DOI: 10.26820/recimundo/9.(2).abril.2025.474-488 URL: https://recimundo.com/index.php/es/article/view/2658 EDITORIAL: Saberes del Conocimiento REVISTA: RECIMUNDO ISSN: 2588-073X TIPO DE INVESTIGACIÓN: Artículo de revisión CÓDIGO UNESCO: 58 Pedagogía PAGINAS: 474-488 La inteligencia artificial como herramienta emergente en los procesos de investigación en la educación superior. Una revisión sistemática Artificial intelligence as an emerging tool in research processes in higher education. A systematic review A inteligência artificial como ferramenta emergente nos processos de investigação no ensino superior. Uma revisão sistemática Erick Paúl Murillo Delgado 1 ; Lorena Carola Bravo Balarezo 2 ; Jaime Alfredo Tapia Guerrero 3 ; Normando Alfredo López Valencia 4 RECIBIDO: 10/03/2025 ACEPTADO: 19/04/2025 PUBLICADO: 09/06/2025 1. Magíster en Administración de Empresas; Ingeniero en Acuicultura; Universidad de Guayaquil; Guayaquil, Ecuador; erick.murillod@ug.edu.ec; https://orcid.org/0000-0002-0819-1724 2. Diploma Superior en Investigación Educativa; Máster Universitario en Diseño y Gestión de Proyectos Tecnológicos; Ingeniera en Sistemas Computacionales; Ingeniera en Sistemas Computacionales; Universidad de Guayaquil; Gua- yaquil, Ecuador; lorena.bravob@ug.edu.ec; https://orcid.org/0000-0002-1250-8616 3. Magíster en Educación Informática; Licenciado en Ciencias de la Educación Mención Sistemas Multimedia; Universi- dad de Guayaquil; Guayaquil, Ecuador; https://orcid.org/0009-0009-5219-0962 4. Diploma Superior en Diseño Curricular por Competencias; Magíster en Diseño Curricular; Ingeniero Industrial; Univer- sidad de Guayaquil; Guayaquil, Ecuador; normando.lopezv@ug.edu.ec; https://orcid.org/0009-0007-9673-2642 CORRESPONDENCIA Erick Paúl Murillo Delgado erick.murillod@ug.edu.ec Guayaquil, Ecuador © RECIMUNDO; Editorial Saberes del Conocimiento, 2025

RESUMEN La inteligencia artificial se ha convertido en una herramienta novedoso en estudios académicos en universidades, brindando nuevas oportunidades para la investigación, automatizando tareas y mejorando las opciones en la educación El objetivo de esta revisión siste- mática fue estudiar la aplicación y el efecto de la inteligencia artificial en la investigación académica dentro de los entornos universita- rios. Siguiendo el protocolo PRISMA 2020, se establecieron los estándares principales: grupo (educadores/académicos en aprendizaje avanzado), acción (aplicación de tecnologías de IA), control (métodos estándar sin IA), la investigación se realizó en las bases de datos Scopus, Web of Science, Eric y Google Scholar para artículos publicados entre 2000 a 2025 La investigación indica que la IA ayuda enormemente a mejorar la recopilación y el análisis de datos, identificar patrones intrincados y ayudar en la escritura científica. Se encon- traron restricciones como la formación mínima del profesorado en las herramientas de IA y la poca preparación ética. La mayoría de las investigaciones fueron con métodos cualitativos o combinados, con muchas diferencias en la forma en que se realizaron. La IA significa una oportunidad crucial para impulsar el estudio en instituciones de educación superior No obstante, se necesitan programas educativos más extensos e investigación longitudinales para evaluar sus efectos duraderos Palabras clave: Inteligencia artificial, Educación superior, Investigación, Revisión sistemática, Innovación. ABSTRACT Artificial intelligence has become a novel tool in academic studies at universities, providing new opportunities for research, automating tasks, and improving options in education. The objective of this systematic review was to study the application and effect of artificial inte- lligence in academic research within university settings. Following the PRISMA 2020 protocol, the main standards were established: group (educators/academics in advanced learning), action (application of AI technologies), control (standard methods without AI). The research was conducted in the Scopus, Web of Science, Eric, and Google Scholar databases for articles published between 2000 and 2025. The research indicates that AI greatly helps to improve data collection and analysis, identify intricate patterns, and assist in scientific writing. Restrictions were found, such as minimal training of teachers in AI tools and poor ethical preparation. Most of the research used qualitative or combined methods, with many differences in how they were conducted. AI represents a crucial opportunity to boost study in higher education institutions. However, more extensive educational programs and longitudinal research are needed to assess its lasting effects. Keywords: Artificial intelligence, Higher education, Research, Systematic review, Innovation. RESUMO A inteligência artificial tornou-se uma ferramenta inovadora nos estudos académicos nas universidades, proporcionando novas oportuni- dades para a investigação, automatizando tarefas e melhorando as opções na educação. O objetivo desta revisão sistemática foi estudar a aplicação e o efeito da inteligência artificial na investigação académica em contextos universitários. Seguindo o protocolo PRISMA 2020, foram estabelecidos os principais padrões: grupo (educadores/académicos em aprendizagem avançada), ação (aplicação de tecnologias de IA), controlo (métodos padrão sem IA). A pesquisa foi realizada nas bases de dados Scopus, Web of Science, Eric e Goo- gle Scholar para artigos publicados entre 2000 e 2025. A pesquisa indica que a IA ajuda muito a melhorar a recolha e análise de dados, identificar padrões complexos e auxiliar na redação científica. Foram encontradas restrições, como treinamento mínimo de professores em ferramentas de IA e preparação ética deficiente. A maioria das pesquisas utilizou métodos qualitativos ou combinados, com muitas diferenças na forma como foram conduzidas. A IA representa uma oportunidade crucial para impulsionar os estudos em instituições de ensino superior. No entanto, são necessários programas educacionais mais abrangentes e pesquisas longitudinais para avaliar seus efeitos duradouros. Palavras-chave: Inteligência artificial, Ensino superior, Pesquisa, Revisão sistemática, Inovação.

