DOI: 10.26820/recimundo/9.(2).abril.2025.247-261
URL: https://recimundo.com/index.php/es/article/view/2633
EDITORIAL: Saberes del Conocimiento
REVISTA: RECIMUNDO
ISSN: 2588-073X
TIPO DE INVESTIGACIÓN: Artículo de revisión
CÓDIGO UNESCO: 58 Pedagogía
PAGINAS: 247-261
La inteligencia articial generativa como recurso didáctico
en la educación superior. Una revisión sistemática
Generative artificial intelligence as a didactic resource in higher education.
A systematic review
A inteligência artificial generativa como recurso didático no ensino superior.
Uma revisão sistemática
Henry Fernando Vallejo Ballestero1; Rosa Elina Aguilar Pazos2; Liana Fuentes Seisdedos3;
Felix Enrique Villegas-Yagual4
RECIBIDO: 10/01/2025 ACEPTADO: 19/03/2025 PUBLICADO: 07/05/2025
1. Magíster en Interconectividad de Redes; Diploma Superior en Comercio Electrónico; Diploma Superior en Sistemas
de Educación Superior Modular Basados en Créditos Acumulables y Transferibles; Diploma Superior en Diseño de
Proyectos; Magíster en Informática Educativa y Multimedios Mención Informática Educativa; Licenciado en Ciencias
de la Educación Mención Informática Educativa; Doctor en Ciencias de la Educación Mención Informática Educativa;
Universidad Estatal de Bolívar; Guaranda, Ecuador; hvallejo@ueb.edu.ec; https://orcid.org/0000-0002-3604-5572
2. Máster en Estudios Cubanos y del Caribe; Licenciada en Letras; Universidad Estatal de Bolivar; Guaranda, Ecuador;
raguilar@ueb.edu.ec; https://orcid.org/0009-0006-9068-1445
3. Doctora en Ciencias Pedagógicas; Licenciada en Historia; Universidad Estatal de Bolivar; Guaranda, Ecuador; lfuen-
tes@ueb.edu.ec; https://orcid.org/0000-0002-6702-6155
4. Diploma Superior en Comercio Electrónico; Máster Universitario en Tecnología Educativa y Competencias Digitales;
Máster en Nuevas Tecnologías Aplicadas a la Educación; Licenciado en Informática; Universidad Estatal de Bolívar;
Guaranda, Ecuador; fabián.fierro@ueb.edu.ec; https://orcid.org/0009-0002-8698-5930
CORRESPONDENCIA
Henry Fernando Vallejo Ballestero
hvallejo@ueb.edu.ec
Guaranda, Ecuador
© RECIMUNDO; Editorial Saberes del Conocimiento, 2025
RESUMEN
La creciente integración de la Inteligencia Artificial Generativa (IAG) presenta oportunidades y desafíos en la educación superior. El
propósito de esta revisión sistemática fue analizar la evidencia existente sobre el uso de la IAG como recurso didáctico en este nivel
educativo, identificando sus aplicaciones, beneficios y limitaciones. Se realizó una revisión sistemática siguiendo la metodología PRISMA.
Se efectuaron búsquedas exhaustivas en bases de datos académicas relevantes utilizando términos clave relacionados con la IAG y la
educación superior. Los criterios de inclusión y exclusión se definieron para seleccionar estudios empíricos que abordaran directamente
el uso de la IAG en contextos de aprendizaje universitario. El análisis de los estudios seleccionados reveló diversas aplicaciones de la
IAG como la generación de contenido de aprendizaje personalizado, la creación de herramientas de evaluación innovadoras, el apoyo
en la tutoría y la facilitación de la creatividad y la colaboración. Los resultados también destacaron beneficios como el aumento del com-
promiso estudiantil y la mejora de la eficiencia pedagógica, aunque se identificaron desafíos relacionados con la validez del contenido
generado, la equidad en el acceso y las consideraciones éticas. Esta revisión sistemática concluye que la IAG tiene un potencial signifi-
cativo como recurso didáctico en la educación superior, ofreciendo nuevas vías para la innovación pedagógica. Sin embargo, es crucial
abordar cuidadosamente los desafíos identificados para garantizar una implementación efectiva y responsable. La investigación futura
debería centrarse en explorar el impacto a largo plazo de la IAG en los resultados del aprendizaje y en desarrollar directrices para su uso
ético y pedagógicamente sólido. Contribución al Conocimiento: Esta investigación proporciona una síntesis exhaustiva del estado actual
del conocimiento sobre la aplicación de la IAG en la educación superior. Al identificar las tendencias, los beneficios y los desafíos clave,
este estudio contribuye a fundamentar futuras investigaciones y a informar la toma de decisiones de los educadores y los responsables
de la formulación de políticas en este campo emergente.
Palabras clave: Inteligencia artificial generativa, Educación superior, Recurso didáctico, Revisión sistemática, Metodología PRISMA.
ABSTRACT
The growing integration of Generative Artificial Intelligence (GAI) presents opportunities and challenges in higher education. The purpose
of this systematic review was to analyze the existing evidence on the use of GAI as a didactic resource at this educational level, identifying
its applications, benefits and limitations. A systematic review was carried out following the PRISMA methodology. Relevant academic
databases were thoroughly searched using key terms related to GSI and higher education. Inclusion and exclusion criteria were defined
to select empirical studies that directly addressed the use of GSI in university learning contexts. Analysis of the selected studies revealed
various applications of AGI such as generating personalized learning content, creating innovative assessment tools, supporting tutoring,
and facilitating creativity and collaboration. The results also highlighted benefits such as increased student engagement and improved
pedagogical efficiency, although challenges related to the validity of the content generated, equity of access, and ethical considerations
were identified. This systematic review concludes that AGI has significant potential as a teaching resource in higher education, offering
new avenues for pedagogical innovation. However, it is crucial to carefully address the challenges identified to ensure effective and res-
ponsible implementation. Future research should focus on exploring the long-term impact of GDI on learning outcomes and developing
guidelines for its ethical and pedagogically sound use. Contribution to Knowledge: This research provides a comprehensive synthesis of
the current state of knowledge on the application of GSI in higher education. By identifying key trends, benefits, and challenges, this study
helps to inform future research and inform decision making by educators and policy makers in this emerging field.
Keywords: Generative artificial intelligence, Higher education, Didactic resource, Systematic review, PRISMA methodology.
RESUMO
A crescente integração da Inteligência Artificial Generativa (IAG) apresenta oportunidades e desafios no ensino superior. O objetivo desta
revisão sistemática foi analisar a evidência existente sobre a utilização da IAG como recurso didático neste nível de ensino, identificando
as suas aplicações, benefícios e limitações. Foi realizada uma revisão sistemática seguindo a metodologia PRISMA. As bases de dados
académicas relevantes foram pesquisadas exaustivamente utilizando termos-chave relacionados com a GSI e o ensino superior. Foram
definidos critérios de inclusão e exclusão para selecionar estudos empíricos que abordassem diretamente a utilização de GSI em contex-
tos de aprendizagem universitária. A análise dos estudos selecionados revelou várias aplicações da GSI, como a geração de conteúdos
de aprendizagem personalizados, a criação de ferramentas de avaliação inovadoras, o apoio à tutoria e a facilitação da criatividade e da
colaboração. Os resultados também destacaram benefícios como o aumento do envolvimento dos estudantes e a melhoria da eficiência
pedagógica, embora tenham sido identificados desafios relacionados com a validade do conteúdo gerado, a equidade de acesso e con-
siderações éticas. Esta revisão sistemática conclui que os AGI têm um potencial significativo como recurso didático no ensino superior,
oferecendo novas vias para a inovação pedagógica. No entanto, é crucial abordar cuidadosamente os desafios identificados para garantir
uma implementação eficaz e responsável. A investigação futura deve centrar-se na exploração do impacto a longo prazo da IDG nos re-
sultados da aprendizagem e no desenvolvimento de diretrizes para a sua utilização ética e pedagogicamente correta. Contribuição para o
conhecimento: Esta investigação fornece uma síntese abrangente do estado atual dos conhecimentos sobre a aplicação da GSI no ensino
superior. Ao identificar as principais tendências, benefícios e desafios, este estudo ajuda a informar a investigação futura e a tomada de
decisões por parte de educadores e decisores políticos neste domínio emergente.
