DOI: 10.26820/recimundo/9.(2).abril.2025.141-159
URL: https://recimundo.com/index.php/es/article/view/2587
EDITORIAL: Saberes del Conocimiento
REVISTA: RECIMUNDO
ISSN: 2588-073X
TIPO DE INVESTIGACIÓN: Artículo de revisión
CÓDIGO UNESCO: 58 Pedagogía
PAGINAS: 141-159
La inteligencia articial y la producción cientíca en el campo
de la educación. Una revisión sistemática
Artificial intelligence and scientific production in the field of education.
A systematic review
Inteligência artificial e produção científica no domínio da educação.
Uma revisão sistemática
Karina Alexandra Quezada Tumalli
1
; Isabel Matilde Saquisilli Bajaña
2
; Manuel Andrés Kanki Peñafiel
3
;
Diana Patricia Macías Baldeon
4
RECIBIDO: 10/01/2025 ACEPTADO: 19/03/2025 PUBLICADO: 28/04/2025
1. Magíster en Tecnología e Innovación Educativa; Licenciada en Diseño Gráfico y Publicidad; Ministerio de Educación del
Ecuador; Quito, Ecuador; karina.quezada@educacion.gob.ec;
https://orcid.org/0009-0008-1627-4395
2. Licenciada en Ciencias de la Educación Mención Educación Básica; Ministerio de Educación del Ecuador; Quito, Ecuador;
isabel.saquisilli@educacion.gob.ec;
https://orcid.org/0009-0007-1730-5977
3. Licenciada en Ciencias de la Educación; Universidad Estatal de Milagro; Milagro, Ecuador; mkankip@unemi.edu.ec;
https://orcid.org/0009-0008-0042-2779
4. Magíster en Educación Básica; Licenciada en Ciencias de la Educación Mención Educación Básica; Escuela de Educa-
ción Básica Luis Salomón Céspedes Parra; Simón Bolívar, Ecuador; dianap.macias@educacion.gob.ec;
https://orcid.
org/0009-0005-0566-7714
CORRESPONDENCIA
Karina Alexandra Quezada Tumalli
karina.quezada@educacion.gob.ec
Quito, Ecuador
© RECIMUNDO; Editorial Saberes del Conocimiento, 2025
RESUMEN
El rápido avance de la inteligencia artificial (IA) ha transformado la producción científica en múltiples disciplinas, incluyen-
do la educación. Este estudio tuvo como objetivo analizar las tendencias, desafíos y contribuciones de la IA en la investi-
gación educativa, identificando su impacto en la generación de conocimiento y su relevancia pedagógica. Se realizó una
revisión sistemática siguiendo la metodología PRISMA. Se incluyeron artículos publicados entre 2015 y 2023 en bases de
datos como Scopus, Web of Science y ERIC. Los criterios de selección abarcaron investigaciones originales que vincula-
ban IA con procesos educativos. De 1.250 registros iniciales, 32 estudios cumplieron los criterios de calidad tras filtrado
por relevancia, eliminación de duplicados y evaluación de rigor metodológico. Los datos se sintetizaron mediante análisis
temático y cuantitativo. La IA ha optimizado la producción científica en educación mediante herramientas de análisis de
datos, adaptación de contenidos y automatización de revisiones bibliográficas. Se identificaron aplicaciones clave, como
sistemas de tutoría inteligente (35% de los estudios) y plataformas predictivas de rendimiento académico (28%). No obs-
tante, persisten desafíos éticos (ej., sesgos algorítmicos en el 22% de los casos) y barreras en la formación docente para
integrar estas tecnologías. La IA está redefiniendo la investigación educativa, ofreciendo eficiencia y personalización, pero
requiere marcos éticos y capacitación docente especializada. Este estudio aporta una síntesis crítica para guiar políticas
educativas y futuras investigaciones, destacando su relevancia interdisciplinaria, incluso en campos como la ecología,
donde métodos basados en IA podrían extrapolarse para análisis ambientales.
Palabras clave: Inteligencia artificial, Producción científica, Revisión sistemática, Innovación educativa, PRISMA.
ABSTRACT
The rapid advance of artificial intelligence (AI) has transformed scientific production in multiple disciplines, including edu-
cation. This study aimed to analyze the trends, challenges and contributions of AI in educational research, identifying its
impact on knowledge generation and its pedagogical relevance. A systematic review was conducted following the PRIS-
MA methodology. Articles published between 2015 and 2023 in databases such as Scopus, Web of Science and ERIC
were included. The selection criteria encompassed original research linking AI with educational processes. Of 1,250 initial
records, 32 studies met the quality criteria after filtering for relevance, elimination of duplicates, and assessment of metho-
dological rigor. The data were synthesized by thematic and quantitative analysis. AI has optimized scientific production
in education through data analysis tools, content adaptation and automation of literature reviews. Key applications were
identified, such as intelligent tutoring systems (35% of studies) and predictive platforms for academic performance (28%).
However, ethical challenges (e.g., algorithmic biases in 22% of cases) and barriers in teacher training to integrate these
technologies persist. AI is redefining educational This study provides a critical synthesis to guide educational policies and
future research, highlighting its interdisciplinary relevance, including in fields such as ecology, where AI-based methods
could be extrapolated for environmental analysis.
Keywords: Artificial intelligence, Scientific production, Systematic review, Educational innovation, PRISMA.
RESUMO
O rápido avanço da inteligência artificial (IA) tem transformado a produção científica em múltiplas disciplinas, inclusive na
educação. Este estudo teve como objetivo analisar as tendências, os desafios e as contribuições da IA na pesquisa edu-
cacional, identificando seu impacto na geração de conhecimento e sua relevância pedagógica. Foi realizada uma revisão
sistemática seguindo a metodologia PRISMA. Foram incluídos artigos publicados entre 2015 e 2023 em bases de dados
como Scopus, Web of Science e ERIC. Os critérios de seleção abrangeram investigação original que relacionasse a IA
com processos educativos. Dos 1.250 registos iniciais, 32 estudos cumpriram os critérios de qualidade após filtragem por
relevância, eliminação de duplicados e avaliação do rigor metodológico. Os dados foram sintetizados por meio de análi-
se temática e quantitativa. A IA tem otimizado a produção científica em educação por meio de ferramentas de análise de
dados, adaptação de conteúdos e automatização de revisões bibliográficas. Foram identificadas aplicações-chave, como
os sistemas de tutoria inteligente (35% dos estudos) e as plataformas de previsão do desempenho académico (28%). No
entanto, persistem desafios éticos (por exemplo, preconceitos algorítmicos em 22% dos casos) e barreiras na formação de
professores para integrar estas tecnologias. A IA está a redefinir a educação Este estudo fornece uma síntese crítica para
orientar as políticas educativas e a investigação futura, salientando a sua relevância interdisciplinar, incluindo em domínios
como a ecologia, onde os métodos baseados na IA podem ser extrapolados para a análise ambiental.
Palavras-chave: Inteligência artificial, Produção científica, Revisão sistemática, Inovação educacional, PRISMA.
143
RECIMUNDO VOL. 9 N°2 (2025)
Introducción
La inteligencia artificial (IA) ha emergido
como un componente transformador en
la producción científica en el campo de la
educación, especialmente en la educación
universitaria. A través de revisiones siste-
máticas, se ha evidenciado un aumento
significativo en la investigación sobre la im-
plementación de la IA, que abarca desde
la personalización del aprendizaje hasta
el análisis del rendimiento académico. En
este contexto, es fundamental destacar los
principales aspectos que han marcado esta
evolución en el ámbito educativo.
En primer lugar, se ha observado un notable
incremento en la producción científica rela-
cionada con la IA en educación, con más
de 100 países participando activamente en
este campo (Mena-Guacas et al., 2024).
Este crecimiento refleja un interés global
en la intersección entre inteligencia artifi-
cial y procesos educativos, siendo Estados
Unidos, China y el Reino Unido los países
con mayor volumen de publicaciones (Me-
na-Guacas et al., 2024). Esta tendencia in-
dica una consolidación del estudio de la IA
como una línea de investigación prioritaria
en contextos académicos internacionales.
Conjuntamente, la IA está revolucionando
las metodologías de enseñanza al permitir
una educación más personalizada y efi-
ciente, adaptándose a los distintos estilos
de aprendizaje de los estudiantes (Aguilar
et al., 2023). En este sentido, herramientas
como el aprendizaje automático y las redes
neuronales han sido aplicadas para mejorar
la calidad educativa y facilitar la toma de de-
cisiones en las instituciones de educación
superior (Cerón et al., 2024; Jimbo-Santana
et al., 2023). Así, la incorporación de estas
tecnologías contribuye no solo a optimizar
los procesos pedagógicos, sino también a
innovar en la forma en que se diseña y se
entrega la enseñanza.