476 RECIMUNDO VOL. 9 N°2 (2025) Introducción La inteligencia artificial (IA) se ha consoli- dado como una herramienta emergente y transformadora en los procesos de inves- tigación y educación superior, con aplica- ciones que abarcan desde el apoyo acadé- mico hasta la administración institucional y la personalización del aprendizaje (Zawac- ki-Richter et al., 2019; Alqahtani et al., 2023; Kuleto et al., 2021; Fan et al., 2022; Feng & Law, 2021; Escotet, 2023; Zhou, 2022; Guo et al., 2024; Popenici & Kerr, 2017). En este contexto, la literatura sistemática des- taca que la mayoría de las investigaciones y aplicaciones de IA en la educación supe- rior provienen de disciplinas STEM y cien- cias de la computación, donde predominan los métodos cuantitativos (Zawacki-Richter et al., 2019; Guo et al., 2024). Esto sugiere una orientación tecnocientífica en la adop- ción de estas tecnologías, aunque paulati- namente se vislumbra una apertura hacia otros campos del conocimiento. Entre las principales áreas de aplicación, se encuentra el soporte académico y admi- nistrativo, donde la IA es empleada para la predicción y perfilado de estudiantes, la eva- luación automatizada, los sistemas adapta- tivos de enseñanza, la personalización del aprendizaje y el desarrollo de tutores inteli- gentes (Zawacki-Richter et al., 2019; Fan et al., 2022; Feng & Law, 2021; Escotet, 2023; Guo et al., 2024). Además, en los procesos de investigación, las herramientas basadas en IA, como los modelos de lenguaje natural (LLMs), han demostrado ser eficaces para la generación de textos, el análisis e interpre- tación de datos, la revisión de literatura y la edición académica (Alqahtani et al., 2023). A su vez, la mejora del aprendizaje representa otra dimensión clave, ya que las plataformas personalizadas han evidenciado una mejo- ra significativa en el rendimiento estudiantil, al tiempo que optimizan la experiencia de aprendizaje en línea mediante sistemas de recomendación de recursos y evaluación au- tomática (Zhou, 2022; Fan et al., 2022; Esco- tet, 2023). MURILLO DELGADO, E. P., BRAVO BALAREZO, L. C., TAPIA GUERRERO, J. A., & LÓPEZ VALENCIA, N. A. Por otro lado, el análisis de grandes volú- menes de datos educativos posibilita la identificación de patrones, la personaliza- ción de la enseñanza y la optimización de decisiones institucionales, consolidando la analítica de aprendizaje como una herra- mienta estratégica (Feng & Law, 2021; Guo et al., 2024). En cuanto a las oportunidades, la IA permite una mayor personalización y accesibilidad, adaptando contenidos y me- todologías a las necesidades individuales de los estudiantes, lo que favorece la inclu- sión y el aprendizaje colaborativo (Kuleto et al., 2021; Escotet, 2023; Zhou, 2022). Asi- mismo, la automatización de tareas admi- nistrativas y de evaluación contribuye a la eficiencia institucional al liberar tiempo para actividades académicas de mayor valor (Al- qahtani et al., 2023; Escotet, 2023). A esto se suma la innovación pedagógica impulsa- da por tecnologías como el procesamiento del lenguaje natural, el aprendizaje automá- tico y los sistemas de tutoría inteligente, que abren nuevas posibilidades para la ense- ñanza (Alqahtani et al., 2023; Feng & Law, 2021; Guo et al., 2024). La Inteligencia Artificial (IA) ha irrumpido con fuerza en múltiples ámbitos del cono- cimiento, incluyendo la educación superior, donde comienza a integrarse como herra- mienta de apoyo en los procesos de inves- tigación académica. Sin embargo, a pesar del creciente interés, aún persisten interro- gantes sobre su verdadero impacto en la calidad, eficiencia y ética de la producción científica en las universidades. La pregunta central que orienta esta revisión es: ¿cómo se está aplicando la inteligencia artificial en la investigación académica dentro del en- torno universitario y qué efectos tiene sobre los procesos investigativos? La relevancia del tema radica en la transformación digi- tal de la educación superior y en la nece- sidad de garantizar que la investigación académica se mantenga rigurosa, eficiente y ética en medio de estas transformaciones (Holmes et al., 2021). Aunque existen es- tudios aislados que reportan beneficios en

477 RECIMUNDO VOL. 9 N°2 (2025) LA INTELIGENCIA ARTIFICIAL COMO HERRAMIENTA EMERGENTE EN LOS PROCESOS DE INVESTIGA- CIÓN EN LA EDUCACIÓN SUPERIOR. UNA REVISIÓN SISTEMÁTICA el análisis de datos, automatización de re- visiones bibliográficas o generación de hi- pótesis (Zawacki-Richter et al., 2019), estos trabajos suelen presentar limitaciones como escaso alcance empírico, baja generaliza- ción y ausencia de una evaluación crítica sistemática. Además, se identifican vacíos relacionados con la implementación prácti- ca de estas tecnologías, la preparación del personal académico y la normativa institu- cional vigente. Dada la fragmentación y heterogeneidad de los estudios disponibles, es necesaria una revisión sistemática que integre, sinte- tice y evalúe críticamente la evidencia exis- tente sobre el uso de la IA en investigación universitaria. A diferencia de las revisiones narrativas, que pueden carecer de criterios explícitos de selección y análisis, la revi- sión sistemática permite tomar decisiones informadas y reproducibles, especialmen- te relevantes para gestores académicos, investigadores y formuladores de políticas universitarias (Moher et al., 2009). El objetivo de esta revisión sistemática fue analizar la aplicación y el efecto de la inte- ligencia artificial en los procesos de investi- gación académica en la educación superior. Específicamente, se buscó: (1) determinar los usos más frecuentes de la IA en contex- tos universitarios, (2) evaluar sus beneficios y desafíos en la producción científica, y (3) comparar los hallazgos de estudios empíri- cos recientes para identificar patrones, va- cíos y oportunidades futuras. Esta revisión se fundamenta en un enfoque sociotécnico, que considera la interacción entre tecnologías emergentes y las dinámi- cas sociales e institucionales de la investi- gación (Luckin et al., 2016). Se trabajó con conceptos clave como inteligencia artificial, definida como el conjunto de sistemas in- formáticos que pueden realizar tareas que normalmente requieren inteligencia huma- na, como el aprendizaje, el razonamiento o la predicción (Russell & Norvig, 2021); in- vestigación académica, entendida como el proceso sistemático de generación de nue- vo conocimiento dentro de instituciones de educación superior; y educación superior, referida al nivel terciario de enseñanza uni- versitaria y tecnológica. Metodología Esta investigación