones más citadas del campo muestran que la producción académica pasó de describir aplicaciones aisladas, como sistemas de tutoría o predicción del rendimiento, a examinar cómo estas herramientas reorganizan el conjunto de los procesos institucionales (Zawacki-Richter et al., 2019; Crompton & Burke, 2023). En ese tránsito, los modelos de lenguaje de gran escala y los algoritmos de aprendizaje profundo ya no se analizan como recursos externos al aula, sino como piezas que modifican la manera en que la universidad produce, valida y distribuye el conocimiento.

La expansión de la IA generativa desde finales de 2022 aceleró ese proceso y puso en cuestión los métodos convencionales de evaluación, reabrió el debate sobre la integridad académica y obligó a revisar la noción de autoría en los trabajos de los estudiantes (Kasneci et al., 2023; Cotton et al., 2024). Sin embargo, la mayor parte de la investigación indexada se ha concentrado en el nivel micro de la práctica educativa: percepciones del estudiantado, uso de asistentes virtuales para la retroalimentación inmediata, codiseño curricular y automatización de la evaluación (Bond et al., 2024; Buckingham Shum et al., 2023). Esa literatura es útil para la innovación inmediata en el aula, pero dice poco acerca de los mecanismos institucionales que deben orientar un uso responsable de la tecnología en contextos tan distintos como el norteamericano, el europeo o el latinoamericano.

Persiste, por tanto, un vacío de conocimiento sistemático sobre los modelos de gestión y los marcos éticos con los que las instituciones de educación superior adoptan la IA desde sus instancias de dirección. Mientras las ciencias de la computación perfeccionan los modelos, la investigación educativa ha tendido a reducir la discusión al plagio y a la detección de textos generados, sin ofrecer una hoja de ruta para la toma de decisiones institucionales (Selwyn, 2024; Zawacki-Richter et al., 2024). A ello se suma que los modelos clásicos de gestión del conocimiento, centrados en la conversión de información en saber organizacional, se ven desafiados por la capacidad de generar contenido sintético sin un control claro sobre su procedencia (Gašević et al., 2023).

Las respuestas institucionales también muestran desequilibrios. Numerosas universidades han publicado principios éticos generales, pero pocas los han traducido en procedimientos verificables, responsables definidos y planes estratégicos con metas medibles (Chan, 2023; Moorhouse et al., 2023). En el terreno de la permanencia estudiantil, la analítica del aprendizaje se presenta a menudo como un caso de éxito tecnológico, sin un debate equivalente sobre la privacidad de los datos sensibles, la calidad de las intervenciones o la conservación de la memoria institucional (Ifenthaler & Yau, 2020; Tsai et al., 2020).

En América Latina, la evidencia publicada en SciELO confirma ese crecimiento y sus asimetrías. Un análisis bibliométrico de Scopus registró 1 038 documentos sobre enseñanza y aprendizaje asistidos por IA en educación superior entre 2019 y 2024, con incrementos marcados en 2023 y 2024, y situó a México, España y Portugal como referentes del ámbito iberoamericano (Ultreras-Rodríguez et al., 2025). La comparación de los marcos regulatorios de Argentina, Brasil, Chile, Perú y España mostró que todos reconocen la necesidad de lineamientos éticos, aunque con alcances y grados de implementación muy diferentes (Medina-Zuta et al., 2025). En Perú, México, Ecuador y Argentina, las principales barreras identificadas fueron la brecha de infraestructura entre zonas urbanas y rurales, la formación docente insuficiente y la ausencia de políticas públicas coherentes (Zambrana Copaja et al., 2026; Acevedo Carrillo et al., 2026).

Frente a este panorama, la presente revisión se planteó la siguiente pregunta: ¿qué estrategias de desarrollo, modelos de gestión del conocimiento y estructuras de gobernanza institucional se han identificado en la literatura científica en relación con la adopción de la inteligencia artificial en las instituciones de educación superior? En consecuencia, el objetivo general fue sistematizar los modelos de adopción institucional y los enfoques de desarrollo de la IA en la educación superior, integrando de manera transversal los lineamientos ético-normativos, la infraestructura tecnológica, las dinámicas pedagógicas y los flujos institucionales de gestión del conocimiento, entendidos como el conjunto de procesos y canales organizacionales orientados a capturar, transferir y aplicar los saberes académicos en el ecosistema universitario.