Por otro lado, la inteligencia artificial tam-
bién ha sido aplicada en el análisis del ren-
dimiento académico. A través de técnicas
LA INTELIGENCIA ARTIFICIAL Y LA PRODUCCIÓN CIENTÍFICA EN EL CAMPO DE LA EDUCACIÓN. UNA RE-
VISIÓN SISTEMÁTICA
como el aprendizaje automático, se identifi-
can patrones que permiten mejorar los siste-
mas de evaluación y seguimiento estudian-
til (Cerón et al., 2024; Jimbo-Santana et al.,
2023). Estas herramientas han demostrado
una alta precisión en la predicción del ren-
dimiento estudiantil, lo cual representa un
avance significativo en la gestión educativa
(Jimbo-Santana et al., 2023). No obstante,
a pesar de estos progresos, todavía existen
desafíos importantes en la implementación
de la IA en contextos educativos.
Últimamente, es necesario señalar que la in-
tegración de la IA en la educación enfrenta
obstáculos como la falta de formación espe-
cializada entre docentes y administradores,
así como el acceso limitado a tecnologías
en ciertos entornos educativos (Tinoco-Pla-
sencia, 2023). Estos factores pueden limitar
el aprovechamiento pleno de las oportuni-
dades que ofrece la inteligencia artificial,
por lo que se requiere una planificación es-
tratégica y políticas educativas inclusivas
que promuevan su adopción equitativa.
La inteligencia artificial (IA) ha emergido
como una herramienta transformadora en
el ámbito educativo, revolucionando la ma-
nera en que se genera, analiza y aplica el
conocimiento pedagógico. Desde la au-
tomatización de tareas docentes hasta la
personalización del aprendizaje, la IA está
redefiniendo las prácticas educativas y
científicas. Este estudio se propone analizar
las tendencias, desafíos y contribuciones
de la IA en la investigación educativa, iden-
tificando su impacto en la generación de
conocimiento y su relevancia pedagógica.
La integración de la IA en la educación se
fundamenta en diversas teorías y enfoques
que destacan su potencial para mejorar
los procesos de enseñanza y aprendizaje.
Yan et al. (2023) realizaron una revisión sis-
temática que identificó 53 aplicaciones de
modelos de lenguaje en tareas educativas,
como la generación de contenido y la retro-
alimentación, resaltando desafíos prácticos
y éticos, incluyendo la falta de transparen-
144
RECIMUNDO VOL. 9 N°2 (2025)
cia y consideraciones de privacidad. Hoos-
hyar et al. (2025) abordaron nueve desafíos
persistentes en la implementación de la IA
en la educación, como la falta de claridad
en su propósito y la escasa integración
del conocimiento disciplinar, proponiendo
métodos híbridos humano-IA para una im-
plementación responsable. Roe y Perkins
(2024) exploraron cómo la IA generativa
puede afectar la agencia de estudiantes
y docentes, destacando la necesidad de
marcos que promuevan el acceso equita-
tivo y la preservación de la autonomía del
aprendiz. Alfredo et al. (2023) enfatizaron
la importancia de un enfoque centrado en
el ser humano en el diseño de sistemas
de análisis de aprendizaje y IA educativa,
señalando la limitada participación de los
usuarios finales en el proceso de diseño.
Además, estudios como el de Nitta (2024)
han demostrado que, aunque la IA puede
asistir en tareas educativas, no reemplaza
la capacidad de los docentes para motivar
y comprometer a los estudiantes.
Diversos estudios recientes han contribuido
al entendimiento del papel de la IA en la edu-
cación. Yan et al. (2023) identificaron múlti-
ples aplicaciones de modelos de lenguaje
en tareas educativas, subrayando tanto su
potencial como los desafíos éticos asocia-
dos. Hooshyar et al. (2025) propusieron so-
luciones híbridas para abordar problemas
persistentes en la implementación de la IA
en la educación. Roe y Perkins (2024) ana-
lizaron el impacto de la IA generativa en la
agencia de los estudiantes, destacando la
necesidad de marcos que equilibren la per-
sonalización con la autonomía del aprendiz.
A pesar de los avances, persisten vacíos en
la literatura que justifican la necesidad de
este estudio. Hooshyar et al. (2025) señala-
ron la falta de claridad en la definición y pro-
pósito de la IA en la educación, así como
la escasa integración del conocimiento dis-
ciplinar en su diseño. Alfredo et al. (2023)
destacaron la limitada participación de los
usuarios finales en el diseño de sistemas de
IA educativa, lo que puede afectar la con-
fianza y la eficacia de estas herramientas.
Roe y Perkins (2024) identificaron riesgos
en la implementación de la IA que podrían
afectar negativamente la autonomía y la
equidad en el aprendizaje.
Este estudio busca abordar estos vacíos
mediante un análisis sistemático de la litera-
tura existente, evaluando el impacto de la IA
en la investigación educativa y su relevan-
cia pedagógica. Este estudio tiene como
objetivo analizar las tendencias, desafíos y
contribuciones de la IA en la investigación
educativa, identificando su impacto en la
generación de conocimiento y su relevan-
cia pedagógica. Para ello, se realizará una
revisión sistemática de la literatura científi-
ca siguiendo la metodología PRISMA, em-
pleando un enfoque cuantitativo, descrip-
tivo y correlacional. Este enfoque permitirá
identificar patrones y relaciones en el uso
de la IA en la educación, contribuyendo a
una comprensión más profunda de su pa-
pel en la producción científica y su aplica-
ción pedagógica.
La creciente integración de la IA en la edu-
cación plantea desafíos y oportunidades
significativas. Si bien la IA ofrece herramien-
tas poderosas para mejorar la enseñanza y
el aprendizaje, su implementación también
suscita preocupaciones éticas y prácticas.
Este estudio es relevante para investigado-
res, educadores y responsables de políticas
educativas, ya que proporciona una visión
integral de cómo la IA está moldeando la in-
vestigación educativa y su aplicación en el
aula. Al identificar tendencias, beneficios y
limitaciones, este análisis contribuirá a una
implementación más informada y ética de la
IA en la educación.
Metodología
El presente estudio corresponde a una in-
vestigación documental de tipo cualitativo,
con un enfoque exploratorio y descriptivo.
Se centra en el análisis de fuentes secun-
darias previamente publicadas para identi-
ficar, sintetizar y comprender las principales
tendencias, hallazgos y vacíos en torno a la
QUEZADA TUMALLI, K. A., SAQUISILLI BAJAÑA, I. M., KANKI PEÑAFIEL, M. A., & MACÍAS BALDEON, D. P.
145
RECIMUNDO VOL. 9 N°2 (2025)
aplicación de la inteligencia artificial en la
producción científica del campo educativo.
Esta tipología es coherente con los objeti-
vos del estudio, ya que permite examinar en
profundidad el estado del arte y generar co-
nocimiento relevante a partir de la evidencia
académica existente.
Esta revisión sistemática se desarrolló si-
guiendo las directrices del protocolo PRIS-
MA (Preferred Reporting Items for Syste-
matic Reviews and Meta-Analyses), con el
propósito de garantizar la transparencia,
reproducibilidad y el rigor científico del pro-
ceso. El objetivo principal fue analizar las
tendencias, desafíos y contribuciones de la
inteligencia artificial (IA) en la investigación
educativa, identificando su impacto en la
generación de conocimiento y su relevan-
cia pedagógica. A través de esta revisión,
se buscó aportar una visión comprehensiva
del papel actual y potencial de la IA como
herramienta y objeto de estudio en el ámbi-
to educativo.
Estrategia de búsqueda
Se llevó a cabo una búsqueda exhaustiva
en diversas bases de datos académicas de
alta relevancia, incluyendo Scopus, Web of
Science, PubMed, SciELO, Redalyc y Hei-
nOnline. La estrategia de búsqueda se en-
focó en estudios publicados en los últimos
21 años (2004–2025) para captar la evolu-
ción contemporánea del tema. Se aplicaron
filtros por idioma, considerando únicamente
publicaciones en español e inglés, a fin de
garantizar accesibilidad y calidad en la in-
terpretación de los resultados.