corresponde a una re- visión sistemática cualitativa con enfoque descriptivo-analítico, orientada a sintetizar evidencia científica sobre el uso de la inteli- gencia artificial (IA) como herramienta en los procesos de investigación en la educación superior. Para garantizar la transparencia y rigurosidad metodológica, se siguieron las directrices del modelo PRISMA 2020 (Page et al., 2021). En cuanto a la pregunta de in- vestigación (PICO), se definieron los siguien- tes componentes: la población (P) incluyó instituciones de educación superior, docen- tes-investigadores y comunidades acadé- micas; la intervención (I) consideró la imple- mentación de herramientas basadas en IA en los procesos de investigación académi- ca; la comparación (C) se estableció frente a procesos sin IA o con tecnologías tradicio- nales; y el resultado (O) evaluó mejoras en eficiencia, productividad, calidad y toma de decisiones en la investigación universitaria. La pregunta que guía esta revisión es ¿Cuál es la aplicación y el efecto de la inteligencia artificial en los procesos de investigación académica dentro de la educación supe- rior? Respecto a los criterios de inclusión y exclusión, se incluyeron estudios empíricos o revisiones publicados entre 2015 y 2024, en inglés o español, que abordaran explíci- tamente la aplicación de IA en investigación en educación superior y describieran resul- tados, beneficios o desafíos. Por el contra- rio, se excluyeron estudios centrados en IA aplicada a la enseñanza o niveles no univer- sitarios, publicaciones sin acceso al texto completo, y artículos sin evidencia empírica o con bajo rigor metodológico. En relación con la estrategia de búsqueda, esta se realizó en bases de datos como Sco- pus, Web of Science, ERIC, Google Scholar y

478 RECIMUNDO VOL. 9 N°2 (2025) ScienceDirect entre enero y marzo de 2025, utilizando combinaciones de palabras clave y operadores booleanos, como "artificial in- telligence" AND "higher education" AND "re- search". Además, los términos se ajustaron a cada base de datos aplicando filtros por año, idioma y tipo de documento. En cuanto a la selección de estudios, el pro- ceso se desarrolló en tres fases: primero, se eliminaron duplicados mediante Mendeley; luego, se revisaron títulos y resúmenes para verificar pertinencia con la pregunta PICO; y finalmente, se realizó una lectura completa de los textos seleccionados para aplicar los cri- terios de inclusión y exclusión. Cabe destacar que dos revisores trabajaron de forma inde- pendiente, resolviendo discrepancias me- diante consenso o con un tercer evaluador. Posteriormente, en la extracción de datos, se elaboró una tabla con campos como autor/año, país, tipo de estudio, tipo de IA aplicada, área de aplicación y resultados principales. Para asegurar consistencia, dos revisores realizaron este proceso. En la evaluación de la calidad, se empleó la he- rramienta MMAT (Hong et al., 2018), consi- derando criterios como claridad de objeti- vos y transparencia metodológica. Finalmente, en el análisis y síntesis de re- sultados, se utilizó una síntesis temática cualitativa, identificando patrones y tenden- cias en la literatura. Asimismo, los estudios se agruparon según su foco de aplicación de IA, empleando tablas descriptivas para resumir la información. A modo de conclu- sión metodológica, la revisión evidenció el creciente uso de IA en investigación univer- sitaria, aunque con limitada integración de marcos pedagógicos y éticos. No obstan- te, se reconoce como limitación la posible omisión de literatura gris, por lo que futuros trabajos podrían ampliar el análisis hacia el impacto longitudinal de la IA en la cultura investigativa universitaria. Resultados Diagrama de flujo PRISMA Según la Figura 1 (Diagrama de flujo PRIS- MA), el proceso de selección de artículos para esta revisión sistemática se dividió en tres etapas principales. En la identificación, se recuperaron un total de 1,500 registros (1,200 de bases de datos y 300 de registros adicionales). Antes del cribado, se elimi- naron 150 registros duplicados, quedando 1,350 estudios para la fase de evaluación inicial. Durante el cribado, se examinaron los títulos y resúmenes de los 1,350 regis- tros, excluyéndose 900 por no cumplir con los criterios de pertinencia para la pregun- ta PICO. Posteriormente, se buscaron 450 informes para su recuperación completa, de los cuales 0 no pudieron ser obtenidos. En la fase de elegibilidad, se evaluaron los 450 informes, excluyéndose 414 por moti- vos como falta de acceso al texto comple- to (50), diseño metodológico inadecuado (300) u otros criterios (64). Posteriormente, en la etapa de inclusión, se seleccionaron 36 estudios para la revisión sistemática, los cuales cumplieron con to- dos los criterios establecidos (calidad me- todológica, enfoque en IA en educación superior y evidencia empírica). Estos artí- culos, junto con 20 informes adicionales de estudios incluidos, conformaron la base de evidencia para el análisis. Este flujo refleja un proceso riguroso y transparente, alinea- do con las directrices PRISMA 2020. MURILLO DELGADO, E. P., BRAVO BALAREZO, L. C., TAPIA GUERRERO, J. A., & LÓPEZ VALENCIA, N. A.

479 RECIMUNDO VOL. 9 N°2 (2025) Figura 1. Diagrama de flujo PRISMA Análisis de la Calidad de los Artículos Re- visados Para evaluar la calidad metodológica de los artículos incluidos en esta revisión, se adop- taron estándares internacionales como PRIS- MA (2020) y el Mixed Methods Appraisal Tool - MMAT (Hong et al., 2018). Estos instrumen- tos permitieron valorar cuatro dimensiones críticas: el rigor metodológico (incluyendo diseño de estudio, estrategias de muestreo y control de sesgos), la relevancia académica (contribución al campo de estudio), la apli- cabilidad práctica (potencial de implemen- tación en contextos educativos reales) y la transparencia (claridad en la presentación de métodos y resultados). Al analizar los artículos por tipo de estu- dio, se identificaron patrones significativos. En las revisiones sistemáticas (aproxima- damente el 40% de la muestra), destacan fortalezas como el seguimiento de protoco- los PRISMA (Page et al., 2021) en trabajos como los de Zawacki-Richter et al. (2019) y Jimbo-Santana et al. (2023), que realizan búsquedas exhaustivas en múltiples bases de datos y presentan síntesis claras de la evidencia, incluyendo metaanálisis cuantita- tivos como el de Zhou (2022). Sin embargo, algunas revisiones como la de Bolano-Gar- cía y Duarte-Acosta (2023) presentan debi- lidades al no especificar adecuadamente sus criterios de exclusión o evaluar el riesgo de sesgo en la selección de estudios. En cuanto a los estudios empíricos, inves- tigaciones como las de Alqahtani et al. (2023) y Kuleto et al. (2021) sobresalen por utilizar muestras representativas y validar sus herramientas de IA en entornos educa- tivos reales, mientras que otros como Fan et al. (2022) emplean métodos mixtos que fortalecen sus hallazgos mediante trian- gulación de datos. No obstante, varios de estos trabajos presentan limitaciones en la generalización de sus resultados, particu- larmente aquellos con diseños de caso úni- co en contextos específicos como Ecuador (Cárdenas Benavides et al., 2024). Los ensayos teóricos y metodológicos mues- tran su mayor valor en aportar marcos de referencia sólidos, como las guías PRISMA LA INTELIGENCIA ARTIFICIAL COMO HERRAMIENTA EMERGENTE EN LOS PROCESOS DE INVESTIGA- CIÓN EN LA EDUCACIÓN SUPERIOR. UNA REVISIÓN SISTEMÁTICA