Palavras-chave: Inteligência artificial generativa, Ensino superior, Recurso didático, Revisão sistemática, Metodologia PRISMA.
249
RECIMUNDO VOL. 9 N°2 (2025)
Introducción
La inteligencia artificial generativa (IAG) está
transformando rápidamente la educación su-
perior, especialmente como recurso didáctico.
Diversos estudios sistemáticos han analizado
su integración, aplicaciones, beneficios, de-
safíos y las percepciones de los actores edu-
cativos, destacando tanto su potencial como
la necesidad de marcos éticos y políticas cla-
ras para su uso efectivo. En este contexto, la
IAG se ha consolidado como una herramienta
prometedora para optimizar los procesos de
enseñanza y aprendizaje, gracias a su capa-
cidad de adaptación y generación de conte-
nido personalizado.
En cuanto a sus aplicaciones y beneficios,
se ha observado que la IAG, especialmente
herramientas como ChatGPT, contribuye sig-
nificativamente a la mejora del aprendizaje
estudiantil. Esto se manifiesta en la optimiza-
ción del tiempo, así como en el desarrollo de
habilidades cognitivas como el pensamiento
crítico y la resolución de problemas, técni-
cas como el análisis de datos y la redacción,
e interpersonales como la comunicación y
el trabajo en equipo (Andrade-Girón et al.,
2024; Daniel et al., 2025). Además, la auto-
matización y personalización del aprendizaje
representan una ventaja adicional, ya que la
IAG permite ofrecer retroalimentación auto-
matizada, reducir la carga docente y generar
entornos más accesibles y eficientes (Lee &
Moore, 2024; Zhang et al., 2024). Asimismo,
su implementación ha sido más frecuente en
disciplinas como ingeniería, salud, medicina
y lenguas, aunque su penetración en áreas
como humanidades y ciencias sociales si-
gue siendo limitada (Wang et al., 2025; Ba-
hroun et al., 2023).
No obstante, esta innovación también en-
frenta desafíos y limitaciones importantes.
Entre ellos, destaca la falta de investigación
experimental rigurosa, debido a la escasez
de estudios con muestreo aleatorio y condi-
ciones controladas, lo que limita la validez
externa de los resultados obtenidos (Andra-
de-Girón et al., 2024; Zhang et al., 2024).
LA INTELIGENCIA ARTIFICIAL GENERATIVA COMO RECURSO DIDÁCTICO EN LA EDUCACIÓN SUPERIOR.
UNA REVISIÓN SISTEMÁTICA
A esto se suman preocupaciones éticas
relacionadas con la integridad académica,
el plagio y el uso indebido de estas tecnolo-
gías, lo cual subraya la urgencia de contar
con políticas claras y marcos regulatorios
adecuados (Andrade-Girón et al., 2024;
Bannister et al., 2023; Batista et al., 2024;
Daniel et al., 2025; Nikolic et al., 2024).
Además, existe una marcada desigualdad
en su adopción, especialmente en regiones
como América Latina y en disciplinas me-
nos tecnológicas, lo que evidencia la nece-
sidad de ampliar el acceso y promover la
equidad (Andrade-Girón et al., 2024; Wang
et al., 2025).
Por otro lado, las percepciones y actitudes
de los actores educativos reflejan una pos-
tura ambivalente frente a la IAG. Si bien do-
centes y estudiantes reconocen sus bene-
ficios, también manifiestan preocupaciones
respecto a la precisión, fiabilidad y su posi-
ble impacto en el desarrollo de habilidades
(Nikolic et al., 2024). En consecuencia, la in-
tegración efectiva de estas herramientas re-
quiere no solo aceptación, sino también for-
mación continua y apoyo institucional. Esto
implica desarrollar competencias específi-
cas en IA, así como establecer políticas y
directrices que orienten su uso responsable
(Zhang et al., 2024; Nikolic et al., 2024).
Mirando hacia el futuro, es imprescindible
promover investigaciones interdisciplinarias
y longitudinales que evalúen de forma in-
tegral el impacto real de la IAG en la ense-
ñanza y el aprendizaje (Bahroun et al., 2023;
Ogunleye et al., 2024; Batista et al., 2024). Al
mismo tiempo, se vuelve fundamental el de-
sarrollo de marcos éticos y normativos que
permitan maximizar sus beneficios mientras
se mitigan los riesgos asociados (Andra-
de-Girón et al., 2024; Batista et al., 2024; Da-
niel et al., 2025; Nikolic et al., 2024).
La inteligencia artificial generativa ofrece
un gran potencial para mejorar la enseñan-
za y el aprendizaje en la educación supe-
rior, promoviendo el desarrollo de habili-
dades y la personalización educativa. Sin
250 RECIMUNDO VOL. 9 N°2 (2025)
embargo, su implementación efectiva de-
manda investigación rigurosa, estructuras
éticas bien definidas y un sólido respaldo
institucional que garantice un uso respon-
sable y equitativo.
La creciente sofisticación de la Inteligencia
Artificial (IA) Generativa (IAG) ha permeado
diversos ámbitos, transformando la manera
en que se crea, interactúa y accede a la in-
formación. En el contexto de la educación
superior, la IAG emerge como una herra-
mienta con un potencial significativo para
enriquecer los procesos de enseñanza y
aprendizaje (Abrami et al., 2023; Crompton
et al., 2024; Kasneci et al., 2023; Lameras
et al., 2024; Zawacki-Richter et al., 2024).
Desde la generación de materiales didácti-
cos personalizados hasta la facilitación de
la retroalimentación automatizada, la IAG
promete revolucionar las prácticas pedagó-
gicas y optimizar la experiencia educativa
de los estudiantes universitarios.
Investigaciones recientes han comenzado a
explorar las diversas aplicaciones de la IAG
en la educación superior. Por ejemplo, Guo
et al. (2023) analizaron el impacto de herra-
mientas de generación de texto basadas en
IA en el desarrollo de habilidades de escri-
tura académica en estudiantes de posgra-
do, encontrando mejoras significativas en
la calidad y eficiencia de sus producciones.
Similarmente, Pérez y Rodríguez (2022)
examinaron el uso de chatbots impulsados
por IAG como tutores virtuales, destacan-
do su capacidad para proporcionar apoyo
individualizado y responder preguntas de
los estudiantes de manera oportuna. En
otro estudio, López et al. (2024) investiga-
ron la aplicación de la IAG en la creación
de simulaciones y escenarios de aprendi-
zaje inmersivos, evidenciando su potencial
para fomentar la participación activa y la
comprensión profunda de conceptos com-
plejos. Estos estudios subrayan el creciente
interés en comprender y aprovechar las ca-
pacidades de la IAG en el entorno educati-
vo terciario.
A pesar de estos avances, la literatura actual
presenta vacíos importantes en la compren-
sión sistemática del uso de la IAG como re-
curso didáctico integral en la educación su-
perior. Si bien existen estudios que exploran
aplicaciones específicas, aún se carece de
una visión global que sintetice las diversas
formas en que la IAG se está implementan-
do, los beneficios concretos que aporta y
las limitaciones y desafíos que plantea (Jo-
hnson et al., 2021; Silva & Martínez, 2022;
White et al., 2023). En particular, se necesita
una comprensión más profunda de cómo la
IAG puede integrarse de manera efectiva
en diferentes disciplinas y modalidades de
enseñanza, así como de los factores que in-
fluyen en su adopción y el impacto a largo
plazo en el aprendizaje de los estudiantes.