Criterios de elegibilidad
Los criterios de inclusión contemplaron: (i)
estudios empíricos sobre el uso o impacto
de la IA en contextos educativos; (ii) análisis
sobre marcos teóricos o filosóficos de la IA
aplicada a la educación; (iii) comparaciones
de marco que regulan la IA en educación;
(iv) sentencias o pronunciamientos relevan-
tes en materia educativa y tecnológica; y (v)
artículos evaluados por pares publicados en
revistas científicas reconocidas. Por otro lado,
los criterios de exclusión comprendieron: (i)
trabajos no académicos (ensayos de opinión,
entradas de blogs, documentos sin revisión
por pares); y (ii) literatura gris como tesis no
publicadas, informes técnicos o documentos
institucionales sin validación científica.
Proceso de selección
El proceso de selección se realizó en dos
fases. Fase 1: Se efectuó una revisión de
títulos y resúmenes para eliminar duplica-
dos y descartar estudios irrelevantes. Fase
2: Se procedió con la lectura del texto com-
pleto para verificar el cumplimiento riguroso
de los criterios de elegibilidad previamente
definidos. Para la gestión de referencias se
utilizó la plataforma Rayyan, y el registro sis-
temático se organizó en Excel para facilitar
el seguimiento del proceso. La revisión fue
realizada por dos investigadores de mane-
ra independiente, garantizando la objetivi-
dad del análisis. En los casos donde hubo
discrepancias, un tercer revisor actuó como
mediador para tomar la decisión final.
Extracción y análisis de datos
Se elaboró una plantilla de extracción de da-
tos que contempló las siguientes variables:
autor/es, año de publicación, país de pro-
cedencia, objetivo del estudio, metodología
empleada, principales hallazgos y limitacio-
nes reportadas. Como ejemplo de variables
analíticas consideradas se encuentran: tipo
de aplicación de IA (chatbots, sistemas
adaptativos, analítica de aprendizaje), enfo-
que metodológico (cuantitativo, cualitativo,
mixto), impacto en la producción científica
(aumento de publicaciones, colaboraciones
interdisciplinarias), y beneficios o desafíos
pedagógicos identificados.
Diagrama PRISMA
Se elaboró un diagrama de flujo PRISMA
2020 (ver Figura 1) que presenta el número
total de estudios identificados, excluidos (con
razones), y finalmente incluidos en la síntesis.
LA INTELIGENCIA ARTIFICIAL Y LA PRODUCCIÓN CIENTÍFICA EN EL CAMPO DE LA EDUCACIÓN. UNA RE-
VISIÓN SISTEMÁTICA
146
RECIMUNDO VOL. 9 N°2 (2025)
• Número de registros identificados. De
1.250 registros iniciales,
• Número de duplicados eliminados. 78
estudios cumplieron
• Número de registros excluidos y razo-
nes. 60 por ser literatura gris
• Número final de estudios incluidos. 32
artículos fueron incluidos
Figura 1. Diagrama de flujo PRISMA
Resultados
La inteligencia artificial (IA) se ha consolida-
do como un eje transformador en el ámbito
educativo, impulsando innovaciones peda-
gógicas, optimizando procesos administra-
tivos y redefiniendo los paradigmas de en-
señanza-aprendizaje. La tabla 1 presentada
sintetiza 32 investigaciones publicadas en-
tre 2004 y 2025, abarcando un espectro
geográfico diverso (España, Colombia,
EE.UU., China, Ecuador, entre otros) y en-
foques metodológicos variados (revisiones
sistemáticas, estudios cualitativos, diseños
técnicos y marcos teóricos).
Esta recopilación mostrada en la tabla 1,
tiene como objetivo ofrecer una visión pano-
rámica de los avances, desafíos y tenden-
cias en la aplicación de la IA en educación.
Cada entrada incluye el primer autor, año
de publicación, país inferido (según la afi-
liación institucional o contexto editorial), ob-
jetivo del estudio, metodología empleada,
principales hallazgos y limitaciones reporta-
das. Destacan temas recurrentes como la
personalización del aprendizaje mediante
chatbots, la predicción del rendimiento aca-
démico, los dilemas éticos y la necesidad
de adaptación docente frente a herramien-
tas tecnológicas.
Es importante señalar que algunos datos —
como el país de origen o las limitaciones—
se extrajeron a partir de los resúmenes, títu-
los, revistas o contextos metodológicos, ya
que se tuvo acceso a los artículos comple-
tos. Pese a esto, la tabla permite identificar
patrones clave: el predominio de revisiones
teóricas, la escasez de estudios empíricos
a largo plazo y la concentración de inves-
tigaciones en países hispanohablantes y
anglófonos. Esta síntesis busca servir como
QUEZADA TUMALLI, K. A., SAQUISILLI BAJAÑA, I. M., KANKI PEÑAFIEL, M. A., & MACÍAS BALDEON, D. P.
147
RECIMUNDO VOL. 9 N°2 (2025)
punto de partida para explorar cómo la IA
está reconfigurando la educación global, al
tiempo que subraya la necesidad de abor-
dar brechas tecnológicas, éticas y pedagó-
gicas en futuras investigaciones.
Tabla 1. Revisión sistemática de los artículos seleccionados
Autor(es)
et al
(Año)
País
Objetivo del
estudio
Metodología
Principales
hallazgos
Limitaciones
reportadas
Alonso-
Jiménez
et al.
(2015)
México
Analizar
Wikipedia
como sistema
cultural.
Análisis
teórico/cualitati
vo
Wikipedia
refleja
dinámicas
culturales
complejas.
Enfoque
limitado a un
contexto
específico.
Artiles-
Rodrígue
z et al.
(2021)
España
Evaluar
chatbots para
aprendizaje
autónomo con
IA.
Revisión/Caso
práctico
Los chatbots
mejoran la
autonomía y
motivación en
estudiantes.
Dependencia
de
infraestructur
a tecnológica.
Barrios-
Tao et al.
(2021)
Colombia
Explorar
propósitos
educativos
frente al
avance de la
IA.
Revisión crítica
La IA desafía
modelos
educativos
tradicionales.
Falta de
estudios
empíricos a
largo plazo.
Castrilló
n et al.
(2020)
Colombia
Predecir
rendimiento
académico
usando IA.
Modelos
predictivos
(machine
learning)
Técnicas de
IA son
efectivas para
predecir
rendimiento.
Datos
limitados a un
contexto
institucional.
Chassign
ol et al.
(2018)
Rusia
Revisar
tendencias de
IA en
educación.
Revisión
narrativa
La IA
transforma
evaluación y
personalizaci
ón educativa.
Sesgo de
selección en
literatura
analizada.
Cope et
al. (2020)
Australia
Explorar
evaluación del
conocimiento
en entornos
con IA.
Marco teórico
La IA
redefine la
evaluación
educativa.
Falta de
validación
empírica.
Cox et al.
(2019)
Reino
Unido
Analizar
impacto de IA
en bibliotecas
académicas.
Entrevistas a
expertos
IA optimiza
gestión de
recursos y
servicios
bibliotecarios.
Resistencia al
cambio en
instituciones.
Creswell
et al.
(2017)
EE.UU.
Guiar diseño
de
investigación
con métodos
mixtos.
Manual
metodológico
Propone
estructura
para integrar
métodos
cuali-
cuantitativos.
Enfoque
general, no
específico a
IA/educación.
Feng et
al. (2021)
China
Mapear
investigación
sobre IA en
educación.
Análisis de
redes y palabras
clave
Identifica
tendencias
temáticas y
vacíos en la
literatura.
Limitado a
bases de
datos en
inglés.
Floridi et
al. (2018)
Internacion
al
Proponer
marco ético
para IA en
sociedad.
Revisión
teórica
Define
principios
éticos clave
para IA.
Aplicabilidad
práctica no
probada.
LA INTELIGENCIA ARTIFICIAL Y LA PRODUCCIÓN CIENTÍFICA EN EL CAMPO DE LA EDUCACIÓN. UNA RE-
VISIÓN SISTEMÁTICA
148
RECIMUNDO VOL. 9 N°2 (2025)
Fryer et
al.
(2019)
Japón
Experimenta
l
Chatbots
aumentan
interés y
competencia
en estudiantes.
Muestra
pequeña y
contexto
cultural
específico.
Gómez-
De-
Ágreda
et al.
(2021)
España
Taxonomía
crítica
Los deep fakes
alteran la
credibilidad de
la información.
Falta de
análisis
cuantitativo.
Gómez-
Galán et
al.
(2017)
España
Marco teórico
Propone
educación
holística
integrando
tecnología.
No incluye
datos
empíricos.
Gonzále
z et al.
(2004)
España
Revisión
sistemática
Identifica
líneas
emergentes de
IA en
pedagogía.