 

MÉTODO

El estudio correspondió a una investigación básica, desarrollada como revisión sistemática de la literatura científica sobre la adopción institucional de la IA en la educación superior. Se eligió este diseño porque reduce el sesgo en la selección de la información y vuelve el proceso transparente y reproducible, condición necesaria en un campo con gran diversidad de enfoques teóricos y terminológicos (Zawacki-Richter et al., 2024). El periodo de análisis abarcó desde enero de 2021 hasta junio de 2026, etapa de rápida expansión de la IA generativa, y el informe se elaboró conforme a la declaración PRISMA 2020 (Page et al., 2021).

La búsqueda se efectuó en Scopus, Web of Science, PubMed y SciELO. Las ecuaciones combinaron, mediante los operadores booleanos AND, OR y NOT, términos referidos a inteligencia artificial, IA generativa y modelos de lenguaje con términos sobre educación superior, universidad, gobernanza, política institucional, adopción y gestión del conocimiento, aplicados en los campos de título, resumen y palabras clave. En SciELO, los descriptores se tradujeron al español y al portugués para recuperar la producción iberoamericana. La búsqueda se complementó con la revisión manual de las referencias de los documentos seleccionados.

 

Criterios de inclusión:

·       Artículos originales y revisiones sistemáticas con revisión por pares, publicados entre enero de 2021 y junio de 2026.

·       Estudios en inglés, español o portugués.

·       Trabajos centrados en la adopción, la gestión o la gobernanza de la IA en el nivel institucional de la educación superior.

 

Criterios de exclusión:

·       Estudios limitados a una experiencia de aula o a un docente individual, sin dimensión institucional.

·       Capítulos de libro, actas de congresos, editoriales y cartas al editor.

·       Documentos duplicados o con deficiencias metodológicas graves.

 

La selección se organizó en cuatro etapas: identificación, cribado, elegibilidad e inclusión. Los registros se exportaron en formatos estándar y se gestionaron en Rayyan para eliminar duplicados y organizar el cribado (Ouzzani et al., 2016). Dos revisores evaluaron de forma independiente y cegada los títulos y resúmenes, y luego los textos completos; los desacuerdos se resolvieron con la participación de un tercer revisor con experiencia. La información se registró en una matriz estandarizada con autor, año, país, diseño, tamaño de la muestra, modelo de gestión del conocimiento, estrategias de gestión institucional y limitaciones.

Dado que los estudios primarios combinaron diseños cualitativos, cuantitativos y mixtos, la calidad metodológica se valoró con el programa CASP y con la herramienta MMAT, versión 2018 (Long et al., 2020; Hong et al., 2018). Dos evaluadores independientes puntuaron cada documento y expresaron el resultado como porcentaje de criterios cumplidos: calidad alta, 80 % o más; media, entre 60 % y 79 %; y baja, menos de 60 %. La concordancia entre evaluadores, estimada con el coeficiente kappa de Cohen, fue de 0,82, valor que corresponde a un acuerdo casi perfecto (McHugh, 2012). Solo se retuvieron los estudios de calidad alta.

En cuanto a los aspectos éticos, el estudio se rigió por los principios de integridad científica, transparencia y objetividad en el manejo de la información. Los criterios de inclusión se aplicaron de manera uniforme, se respetaron los derechos de autor de las fuentes y cada documento se citó con precisión.

RESULTADOS

Tras aplicar los criterios de selección y la evaluación de calidad, se incluyeron 48 artículos científicos, todos con una puntuación igual o superior al 80 % en CASP o MMAT, publicados entre enero de 2021 y junio de 2026. La producción mostró un punto de inflexión en 2023, coincidente con la difusión masiva de los modelos de lenguaje de gran escala y de la IA generativa. Entre 2021 y 2022 se publicaron 6 estudios (12,5 %), centrados principalmente en algoritmos predictivos de aprendizaje automático para la gestión de la matrícula; entre 2023 y 2026 se publicaron los 42 restantes (87,5 %), orientados a la necesidad de que las instituciones establezcan normas, estructuras y marcos de gobernanza tecnológica.

Según la afiliación de los autores principales, 26 estudios (54,2 %) procedieron de universidades de América del Norte y Europa Occidental, 12 (25,0 %) de la región Asia-Pacífico y 10 (20,8 %) del contexto iberoamericano, indexados en SciELO o en las colecciones regionales de Scopus. Este último grupo se concentró en modelos de adopción dirigidos a reducir la brecha digital y a promover la equidad tecnológica. La Tabla 1 resume la distribución de la evidencia y el Gráfico 1 la representa por periodo y procedencia.