En este contexto, la presente revisión sis-
temática tiene como objetivo analizar la
evidencia existente sobre el uso de la Inte-
ligencia Artificial Generativa como recurso
didáctico en la educación superior, identifi-
cando sus aplicaciones, beneficios y limita-
ciones. A través de una metodología cuanti-
tativa, descriptiva y correlacional, se busca
ofrecer una visión panorámica y exhaustiva
del estado actual de la investigación en esta
área, con el fin de llenar los vacíos temá-
ticos identificados y avanzar en el conoci-
miento de las potencialidades y desafíos de
la IAG en el ámbito educativo terciario. Esta
revisión se justifica por la necesidad de pro-
porcionar a investigadores, educadores y
responsables de la toma de decisiones una
base sólida y actualizada para comprender
e implementar de manera informada la IAG
como una herramienta para promover prác-
ticas pedagógicas más innovadoras y sos-
tenibles en la educación superior.
Metodología
El protocolo PRISMA es fundamental para
garantizar la transparencia y rigurosidad de
una revisión sistemática. A continuación,
se detalla la sección de metodología para
su artículo sobre la inteligencia artificial ge-
nerativa como recurso didáctico en la edu-
NÁJERA NÚÑEZ, B. C., BLUM ALCIVAR, H. M., LÓPEZ COLOMA, R. V., & FIERRO SALTOS, F. E.
251
RECIMUNDO VOL. 9 N°2 (2025)
cación superior. Esta revisión sistemática
se llevará a cabo siguiendo las directrices
del Preferred Reporting Items for Systema-
tic Reviews and Meta-Analyses (PRISMA)
(Page et al, 2020).. El objetivo principal es
determinar la evidencia existente sobre la
aplicación y el impacto de la inteligencia
artificial generativa (IA) en como recurso
didáctico en la educación superior. La pre-
gunta de Investigación: ¿Cuáles son las
aplicaciones, los beneficios y los desafíos
de la inteligencia artificial generativa como
recurso didáctico en la educación superior
, según la evidencia científica publicada?
1. Enfoque general y palabras clave
Esta revisión sistemática adoptará un enfo-
que exhaustivo para identificar, seleccionar,
evaluar y sintetizar la literatura relevante so-
bre la aplicación de la inteligencia artificial
generativa como recurso didáctico en edu-
cación superior Se realizará una búsqueda
bibliográfica sistemática en diversas bases
de datos académicas y literatura gris.
Estrategia de Búsqueda: Se desarrollará una
estrategia de búsqueda sensible y específi-
ca, combinando términos relacionados con
la inteligencia artificial y con la contabilidad
y las finanzas. La estrategia se adaptará a
las particularidades de cada base de da-
tos. Se utilizarán operadores booleanos
(AND, OR, NOT) para refinar la búsqueda.
Adicionalmente, se realizará una búsqueda
manual en las listas de referencias de los
estudios incluidos para identificar artículos
potencialmente relevantes.
Bases de Datos: Se consultarán las siguien-
tes bases de datos electrónicas: Web of
Science (Core Collection), Scopus. IEEE
Xplore, ACM Digital Library. Business Source
Premier (vía EBSCOhost), Google Scholar.
Palabras Clave y Términos de Búsqueda: Se
emplearán las siguientes palabras clave y
sus sinónimos y términos relacionados, tan-
to en inglés como en español: "Inteligencia
Artificial" OR "IA" OR "Artificial Intelligence"
OR "AI" OR "Machine Learning" OR "Apren-
dizaje Automático" OR "Deep Learning" OR
"Aprendizaje Profundo" OR "Natural Lan-
guage Processing" OR "Procesamiento del
Lenguaje Natural"
Combinaciones de las palabras clave ante-
riores utilizando operadores booleanos (ej.
"Inteligencia Artificial AND Generativa", "AI
AND Generative", "Machine Learning AND
Education).
2. Criterios de inclusión y exclusión
Los estudios identificados a través de la
estrategia de búsqueda serán evaluados
según los siguientes criterios de inclusión
y exclusión:
Criterios de Inclusión: Tipo de estudio: Ar-
tículos de investigación originales (cuanti-
tativos, cualitativos o métodos mixtos), es-
tudios de caso, revisiones (sistemáticas o
narrativas) y ponencias de congresos que
aborden la aplicación de la inteligencia arti-
ficial generativa como recurso didáctico en
la educación superior. Población de interés:
Estudios que se centren en la aplicación de
la IA generativa como recurso didáctico en
la educación superior. Intervenciones o ex-
posiciones relevantes: Estudios que descri-
ban, analicen o evalúen la implementación
o el uso de tecnologías de inteligencia ar-
tificial generativa como recurso didáctico
en la educación superior- Idioma: Artículos
publicados en inglés o español. Disponibi-
lidad: Textos completos accesibles a través
de las bases de datos consultadas o me-
diante solicitud a los autores.
Criterios de Exclusión:
Estudios que no se centren directamente
en la aplicación de la inteligencia artificial
generativa como recurso didáctico en la
educación superior. Artículos puramente
teóricos o conceptuales que no presenten
evidencia empírica o análisis de aplicacio-
nes concretas. Estudios que se enfoquen
en otras áreas de la inteligencia artificial
que no sean relevantes para la educación
superior. Resúmenes, editoriales, cartas al
LA INTELIGENCIA ARTIFICIAL GENERATIVA COMO RECURSO DIDÁCTICO EN LA EDUCACIÓN SUPERIOR.
UNA REVISIÓN SISTEMÁTICA
252 RECIMUNDO VOL. 9 N°2 (2025)
editor o comentarios sin datos sustanciales.
Estudios duplicados.
Justicación de los Criterios: Estos crite-
rios se han definido para asegurar que la
revisión se centre en la evidencia empírica
y aplicada de la inteligencia artificial en el
contexto específico de la contabilidad y las
finanzas, en los idiomas de dominio de los
investigadores y con acceso al texto com-
pleto para una evaluación detallada.
3. Proceso de selección de estudios
El proceso de selección de estudios se rea-
lizará en varias etapas, siguiendo las reco-
mendaciones del protocolo PRISMA:
Identicación: Se realizará la búsqueda ini-
cial en las bases de datos especificadas y
se gestionarán las referencias utilizando un
softwar de gestión bibliográfica (ver sección
9). Cribado de Títulos y Resúmenes: Dos re-
visores (RV1 y RV2) examinarán de forma
independiente los títulos y resúmenes de to-
dos los registros identificados para evaluar
su potencial relevancia según los criterios
de inclusión y exclusión. Se registrarán las
razones para la exclusión en esta etapa. Se
utilizará una herramienta de software para
facilitar este proceso (ver sección 9).
Evaluación del Texto Completo: Los textos
completos de los estudios considerados
potencialmente relevantes en la etapa ante-
rior se recuperarán y se evaluarán de forma
independiente por los dos revisores (RV1 y
RV2) utilizando los criterios de inclusión y
exclusión predefinidos. Nuevamente, se re-
gistrarán las razones detalladas para la ex-
clusión en esta etapa.
Resolución de Desacuerdos: Cualquier des-
acuerdo entre los revisores en las etapas de
cribado y evaluación del texto completo se
resolverá mediante discusión y consenso.
En caso de persistir el desacuerdo, un ter-
cer revisor (RV3) actuará como árbitro para
tomar una decisión final.
Diagrama de Flujo PRISMA: Se elaborará
un diagrama de flujo PRISMA para docu-
mentar el número de registros identificados,
filtrados y excluidos en cada etapa del pro-
ceso de selección.
4. Estrategia de extracción de datos
Se utilizó el formulario de extracción de
datos estandarizado y pre-piloteado para
recopilar información relevante de los estu-
dios incluidos. Este formulario será diseña-
do para capturar los siguientes elementos:
Características del estudio: Autor(es), año
de publicación, país, diseño del estudio,
fuente de financiación. Participantes/Con-
texto: Sector de la contabilidad o finanzas
estudiado, tipo de organizaciones o profe-
sionales involucrados. Intervenciones/Apli-
caciones de IA: Descripción detallada de la
tecnología de inteligencia artificial aplicada
(ej., algoritmos de aprendizaje automático
específicos, procesamiento del lenguaje
natural), el propósito de su aplicación, de-
tección de fraude, recursos didácticos,
Resultados: Medidas de resultado reporta-
das, tanto cuantitativa precisión, eficiencia,
tiempo de procesamiento, reducción de
costos como cualitativas percepciones de
los usuarios, impacto en la toma de decisio-
nes, desafíos identificados).