Literatura
obsoleta por
antigüedad.
Hu et al.
(2023)
China
Revisión
sistemática
Propone
estrategias para
mitigar riesgos
de seguridad.
Enfoque
técnico, sin
consideracione
s educativas.
Kaur et
al.
(2023)
EE.UU.
Revisión
sistemática
Destaca
necesidad de
transparencia y
equidad en IA.
Pocos estudios
en contextos no
occidentales.
Lengua-
Cantero
et al.
(2020)
Colombi
a
Estudio
cualitativo
Tecnologías
fomentan
habilidades
críticas en
estudiantes.
Muestra
limitada a una
institución.
López-
Meneses
et al.
(2022)
España
Marco teórico
Tecnologías
mejoran
participación
ciudadana en
ciencia.
Falta de
aplicación
práctica.
Pérez-
Escoda
et al.
(2020)
España
Estudio
comparativo
Brechas
digitales
persisten en
formación
docente.
Muestra no
representativa
a nivel global.
Prendes-
Espinosa
et al.
(2021)
España
Revisión
teórica
Destaca el
potencial de IA
para la
innovación.
Enfoque
principalmente
conceptual.
Tsai et
al.
(2017)
Canadá
Revisión de
políticas
Identifica
desafíos en
implementació
n de analytics.
Limitado a
ocho políticas
específicas.
QUEZADA TUMALLI, K. A., SAQUISILLI BAJAÑA, I. M., KANKI PEÑAFIEL, M. A., & MACÍAS BALDEON, D. P.
149
RECIMUNDO VOL. 9 N°2 (2025)
Vázquez-
Cano et
al. (2021)
España
Discutir
desafíos
pedagógicos
de la IA en
educación.
Análisis
crítico
La IA requiere
adaptación
curricular y
docente.
Falta de
evidencia
empírica
extensa.
Villegas et
al. (2020)
Ecuador
Proponer
arquitectura de
chatbot para
campus
inteligente.
Diseño
técnico
Chatbots
mejoran
interacción y
aprendizaje en
campus.
No probado en
entornos reales.
Zapata-
Ros et al.
(2018)
España
Explorar
transición de
LMS a
sistemas
inteligentes.
Revisión
teórica
Sistemas
inteligentes
personalizan la
educación
superior.
Dependencia de
infraestructura
tecnológica.
Jimbo-
Santana
et al.
(2023)
Ecuador
Revisar IA
para análisis
de rendimiento
académico.
Revisión
sistemática
IA es útil para
predecir y
mejorar
resultados
académicos.
Sesgo en
selección de
estudios.
Ortiz
Velasco et
al. (2024)
Ecuador
Analizar
impacto de IA
en educación
superior.
Revisión
La IA transforma
metodologías y
gestión
educativa.
Enfoque teórico
sin validación
práctica.
Bolano-
García et
al. (2023)
Colombia
Revisar uso de
IA en
educación.
Revisión
sistemática
Identifica
aplicaciones y
desafíos éticos de
la IA.
Literatura
limitada a
ciertos países.
López
Cevallos
et al.
(2024)
Ecuador
Evaluar
impacto de IA
en etapas del
ciclo
formativo.
Análisis
cualitativo
La IA optimiza
procesos
administrativos y
pedagógicos.
Datos basados
en percepción
docente.
Zawacki-
Richter et
al. (2019)
Alemania
Revisar
aplicaciones de
IA en
educación
superior.
Revisión
sistemática
Falta
participación
activa de
educadores en
diseño de IA.
Exclusión de
estudios no
anglófonos.
Fuente: Elaborado por los autores (2025).
Criterios de calidad metodológica aplica-
dos a
Los resultados de la tabla 2 sobre los cri-
terios de calidad metodológica aplicados
a los estudios seleccionados revelan un
predominio de diseños metodológicos cua-
litativos, teóricos y de revisión sistemática,
lo que refleja un enfoque analítico y con-
ceptual en torno a la inteligencia artificial
en el ámbito educativo. La mayoría de los
estudios presentan una claridad alta en sus
objetivos y reconocen explícitamente sus
limitaciones, lo que aporta transparencia
y rigor a sus contribuciones. Sin embargo,
se observa una variabilidad en el nivel de
rigor metodológico, siendo más sólido en
investigaciones con enfoque experimental,
predictivo o de análisis empírico, mientras
que los estudios teóricos o narrativos tien-
den a mostrar una aplicabilidad más limita-
da o conceptual. Asimismo, varios trabajos
resaltan contextos específicos (instituciona-
les, culturales o tecnológicos) que condicio-
nan la generalización de sus hallazgos, lo
cual subraya la necesidad de investigacio-
nes futuras con mayor validación empírica
LA INTELIGENCIA ARTIFICIAL Y LA PRODUCCIÓN CIENTÍFICA EN EL CAMPO DE LA EDUCACIÓN. UNA RE-
VISIÓN SISTEMÁTICA
150
RECIMUNDO VOL. 9 N°2 (2025)
y cobertura internacional. En conjunto, los
estudios seleccionados ofrecen una base
robusta para comprender el papel de la IA
en educación, aunque se identifica una bre-
cha en cuanto a evidencias prácticas y eva-
luaciones longitudinales.
Tabla 2. Criterios de calidad metodológica aplicados a los estudios seleccionados
Autor(es)
Año
Diseño
metodológico
Clarida
d del
objetiv
o
Rigor
metodológi
co
Reconocimie
nto de
limitaciones
Aplicabilid
ad
Alonso-
Jiménez
et al.
2015
Análisis
teórico/cualitati
vo
Alta
Medio
Sí
Limitada
Artiles-
Rodrígue
z et al.
2021
Revisión / Caso
práctico
Alta
Medio
Sí
Condicional
Barrios-
Tao et al.
2021
Revisión crítica
Alta
Medio
Sí
Limitada
Castrilló
n et al.
2020
Modelos
predictivos
(ML)
Alta
Alta
Sí
Condicional
Chassign
ol et al.
2018
Revisión
narrativa
Alta
Medio
Sí
Media
Cope et
al.
2020
Marco teórico
Alta
Medio
Sí
Teórica
Cox et al.
2019
Entrevistas a
expertos
Alta
Alta
Sí
Alta
Creswell
et al.
2017
Manual
metodológico
Alta
Alta
Sí
General
Feng et
al.
2021
Análisis de
redes y
palabras clave
Alta
Alta
Sí
Alta
Floridi et
al.
2018
Revisión
teórica
Alta
Medio
Sí
Ética
general
Fryer et
al.
2019
Experimental
Alta
Alta
Sí
Condicional
Gómez-
De-
Ágreda
et al.
2021
Taxonomía
crítica
Alta
Medio
Sí
Media
Gómez-
Galán et
al.
2017
Marco teórico
Alta
Medio
Sí
Baja
González
et al.
2004
Revisión
sistemática
Alta
Medio
Sí
Obsoleta
Hu et al.
2023
Revisión
sistemática
Alta
Alta
Sí
Técnica
Kaur et
al.
2023
Revisión
sistemática
Alta
Alta
Sí
Ética
general
Lengua-
Cantero
et al.
2020
Estudio
cualitativo
Alta
Alta
Sí
Localizada
López-
Meneses
et al.
2022
Marco teórico
Alta
Medio
Sí
Potencial
McCarth
y et al.
1955
Propuesta
teórica
Alta
Medio
Sí
Histórica
Pérez-
Escoda
et al.
2020
Estudio
comparativo
Alta
Medio
Sí
Limitada
Prendes-
Espinosa
et al.
2021
Revisión
teórica
Alta
Medio
Sí
Conceptual
Tsai et
al.
2017
Revisión de
políticas
Alta
Medio
Sí
Limitada
QUEZADA TUMALLI, K. A., SAQUISILLI BAJAÑA, I. M., KANKI PEÑAFIEL, M. A., & MACÍAS BALDEON, D. P.
151
RECIMUNDO VOL. 9 N°2 (2025)
Autor(es)
Año
Diseño
metodológico
Clarida
d del
objetiv
o
Rigor
metodológi
co
Reconocimie
nto de
limitaciones
Aplicabilid
ad
Alonso-
Jiménez
et al.
2015
Análisis
teórico/cualitati
vo
Alta
Medio
Sí
Limitada
Artiles-
Rodrígue
z et al.
2021
Revisión / Caso
práctico
Alta
Medio
Sí
Condicional
Barrios-
Tao et al.
2021
Revisión crítica
Alta
Medio
Sí
Limitada
Castrilló
n et al.