 

Tabla 1.

Distribución de los estudios incluidos según periodo, procedencia y dimensión estratégica (n = 48).

 

Categoría

Subcategoría

n

%

Periodo de publicación

2021–2022

6

12,5

 

2023–2026

42

87,5

Procedencia de los autores principales

América del Norte y Europa Occidental

26

54,2

 

Asia-Pacífico

12

25,0

 

Contexto iberoamericano (SciELO y Scopus regional)

10

20,8

Dimensión estratégica

Ética y gobernanza

18

37,5

 

Infraestructura tecnológica y soberanía de datos

16

33,3

 

Pedagogía y formación docente

14

29,2

 

Elaboración: El autor.

 

 

 

Gráfico 1.

Distribución temporal y procedencia de los estudios incluidos (n = 48).

 

 

Elaboración: El autor.

 

¿Qué dimensiones estratégicas estructuran la adopción institucional de la IA?

La síntesis de la evidencia permitió agrupar los hallazgos en tres dimensiones interdependientes. La primera, ética y gobernanza, reunió 18 estudios (37,5 %). En ellos se observó el paso de comités de ética que actuaban de forma reactiva ante casos de plagio a oficinas centralizadas de gobernanza de la IA, con capacidad para auditar el uso de la tecnología, regular la propiedad intelectual del contenido docente generado con apoyo de IA y vigilar el sesgo algorítmico y la protección de datos personales. Esta evolución coincide con los marcos de política institucional que distinguen entre dimensiones pedagógicas, de gobernanza y operativas (Chan, 2023) y con el análisis de las directrices de las universidades mejor posicionadas en los rankings internacionales (Moorhouse et al., 2023).

La segunda dimensión, infraestructura tecnológica y gestión de datos, agrupó 16 estudios (33,3 %). La literatura publicada entre 2024 y 2026 insistió en la conveniencia de utilizar nubes privadas y modelos fundacionales de código abierto ejecutados en servidores propios, así como en asegurar la interoperabilidad con los sistemas de gestión del aprendizaje. Según los estudios, esta estrategia reduce la dependencia de proveedores externos y protege la soberanía de los datos institucionales, preocupación que la literatura crítica vincula con el creciente poder de las plataformas comerciales en la educación (Williamson, 2024).

La tercera dimensión, pedagógica y de formación docente, comprendió 14 estudios (29,2 %) y se orientó a la gestión del cambio. Los resultados indicaron que las políticas basadas en la prohibición y la sanción no lograron sus objetivos y fueron sustituidas por programas de alfabetización en IA integrados en el desarrollo profesional del profesorado. Las universidades con mayor madurez digital rediseñaron sus modelos educativos hacia la evaluación auténtica, que privilegia los procesos metacognitivos y el juicio evaluativo del estudiante por encima del producto escrito final (Bearman et al., 2024). La interrelación entre las tres dimensiones se esquematiza en el Gráfico 2.

 

Gráfico 2.

Dimensiones estratégicas de la adopción institucional de la inteligencia artificial como sistema interdependiente.

 

Elaboración: El autor.

 

¿Cómo se relaciona la IA con la gestión del conocimiento y la permanencia estudiantil?

De manera transversal, los estudios describieron un cambio en la forma en que las universidades gestionan el conocimiento. La IA facilita la conversión del conocimiento tácito en explícito y permite que los sistemas institucionales funcionen como archivos dinámicos de la memoria organizacional. Al reunir, ordenar y analizar planes de estudio, manuales de procesos, tesis y expedientes de acreditación, algunas universidades han construido bases de conocimiento que automatizan las consultas internas y agilizan la toma de decisiones directivas, lo que exige, a su vez, nuevas capacidades de los usuarios para valorar críticamente la información generada (Gašević et al., 2023).

En el ámbito de la innovación educativa, los resultados mostraron una relación entre la gestión institucional del conocimiento y la permanencia de los estudiantes, mediada por modelos de analítica del aprendizaje. Los algoritmos predictivos se entrenan con datos socioeconómicos, registros de actividad en las plataformas virtuales y rendimiento académico inicial, y funcionan como sistemas de alerta temprana. Los estudios incluidos que integraron estos modelos en sus planes estratégicos de retención reportaron reducciones estimadas de la deserción entre 14 % y 22 %, siempre bajo condiciones específicas de intervención: rutas de aprendizaje personalizadas y asignación anticipada de tutores. La literatura previa sobre analítica del aprendizaje describe el mismo mecanismo y advierte que su eficacia depende de que la predicción se traduzca en acciones de apoyo concretas (Ifenthaler & Yau, 2020; Oliveira et al., 2021). La Tabla 2 sintetiza los hallazgos por dimensión.