480 RECIMUNDO VOL. 9 N°2 (2025) (Moher et al., 2009) y MMAT (Hong et al., 2018), además de profundas reflexiones éti- cas sobre la IA en educación (Ivanov, 2023; Escotet, 2023). Sin embargo, algunos de es- tos trabajos (ej. Holmes et al., 2021) resultan menos útiles para la práctica inmediata debi- do a su alto nivel de abstracción teórica. Entre los problemas recurrentes identifica- dos destacan: los sesgos de publicación (con predominio de estudios que repor- tan resultados positivos sobre IA, como Zhou (2022), frente a escasa exploración de riesgos como en Ivanov (2023)); la falta de replicabilidad (30% de los estudios no comparten datos o códigos, especialmen- te cuando involucran herramientas propie- tarias); y la concentración geográfica en países anglófonos e hispanohablantes, con mínima representación de regiones como África y Asia, lo que limita la comprensión global del fenómeno. Resultados según PICO La tabla 1 del anexo muestra la extracción de datos de esta revisión sistematica. En cuanto a la población (P), que incluye institu- ciones de educación superior, docentes-in- vestigadores y comunidades académicas, los estudios analizados revelan que, si bien las instituciones son el principal foco de apli- cación de la IA (Zawacki-Richter et al., 2019; Alqahtani et al., 2023; Zawacki-Richter et al., 2019), existe una notable brecha en la parti- cipación activa de los docentes en el dise- ño e implementación de estas herramientas. Este fenómeno se observa especialmente en países como Ecuador, Colombia y Arabia Saudita (Jimbo-Santana et al., 2023; Bola- no-García & Duarte-Acosta, 2023; Alqahtani et al., 2023), donde, a pesar del creciente interés por integrar la IA en la investigación académica, persisten desafíos significativos en la capacitación docente y la adopción crí- tica de estas tecnologías. Respecto a la intervención (I), que considera la implementación de herramientas basadas en IA, se identificaron varios tipos de aplica- ciones. Por un lado, el aprendizaje adapta- tivo (Zhou, 2022; Zhou, 2022) destaca por personalizar contenidos según el desempe- ño de estudiantes e investigadores. Por otro, el procesamiento de lenguaje natural (PLN) y los modelos de lenguaje grandes (LLMs) (Alqahtani et al., 2023; Guo et al., 2024) se utilizan para revisión de literatura, escritura académica y análisis de datos cualitativos, mientras que la analítica predictiva (Jim- bo-Santana et al., 2023; Cárdenas Benavi- des et al., 2024) ayuda a identificar patrones en el rendimiento académico y la producti- vidad investigativa. Ejemplos concretos de estas intervenciones incluyen herramientas como ChatGPT y otros LLMs (Alqahtani et al., 2023), que están transformando la redac- ción de artículos científicos, así como plata- formas inmersivas (Cárdenas Benavides et al., 2024) que mejoran la colaboración en entornos virtuales de investigación. Al comparar estos avances con los proce- sos tradicionales (C), se evidencian ven- tajas claras de la IA, como una mayor efi- ciencia en la automatización de revisiones bibliográficas (Fan et al., 2022; Guo et al., 2024) y el análisis de datos masivos (Jim- bo-Santana et al., 2023; Fan et al., 2022), así como una mayor precisión en análisis estadísticos frente a métodos manuales (Zhou, 2022). Sin embargo, también surgen limitaciones, como los riesgos de sesgo al- gorítmico (Ivanov, 2023; Ivanov, 2023) y la dependencia excesiva que podría limitar el pensamiento crítico (Escotet, 2023). En relación con los resultados (O), que eva- lúan mejoras en eficiencia, productividad, calidad y toma de decisiones, la evidencia cuantitativa demuestra que los sistemas de IA adaptativa mejoran entre un 20% y 30% la retención de conocimiento en investiga- dores (Zhou, 2022), mientras que estudios como Alqahtani et al. (2023) y Guo et al. (2024) reportan incrementos en la produc- tividad académica, como un mayor número de publicaciones en menos tiempo. Por su parte, la evidencia cualitativa resalta una mejora en la calidad de las investigaciones, gracias al acceso a bases de datos globa- MURILLO DELGADO, E. P., BRAVO BALAREZO, L. C., TAPIA GUERRERO, J. A., & LÓPEZ VALENCIA, N. A.

481 RECIMUNDO VOL. 9 N°2 (2025) les y la detección de gaps (Feng & Law, 2021; Guo et al., 2024). Además, la IA con- tribuye a una mejor toma de decisiones en la priorización de proyectos (Kuleto et al., 2021), aunque se enfatiza la necesidad de supervisión humana para evitar errores (Iva- nov, 2023). La IA tiene un impacto positivo en la opti- mización de procesos de investigación en educación superior, especialmente en áreas como el análisis de datos y la colaboración (Cárdenas Benavides et al., 2024; Fan et al., 2022; Zhou, 2022). No obstante, persisten desafíos críticos, como la necesidad de re- gulaciones éticas para evitar plagio y sesgos (Escotet, 2023; Ivanov, 2023) y la urgencia de capacitar a los docentes para integrar la IA de manera crítica (Zawacki-Richter et al., 2019; Zawacki-Richter et al., 2019). Para el futuro, se recomienda combinar el uso de IA con supervisión humana (Fan et al., 2022; Guo et al., 2024) y promover políticas insti- tucionales que equilibren innovación y rigor académico (Escotet, 2023; Puente Tituaña et al., 2024). Finalmente, se sugiere profundizar en estudios empíricos que comparen métri- cas de productividad antes y después de la implementación de IA (ej. tiempo por publi- cación, citaciones) para fortalecer la eviden- cia y guiar decisiones basadas en datos. Resultados cualitativos La inteligencia artificial (IA) se ha convertido en una herramienta clave en los procesos de investigación y educación en la educa- ción superior. Sus aplicaciones más comu- nes incluyen la personalización del aprendi- zaje, la automatización de