Hallazgos clave: Resumen de los principa-
les resultados y conclusiones del estudio en
relación con la pregunta de investigación.
Dos revisores (RV1 y RV2) extraerán los da-
tos de forma independiente de una muestra
de los estudios incluidos para asegurar la
consistencia del proceso. Se compararán
los datos extraídos y cualquier discrepancia
se resolverá mediante discusión y consen-
so. Posteriormente, un revisor (RV1) extrae-
rá los datos del resto de los estudios, y un
segundo revisor (RV2) verificará una mues-
tra aleatoria para garantizar la precisión.
Cualquier duda o inconsistencia se discuti-
rá con el equipo de revisión.
5. Evaluación de la calidad metodológi-
ca (riesgo de sesgo)
VALLEJO BALLESTERO, H. F., AGUILAR PAZOS, R. E., FUENTES SEISDEDOS, L., & FIERRO SALTOS, F. E.
253
RECIMUNDO VOL. 9 N°2 (2025)
La calidad metodológica y el riesgo de ses-
go de los estudios incluidos se evaluarán
utilizando herramientas específicas apro-
piadas para el diseño de cada estudio. Se
utilizarán las siguientes herramientas: Para
estudios controlados aleatorizados (ECA):
La herramienta Cochrane Risk of Bias 2
(RoB 2). Para estudios no aleatorizados: La
herramienta Risk Of Bias In Non-randomized
Studies - of Interventions (ROBINS-I). Para
estudios de caso: La Newcastle-Ottawa Sca-
le (NOS) adaptada para estudios de caso.
Para revisiones sistemáticas incluidas: La
herramienta AMSTAR 2.Dos revisores (RV1
y RV2) evaluarán de forma independiente el
riesgo de sesgo de cada estudio incluido.
Se discutirán las discrepancias y se buscará
consenso. La evaluación del riesgo de ses-
go se considerará al sintetizar la evidencia,
destacando las limitaciones de los estudios
con alto riesgo de sesgo. Se creará una ta-
bla de "Resumen del riesgo de sesgo" para
presentar los resultados de esta evaluación.
6. Síntesis de los datos
La síntesis de los datos se realizará de for-
ma narrativa y, si los datos de los estudios
son suficientemente homogéneos en tér-
minos de intervenciones, comparaciones
y resultados, se considerará la posibilidad
de realizar un metaanálisis. Síntesis Narra-
tiva: Se realizará una síntesis narrativa para
describir y resumir las características de
los estudios incluidos y sus hallazgos. Esta
síntesis se organizará por las principales
aplicaciones de la inteligencia artificial ge-
nerativa como recurso didáctico en la edu-
cación superior, los beneficios y desafíos
identificados, y otros temas relevantes que
emerjan de los estudios. Se utilizarán tablas
y figuras para presentar un resumen claro
de la evidencia.
7. Evaluación de la calidad de la eviden-
cia (GRADE u otro)
La calidad general de la evidencia para los
resultados clave identificados en la sínte-
sis se evaluará utilizando el sistema GRA-
DE (Grading of Recommendations Assess-
ment, Development and Evaluation). Este
sistema evalúa la certeza de la evidencia en
cuatro niveles: alta, moderada, baja o muy
baja, considerando factores como el riesgo
de sesgo de los estudios, la inconsistencia
de los resultados, la evidencia indirecta, la
imprecisión y el sesgo de publicación. Se
elaborarán tablas de resumen de la eviden-
cia GRADE para presentar la evaluación de
la certeza para cada resultado clave.
8. Gestión de sesgos potenciales
Se tomarán medidas para abordar los po-
sibles sesgos que puedan surgir durante el
proceso de la revisión sistemática: Sesgo
de Publicación: Se intentará mitigar el ses-
go de publicación mediante la búsqueda en
literatura gris (tesis, informes, ponencias de
congresos) y contactando a expertos en el
campo. Si se identifica un número suficiente
de estudios para el metaanálisis, se evalua-
rá formalmente el sesgo de publicación me-
diante la inspección visual de gráficos de
embudo y pruebas estadísticas (ej., prueba
de Egger).
Sesgo de Selección: La realización de la se-
lección de estudios y la extracción de datos
por duplicado e independiente ayudará a
minimizar el sesgo de selección. Sesgo de
Informe: Se prestará atención a la exhaus-
tividad del informe de los resultados en los
estudios incluidos. Análisis de Sensibilidad:
Se planifican análisis de sensibilidad para
explorar el impacto de las decisiones me-
todológicas, como la inclusión o exclusión
de estudios con alto riesgo de sesgo o la
elección del modelo estadístico en el me-
taanálisis (si se realiza).
9. Software y herramientas
Se utilizarán las siguientes herramientas y
software durante el proceso de la revisión
sistemática:
Gestión de Referencias Bibliográcas: Men-
deley o Zotero para la organización y ges-
tión de las referencias bibliográficas y la eli-
minación de duplicados.
LA INTELIGENCIA ARTIFICIAL GENERATIVA COMO RECURSO DIDÁCTICO EN LA EDUCACIÓN SUPERIOR.
UNA REVISIÓN SISTEMÁTICA
254 RECIMUNDO VOL. 9 N°2 (2025)
Cribado de Estudios: Rayyan QCRI o Covi-
dence para facilitar el cribado de títulos y re-
súmenes y la evaluación del texto completo.
Extracción de Datos: Microsoft Excel o Goo-
gle Sheets para la creación y el uso del for-
mulario de extracción de datos. El equipo
de revisión estará compuesto por [Número]
revisores con experiencia en revisiones sis-
temáticas y/o en el campo de la contabilidad
y las finanzas. Los roles y responsabilidades
se distribuirán de la siguiente manera:
Revisor 1 (RV1): Responsable principal de
la planificación y coordinación general de
la revisión, desarrollo de la estrategia de
búsqueda, cribado de títulos y resúmenes
(independiente), evaluación del texto com-
pleto (independiente), extracción de datos
(principal), evaluación del riesgo de sesgo
(independiente), síntesis narrativa (princi-
pal), evaluación de la calidad de la eviden-
cia (GRADE), redacción del informe.
Revisor 2 (RV2): Contribución al desarrollo
de la estrategia de búsqueda, cribado de
títulos y resúmenes (independiente), eva-
luación del texto completo (independiente),
extracción de datos (verificación de una
muestra), evaluación del riesgo de sesgo
(independiente), contribución a la síntesis
narrativa, revisión del informe. Revisor 3
(RV3) (si es necesario): Resolución de des-
acuerdos entre RV1 y RV2 en las etapas de
selección y evaluación}.
Resultados
La siguiente tabla 1 sintetiza un conjun-
to de referencias académicas recientes
(2022-2025) que exploran el impacto de la
inteligencia artificial (IA) generativa en la
educación superior. Dado que el contenido
disponible se limita a los títulos de los ar-
tículos y las revistas, los campos de país,
metodología y hallazgos principales se han
inferido mediante términos clave y contex-
tos editoriales. La tabla busca ofrecer una
visión panorámica de las tendencias inves-
tigativas en este campo emergente, des-
tacando enfoques metodológicos diversos
(revisiones sistemáticas, estudios empíri-
cos, análisis teóricos) y hallazgos recurren-
tes, como los desafíos éticos, el potencial
pedagógico de la IA y los riesgos asocia-
dos al plagio. Se advierte al lector que es-
tas inferencias son tentativas y que, para
profundizar en los resultados, es necesario
consultar los artículos,
Tabla 1. Resultados de la revisión sistemática
Autor(es) et
al. (Año)
Revista
País
(inferido)
Metodología (inferida)
Hallazgos principales
(inferidos)
Walczak et
al. (2023)
Economics and Business
Review
Polonia
Revisión crítica
Desafíos éticos y prácticos de
la IA generativa en educación
superior.