 

Tabla 2.

Síntesis de hallazgos por dimensión de la adopción institucional de la inteligencia artificial.

 

Dimensión

Hallazgos principales

Condición de éxito

Autores de referencia

Ética y gobernanza (37,5 %)

Paso de comités reactivos a oficinas de gobernanza auditables; regulación de la propiedad intelectual del contenido sintético; control del sesgo algorítmico y protección de datos.

Principios traducidos en responsables, procedimientos y auditorías.

Chan (2023); Moorhouse et al. (2023); Medina-Zuta et al. (2025)

Infraestructura y soberanía de datos (33,3 %)

Nubes privadas, modelos de código abierto en servidores propios e interoperabilidad con el sistema de gestión del aprendizaje.

Menor dependencia de proveedores externos y resguardo de la propiedad intelectual.

Ouyang et al. (2022); Williamson (2024)

Pedagogía y formación docente (29,2 %)

Sustitución de la prohibición por alfabetización en IA; evaluación auténtica centrada en procesos metacognitivos.

Formación integrada al desarrollo profesional docente.

Bearman et al. (2024); Cotton et al. (2024)

Eje transversal: gestión del conocimiento

Memoria institucional dinámica; alertas tempranas; reducción estimada de la deserción de 14 % a 22 %.

Vinculación de la predicción con tutoría y apoyo personalizado.

Ifenthaler & Yau (2020); Oliveira et al. (2021); Tsai et al. (2020)

 

Elaboración: El autor.

 

DISCUSIÓN

Los resultados evidencian que la IA trascendió el ámbito del aula y ocupa ya un lugar central en la toma de decisiones y en la gestión universitaria. Este desplazamiento coincide con la advertencia de Selwyn (2024), para quien una automatización acelerada sin políticas claras puede agravar los problemas operativos y las carencias de infraestructura existentes. El aumento de la producción científica desde 2023 respalda lo señalado por Bond et al. (2024): la irrupción de los modelos de lenguaje generó una situación crítica que llevó a los equipos directivos a abandonar las medidas punitivas y a buscar formas de regulación y gobierno estratégico. La misma tendencia se observa en la producción iberoamericana indexada en Scopus, con incrementos concentrados en 2023 y 2024 (Ultreras-Rodríguez et al., 2025).

La dimensión ética y de gobernanza, la de mayor peso en la evidencia (37,5 %), coincide con las orientaciones internacionales que piden traducir los principios en estructuras responsables y procedimientos verificables (Chan, 2023). Las universidades con alta madurez digital han superado la declaración de principios y han creado oficinas de gobernanza auditables, a diferencia de lo observado entre 2021 y 2022, cuando la ética de la IA dependía de comités de integridad centrados en el plagio textual (Cotton et al., 2024; Zawacki-Richter et al., 2024). Las políticas más efectivas abordan ahora los dilemas éticos desde la gestión de los datos y la reducción del sesgo algorítmico, en especial en los procesos de admisión y selección. En Iberoamérica, sin embargo, la heterogeneidad normativa entre países sigue siendo amplia y España, por su pertenencia a la Unión Europea, presenta un desarrollo regulatorio mayor que el de los países sudamericanos (Medina-Zuta et al., 2025).

En la dimensión tecnológica, que representó un tercio de la literatura, se observó una tensión entre la externalización de servicios y la autonomía universitaria. Parte de los estudios de Asia-Pacífico e Iberoamérica privilegiaron soluciones rápidas y de menor costo, basadas en integraciones estándar con los entornos virtuales de aprendizaje, enfoque que también predomina en la investigación sobre IA en la educación superior en línea (Ouyang et al., 2022). En cambio, los trabajos procedentes de América del Norte y Europa cuestionaron la concentración del control en las grandes empresas tecnológicas y defendieron la infraestructura propia como condición de sostenibilidad, de protección de la propiedad intelectual y de privacidad de los datos (Williamson, 2024). En América Latina, estas decisiones se ven condicionadas por limitaciones presupuestarias y por la brecha entre zonas urbanas y rurales (Zambrana Copaja et al., 2026; Acevedo Carrillo et al., 2026).