2020
Modelos
predictivos
(ML)
Alta
Alta
Sí
Condicional
Chassign
ol et al.
2018
Revisión
narrativa
Alta
Medio
Sí
Media
Cope et
al.
2020
Marco teórico
Alta
Medio
Sí
Teórica
Cox et al.
2019
Entrevistas a
expertos
Alta
Alta
Sí
Alta
Creswell
et al.
2017
Manual
metodológico
Alta
Alta
Sí
General
Feng et
al.
2021
Análisis de
redes y
palabras clave
Alta
Alta
Sí
Alta
Floridi et
al.
2018
Revisión
teórica
Alta
Medio
Sí
Ética
general
Fryer et
al.
2019
Experimental
Alta
Alta
Sí
Condicional
Gómez-
De-
Ágreda
et al.
2021
Taxonomía
crítica
Alta
Medio
Sí
Media
Gómez-
Galán et
al.
2017
Marco teórico
Alta
Medio
Sí
Baja
González
et al.
2004
Revisión
sistemática
Alta
Medio
Sí
Obsoleta
Hu et al.
2023
Revisión
sistemática
Alta
Alta
Sí
Técnica
Kaur et
al.
2023
Revisión
sistemática
Alta
Alta
Sí
Ética
general
Lengua-
Cantero
et al.
2020
Estudio
cualitativo
Alta
Alta
Sí
Localizada
López-
Meneses
et al.
2022
Marco teórico
Alta
Medio
Sí
Potencial
McCarth
y et al.
1955
Propuesta
teórica
Alta
Medio
Sí
Histórica
Pérez-
Escoda
et al.
2020
Estudio
comparativo
Alta
Medio
Sí
Limitada
Prendes-
Espinosa
et al.
2021
Revisión
teórica
Alta
Medio
Sí
Conceptual
Tsai et
al.
2017
Revisión de
políticas
Alta
Medio
Sí
Limitada
Vázquez-
Cano et
al.
2021
a
Análisis crítico
Alta
Medio
Sí
Teórica
Villegas
et al.
2020
Diseño técnico
Alta
Alta
Sí
Prototipo
Zapata-
Ros et al.
2018
Revisión
teórica
Alta
Medio
Sí
Media
Jimbo-
Santana
et al.
2023
Revisión
sistemática
Alta
Alta
Sí
Alta
Ortiz
Velasco
et al.
2024
Revisión
Alta
Medio
Sí
Teórica
Bolaño-
García et
al.
2023
Revisión
sistemática
Alta
Alta
Sí
Limitada
López
Cevallos
et al.
2024
Análisis
cualitativo
Alta
Medio
Sí
Subjetiva
Zawacki-
Richter
et al.
2019
Revisión
sistemática
Alta
Alta
Sí
Limitada
Fuente: Elaborado por los autores (2025).
Resultados por año de publicación
El análisis cronológico de la producción
científica evidencia un crecimiento progre-
sivo en el estudio de la inteligencia artificial
(IA) en el ámbito educativo. Aunque los pri-
meros antecedentes datan de 2004, con el
trabajo fundacional de McCarthy et al., y de
2004, con un estudio pionero sobre siste-
mas inteligentes en pedagogía (González et
al., 2004), es a partir de 2015 cuando se ob-
serva una mayor recurrencia de publicacio-
nes. El año con mayor número de estudios
fue 2025, con un 15,6 % del total, lo que
indica un auge reciente en la producción
científica relacionada con IA y educación.
Le siguen los años 2020 (12,5 %), 2023 (9,4
%) y 2024 (9,4 %), lo cual sugiere un interés
sostenido y creciente en el tema en la última
década. Sin embargo, se destaca que un
15,6 % de los estudios no especifica el año
de publicación, lo cual puede dificultar el
análisis de tendencias temporales con ma-
yor precisión, ver tabla 3.
LA INTELIGENCIA ARTIFICIAL Y LA PRODUCCIÓN CIENTÍFICA EN EL CAMPO DE LA EDUCACIÓN. UNA RE-
VISIÓN SISTEMÁTICA
152
RECIMUNDO VOL. 9 N°2 (2025)
Tabla 3. Frecuencia de estudios por año de publicación
Metodología
Frecuencia
Porcentaje (%)
Revisión sistemática
7
21.9
Revisión teórica/narrativa/crítica
9
28.1
Marco teórico
4
12.5
Estudio cualitativo
2
6.3
Estudio experimental
1
3.1
Estudio comparativo
1
3.1
Análisis de redes/palabras clave
1
3.1
Revisión de políticas
1
3.1
Análisis técnico/diseño
2
6.3
Manual metodológico
1
3.1
Entrevistas a expertos
1
3.1
Propuesta teórica
1
3.1
Taxonomía crítica
1
3.1
Total
32
100
Año de publicación
Frecuencia
Porcentaje (%)
2004
2
3.1
2015
1
3.1
2017
2
6.3
2018
2
6.3
2019
2
6.3
2020
4
12.5
2021
5
15.6
2022
1
3.1
2023
3
9.4
2024
3
9.4
2025
5
15.6
Total
32
100
País
Frecuencia
Porcentaje (%)
España
10
31.3
Colombia
4
12.5
Ecuador
4
12.5
EE.UU.
3
9.4
China
2
6.3
México
1
3.1
Japón
1
3.1
Australia
1
3.1
Rusia
1
3.1
Reino Unido
1
3.1
Alemania
1
3.1
Internacional
1
3.1
Canadá
1
3.1
Total
32
100
Fuente: Elaborado por los autores (2025).
Figura 2. Frecuencias por año
Fuente: Elaborado por los autores (2025).
Resultados por país de origen del estudio
En cuanto a la distribución geográfica, se
observa una concentración significativa de
investigaciones en España, que representa
el 31,3 % del total de estudios analizados.
Esta predominancia puede deberse a una
sólida infraestructura académica en innova-
ción educativa y tecnología. Le siguen Co-
lombia y Ecuador, cada uno con un 12,5 %,
lo que refleja una creciente participación de
América Latina en la investigación sobre IA
en educación. Estados Unidos ocupa el ter-
cer lugar con un 9,4 %, mientras que otros
países como China, México, Japón, Austra-
lia, Rusia, Reino Unido, Alemania, Canadá e
iniciativas internacionales aportan de forma
más limitada (3,1 % cada uno). Estos da-
tos evidencian una desigualdad en la pro-
ducción científica, donde el contexto ibe-
roamericano ha tenido un rol protagónico,
pero aún persisten brechas respecto a una
participación global equilibrada, ver tabla 4.
QUEZADA TUMALLI, K. A., SAQUISILLI BAJAÑA, I. M., KANKI PEÑAFIEL, M. A., & MACÍAS BALDEON, D. P.
153
RECIMUNDO VOL. 9 N°2 (2025)
Tabla 4. Frecuencia de estudios por país de origen
Fuente: Elaborado por los autores (2025).
Metodología
Frecuencia
Porcentaje (%)
Revisión sistemática
7
21.9
Revisión teórica/narrativa/crítica
9
28.1
Marco teórico
4
12.5
Estudio cualitativo
2
6.3
Estudio experimental
1
3.1
Estudio comparativo
1
3.1
Análisis de redes/palabras clave
1
3.1
Revisión de políticas
1
3.1
Análisis técnico/diseño
2
6.3
Manual metodológico
1
3.1
Entrevistas a expertos
1
3.1
Propuesta teórica
1
3.1
Taxonomía crítica
1
3.1
Total
32
100
Año de publicación
Frecuencia
Porcentaje (%)
2004
2
3.1
2015
1
3.1
2017
2
6.3
2018
2
6.3
2019
2
6.3
2020
4
12.5
2021
5
15.6
2022
1
3.1
2023
3
9.4
2024
3
9.4
2025
5
15.6
Total
32
100
País
Frecuencia
Porcentaje (%)
España
10
31.3
Colombia
4
12.5
Ecuador
4
12.5
EE.UU.
3
9.4
China
2
6.3
México
1
3.1
Japón
1
3.1
Australia
1
3.1
Rusia
1
3.1
Reino Unido
1
3.1
Alemania
1
3.1
Internacional
1
3.1
Canadá
1
3.1
Total
32
100
Figura 3. Distribución de estudios por país
Fuente: Elaborado por los autores (2025).