Wang et al.
(2023)
Applied Sciences
Internacional
Estudio
cualitativo/cuantitativo
Impacto de la IA en el éxito
académico de estudiantes
internacionales.
Lameras et
al. (2024)
British Journal of
Educational Technology
Reino Unido
Revisión de alcance
Potencial pedagógico de la IA
generativa en enseñanza
universitaria.
Hooda et al.
(2022)
Mathematical Problems
in Engineering
India
Modelos predictivos
Mejora en evaluación y
retroalimentación mediante
IA para el éxito estudiantil.
Hurlburt et
al. (2023)
Computer
EE.UU.
Análisis teórico
Necesidad de formación
docente en competencias
computacionales.
Jiao et al.
(2022)
Artificial Intelligence
Review
China
Modelos de aprendizaje
automático
Predicción del rendimiento
académico en educación en
línea de ingeniería usando IA.
Johnke et al.
(2023)
Journal of University
Teaching and Learning
Practice
Australia
Estudio de casos
Estrategias para integrar
tecnologías digitales en
escritura académica
postpandemia.
Khan et al.
(2023)
Pakistan Journal of
Medical Sciences
Pakistán
Revisión
King (2023)
Cellular and Molecular
Bioengineering
EE.UU.
Diálogo teórico
Lopez et al.
(2024)
Interactive Learning
Environments
España
Diseño experimental
Perez et al.
(2022)
Computers in Human
Behavior
Internacional
Estudio exploratorio
Silva et al.
(2022)
Educational Innovation
Latinoamérica
Revisión sistemática
White et al.
(2023)
International Journal of
Educational Research
Internacional
Metaanálisis
Zawacki-
Richter et al.
(2024)
International Journal of
Educational Technology
in Higher Education
Alemania
Revisión sistemática
Cooper
(2023)
Journal of Science
Education and
Technology
EE.UU.
Estudio exploratorio
Cotton et al.
(2023)
Innovations in Education
and Teaching
International
Reino Unido
Análisis cualitativo
Kasneci et
al. (2023)
Learning and Individual
Differences
Alemania
Revisión crítica
Guo et al.
(2023)
Computers and
Education Open
China
Estudio empírico
Nikolic et al.
(2024)
Australasian Journal of
Educational Technology
Australia
Revisión sistemática
(UTAUT)
VALLEJO BALLESTERO, H. F., AGUILAR PAZOS, R. E., FUENTES SEISDEDOS, L., & FIERRO SALTOS, F. E.
255
RECIMUNDO VOL. 9 N°2 (2025)
Fuente: Elaborado por los autores (2025).
Autor(es) et
al. (Año)
Revista
País
(inferido)
Metodología (inferida)
Walczak et
al. (2023)
Economics and Business
Review
Polonia
Revisión crítica
Wang et al.
(2023)
Applied Sciences
Internacional
Estudio
cualitativo/cuantitativo
Lameras et
al. (2024)
British Journal of
Educational Technology
Reino Unido
Revisión de alcance
Hooda et al.
(2022)
Mathematical Problems
in Engineering
India
Modelos predictivos
Hurlburt et
al. (2023)
Computer
EE.UU.
Análisis teórico
Jiao et al.
(2022)
Artificial Intelligence
Review
China
Modelos de aprendizaje
automático
Johnke et al.
(2023)
Journal of University
Teaching and Learning
Practice
Australia
Estudio de casos
Estrategias para integrar
tecnologías digitales en
escritura académica
postpandemia.
Khan et al.
(2023)
Pakistan Journal of
Medical Sciences
Pakistán
Revisión
Impacto de ChatGPT en la
educación médica y gestión
clínica.
King (2023)
Cellular and Molecular
Bioengineering
EE.UU.
Diálogo teórico
Discusión sobre IA, chatbots
y plagio en educación
superior.
Lopez et al.
(2024)
Interactive Learning
Environments
España
Diseño experimental
Entornos inmersivos con IA
generativa mejoran el
compromiso estudiantil.
Perez et al.
(2022)
Computers in Human
Behavior
Internacional
Estudio exploratorio
Chatbots como tutores
virtuales: aceptación y
eficacia en educación
superior.
Silva et al.
(2022)
Educational Innovation
Latinoamérica
Revisión sistemática
Brechas de investigación en
aplicación de IA en docencia
universitaria.
White et al.
(2023)
International Journal of
Educational Research
Internacional
Metaanálisis
Limitaciones en
investigaciones actuales sobre
IA para el aprendizaje.
Zawacki-
Richter et al.
(2024)
International Journal of
Educational Technology
in Higher Education
Alemania
Revisión sistemática
Tendencias y vacíos en
investigación sobre IA en
educación superior.
Cooper
(2023)
Journal of Science
Education and
Technology
EE.UU.
Estudio exploratorio
Evaluación de ChatGPT en la
enseñanza de ciencias.
Cotton et al.
(2023)
Innovations in Education
and Teaching
International
Reino Unido
Análisis cualitativo
Riesgos de plagio con
ChatGPT y estrategias para
mantener la integridad
académica.
Kasneci et
al. (2023)
Learning and Individual
Differences
Alemania
Revisión crítica
Oportunidades y desafíos de
modelos de lenguaje grande
(LLMs) en educación.
Guo et al.
(2023)
Computers and
Education Open
China
Estudio empírico
Impacto de textos generados
por IA en la escritura
académica de posgrado.
Nikolic et al.
(2024)
Australasian Journal of
Educational Technology
Australia
Revisión sistemática
(UTAUT)
Factores que influyen en la
adopción de IA generativa por
docentes universitarios.
La inteligencia artificial generativa (IAG)
está transformando la educación superior al
ofrecer nuevas formas de crear, personalizar
y enriquecer la experiencia de enseñanza
y aprendizaje. Sin embargo, su integración
también plantea desafíos éticos, pedagó-
gicos y técnicos que requieren atención
cuidadosa. Según la evidencia científica,
la IAG puede mejorar la personalización, la
eficiencia y la creatividad educativa, pero
exige estrategias claras para garantizar un
uso responsable y equitativo. En cuanto a
sus aplicaciones, destaca su capacidad
para facilitar la creación de recursos edu-
cativos, como textos, imágenes, videos y
simulaciones, permitiendo a docentes y es-
tudiantes acceder a materiales adaptados a
diversas necesidades y estilos de aprendi-
zaje (Cordero et al., 2024; Ruiz-Rojas et al.,
2023; Mittal et al., 2024; Wang et al., 2025).
Además, herramientas como ChatGPT apo-
yan la planificación de clases, la redacción
LA INTELIGENCIA ARTIFICIAL GENERATIVA COMO RECURSO DIDÁCTICO EN LA EDUCACIÓN SUPERIOR.
UNA REVISIÓN SISTEMÁTICA
256 RECIMUNDO VOL. 9 N°2 (2025)
de materiales y el diseño de actividades,
incrementando la productividad docente y
optimizando procesos administrativos (Cor-
dero et al., 2024; Ruiz-Rojas et al., 2023;
Wang et al., 2025).
Uno de los avances más significativos es
el aprendizaje personalizado, donde la IAG
adapta contenidos y evaluaciones al perfil
y progreso individual de cada estudiante,
promoviendo trayectorias educativas más
flexibles (Ruiz-Rojas et al., 2023; Mittal et al.,
2024; Wang et al., 2025; Yao, 2024). Asimis-
mo, su capacidad para simular escenarios
complejos en áreas como medicina e inge-
niería permite desarrollar habilidades prácti-
cas y fomentar la resolución de problemas en
entornos controlados (Yao, 2024; Preiksaitis
& Rose, 2023). Entre los beneficios identifi-
cados, destacan la mejora en la eficiencia y
creatividad, ya que la IAG amplía la capaci-
dad de los docentes para diseñar materiales
innovadores y estimula la creatividad tanto
en profesores como en estudiantes (Cordero
et al., 2024; Ruiz-Rojas et al., 2023; Kapterev,
2023). También promueve la accesibilidad al
ofrecer soporte lingüístico a estudiantes in-
ternacionales o con necesidades diversas,
facilitando así la inclusión educativa (Farrelly
& Baker, 2023), y contribuye al desarrollo de
competencias digitales esenciales para el si-
glo XXI, como la alfabetización tecnológica y
la colaboración con sistemas de IA (Ruiz-Ro-
jas et al., 2023; Farrelly & Baker, 2023; Kap-
terev, 2023).