En relación con la permanencia estudiantil, la reducción estimada de la deserción entre 14 % y 22 % debe interpretarse con cautela. La revisión de Sønderlund et al. (2019) encontró que solo una fracción de los estudios sobre analítica del aprendizaje evaluó realmente la eficacia de las intervenciones y que la calidad de esa evidencia era moderada. El aporte de la presente revisión consiste en mostrar que la efectividad de los algoritmos predictivos no depende únicamente de su complejidad computacional, sino de su articulación con los flujos de conocimiento y con los servicios institucionales de tutoría y apoyo, aspecto que coincide con las barreras organizacionales descritas en la educación superior europea (Tsai et al., 2020) y con la necesidad de combinar el criterio humano con la retroalimentación automatizada (Buckingham Shum et al., 2023). Un sistema predictivo desconectado de las personas que acompañan al estudiante aporta poco; los modelos más eficaces fueron los que transformaron los datos en alertas tempranas y en planes de apoyo personalizados.

La dimensión pedagógica confirma que la formación docente es la condición que más directamente determina el aprovechamiento de la IA. La sustitución de la prohibición por la alfabetización en IA y el rediseño de la evaluación hacia el juicio evaluativo del estudiante concuerdan con lo propuesto por Bearman et al. (2024) y con las pautas de las universidades líderes (Moorhouse et al., 2023). Los datos regionales muestran que el camino es desigual: en la Universidad de Guayaquil, el 63 % de 333 docentes encuestados había recibido formación específica en IA, con predominio del uso de ChatGPT y Gemini para preparar contenidos (Cepeda Campoverde et al., 2025), mientras que en una universidad privada peruana el 60 % del profesorado percibió un nivel bajo de integración de la IA en su práctica (Heredia-Pérez et al., 2026).

Esta revisión presenta limitaciones. En primer lugar, no se incluyeron literatura gris ni actas de congresos, lo que pudo dejar fuera experiencias recientes de implementación rápida. En segundo lugar, las tecnologías analizadas son recientes, por lo que aún no se conocen los efectos a largo plazo de las políticas de gobernanza sobre la empleabilidad de los egresados ni sobre la retención del profesorado calificado. En tercer lugar, el intervalo de reducción de la deserción procede de estudios con condiciones de intervención heterogéneas y no constituye una estimación combinada. Por último, el predominio de estudios de América del Norte y Europa Occidental limita la transferencia directa de los hallazgos a las universidades latinoamericanas.

A partir de estas limitaciones se proponen tres líneas de investigación: estudios longitudinales que comparen el costo y el desempeño de la infraestructura propia frente a los servicios en la nube; análisis específicos de la gobernanza ética de la IA en universidades de regiones en desarrollo, con base en la producción indexada en SciELO y Scopus; y el diseño y validación de instrumentos para medir las competencias de liderazgo en la gestión del cambio tecnológico en la educación superior.

 

 

CONCLUSIONES

La revisión de la literatura publicada entre 2021 y 2026 permitió sistematizar la adopción institucional de la IA en la educación superior en tres dimensiones interdependientes: ética y gobernanza, infraestructura tecnológica y soberanía de datos, y pedagogía con formación docente, articuladas por un eje transversal de gestión del conocimiento.

Las universidades con mayor madurez tecnológica han superado la discusión conceptual y han creado oficinas de gobernanza de la IA encargadas de supervisar su uso, gestionar la propiedad intelectual de los trabajos de docentes y estudiantes, reducir los sesgos algorítmicos en los procesos de admisión y proteger los datos personales. En el plano tecnológico, la evidencia favorece los sistemas de código abierto instalados en servidores propios o en nubes privadas como alternativa más sostenible para resguardar la información universitaria.

En la gestión del conocimiento, los sistemas inteligentes funcionan como una memoria institucional dinámica que apoya decisiones fundamentadas. La analítica del aprendizaje se asoció con reducciones estimadas de la deserción de 14 % a 22 %, pero solo cuando se integró con los servicios de tutoría y apoyo, de modo que los datos se convirtieron en alertas tempranas y acciones preventivas.

La incorporación de la IA constituye un cambio institucional de gran alcance. Para que no genere nuevas brechas de desigualdad, las universidades deben garantizar el acceso equitativo de toda la comunidad educativa a la tecnología y a la formación necesaria para utilizarla con criterio.