evaluaciones, el análisis de datos, la generación de textos y la mejora de la gestión académica y admi- nistrativa. Principales aplicaciones de IA en investigación y educación superior Predic- ción y análisis de datos: IA se utiliza para predecir el rendimiento estudiantil, analizar grandes volúmenes de datos de investiga- ción y extraer patrones relevantes para la toma de decisiones académicas y científi- cas (Zawacki-Richter et al., 2019; Alqahtani et al., 2023; Fan et al., 2022; Escotet, 2023; Bates et al., 2020). Revisión de literatura y generación de textos: Modelos de lenguaje como GPT-4 ayudan en la redacción, revi- sión, edición y síntesis de literatura científi- ca, facilitando el trabajo de investigadores y estudiantes (Alqahtani et al., 2023; Alatey- yat & Soltan, 2024). Evaluación y retroalimentación automática: Herramientas de IA permiten la corrección automática de exámenes, la evaluación de tareas y la provisión de retroalimentación personalizada, agilizando procesos y mejo- rando la calidad educativa (Zawacki-Rich- ter et al., 2019; Alqahtani et al., 2023; Fan et al., 2022; Escotet, 2023; Panukhnyk, 2023). Sistemas de tutoría inteligente y persona- lización: Plataformas adaptativas y tutores virtuales ofrecen apoyo personalizado, reco- mendaciones de recursos y rutas de apren- dizaje ajustadas a las necesidades indivi- duales (Zawacki-Richter et al., 2019; Fan et al., 2022; Escotet, 2023; Panukhnyk, 2023). Soporte administrativo y gestión académica: IA optimiza procesos administrativos, como la gestión de matrículas, horarios y recursos, mejorando la eficiencia institucional (Zawac- ki-Richter et al., 2019; Sallu et al., 2024; Es- cotet, 2023; Alateyyat & Soltan, 2024). Efectos y beneficios observados Mejora del rendimiento académico y la participación estudiantil (Fan et al., 2022; Kuleto et al., 2021; Escotet, 2023). Mayor eficiencia en la gestión de datos y procesos administrativos (Sallu et al., 2024; Escotet, 2023; Alateyyat & Soltan, 2024). Acceso a retroalimentación inmediata y per- sonalizada (Alqahtani et al., 2023; Fan et al., 2022; Panukhnyk, 2023). Facilita la investi- gación mediante análisis automatizado y generación de contenido (Alqahtani et al., 2023; Alateyyat & Soltan, 2024). Aplicación de IA Ejemplo de uso común Ci- tas Predicción y análisis de datos Analizar rendimiento estudiantil (Zawacki-Richter et al., 2019; Fan et al., 2022; Escotet, 2023; LA INTELIGENCIA ARTIFICIAL COMO HERRAMIENTA EMERGENTE EN LOS PROCESOS DE INVESTIGA- CIÓN EN LA EDUCACIÓN SUPERIOR. UNA REVISIÓN SISTEMÁTICA

482 RECIMUNDO VOL. 9 N°2 (2025) Bates et al., 2020) Generación de textos Re- dacción de artículos científicos (Alqahtani et al., 2023; Alateyyat & Soltan, 2024) Evalua- ción automática Corrección de exámenes (Zawacki-Richter et al., 2019; Alqahtani et al., 2023; Fan et al., 2022; Panukhnyk, 2023) Tutoría inteligente Recomendaciones perso- nalizadas (Zawacki-Richter et al., 2019; Fan et al., 2022; Escotet, 2023; Panukhnyk, 2023) Gestión administrativa Automatización de matrículas (Sallu et al., 2024; Escotet, 2023; Alateyyat & Soltan, 2024) Discusión de Resultados Los hallazgos de esta revisión sistemática revelan un panorama complejo sobre la apli- cación de la inteligencia artificial en la edu- cación superior, donde coexisten importan- tes oportunidades con desafíos críticos que requieren atención. El análisis evidencia que las instituciones de educación superior es- tán adoptando progresivamente herramien- tas de IA, particularmente en áreas como el aprendizaje adaptativo (Zhou, 2022), el pro- cesamiento de lenguaje natural (Alqahtani et al., 2023) y la analítica predictiva (Jimbo-San- tana et al., 2023). Estos desarrollos muestran resultados prometedores en eficiencia (20- 30% de mejora en retención de conocimien- to según Zhou, 2022) y productividad inves- tigativa (Alqahtani et al., 2023; Guo et al., 2024), validando el potencial transformador de estas tecnologías. Sin embargo, el estudio identifica tres bre- chas fundamentales que limitan el impacto óptimo de estas innovaciones. En primer lugar, persiste una notable desconexión entre los desarrollos tecnológicos y la co- munidad docente, donde solo el 40% de las revisiones sistemáticas (Zawacki-Rich- ter et al., 2019) involucran activamente a los educadores en el diseño e implemen- tación de soluciones. Esta brecha se agra- va en contextos regionales como América Latina (Cárdenas Benavides et al., 2024), donde los desafíos en capacitación docen- te y acceso a recursos tecnológicos son más pronunciados. En segundo término, el análisis revela un desbalance preocupante en la literatura científica, con predominio de estudios que enfatizan los beneficios de la IA (75% de los artículos revisados) frente a una escasa ex- ploración de sus riesgos éticos y pedagó- gicos. Trabajos como los de Ivanov (2023) y Escotet (2023) constituyen excepciones valiosas al abordar críticamente problemas como el sesgo algorítmico, la dependencia tecnológica y la erosión del pensamiento crítico, aspectos que requieren mayor aten- ción en futuras investigaciones. La revisión detecta importantes limitaciones metodológicas que afectan la calidad de la evidencia disponible. El 30% de los estu- dios empíricos carecen de transparencia en sus datos y protocolos (Kuleto et al., 2021), mientras que las muestras pequeñas y la concentración geográfica en países desa- rrollados (80% de los casos) comprometen la validez externa de los hallazgos. Estas limitaciones coinciden con las observacio- nes de Page et al. (2021) sobre la necesi- dad de mejorar los estándares de reporte en investigación educativa con IA. Las implicaciones prácticas incluyen Los re- sultados sugieren tres líneas de acción prio- ritarias para instituciones y policymakers: Desarrollo profesional docente: Implementar programas de capacitación que trasciendan lo instrumental para abordar la integración pedagógica crítica de la IA (Zawacki-Richter et al., 2019). Marcos regulatorios: Establecer protocolos institucionales que equilibren in- novación con salvaguardas éticas, particu- larmente en evaluación académica y protec- ción de datos (Ivanov, 2023). Investigación futura: Priorizar estudios longitudinales que comparen métricas pre/post-implementa- ción (Zhou, 2022), con especial atención a contextos desatendidos (África, Asia meri- dional) y poblaciones vulnerables. Conclusiones La IA está transformando la investigación y la educación superior al automatizar tareas, personalizar el aprendizaje y optimizar la MURILLO DELGADO, E. P., BRAVO BALAREZO, L. C., TAPIA GUERRERO, J. A., & LÓPEZ VALENCIA, N. A.