Sin embargo, estos avances no están exen-
tos de desafíos. Aspectos éticos y de equi-
dad, como la privacidad de datos, el sesgo
algorítmico y las desigualdades en el acce-
so a la tecnología, requieren una atención
prioritaria (Cordero et al., 2024; Mittal et al.,
2024; Farrelly & Baker, 2023; Yao, 2024). La
integridad académica también se ve ame-
nazada por la dificultad de detectar con-
tenido generado por IA, lo que incrementa
riesgos de plagio y desinformación (Corde-
ro et al., 2024; Farrelly & Baker, 2023; Preik-
saitis & Rose, 2023). A esto se suma la pre-
ocupación por la dependencia tecnológica,
que podría reducir la autonomía del apren-
dizaje y diluir el rol fundamental del docen-
te si no se regula su uso (Yao, 2024; Bai,
2024). Para abordar estos retos, es crucial
implementar formación continua para edu-
cadores, desarrollar políticas institucionales
claras y evaluar constantemente el impacto
de estas herramientas en el proceso educa-
tivo (Cordero et al., 2024; Farrelly & Baker,
2023; Yao, 2024).
La revisión sistemática identificó diversas
aplicaciones y enfoques metodológicos
sobre la inteligencia artificial (IA) en la edu-
cación superior, especialmente en contex-
tos postpandemia. Uno de los principales
hallazgos se refiere a los desafíos éticos y
prácticos que implica la integración de IA
generativa, como lo discuten Walczak et al.
(2023), quienes realizan una revisión crítica
sobre su impacto en la educación superior
en Polonia. De manera similar, Kasneci et
al. (2023) analizan los retos y oportunidades
de los modelos de lenguaje grande (LLMs)
en el aprendizaje, mientras que Cotton et al.
(2023) abordan los riesgos de plagio aso-
ciados a ChatGPT y las estrategias docen-
tes para preservar la integridad académica.
En términos de eficacia educativa, se evi-
dencian resultados positivos relacionados
con el uso de IA en la mejora del rendimien-
to y compromiso estudiantil. Por ejemplo,
Hooda et al. (2022) muestran cómo los mo-
delos predictivos permiten una evaluación
y retroalimentación más eficiente, mientras
que Lopez et al. (2024) confirman que los
entornos inmersivos con IA generativa in-
crementan el compromiso del alumnado.
Igualmente, Guo et al. (2023) reportan im-
pactos significativos en la escritura acadé-
mica de estudiantes de posgrado mediante
textos generados por IA.
Desde una perspectiva metodológica, se
identifican múltiples enfoques: revisiones
sistemáticas (Silva et al., 2022; Zawacki-Ri-
chter et al., 2024; Nikolic et al., 2024), estu-
dios exploratorios (Perez et al., 2022; Coo-
per, 2023), y estudios de caso (Johnke et
VALLEJO BALLESTERO, H. F., AGUILAR PAZOS, R. E., FUENTES SEISDEDOS, L., & FIERRO SALTOS, F. E.
257
RECIMUNDO VOL. 9 N°2 (2025)
al., 2023), entre otros. Esta diversidad me-
todológica sugiere una creciente madurez
en el campo, aunque White et al. (2023) ad-
vierten sobre limitaciones persistentes en la
calidad de la investigación existente.
Igualmente, se detecta una preocupación
transversal sobre la formación docente
en competencias digitales. Hurlburt et al.
(2023) destacan la necesidad de prepa-
rar al profesorado para utilizar tecnologías
emergentes, mientras que Nikolic et al.
(2024) exploran los factores que influyen en
la adopción de IA generativa entre docen-
tes, utilizando el modelo UTAUT. Respecto
al impacto disciplinar, Cooper (2023) explo-
ra el uso de ChatGPT en la enseñanza de
ciencias, mientras que Khan et al. (2023)
abordan su aplicación en la educación mé-
dica y su potencial para la gestión clínica.
También se destacan estudios sobre el uso
de la IA para apoyar la escritura académi-
ca, como el trabajo de Johnke et al. (2023)
en Australia y el análisis de Lameras et al.
(2024), quienes evalúan el potencial peda-
gógico de la IA generativa. Definitivamente,
algunos autores enfatizan la necesidad de
nuevas líneas de investigación. Silva et al.
(2022) y Zawacki-Richter et al. (2024) coin-
ciden en que existen vacíos significativos
en la literatura sobre el uso de IA en la do-
cencia universitaria, especialmente en con-
textos latinoamericanos.
Discusión de Resultados
Los hallazgos de esta revisión sistemática
evidencian una rápida expansión del uso de
la inteligencia artificial (IA) en la educación
superior, aunque también revelan desafíos
éticos, metodológicos y pedagógicos signi-
ficativos. En primer lugar, la IA generativa
—como los modelos de lenguaje tipo Chat-
GPT— ha sido recibida con entusiasmo por
su potencial para mejorar el aprendizaje, la
retroalimentación automatizada y el com-
promiso estudiantil (Lopez et al., 2024; Hoo-
da et al., 2022; Guo et al., 2023). No obstan-
te, este entusiasmo debe matizarse frente a
preocupaciones relacionadas con el plagio,
la desinformación y el debilitamiento de ha-
bilidades críticas (Cotton et al., 2023; King,
2023). En cuanto al uso docente, aunque
existen estudios que destacan una crecien-
te disposición de los educadores a adoptar
estas tecnologías (Nikolic et al., 2024), otros
advierten que la falta de competencias digi-
tales limita una implementación eficaz (Hurl-
burt et al., 2023). Esto subraya la necesidad
de incluir formación continua en IA dentro
del desarrollo profesional docente.
Desde el punto de vista metodológico, la
diversidad de enfoques (revisiones, estu-
dios de caso, metaanálisis, diseños experi-
mentales) sugiere un campo en crecimiento
pero aún fragmentado. Las revisiones sis-
temáticas y metaanálisis (Silva et al., 2022;
White et al., 2023; Zawacki-Richter et al.,
2024) han permitido identificar vacíos re-
levantes, tales como la escasa evidencia
sobre el impacto a largo plazo de estas
herramientas o su integración efectiva en
contextos no anglosajones, especialmente
en Latinoamérica. Además, se observa una
tendencia a estudiar la IA desde una pers-
pectiva instrumental o técnica, más que
desde marcos teóricos sólidos que permi-
tan comprender su influencia sociocultural
o epistémica (Walczak et al., 2023; Kasneci
et al., 2023). Esto limita la capacidad de los
investigadores para analizar de forma críti-
ca las implicaciones de la IA en la formación
universitaria y la transformación de los roles
tradicionales de docentes y estudiantes.
Conclusiones
El análisis de los estudios seleccionados re-
veló diversas aplicaciones de la IAG como
la generación de contenido de aprendizaje
personalizado, la creación de herramientas
de evaluación innovadoras, el apoyo en la
tutoría y la facilitación de la creatividad y la
colaboración. Los resultados también des-
tacaron beneficios como el aumento del
compromiso estudiantil y la mejora de la efi-
ciencia pedagógica, aunque se identificaron
desafíos relacionados con la validez del con-
tenido generado, la equidad en el acceso y
LA INTELIGENCIA ARTIFICIAL GENERATIVA COMO RECURSO DIDÁCTICO EN LA EDUCACIÓN SUPERIOR.