 

FINANCIAMIENTO

No monetario.

 

AGRADECIMIENTO

A la Universidad César Vallejo, por el apoyo prestado en el desarrollo de la investigación.

 

REFERENCIAS CONSULTADAS

Acevedo Carrillo, M., Cabezas Torres, N. M., La Serna La Rosa, P. A., & Araujo Rossel, S. A. (2026). Desafíos y oportunidades de la inteligencia artificial en la educación superior latinoamericana: una revisión sistemática de la literatura. Revista InveCom, 6(1), e601074. https://doi.org/10.5281/zenodo.15508755

 

Bearman, M., Tai, J., Dawson, P., Boud, D., & Ajjawi, R. (2024). Developing evaluative judgement for a time of generative artificial intelligence. Assessment & Evaluation in Higher Education, 49(6), 893-905. https://doi.org/10.1080/02602938.2024.2335321

 

Bond, M., Khosravi, H., De Laat, M., Bergdahl, N., Negrea, V., Oxley, E., Pham, P., Chong, S. W., & Siemens, G. (2024). A meta systematic review of artificial intelligence in higher education: A call for increased ethics, collaboration, and rigour. International Journal of Educational Technology in Higher Education, 21, 4. https://doi.org/10.1186/s41239-023-00436-z

 

Buckingham Shum, S., Lim, L.-A., Boud, D., Bearman, M., & Dawson, P. (2023). A comparative analysis of the skilled use of automated feedback tools through the lens of teacher feedback literacy. International Journal of Educational Technology in Higher Education, 20, 40. https://doi.org/10.1186/s41239-023-00410-9

 

Cepeda Campoverde, E. V., Durán Núñez, Y. I., & Ocaña Ocaña, A. (2025). Usos y perspectivas de la inteligencia artificial en la comunidad de profesores de la Universidad de Guayaquil. Ñawi: Arte, Diseño, Comunicación, 9(1), 151-165. https://doi.org/10.37785/nw.v9n1.a9

 

Chan, C. K. Y. (2023). A comprehensive AI policy education framework for university teaching and learning. International Journal of Educational Technology in Higher Education, 20, 38. https://doi.org/10.1186/s41239-023-00408-3

 

Cotton, D. R. E., Cotton, P. A., & Shipway, J. R. (2024). Chatting and cheating: Ensuring academic integrity in the era of ChatGPT. Innovations in Education and Teaching International, 61(2), 228-239. https://doi.org/10.1080/14703297.2023.2190148

 

Crompton, H., & Burke, D. (2023). Artificial intelligence in higher education: The state of the field. International Journal of Educational Technology in Higher Education, 20, 22. https://doi.org/10.1186/s41239-023-00392-8

 

Gašević, D., Siemens, G., & Sadiq, S. (2023). Empowering learners for the age of artificial intelligence. Computers and Education: Artificial Intelligence, 4, 100130. https://doi.org/10.1016/j.caeai.2023.100130

Heredia-Pérez, G., Benavides-Galvez, J. B., Rojas-Campos, E., & Sanchez-Bustamante, E. (2026). Inteligencia artificial y pedagogía: retos para la educación superior en el Perú. Revista InveCom, 6(2), e602085. https://doi.org/10.5281/zenodo.16997148

 

Hong, Q. N., Fàbregues, S., Bartlett, G., Boardman, F., Cargo, M., Dagenais, P., Gagnon, M.-P., Griffiths, F., Nicolau, B., O’Cathain, A., Rousseau, M.-C., Vedel, I., & Pluye, P. (2018). The Mixed Methods Appraisal Tool (MMAT) version 2018 for information professionals and researchers. Education for Information, 34(4), 285-291. https://doi.org/10.3233/EFI-180221

 

Ifenthaler, D., & Yau, J. Y.-K. (2020). Utilising learning analytics to support study success in higher education: A systematic review. Educational Technology Research and Development, 68(4), 1961-1990. https://doi.org/10.1007/s11423-020-09788-z

 

Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U., Groh, G., Günnemann, S., Hüllermeier, E., Krusche, S., Kutyniok, G., Michaeli, T., Nerdel, C., Pfeffer, J., Poquet, O., Sailer, M., Schmidt, A., Seidel, T., … Kasneci, G. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, 102274. https://doi.org/10.1016/j.lindif.2023.102274

 