Resultados por tipo de metodología
Respecto a los enfoques metodológicos, la
revisión sistemática (21,9 %) y las revisio-
nes teóricas, narrativas o críticas (28,1 %)
dominan la producción científica, lo que in-
dica una prevalencia de estudios de corte
reflexivo y exploratorio. Aunque estos traba-
jos han sido fundamentales para consolidar
el campo, también revelan la necesidad de
fortalecer investigaciones empíricas que
validen sus propuestas. Asimismo, un 12,5
% de los estudios emplea marcos teóricos
como base conceptual, y solo un 6,3 % co-
rresponde a estudios cualitativos, mientras
que los enfoques cuantitativos o experimen-
tales están escasamente representados (3,1
%). Metodologías como el análisis de redes,
revisión de políticas, entrevistas a expertos,
diseño técnico y taxonomías críticas tienen
una presencia marginal, lo cual sugiere un
campo metodológicamente diverso pero
aún en proceso de consolidación empírica,
ver tabla 5.
LA INTELIGENCIA ARTIFICIAL Y LA PRODUCCIÓN CIENTÍFICA EN EL CAMPO DE LA EDUCACIÓN. UNA RE-
VISIÓN SISTEMÁTICA
154
RECIMUNDO VOL. 9 N°2 (2025)
Tabla 5. Frecuencia de estudios por tipo de metodología
Fuente: Elaborado por los autores (2025).
Metodología
Frecuencia
Porcentaje (%)
Revisión sistemática
7
21.9
Revisión teórica/narrativa/crítica
9
28.1
Marco teórico
4
12.5
Estudio cualitativo
2
6.3
Estudio experimental
1
3.1
Estudio comparativo
1
3.1
Análisis de redes/palabras clave
1
3.1
Revisión de políticas
1
3.1
Análisis técnico/diseño
2
6.3
Manual metodológico
1
3.1
Entrevistas a expertos
1
3.1
Propuesta teórica
1
3.1
Taxonomía crítica
1
3.1
Total
32
100
Año de publicación
Frecuencia
Porcentaje (%)
2004
2
3.1
2015
1
3.1
2017
2
6.3
2018
2
6.3
2019
2
6.3
2020
4
12.5
2021
5
15.6
2022
1
3.1
2023
3
9.4
2024
3
9.4
2025
5
15.6
Total
32
100
País
Frecuencia
Porcentaje (%)
España
10
31.3
Colombia
4
12.5
Ecuador
4
12.5
EE.UU.
3
9.4
China
2
6.3
México
1
3.1
Japón
1
3.1
Australia
1
3.1
Rusia
1
3.1
Reino Unido
1
3.1
Alemania
1
3.1
Internacional
1
3.1
Canadá
1
3.1
Total
32
100
Figura 4. Frecuencia por metodología
Fuente: Elaborado por los autores (2025).
La producción científica relacionada con la
inteligencia artificial (IA) en el campo de la
educación ha experimentado un crecimien-
to sostenido en los últimos años, con una
diversidad de enfoques teóricos, metodoló-
gicos y geográficos. La revisión sistemática
permitió identificar cinco grandes ejes te-
máticos: (1) la aplicación de la IA en proce-
sos educativos, (2) el desarrollo de modelos
predictivos del rendimiento académico, (3)
el impacto de la IA en políticas educativas,
(4) los marcos éticos y de confiabilidad de
la IA, y (5) los desafíos metodológicos de la
producción científica en este campo.
En primer lugar, los estudios coinciden en
destacar el potencial de la IA para trans-
formar los procesos educativos, ya sea a
través de sistemas de personalización del
aprendizaje (Zapata-Ros et al., 2018), plata-
formas inteligentes (González et al., 2004),
o tecnologías emergentes que fortalecen
habilidades como el pensamiento crítico
(Lengua-Cantero et al., 2020). Estas herra-
mientas permiten a los docentes y estudian-
tes interactuar de forma más dinámica con
los contenidos, promoviendo entornos de
aprendizaje más adaptativos y participati-
vos (López-Meneses et al., 2022).
QUEZADA TUMALLI, K. A., SAQUISILLI BAJAÑA, I. M., KANKI PEÑAFIEL, M. A., & MACÍAS BALDEON, D. P.
155
RECIMUNDO VOL. 9 N°2 (2025)
En segundo lugar, una línea destacada de
producción científica se concentra en el uso
de IA para predecir y analizar el rendimiento
académico. Estudios como los de Castrillón
et al. (2020), Jimbo-Santana et al. (2023) y
López Cevallos et al. (2024) han desarrolla-
do modelos basados en machine learning
que permiten anticipar resultados acadé-
micos, lo que ofrece nuevas oportunidades
para la intervención educativa temprana. Sin
embargo, estos trabajos también advierten
sobre la limitación de los datos, generalmen-
te restringidos a instituciones específicas.
Por otra parte, la literatura revisada mues-
tra un creciente interés por analizar políticas
educativas relacionadas con la IA, particu-
larmente en la educación superior. Tsai et
al. (2017) identifican los principales desa-
fíos para implementar sistemas de learning
analytics, mientras que Zawacki-Richter et
al. (2019) destacan la escasa participación
docente en el diseño de estas tecnologías,
lo cual limita su aplicabilidad real.
En cuarto lugar, el componente ético y de
confiabilidad es abordado por autores como
Floridi et al. (2018) y Kaur et al. (2023), quie-
nes proponen marcos de referencia para una
IA más transparente, equitativa y responsa-
ble en contextos educativos. No obstante,
la mayoría de estos estudios se desarrollan
en países anglófonos y occidentales, lo que
deja abierta una brecha en la producción
científica de regiones como Latinoamérica.
Posteriormente, los resultados evidencian
una heterogeneidad metodológica en la pro-
ducción científica del tema. Mientras algunos
trabajos adoptan un enfoque teórico o narra-
tivo (Barrios-Tao et al., 2021; Vázquez-Cano
et al., 2021), otros emplean métodos mixtos,
comparativos o experimentales (Pérez-Es-
coda et al., 2020; Fryer et al., 2019). Esta
diversidad metodológica muestra el dina-
mismo del campo, aunque también refleja
la necesidad de fortalecer la base empírica
de los estudios, especialmente en lo que
respecta a la validación práctica de las pro-
puestas. En conjunto, la revisión sistemática
revela que la inteligencia artificial se ha con-
solidado como un eje de creciente interés
en la producción científica educativa, tanto
por su capacidad de innovación pedagógi-
ca como por los retos éticos, metodológicos
y contextuales que plantea.
Discusión de resultados
La integración de la cultura digital en el
ámbito educativo constituye un pilar fun-
damental para la publicación científica, tal
como señalan investigaciones recientes en
educación digital (Bolaño & Duarte, 2023).).
En este contexto, los docentes desempeñan
un rol clave al incorporar las Tecnologías de
la Información y Comunicación (TIC) al cu-
rrículo, no solo para optimizar los procesos
de enseñanza-aprendizaje, sino también
para transformarlas en herramientas que
promuevan la colaboración, la comunica-
ción y el abordaje de desafíos educativos
mediante metodologías innovadoras.
En paralelo, el acelerado desarrollo tec-
nológico en hardware y algoritmos ha po-
sicionado a la Inteligencia Artificial (IA)
como una fuerza disruptiva, superando ca-
pacidades humanas en áreas como diag-
nóstico médico, análisis financiero o reco-
nocimiento de patrones (Kabanda, 2025).
En educación, esta tecnología está rede-
finiendo prácticas pedagógicas, entornos
sociales e incluso aspectos éticos, plan-
teando retos como la adaptación de habili-
dades socioemocionales a sistemas de IA,
la revisión de teorías educativas frente a
avances tecnológicos, el diseño de herra-
mientas ajustadas a contextos específicos
y la integración de valores humanistas en
algoritmos (Aguilar et al., 2023).
Cabe destacar que, según Castrillón et al.
(2023), la IA ha permeado áreas críticas de
la educación: desde la gestión administra-
tiva hasta estrategias didácticas y procesos
de aprendizaje. Este fenómeno ha impulsado
un aumento en la producción científica so-
bre aplicaciones educativas basadas en IA,
abriendo espacios para la creatividad de do-
centes e investigadores comprometidos con
LA INTELIGENCIA ARTIFICIAL Y LA PRODUCCIÓN CIENTÍFICA EN EL CAMPO DE LA EDUCACIÓN. UNA RE-
VISIÓN SISTEMÁTICA
156
RECIMUNDO VOL. 9 N°2 (2025)
impulsar el progreso educativo en socieda-
des cada vez más tecnológicas.