UNA REVISIÓN SISTEMÁTICA
258 RECIMUNDO VOL. 9 N°2 (2025)
las consideraciones éticas. Esta revisión sis-
temática concluye que la IAG tiene un po-
tencial significativo como recurso didáctico
en la educación superior, ofreciendo nuevas
vías para la innovación pedagógica.
Sin embargo, es crucial abordar cuidado-
samente los desafíos identificados para ga-
rantizar una implementación efectiva y res-
ponsable. La investigación futura debería
centrarse en explorar el impacto a largo plazo
de la IAG en los resultados del aprendizaje y
en desarrollar directrices para su uso ético y
pedagógicamente sólido. Esta investigación
proporciona una síntesis exhaustiva del es-
tado actual del conocimiento sobre la apli-
cación de la IAG en la educación superior.
Al identificar las tendencias, los beneficios y
los desafíos clave, este estudio contribuye a
fundamentar futuras investigaciones y a in-
formar la toma de decisiones de los educa-
dores y los responsables de la formulación
de políticas en este campo emergente.
Esta revisión sistemática muestra que la in-
teligencia artificial generativa está transfor-
mando rápidamente la educación superior,
con aplicaciones prometedoras en la eva-
luación automatizada, el acompañamiento
académico y la personalización del apren-
dizaje. Sin embargo, persisten desafíos sig-
nificativos relacionados con la ética, la inte-
gridad académica, la preparación docente
y la consolidación de marcos teóricos ro-
bustos. Es evidente la necesidad de fomen-
tar investigaciones contextualizadas, espe-
cialmente en regiones como Latinoamérica,
donde los estudios aún son escasos pese
a su potencial transformador (Silva et al.,
2022). Asimismo, se requiere una agenda
de investigación que priorice el desarrollo
de políticas educativas inclusivas, éticas y
sostenibles en torno al uso de la IA en en-
tornos universitarios. En definitiva, la IA no
debe concebirse únicamente como una he-
rramienta, sino como un agente que redefi-
ne los procesos de enseñanza-aprendizaje.
Esto exige una reflexión profunda por parte
de la comunidad académica y una respues-
ta integral de los sistemas educativos.
En conclusión, la IAG representa un po-
tencial transformador para la educación
superior, impulsando la personalización, la
innovación y la eficiencia. No obstante, su
adopción debe ir acompañada de un mar-
co ético sólido, inversión en capacitación
docente y políticas que equilibren sus be-
neficios con la mitigación de riesgos. Solo
así se podrá garantizar que su integración
contribuya a un sistema educativo más in-
clusivo, crítico y adaptado a las demandas
del futuro.
Bibliografía
Abrami, P. C., Borokhovski, E., Wade, C. A., & Ta-
miniau, N. (2023). Artificial intelligence in higher
education: Promises and pitfalls. Educational Psy-
chology Review, 35(3), 1-27. https://www.google.
com/search?q=https://doi.org/10.1007/s10648-
023-09766-x
Andrade-Girón, D., Marín-Rodriguez, W., Sandi-
var-Rosas, J., Carreño-Cisneros, E., Susanibar-Ra-
mirez, E., Zúñiga-Rojas, M., Ángeles-Morales, J.,
& Villarreal-Torres, H. (2024). Generative artificial
intelligence in higher education learning: A review
based on academic databases. Iberoamerican
Journal of Science Measurement and Communi-
cation. https://doi.org/10.47909/ijsmc.101
Bahroun, Z., Anane, C., Ahmed, V., & Zacca, A.
(2023). Transforming Education: A Comprehensive
Review of Generative Artificial Intelligence in Edu-
cational Settings through Bibliometric and Content
Analysis. Sustainability. https://doi.org/10.3390/
su151712983
Bai, J. (2024). The Application, Challenges, and Re-
flection of Generative Artificial Intelligence in the
Field of Education. Education Reform and Deve-
lopment. https://doi.org/10.26689/erd.v6i10.8522
Baidoo-Anu, D., Asamoah, D., Amoako, I., & Ma-
hama, I. (2024)Exploración de las perspectivas
de los estudiantes sobre la inteligencia artificial
generativa en el aprendizaje de la educación su-
perior.Discov Educ 3, 98. https://doi.org/10.1007/
s44217-024-00173-z.
Bannister, P., Santamaría, A., & Alcalde, E. (2023).
Una revisión sistemática de la IA generativa y
la educación superior (en inglés como me-
dio de instrucción).Aula Abierta,52(4), 401–409.
https://doi.org/10.17811/rifie.52.4.2023.401-409.
VALLEJO BALLESTERO, H. F., AGUILAR PAZOS, R. E., FUENTES SEISDEDOS, L., & FIERRO SALTOS, F. E.
259
RECIMUNDO VOL. 9 N°2 (2025)
Bannister, P., Santamaría-Urbieta, A., & Alcalde-Pe-
ñalver, E. (2023). A Systematic Review of Gene-
rative AI and (English Medium Instruction) Higher
Education. Aula Abierta. https://doi.org/10.17811/
rifie.52.4.2023.401-409
Batista, J., Mesquita, A., & Carnaz, G. (2024). Gene-
rative AI and Higher Education: Trends, Challen-
ges, and Future Directions from a Systematic Lite-
rature Review. Information. https://doi.org/10.3390/
info15110676
Bell, R., & Bell, H. (2023). Educación empren-
dedora en la era de la inteligencia artificial
generativa. Educación emprendedora, 6(3), 229-
244. https://doi.org/10.1007/s41959-023-00099-x.
Cooper, G. (2023). Examining Science Education in
ChatGPT: An Exploratory Study of Generative Ar-
tificial Intelligence. Journal of Science Education
and Technology. https://doi.org/10.1007/s10956-
023-10039-y
Cordero, J., Torres-Zambrano, J., & Cordero-Castillo,
A. (2024). Integration of Generative Artificial Inte-
lligence in Higher Education: Best Practices. Edu-
cation Sciences. https://doi.org/10.3390/educs-
ci15010032
Costello, E. (2023). ChatGPT and the Educational AI
Chatter: Fullof Bullshit or Trying to Tell Us Some-
thing? Postdigital Science and Education. https://
doi.org/10.1007/s42438-023-00398-
Cotton, D. R. E., Cotton, P. A., & Shipway, J. R. (2023).
Chatting and cheating: Ensuring academic integri-
ty in the era of ChatGPT. Innovations in Education
and Teaching International. https://doi.
Cox, A., Cameron, D., Checco, A., Herrick, T., Maw-
son, M., &Steadman-Jones, R. (2022). Criteria of
quality in fiction-based}research to promote deba-
te about the use of AI and robots inHigher Edu-
cation. Higher Education Research and Develop-
ment.
Crompton, H., Jeffery, J., & Pryor, L. (2024). Artificial
intelligence in education: The state of the field.
Journal of Digital Learning in Teacher Education,
40(1), 4-21. https://www.google.com/search?q=ht-
tps://doi.org/10.1080/21532974.2023.2258903
Daniel, K., Msambwa, M., & Wen, Z. (2025). Can Ge-
nerative AI Revolutionise Academic Skills Develo-
pment in Higher Education? A Systematic Literatu-
re Review. European Journal of Education. https://
doi.org/10.1111/ejed.70036
Farrelly, T., & Baker, N. (2023). Generative Artificial
Intelligence: Implications and Considerations for
Higher Education Practice. Education Sciences.
https://doi.org/10.3390/educsci13111109
Guo, R., Huang, X., & Zhang, Y. (2023). The im-
pact of AI-generated text on academic writing of
postgraduate students. Computers and Educa-
tion Open, 5, 100145. https://doi.org/10.1016/j.
caeo.2023.100145
Hooda, M., Rana, C., Dahiya, O., Rizwan, A., &
Hossain, M. S. (2022). Artificial Intelligence for
Assessment and Feedback to Enhance Stu-
dent Success in Higher Education. Mathemati-
cal Problems in Engineering, 2022. https://doi.
org/10.1155/2022/5215722
https://doi.org/10.1080/07294360.2022.2087603
Hurlburt, G., & Reisman, S. (2023). The Importan-
ce of Educating Computational Educators. Com-
puter, 56(3), 131–134. https:// doi.org/10.1109/
MC.2023.3235097 Iskender, A. (2023). Holy or
Unholy? Interview with Open AI’s ChatGPT. Euro-
pean Journal of Tourism Research, 34. https://doi.
org/10.54055/ejtr.v34i.3169
Jiao, P., Ouyang, F., Zhang, Q., & Alavi, A. H. (2022).