Long, H. A., French, D. P., & Brooks, J. M. (2020). Optimising the value of the critical appraisal skills programme (CASP) tool for quality appraisal in qualitative evidence synthesis. Research Methods in Medicine & Health Sciences, 1(1), 31-42. https://doi.org/10.1177/2632084320947559

 

McHugh, M. L. (2012). Interrater reliability: The kappa statistic. Biochemia Medica, 22(3), 276-282. https://doi.org/10.11613/BM.2012.031

 

Medina-Zuta, P., Sotomayor-Soloaga, P., Becerra, G., Alfonso Adam, M. E., Kitsutani Barrenechea, E. Y., & Losada, A. V. (2025). Perspectivas iberoamericanas sobre la regulación de inteligencia artificial en educación superior: un análisis comparativo. Revista de Estudios y Experiencias en Educación, 24(56), 282-300. https://doi.org/10.21703/rexe.v24i56.3159

 

Moorhouse, B. L., Yeo, M. A., & Wan, Y. (2023). Generative AI tools and assessment: Guidelines of the world's top-ranking universities. Computers and Education Open, 5, 100151. https://doi.org/10.1016/j.caeo.2023.100151

 

Oliveira, C. F., Sobral, S. R., Ferreira, M. J., & Moreira, F. (2021). How does learning analytics contribute to prevent students’ dropout in higher education: A systematic literature review. Big Data and Cognitive Computing, 5(4), 64. https://doi.org/10.3390/bdcc5040064

 

Ouyang, F., Zheng, L., & Jiao, P. (2022). Artificial intelligence in online higher education: A systematic review of empirical research from 2011 to 2020. Education and Information Technologies, 27(6), 7893-7925. https://doi.org/10.1007/s10639-022-10925-9

 

Ouzzani, M., Hammady, H., Fedorowicz, Z., & Elmagarmid, A. (2016). Rayyan—a web and mobile app for systematic reviews. Systematic Reviews, 5, 210. https://doi.org/10.1186/s13643-016-0384-4

 

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, n71. https://doi.org/10.1136/bmj.n71

 

Selwyn, N. (2024). On the limits of artificial intelligence (AI) in education. Nordisk Tidsskrift for Pedagogikk og Kritikk, 10. https://doi.org/10.23865/ntpk.v10.6062

 

Sønderlund, A. L., Hughes, E., & Smith, J. (2019). The efficacy of learning analytics interventions in higher education: A systematic review. British Journal of Educational Technology, 50(5), 2594-2618. https://doi.org/10.1111/bjet.12720

 

Tsai, Y.-S., Rates, D., Moreno-Marcos, P. M., Muñoz-Merino, P. J., Jivet, I., Scheffel, M., Drachsler, H., Delgado Kloos, C., & Gašević, D. (2020). Learning analytics in European higher education—Trends and barriers. Computers & Education, 155, 103933. https://doi.org/10.1016/j.compedu.2020.103933

 

Ultreras-Rodríguez, A., Bueno-Fernández, M. M., Mercedes-Ramos, M. A., & Zuriaga-Bravo, C. (2025). Enseñanza y aprendizaje en la educación superior asistidos por tecnologías de inteligencia artificial. Episteme Koinonía, 8(15), 4-27. https://doi.org/10.35381/e.k.v7i14.4353

 

Williamson, B. (2024). The social life of AI in education. International Journal of Artificial Intelligence in Education, 34(1), 97-104. https://doi.org/10.1007/s40593-023-00342-5

Zambrana Copaja, R., Salinas Montemayor, A. D., Macías García, F. A., & Escobar, E. E. (2026). Inteligencia artificial en la educación superior para promover un aprendizaje personalizado e inclusivo: una revisión sistemática. Revista InveCom, 6(2), e602051. https://doi.org/10.5281/zenodo.16147008

 

Zawacki-Richter, O., Bai, J. Y. H., Lee, K., Slagter van Tryon, P. J., & Prinsloo, P. (2024). New advances in artificial intelligence applications in higher education? International Journal of Educational Technology in Higher Education, 21, 32. https://doi.org/10.1186/s41239-024-00464-3

 

Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education – where are the educators? International Journal of Educational Technology in Higher Education, 16, 39. https://doi.org/10.1186/s41239-019-0171-0

 

 

 

 

 

 

 

©2026 por los autores. Este artículo es de acceso abierto y distribuido según los términos y condiciones de la licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0) (https://creativecommons.org/licenses/by-nc-sa/4.0/)