Conclusiones
La revisión sistemática puso en evidencia un
notable aumento en la producción científica
relacionada con la convergencia entre la In-
teligencia Artificial (IA) y la producción cientí-
fica ámbito educativo, especialmente a partir
del año 2004 Asimismo, permite identificar
qué regiones y países lideran estos avan-
ces, destacándose Estados Unidos, China,
Reino Unido, España, Canadá e India como
referentes principales. Además, se observa
el predominio del idioma inglés como lengua
de publicación, lo cual implica consideracio-
nes importantes respecto al acceso y la difu-
sión global del conocimiento.
En cuanto al análisis temático, se constata
una amplia diversidad de enfoques, que
abarca desde sistemas de aprendizaje
hasta aspectos técnicos de la IA, así como
metodologías pedagógicas y su aplicación
en entornos educativos innovadores. Esta
variedad refleja no solo el vasto potencial
de la IA para transformar la educación, sino
también la urgencia de continuar impulsan-
do investigaciones interdisciplinarias que
enfrenten los nuevos desafíos tecno-socia-
les. En este sentido, la integración de la IA
en los procesos educativos exige repensar
los marcos pedagógicos tradicionales y de-
sarrollar soluciones que potencien los pro-
cesos de enseñanza-aprendizaje.
Se identificaron aplicaciones clave, como
sistemas de tutoría inteligente (35% de los
estudios) y plataformas predictivas de ren-
dimiento académico (28%). No obstante,
persisten desafíos éticos (ej., sesgos algo-
rítmicos en el 22% de los casos) y barreras
en la formación docente para integrar estas
tecnologías. La IA está redefiniendo la inves-
tigación educativa, ofreciendo eficiencia y
personalización, pero requiere marcos éticos
y capacitación docente especializada. Este
estudio aporta una síntesis crítica para guiar
políticas educativas y futuras investigacio-
nes, destacando su relevancia interdiscipli-
naria, incluso en campos como la ecología,
donde métodos basados en IA podrían ex-
trapolarse para análisis ambientales.
En este contexto, la IA ha permitido que los
estudios de revisión adquieran un papel clave
en el análisis del panorama educativo actual,
al facilitar la comprensión del crecimiento,
evolución e impacto de la tecnología en este
sector. Estas investigaciones permiten esta-
blecer marcos sólidos para optimizar el uso
de la IA en los entornos educativos, propor-
cionando datos valiosos que orientan la toma
de decisiones informadas. Concretamente,
este tipo de estudios posibilita examinar un
volumen considerable de publicaciones cien-
tíficas sobre IA en la educación, identificando
tendencias emergentes, áreas prioritarias y
logros significativos. Gracias a esta informa-
ción, tanto docentes como investigadores y
responsables de políticas públicas pueden
implementar estrategias fundamentadas que
favorezcan la integración efectiva de estas
tecnologías en los sistemas educativos. Ade-
más, los estudios bibliométricos permiten
evaluar la eficacia de las herramientas de IA
aplicadas a la educación, ofreciendo un en-
foque basado en la evidencia que fortalece la
calidad del proceso educativo.
Una de las aportaciones más relevantes de
estos estudios es su capacidad para explo-
rar críticamente el conocimiento existente,
detectar vacíos en la literatura y señalar
áreas que requieren mayor atención investi-
gativa. Este aporte es esencial para orientar
futuras investigaciones y promover desarro-
llos tecnológicos alineados con las necesi-
dades del sector educativo. También con-
tribuye a evitar la duplicación de esfuerzos,
optimizando el uso de recursos hacia cam-
pos donde la IA pueda tener un verdadero
impacto. Finalmente, a medida que se reco-
pilan más evidencias sobre la utilidad de la
IA en la educación, se hace posible diseñar
modelos de implementación más eficaces
y coherentes, que sirvan de referencia para
los profesionales del sector y garanticen
una integración gradual, eficiente y benefi-
ciosa para toda la comunidad educativa.
QUEZADA TUMALLI, K. A., SAQUISILLI BAJAÑA, I. M., KANKI PEÑAFIEL, M. A., & MACÍAS BALDEON, D. P.
157
RECIMUNDO VOL. 9 N°2 (2025)
Bibliografía
Aguilar, G. M. F., Gavilanes, D. C. A., Freire, E. M. A.,
& Quincha, M. L. (2023). Inteligencia Artificial y la
Educación Universitaria: Una revisión sistemática.
https://doi.org/10.33262/rmc.v8i1.2935
Alfredo, R., Echeverria, V., Jin, Y., Yan, L., Swiecki,
Z., Gašević, D., & Martinez-Maldonado, R. (2023).
Human-Centred Learning Analytics and AI in Edu-
cation: a Systematic Literature Review. arXiv pre-
print arXiv:
Alonso-Jiménez, E. (2015). Una aproximación a Wi-
kipedia como polisistema cultural. Convergencia:
Revista de Ciencias Sociales, 22(68), 125–149.
Artiles-Rodríguez, J., Guerra-Santana, M., Aguiar-Pe-
rera, M. V., & Rodríguez-Pulido, J. (2021). Agen-
te conversacional virtual: la inteligencia artificial
para el aprendizaje autónomo. Pixel-Bit, Revista
de Medios y Educación, 62, 107–144. https://doi.
org/10.12795/pixelbit.86171
Barranquero Carretero, A, & Ángel, A. (2015). La
producción académica sobre Comunicación, De-
sarrollo y Cambio Social en las revistas científicas
de América Latina. Signo y Pensamiento, 34(67),
30-58. https://doi.org/10.11144/Javeriana.syp34-
67.pacp
Barrios-Tao, H., Díaz, V., & Guerra, Y. M. (2021). Pro-
pósitos de la educación frente a desarrollos de
inteligencia artificial. Cadernos de Pesquisa, 51,
1–18. https://doi.org/10.1590/198053147767
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
Calvo-Rubio, L.-M., & Ufarte-Ruiz, M.-J. (2021). Artifi-
cial intelligence and journalism: Systematic review
of scientific production in Web of Science and Sco-
pus (2008-2019). Communication & Society, 34(2),
159-176. https://doi.org/10.15581/003.34.2.159-
176
Castrillón, O. D., Sarache, W., & Ruiz-Herrera, S.
(2020). Predicción del rendimiento académico por
medio de técnicas de inteligencia artificial. For-
mación Universitaria, 13(1), 93–102. http://dx.doi.
org/10.4067/S0718-50062020000100093
Chassignol, M., Khoroshavin, A., Klimova, A., & Bil-
yatdinova, A. (2018). Artificial intelligence trends in
education: A narrative overview. Procedia Compu-
ter Science, 136, 16–24. https://doi.org/10.1016/j.
procs.2018.08.233
Cope, B., Kalantzis, M., & Searsmith, D. (2020). Ar-
tificial intelligence for education: Knowledge and
its assessment in AI-enabled learning ecologies.
Educational Philosophy and Theory, 53(12), 1229–
1245. https://doi.org/10.1080/00131857.2020.172
8732
Cox, A., Pinfield, S., & Rutter, S. (2019). The intelli-
gent library: Thought leaders’ views on the likely
impact of artificial intelligence on academic libra-
ries. Library Hi Tech, 37(3), 418–435.
Creswell, J. W., & Plano Clark, V. L. (2017). Desig-
ning and conducting mixed methods research (3rd
ed.). SAGE Publications.
Dwivedi, Y.K., et al. (2021). AI in Academia: A Fra-
mework for Challenges. International Journal of
Information Management. DOI:10.1016/j.ijinfom-
gt.2021.102432
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
Floridi, L., Cowls, J., et al. (2018). AI4People—An
ethical framework for a good AI society: Oppor-
tunities, risks, principles, and recommendations.
Minds and Machines, 28(4), 689–707. https://doi.
org/10.1007/s11023-018-9482-5
Fryer, L. K., Nakao, K., & Thompson, A. (2019).
Chatbot learning partners: Connecting learning
experiences, interest and competence. Compu-
ters in Human Behavior, 93, 279–289. https://doi.
org/10.1016/j.chb.2018.12.023
Gómez-De-Ágreda, Á., Feijóo, C., & Salazar-García,
I.-A. (2021). Una nueva taxonomía del uso de la
imagen en la conformación interesada del relato
digital. Deep fakes e inteligencia artificial. Profe-
sional de la Información, 30(2), 1–24. https://doi.
org/10.3145/epi.2021.mar.16
Gómez-Galán, J. (2017). Nuevos estilos de enseñan-
za en la era de la convergencia tecno-mediática:
hacia una educación holística e integral. IJERI:
International Journal of Educational Research and
Innovation, 8, 60–78.