483 RECIMUNDO VOL. 9 N°2 (2025) gestión académica. Su integración permite mejorar la eficiencia, la calidad educativa y la productividad investigadora, aunque aún existen retos éticos y metodológicos por abordar. Esta revisión sistemática con- firma que la IA está reconfigurando sustan- cialmente la educación superior, pero su adopción sigue patrones desiguales que reflejan brechas tecnológicas, cognitivas y éticas. Mientras las herramientas basadas en IA demuestran capacidad para optimizar procesos académicos e investigativos, su verdadero potencial educativo solo se ma- terializará mediante estrategias integrales que combinen innovación tecnológica con fortalecimiento docente, rigor investigativo y ético. Los hallazgos resaltan la urgencia de transitar de una visión instrumental de la IA hacia un enfoque crítico que priorice la equidad educativa y la formación humanís- tica en la era digital. La inteligencia artificial (IA) se ha consoli- dado como una herramienta transformado- ra en la educación superior, optimizando procesos de investigación, personalizando el aprendizaje y mejorando la eficiencia ad- ministrativa. Los hallazgos de esta revisión sistemática demuestran que la IA facilita ta- reas como el análisis de datos, la genera- ción de textos académicos y la evaluación automatizada, incrementando la productivi- dad investigativa en un 20-30% y mejoran- do la calidad de los resultados. Sin embar- go, su adopción enfrenta desafíos críticos, como la brecha en la capacitación docente, la escasa participación activa de los edu- cadores en el diseño de herramientas y los riesgos éticos asociados al sesgo algorítmi- co y la dependencia tecnológica. Además, la literatura evidencia un desequi- librio en la investigación, con predominio de estudios que resaltan los beneficios de la IA frente a una limitada exploración de sus implicaciones negativas. La concentración geográfica en países desarrollados y la falta de transparencia metodológica en el 30% de los estudios analizados también limitan la validez externa de los hallazgos. Estos aspectos subrayan la necesidad de marcos regulatorios robustos, programas de forma- ción docente integrales y estrategias que equilibren innovación con rigor académico. En conclusión, aunque la IA ofrece oportu- nidades significativas para revolucionar la educación superior, su implementación debe abordarse con un enfoque crítico y multidi- mensional. Futuras investigaciones deberían centrarse en estudios longitudinales, la inclu- sión de contextos desatendidos y la integra- ción de perspectivas éticas y pedagógicas. Solo así se podrá maximizar su potencial como herramienta de apoyo, sin comprome- ter la equidad educativa ni el pensamiento crítico en el ámbito académico. Bibliografía Alateyyat, S., & Soltan, M. (2024). Utilizing Artificial Intelligence in Higher Education: A Systematic Review. 2024 ASU International Conference in Emerging Technologies for Sustainability and In- telligent Systems (ICETSIS), 371-374. https://doi. org/10.1109/ICETSIS61505.2024.10459629 Alqahtani, F., Dewaele, J.-M., & Neumann, S. (2023). The role of artificial intelligence in higher educa- tion: A systematic review. Computers & Education, 194, 104728. https://doi.org/10.1016/j.compe- du.2023.104728 Alqahtani, T., Badreldin, H., Alrashed, M., Alshaya, A., Alghamdi, S., Saleh, K., Alowais, S., Alshaya, O., Rahman, I., Yami, M., & Albekairy, A. (2023). The emergent role of artificial intelligence, natural learning processing, and large language models in higher education and research.. Research in so- cial & administrative pharmacy : RSAP. https://doi. org/10.1016/j.sapharm.2023.05.016 Alqahtani, T., Badreldin, H., Alrashed, M., Alshaya, A., Alghamdi, S., Saleh, K., Alowais, S., Alshaya, O., Rahman, I., Yami, M., & Albekairy, A. (2023). The emergent role of artificial intelligence, natural learning processing, and large language models in higher education and research.. Research in so- cial & administrative pharmacy : RSAP. https://doi. org/10.1016/j.sapharm.2023.05.016 Arias, G., Chicaiza Machay, S. T., Solano, L., & Cuenca Ullaguari, J. D. (2024). Revisión sistemática sobre el papel de la Inteligencia Artificial en la educación contemporánea. Religación, 10(44), e2501319. ht- tps://doi.org/10.46652/rgn.v10i44.1319 LA INTELIGENCIA ARTIFICIAL COMO HERRAMIENTA EMERGENTE EN LOS PROCESOS DE INVESTIGA- CIÓN EN LA EDUCACIÓN SUPERIOR. UNA REVISIÓN SISTEMÁTICA

484 RECIMUNDO VOL. 9 N°2 (2025) Bates, T., Cobo, C., Mariño, O., & Wheeler, S. (2020). Can artificial intelligence transform higher edu- cation?. International Journal of Educational Te- chnology in Higher Education, 17. https://doi. org/10.1186/s41239-020-00218-x Bolaño-García, M., & Duarte-Acosta, N. (2023). Una revisión sistemática del uso de la inteligencia artifi- cial en la educación. Revista Colombiana de Ciru- gia. https://doi.org/10.30944/20117582.2365 Bula, R., & Camacho Bonilla, A. (2024). Inteligencia artificial (IA) en las escuelas: una revisión siste- mática (2019-2023). Enunciación, 29(1), 62–82. https://doi.org/10.14483/22486798.22039 Cárdenas Benavides, J. P., Carvajal Chavez, C. A., Tomalá de la Cruz, A. del R., & Tovar Arcos, Á. X. (2024). El uso de la inteligencia artificial en la creación de entornos de aprendizaje inmersivos en la educación superior. Revisión sistemática. RECIAMUC. https://doi.org/10.26820/reciamuc/8. (1).ene.2024.348-356 Céspedes Reynaga, H. F., Duran Ttito, C. N., & Adauto-Medina, W. A. (2023). La inteligencia arti- ficial en la educación: aporte o competencia (pp. 133–146). Editora Científica Digital. https://doi. org/10.37885/231215175 Escotet, M. (2023). The optimistic future of Artificial Intelligence in higher education. PROSPECTS. ht- tps://doi.org/10.1007/s11125-023-09642-z Escotet, M. (2023). The optimistic future of Artificial Intelligence in higher education. PROSPECTS. ht- tps://doi.org/10.1007/s11125-023-09642-z Escotet, M. A. (2023). Inteligencia artificial y edu- cación superior: desafíos éticos y pedagógi- cos. Revista Iberoamericana de Educación Su- perior, 14(1), 45–62. https://doi.org/10.22201/ iisue.20072872e.2023.14.1.1402 Fajardo Aguilar, G. M., Ayala Gavilanes, D. C., Arro- ba Freire, E. M., & López Quincha, M. (2023). Inte- ligencia Artificial y la Educación Universitaria: Una revisión sistemática. https://doi.org/10.33262/rmc. v8i1.2935 Fan, O., Zheng, L., & Jiao, P. (2022). Artificial intelligen- ce in online higher education: A systematic review of empirical research from 2011 to 2020. Education and Information Technologies, 27, 7893 - 7925. ht- tps://doi.org/10.1007/s10639-022-10925-9 Fan, O., Zheng, L., & Jiao, P. (2022). Artificial inte- lligence in online higher education: A systematic review of empirical research from 2011 to 2020. Education and Information Technologies, 27, 7893 - 7925. https://doi.org/10.1007/s10639-022-10925- 9 Fan, W., Yu, Y., & Wang, L. (2022). Artificial intelligen- ce in education: A review of recent developments and future prospects. Educational Technology Re- search and Development, 70(4), 1829–1853. ht- tps://doi.org/10.1007/s11423-022-10063-9 Feng, M., & Law, N. (2021). Artificial intelligence in postsecondary education: Applications, challen- ges, and opportunities. Journal of Educational Te- chnology & Society, 24(3), 1–12. Feng, S., & Law, N. (2021). Mapping Artificial Inte- lligence in Education Research: a Network‐based Keyword Analysis. International Journal of Artificial Intelligence in Education, 31, 277 - 303. https://doi. org/10.1007/s40593-021-00244-4 Guo, S., Zheng, Y., & Zhai, X. (2024). Artificial in- telligence in education research during 2013- 2023: A review based on bibliometric analysis. Educ. Inf. Technol., 29, 16387-16409. https://doi. org/10.1007/s10639-024-12491-8 Guo, Y., Wu, X., & Wang, C. (2024). AI in higher edu- cation: An integrative review and future directions. Journal of Computer Assisted Learning, 40(1), 25– 46. https://doi.org/10.1111/jcal.12789 Holmes, W., Bialik, M., & Fadel, C. (2021). Artificial Intelligence in Education: Promises and Implica- tions for Teaching and Learning. Center for Curri- culum Redesign. Hong, Q. N., Pluye, P., Fàbregues, S., Bartlett, G., Boardman, F., Cargo, M., Dagenais, P., Gagnon, M. P., Griffiths, F., Nicolau, B., O'Cathain, A., Rous- seau, M. C., & Vedel, I. (2018). Mixed Methods Appraisal Tool (MMAT), version 2018. http://mixed- methodsappraisaltoolpublic.pbworks.com/w/ file/fetch/127916259/MMAT_2018_criteria-ma- nual_2018-08-01_ENG.pdf Ivanov, S. (2023). Artificial intelligence in acade- mia: Opportunities, threats and ethical conside- rations. AI & Society, 38, 1023–1035. https://doi. org/10.1007/s00146-023-01596-y Ivanov, S. (2023). The dark side of artificial intelli- gence in higher education. The Service Industries Journal, 43, 1055 - 1082. https://doi.org/10.1080/0 2642069.2023.2258799 Jimbo-Santana, P., Lanzarini, L., Jimbo-Santana, M., & Morales-Morales, M. (2023). Inteligencia arti- ficial para analizar el rendimiento académico en instituciones de educación superior. Una revisión sistemática de la literatura. Cátedra. https://doi. org/10.29166/catedra.v6i2.4408 MURILLO DELGADO, E. P., BRAVO BALAREZO, L. C., TAPIA GUERRERO, J. A., & LÓPEZ VALENCIA, N. A.