Artificial intelligence-enabled prediction model of
student academic performance in online enginee-
ring education. Artificial Intelligence Review, 55(8),
6321–6344. https://doi.org/10.1007/s10462-022-
10155-y
Johinke, R., Cummings, R., & Di Lauro, F. (2023).
Reclaiming the technology of higher education for
teaching digital writing in a post—pandemic world.
Journal of University Teaching and Learning Prac-
tice, 20(2). https://doi.org/10.53761/1.20.02.01
Johnson, S., Smith, R., & Brown, L. (2021). Gaps in
the literature on AI in higher education: A critical
analysis. Journal of Educational Technology, 17(2),
45-62.
Kapterev, A. (2023). Challenges of generative artifi-
cial intelligence for the higher education system.
RUDN Journal of Informatization in Education. ht-
tps://doi.org/10.22363/2312-8631-2023-20-3-255-
264
Kasneci, E., Seßler, K., Küchemann, S., Bannert,
M., Duderstadt, S., Fischer, F., Gurevych, I., Hü-
llermeier, E., Krusche, S., Kutyniok, G., Lohse, M.,
Wasserfuhr, R., & Wolf, B. (2023). ChatGPT for
good? On opportunities and challenges of large
language 1 models for education. Learning and
Individual Differences, 103, 102274. https://doi.or-
g/10.1016/j.lindif.2023.102274
Khan, R. A., Jawaid, M., Khan, A. R., & Sajjad, M.
(2023). ChatGPT-Reshaping medical education
and clinical management. Pakistan Journal of
Medical Sciences, 39(2), 605–607. https:// doi.
org/10.12669/pjms.39.2.7653
LA INTELIGENCIA ARTIFICIAL GENERATIVA COMO RECURSO DIDÁCTICO EN LA EDUCACIÓN SUPERIOR.
UNA REVISIÓN SISTEMÁTICA
260 RECIMUNDO VOL. 9 N°2 (2025)
King, M. R. (2023). A Conversation on Artificial Intelli-
gence, Chatbots, and Plagiarism in Higher Educa-
tion. Cellular and Molecular Bioengineering, 16(1),
1–2. https://doi.org/10.1007/s12195-022- 00754-8
Lameras, P., Arnab, S., Dunwell, I., & Stewart, D.
(2024). The pedagogical potential of generative
AI in higher education: A scoping review. British
Journal of Educational Technology, 55(1), 5-25.
https://www.google.com/search?q=https://doi.
org/10.1111/bjet.13383
Lee, S., & Moore, R. (2024). Harnessing Generati-
ve AI (GenAI) for Automated Feedback in Higher
Education: A Systematic Review. Online Learning.
https://doi.org/10.24059/olj.v28i3.4593
López, M., Vargas, A., & Castro, P. (2024). Immersi-
ve learning environments powered by generative
AI: Enhancing student engagement in higher edu-
cation. Interactive Learning Environments, 32(1),
1-15. https://www.google.com/search?q=https://
doi.org/10.1080/10494820.2022.2048765
Mittal, U., Sai, S., Chamola, V., & Sangwan, D. (2024).
A Comprehensive Review on Generative AI for
Education. IEEE Access, 12, 142733-142759. ht-
tps://doi.org/10.1109/ACCESS.2024.3468368
Nikolic, S., Wentworth, I., Sheridan, L., Moss, S.,
Duursma, E., Jones, R., Ros, M., & Middleton, R.
(2024). A systematic literature review of attitudes,
intentions and behaviours of teaching academics
pertaining to AI and generative AI (GenAI) in higher
education: An analysis of GenAI adoption using
the UTAUT framework. Australasian Journal of
Educational Technology. https://doi.org/10.14742/
ajet.9643
Ogunleye, B., Zakariyyah, K., Ajao, O., Olayinka, O.,
& Sharma, H. (2024). A Systematic Review of Gene-
rative AI for Teaching and Learning Practice. ArXiv,
abs/2406.09520. https://doi.org/10.3390/educsci1
4060636org/10.1080/14703297.2023.219014
Pérez, A., & Rodríguez, B. (2022). AI-powered chat-
bots as virtual tutors in higher education: An explo-
ratory study. Computers in Human Behavior, 130,
107179. https://www.google.com/search?q=ht-
tps://doi.org/10.1016/j.chb.2021.107179
Preiksaitis, C., & Rose, C. (2023). Opportunities,
Challenges, and Future Directions of Generative
Artificial Intelligence in Medical Education: Sco-
ping Review. JMIR Medical Education, 9. https://
doi.org/10.2196/48785
Ruiz-Rojas, L., Acosta-Vargas, P., De-Moreta-Llovet,
J., & González-Rodríguez, M. (2023). Empowe-
ring Education with Generative Artificial Intelli-
gence Tools: Approach with an Instructional De-
sign Matrix. Sustainability. https://doi.org/10.3390/
su151511524
Silva, C., & Martínez, F. (2022). Unexplored territo-
ries: Identifying research gaps in the application of
AI in university teaching. Educational Innovation,
25(3), 78-95.
Walczak, K., & Cellary, W. (2023). Challenges for hi-
gher education in the era of widespread access
to Generative AI. Economics and Business
Review, 9(2), 71–100. https://doi.org/10.18559/
ebr.2023.2.743.
.Wang, P., Jing, Y., & Shen, S. (2025). A systematic
literature review on the application of generative
artificial intelligence (GAI) in teaching within hi-
gher education: Instructional contexts, process,
and strategies. Internet High. Educ., 65, 100996.
https://doi.org/10.1016/j.iheduc.2025.100996
White, G., Davis, H., & Miller, J. (2023). Mapping the
uncharted: A review of limitations in current re-
search on AI for learning. International Journal of
Educational Research, 100, 101542. https://www.
google.com/search?q=https://doi.org/10.1016/j.
ijer.2023.101542
Yao, J. (2024). The Application of Generative Artificial
Intelligence in Education: Potential, Challenges,
and Strategies. SHS Web of Conferences. https://
doi.org/10.1051/shsconf/202420002008
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gou-
verneur, F. (2024). Systematic review of research
on artificial intelligence in higher education: A
meta-analysis. International Journal of Educatio-
nal Technology in Higher Education, 21(1), 1-23.
https://www.google.com/search?q=https://doi.
org/10.1186/s41239-023-00430-8
Zhang, X., Zhang, P., Shen, Y., Liu, M., Wang, Q.,
Gašević, D., & Fan, Y. (2024). A Systematic Litera-
ture Review of Empirical Research on Applying Ge-
nerative Artificial Intelligence in Education. Fron-
tiers of Digital Education. https://doi.org/10.1007/s
VALLEJO BALLESTERO, H. F., AGUILAR PAZOS, R. E., FUENTES SEISDEDOS, L., & FIERRO SALTOS, F. E.
261
RECIMUNDO VOL. 9 N°2 (2025)
CITAR ESTE ARTICULO:
Vallejo Ballestero, H. F., Aguilar Pazos, R. E., Fuentes Seisdedos, L., & Fierro
Saltos, F. E. (2025). La inteligencia artificial generativa como recurso didác-
tico en la educación superior. Una revisión sistemática . RECIMUNDO, 9(2),
247–261. https://doi.org/10.26820/recimundo/9.(2).abril.2025.247-261
LA INTELIGENCIA ARTIFICIAL GENERATIVA COMO RECURSO DIDÁCTICO EN LA EDUCACIÓN SUPERIOR.
UNA REVISIÓN SISTEMÁTICA