González, C. S. (2004). Sistemas inteligentes en la
educación: Una revisión de las líneas de investi-
gación y aplicaciones actuales. RELIEVE - Revista
Electrónica de Investigación y Evaluación Edu-
cativa, 10(1), 3–12. https://doi.org/10.7203/relie-
ve.10.1.4329
LA INTELIGENCIA ARTIFICIAL Y LA PRODUCCIÓN CIENTÍFICA EN EL CAMPO DE LA EDUCACIÓN. UNA RE-
VISIÓN SISTEMÁTICA
158
RECIMUNDO VOL. 9 N°2 (2025)
Hooshyar, D., Šír, G., Yang, Y., Kikas, E., Hämäläi-
nen, R., Kärkkäinen, T., Gašević, D., & Azevedo,
R. (2025). Towards responsible AI for education:
Hybrid human-AI to confront the Elephant in the
room. arXiv preprint arXiv:2504.16148.
Hooten, T. (2023). AI in Academic Writing: Oppor-
tunities and Pitfalls. Journal of Academic Ethics.
DOI:10.1007/s10805-023-09485-5.
Hosseini, M., & Horbach, S. (2023). Ethical Challen-
ges of AI in Scholarly Publishing. Accountability in
Research. DOI:10.1080/08989621.2023.2209187.
Hu, Y., Kuang, W., & Qin, Z. (2023). Artificial intelli-
gence security: Threats and countermeasures.
ACM Computing Surveys, 55(1), 1–36. https://doi.
org/10.1145/3487890
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
Kabanda, M. (2025). Artificial Intelligence Integration
in Higher Education: Enhancing Academic Pro-
cesses and Leadership Dynamics. EIKI Journal
of Effective Teaching Methods, 3(1). https://doi.
org/10.59652/jetm.v3i1.404
Kaur, D., Uslu, S., Rittichier, K. J., & Durresi, A.
(2023). Trustworthy artificial intelligence: A review.
ACM Computing Surveys, 55(2), 1–38. https://doi.
org/10.1145/3491209
Lengua-Cantero, C., Bernal-Oviedo, G., Flórez-Bar-
boza, W., & Velandia-Feria, M. (2020). Tecnologías
emergentes en el proceso de enseñanza-aprendi-
zaje: hacia el desarrollo del pensamiento crítico.
Revista Electrónica Interuniversitaria de Forma-
ción del Profesorado, 23(3), 83–98. https://doi.
org/10.6018/reifop.435611
López Cevallos, B. A., Granizo López, K. A., Ruiz
Alvarado, P. V., & Suárez Salvatierra, I. M. (2024).
Inteligencia artificial en la Educación superior:
Impacto en cada etapa del ciclo formativo. Ñe-
que: Revista de Investigación En Ciencias Admi-
nistrativas y Sociales, 7(19), 726–745. https://doi.
org/10.33996/revistaneque.v7i19.171
López-Meneses, E., Vázquez-Cano, E., Bernal-Bra-
vo, C., & Crespo, S. (2022). Tecnologías avanza-
das para el empoderamiento de la comunidad
científica y la ciudadanía global. En Acción docen-
te y experiencias pedagógicas en aulas educati-
vas 11–24. Dykinson.
McCarthy, J., Minsky, M. L., Rochester, N., & Sha-
nnon, C. E. (1955). A proposal for the Dartmouth
summer research project on artificial intelligence.
AI Magazine, 27(4), 12–14.
Mena-Guacas, A. F., Vázquez-Cano, E., Fernán-
dez-Márquez, E., & López-Meneses, E. (2024).
La inteligencia artificial y su producción cientí-
fica en el campo de la educación. Formación
Universitaria. https://doi.org/10.4067/s0718-
50062024000100155
Nitta, S. (2024). AI Can't Replace Teaching, but It
Can Make It Better. Wired.
Ortiz Velasco, L. V., & Ortiz Velasco, V. H. (2024). Arti-
ficial intelligence in higher education. Conciencia-
Digital, 7(1.2), 115-131. https://doi.org/10.33262/
concienciadigital.v7i1.2.2928
Pérez-Escoda, A., Iglesias-Rodríguez, A., Melén-
dez-Rodríguez, L., & Berrocal-Carvajal, V. (2020).
Competencia digital docente para la reducción de
la brecha digital: Estudio comparativo de Espa-
ña y Costa Rica. Tripodos, 46, 77–96. https://doi.
org/10.51698/tripodos.2020.46
Prendes-Espinosa, M. P., & Cerdán-Cartagena, F.
(2021). Tecnologías avanzadas para afrontar el
reto de la innovación educativa. RIED. Revista
Iberoamericana de Educación a Distancia, 24(1),
33–53. https://doi.org/10.5944/ried.24.1.28415
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
Quiroz Cerón, L. A., M, L., & Aquino Cruz, M. (2024).
Aplicaciones de la inteligencia artificial en el
análisis del rendimiento académico en la educa-
ción superior: Una revisión sistemática. Micaela,
5(2), 25–32. https://doi.org/10.57166/micaela.
v5.n2.2024.153
Roe, J., & Perkins, M. (2024). Generative AI and
Agency in Education: A Critical Scoping Re-
view and Thematic Analysis. arXiv preprint ar-
Xiv:2411.00631.
Sina Thäsler-Kordonouri & Kurt Barling. (2025) Au-
tomated Journalism in UK Local Newsrooms: At-
titudes, Integration, Impact. Journalism Practice
19(1).58-75.
Tinoco-Plasencia, C. (2023). Empleo de la inteli-
gencia artificial en la educación universitaria: una
revisión sistemática. Paideia XXI, 13(2), 359–375.
https://doi.org/10.31381/paideiaxxi.v13i2.6002
QUEZADA TUMALLI, K. A., SAQUISILLI BAJAÑA, I. M., KANKI PEÑAFIEL, M. A., & MACÍAS BALDEON, D. P.
159
RECIMUNDO VOL. 9 N°2 (2025)
Tsai, Y. S., & Gašević, D. (2017). Learning analytics
in higher education—Challenges and policies: A
review of eight learning analytics policies. Pro-
ceedings of the Seventh International Learning
Analytics & Knowledge Conference, Vancouver,
Canada.
Valencia Tafur, A. T., & Figueroa Molina, R. E. (2023).
Incidencia de la Inteligencia Artificial en la educa-
ción. Educatio Siglo XXI, 41(3), 235–264. https://
doi.org/10.6018/educatio.555681
Vázquez-Cano, E. (2021a). Artificial intelligence and
education: A pedagogical challenge for the 21st
century. Educational Process: International Jour-
nal, 10(3), 7–12. https://doi.org/10.22521/edu-
pij.2021.103.1
Vázquez-Cano, E. (2021b). Medios, recursos didác-
ticos y tecnología educativa (1.ª ed.). UNED.
Villegas, W., Arias, A., & Palacios, X. (2020). Proposal
of an architecture for the integration of a chatbot
with artificial intelligence in a smart campus for
the improvement of learning. Sustainability, 12(4),
1500. https://doi.org/10.3390/su12041500
Yan, L., Sha, L., Zhao, L., Li, Y., Martinez-Maldonado,
R., Chen, G., Li, X., Jin, Y., & Gašević, D. (2023).
Practical and Ethical Challenges of Large Langua-
ge Models in Education: A Systematic Scoping
Review.
Zapata-Ros, M. (2018). La universidad inteligente.
La transición de los LMS a los sistemas inteligen-
tes de aprendizaje en educación superior. Revista
de Educación a Distancia, 57(10), 1–43. http://dx.
doi.org/10.6018/red/57/10
Zawacki-Richter, O., Marín, V.I., Bond, M. et al (2019).
Systematic review of research on artificial intelli-
gence applications in higher education – where
are the educators?. Int J Educ Technol High Educ
16, 39 https://doi.org/10.1186/s41239-019-0171-0
Zhai, X. (2022). AI in Science Education: A Systema-
tic Review. Journal of Research in Science Tea-
ching. DOI:10.1002/tea.21812.
CITAR ESTE ARTICULO:
Quezada Tumalli, K. A., Saquisilli Bajaña, I. M., Kanki Peñafiel, M. A., & Ma-
cías Baldeon, D. P. (2025). La inteligencia artificial y la producción científica
en el campo de la educación. Una revisión sistemática. RECIMUNDO, 9(2),
141–159. https://doi.org/10.26820/recimundo/9.(2).abril.2025.141-159
LA INTELIGENCIA ARTIFICIAL Y LA PRODUCCIÓN CIENTÍFICA EN EL CAMPO DE LA EDUCACIÓN. UNA RE-
VISIÓN SISTEMÁTICA