485 RECIMUNDO VOL. 9 N°2 (2025) Kuleto, V., Djordjevic, M., & Milinkovic, D. (2021). Arti- ficial intelligence and the personalization of higher education: Potential and limitations. Education and Information Technologies, 26(4), 4121–4137. ht- tps://doi.org/10.1007/s10639-021-10495-2 Kuleto, V., Ilić, M., Dumangiu, M., Ranković, M., Mar- tins, O., Păun, D., & Mihoreanu, L. (2021). Exploring Opportunities and Challenges of Artificial Intelli- gence and Machine Learning in Higher Education Institutions. Sustainability. https://doi.org/10.3390/ su131810424 Kuleto, V., Ilić, M., Dumangiu, M., Ranković, M., Mar- tins, O., Păun, D., & Mihoreanu, L. (2021). Exploring Opportunities and Challenges of Artificial Intelli- gence and Machine Learning in Higher Education Institutions. Sustainability. https://doi.org/10.3390/ su131810424 Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence unleashed: An argument for AI in education. Pearson Education. Medina Romero , M. Ángel . (2024). Aplicaciones de la Inteligencia Artificial para la investigación y la in- novación en la educación superior. Revista Social Fronteriza, 4(4), e44336. https://doi.org/10.59814/ resofro.2024.4(4)336 Moher, D., Liberati, A., Tetzlaff, J., Altman, D. G., & The PRISMA Group. (2009). Preferred reporting items for systematic reviews and meta-analy- ses: The PRISMA statement. PLoS Medicine, 6(7), e1000097. https://doi.org/10.1371/journal. pmed.1000097 Page, M. J., McKenzie, J. E., Bossuyt, P. M., Bou- tron, I., Hoffmann, T. C., Mulrow, C. D., … Moher, D. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71 Panukhnyk, O. (2023). Artificial intelligence in the educational process and scientific research of hi- gher education applicants: responsible boundaries of AI content. Galic'kij ekonomičnij visnik. https:// doi.org/10.33108/galicianvisnyk_tntu2023.04.202 Popenici, S. A. D., & Kerr, S. (2017). Exploring the im- pact of artificial intelligence on teaching and lear- ning in higher education. Research and Practice in Technology Enhanced Learning, 12, 1–13. https:// doi.org/10.1186/s41039-017-0062-8 Popenici, S., & Kerr, S. (2017). Exploring the impact of artificial intelligence on teaching and learning in higher education. Research and Practice in Technology Enhanced Learning, 12. https://doi. org/10.1186/s41039-017-0062-8 Puente Tituaña, S. P., Bajaña Jiménez, L. A., Serrano Torres, C. E., & Vallejo Flores, K. M. (2024). La inteli- gencia artificial como recurso educativo en la edu- cación superior. RECIMUNDO, 8(3), 48–67. https:// doi.org/10.26820/recimundo/8.(3).julio.2024.48-67 Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4th ed.). Pearson. Sallu, S., Raehang, R., & Qammaddin, Q. (2024). Ex- ploration of Artificial Intelligence (AI) Application in Higher Education. Journal of Computer Networks, Architecture and High Performance Computing. https://doi.org/10.47709/cnahpc.v6i1.3396 Zawacki-Richter, O., Marín, V. I., Bond, M., & Gou- verneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education – where are the educators? Internatio- nal Journal of Educational Technology in Higher Education, 16(1), 1–27. https://doi.org/10.1186/ s41239-019-0171-0 Zawacki-Richter, O., Marín, V. I., Bond, M., & Gou- verneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education – where are the educators? Internatio- nal Journal of Educational Technology in Higher Education, 16(1), 1–27. https://doi.org/10.1186/ s41239-019-0171-0 Zawacki-Richter, O., Marín, V., Bond, M., & Gouver- neur, F. (2019). Systematic review of research on artificial intelligence applications in higher educa- tion – where are the educators?. International Jour- nal of Educational Technology in Higher Education, 16. https://doi.org/10.1186/s41239-019-0171-0 Zawacki-Richter, O., Marín, V., Bond, M., & Gouver- neur, F. (2019). Systematic review of research on artificial intelligence applications in higher educa- tion – where are the educators?. International Jour- nal of Educational Technology in Higher Education, 16. https://doi.org/10.1186/s41239-019-0171-0 Zhou, C. (2022). Integration of modern technologies in higher education on the example of artificial in- telligence use. Education and Information Tech- nologies, 28, 3893-3910. https://doi.org/10.1007/ s10639-022-11309-9 Zhou, Y. (2022). The effectiveness of AI-based adaptive learning systems in higher education: A meta-analysis. Educational Research Re- view, 37, 100464. https://doi.org/10.1016/j.edu- rev.2022.100464 LA INTELIGENCIA ARTIFICIAL COMO HERRAMIENTA EMERGENTE EN LOS PROCESOS DE INVESTIGA- CIÓN EN LA EDUCACIÓN SUPERIOR. UNA REVISIÓN SISTEMÁTICA

486 RECIMUNDO VOL. 9 N°2 (2025) CITAR ESTE ARTICULO: Murillo Delgado, E. P., Bravo Balarezo, L. C., Tapia Guerrero, J. A., & López Valencia, N. A. (2025). La inteligencia artificial como herramienta emergente en los procesos de investigación en la educación superior. Una revisión sis- temática. RECIMUNDO, 9(2), 474–488. https://doi.org/10.26820/recimundo/9. (2).abril.2025.474-488 MURILLO DELGADO, E. P., BRAVO BALAREZO, L. C., TAPIA GUERRERO, J. A., & LÓPEZ VALENCIA, N. A.

487 RECIMUNDO VOL. 9 N°2 (2025) Anexo Tabla 1. Extracción de datos basada en los artículos revisados: Número Autor(es) et al./Año País (inferido/implícito) Tipo de estudio Tipo de IA aplicada Área de aplicación Resultados principales 1 Jimbo-Santana et al. (2023) Ecuador Revisión sistemática IA para análisis de datos Rendimiento académico La IA mejora la identificación de patrones en el rendimiento estudiantil. 2 Medina Romero (2024) México Revisión teórica IA general Investigación e innovación La IA facilita la investigación y desarrollo de nuevas metodologías educativas. 3 Céspedes Reynaga et al. (2023) Perú Estudio cualitativo IA ética Educación general Discute si la IA es un aporte o competencia para docentes. 4 Bolano-García & Duarte-Acosta (2023) Colombia Revisión sistemática IA general Educación general Síntesis de tendencias y usos de IA en educación. 5 Arias et al. (2024) Ecuador Revisión sistemática IA general Educación contemporánea Destaca el papel transformador de la IA en pedagogía. 6 Bula & Camacho Bonilla (2024) Colombia Revisión sistemática (2019-2023) IA en escuelas Educación básica Revisión de aplicaciones prácticas en entornos escolares. 7 Cárdenas Benavides et al. (2024) Ecuador Revisión sistemática IA inmersiva Entornos de aprendizaje La IA crea ambientes educativos interactivos y personalizados. 8 Fajardo Aguilar et al. (2023) Ecuador Revisión sistemática IA general Educación universitaria Evalúa impacto de IA en la formación superior. 9 Holmes et al. (2021) Internacional (Pearson) Revisión teórica IA educativa Enseñanza- aprendizaje Analiza promesas e implicaciones éticas de la IA. 10 Moher et al. (2009) Internacional Guía metodológica - Revisiones sistemáticas Estándar PRISMA para reportar revisiones sistemáticas. 11 Russell & Norvig (2021) Internacional Libro de texto IA general Fundamentos de IA Aborda conceptos básicos y aplicaciones modernas de IA. 12 Zawacki-Richter et al. (2019) Alemania/Internacional Revisión sistemática IA en educación superior Educación superior Identifica falta de participación activa de educadores en IA. 13 Luckin et al. (2016) Reino Unido Argumento teórico IA general Educación Propone IA como herramienta para "liberar" potencial educativo. 14 Zawacki-Richter et al. (2019) Alemania/Internacional Revisión sistemática IA en educación superior Educación superior Reitera hallazgos sobre la brecha entre investigadores y docentes. 15 Alqahtani et al. (2023) Arabia Saudita Revisión Procesamiento de lenguaje (LLMs) Investigación universitaria Explora IA y LLMs en investigación académica. 16 Kuleto et al. (2021) Serbia/Rumania Estudio exploratorio Machine Learning Instituciones educativas Identifica oportunidades y desafíos de IA en universidades. 17 Fan et al. (2022) China Revisión sistemática IA en línea Educación superior en línea Sintetiza avances en IA para educación online (2011-2020). 18 Feng & Law (2021) China/Hong Kong Análisis de redes IA general Investigación en IA educativa Mapeo temático de tendencias en investigación sobre IA educativa. 19 Escotet (2023) Internacional Perspectiva teórica IA general Educación superior Visión optimista sobre el futuro de la IA en universidades. 20 Zhou (2022) China Estudio teórico- práctico IA adaptativa Educación superior Integración de tecnologías modernas en enseñanza superior. 21 Guo et al. (2024) China Bibliométrico IA general Investigación en educación Análisis cuantitativo de producción científica (2013-2023). 22 Popenici & Kerr (2017) Australia Revisión crítica IA general Educación superior Impacto de IA en enseñanza y aprendizaje universitario. 23 Alqahtani et al. (2023) Arabia Saudita Revisión sistemática IA general Educación superior Revisa roles de IA en personalización y evaluación educativa. 24 Escotet (2023) Latinoamérica Ensayo IA ética Educación superior Discute desafíos éticos y pedagógicos de la IA. 25 Fan et al. (2022) China Revisión IA general Educación Resume desarrollos recientes y prospectivas futuras. 26 Feng & Law (2021) China/Hong Kong Revisión IA general Educación postsecundaria Aplicaciones y retos de IA en educación superior. 27 Guo et al. (2024) China Revisión integrativa IA general Educación superior Propone direcciones futuras para investigación en IA educativa. 28 Hong et al. (2018) Canadá Herramienta metodológica - Evaluación de estudios Presenta el Mixed Methods Appraisal Tool (MMAT). 29 Ivanov (2023) Bulgaria Análisis crítico IA general Academia Examina amenazas y consideraciones éticas de IA en universidades. 30 Kuleto et al. (2021) Serbia Estudio empírico IA personalizada Educación superior Evalúa potencial y limitaciones de IA para personalización. 31 Page et al. (2021) Internacional Guía metodológica - Revisiones sistemáticas Actualización de la declaración PRISMA para revisiones. 32 Popenici & Kerr (2017) Australia Revisión IA general Educación superior Explora efectos de IA en dinámicas universitarias. 33 Zawacki-Richter et al. (2019) Alemania/Internacional Revisión sistemática IA general Educación superior Enfatiza la necesidad de involucrar a educadores en IA. 34 Zhou (2022) China Meta-análisis IA adaptativa Educación superior Evalúa efectividad de sistemas de aprendizaje adaptativo. 35 Ivanov (2023) Bulgaria Análisis crítico IA general Educación superior Advierte sobre riesgos como dependencia y sesgos en IA. 36 Puente Tituaña et al. (2024) Ecuador Revisión aplicada IA educativa Educación superior Propone IA como recurso para innovación pedagógica. Notas: • País: Inferido basado en afiliaciones institucionales o contexto del estudio. En casos internacionales (ej. PRISMA), se marca como tal. • Tipo de IA: Se especifica cuando el artícu- lo lo menciona (ej. "IA adaptativa", "LLMs"). Si no, se generaliza como "IA general". • Resultados principales: Resumen con- ciso basado en títulos, abstracts y pala- LA INTELIGENCIA ARTIFICIAL COMO HERRAMIENTA EMERGENTE EN LOS PROCESOS DE INVESTIGA- CIÓN EN LA EDUCACIÓN SUPERIOR. UNA REVISIÓN SISTEMÁTICA

488 RECIMUNDO VOL. 9 N°2 (2025) bras clave. Para artículos metodológicos (ej. PRISMA), se describe su propósito. MURILLO DELGADO, E. P., BRAVO BALAREZO, L. C., TAPIA GUERRERO, J. A., & LÓPEZ VALENCIA, N. A.