Inteligencia Artificial en la Educación Superior: transformación académica, desafíos éticos y estrategias para la garantía de derechos
DOI:
https://doi.org/10.56048/MQR20225.9.1.2025.e224Palabras clave:
Inteligencia Artificial; Protección de datos; Ética; Derechos; Mejora académicaResumen
El presente estudio examina la integración de la inteligencia artificial (IA) en la educación superior, utilizando como caso de estudio la Universidad Técnica de Machala en Ecuador. La investigación empleó un diseño mixto que combinó métodos cuantitativos y cualitativos para evaluar la transformación académica, los desafíos éticos y las estrategias de garantía de derechos asociadas a la adopción de tecnologías basadas en IA. En la fase cuantitativa se aplicó un cuestionario a 280 participantes —incluyendo estudiantes, docentes y personal administrativo, que reveló altos niveles de utilización de herramientas de IA, destacándose la personalización del aprendizaje y la optimización de procesos administrativos. Los análisis estadísticos evidenciaron correlaciones significativas entre la preocupación por la privacidad de los datos y la percepción de riesgos éticos. Por otro lado, en la fase cualitativa se realizaron entrevistas semiestructuradas y grupos focales, las cuales profundizaron en las inquietudes relativas a la transparencia de los algoritmos, la presencia de sesgos y la necesidad de políticas internas de capacitación y supervisión. Los resultados integrados demostraron que, pese a los beneficios en eficiencia y personalización, persisten desafíos éticos críticos que requieren intervenciones específicas. Se concluyó que la adopción de la IA en la educación superior ofrece oportunidades para una transformación académica significativa, siempre y cuando se implementen estrategias integrales que aseguren la protección de datos, la transparencia y la equidad. Este estudio contribuye a la comprensión de los impactos de la IA en contextos educativos emergentes y sienta las bases para futuras investigaciones y políticas orientadas a promover un uso responsable y ético de la tecnología en el ámbito académico.
Descargas
Métricas
Cited
DOI: 10.56048
Citas
Arrieta, A. B., Díaz-Rodríguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A. & Herrera, F. (2020). Explainable artificial intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI. IEEE Access, 8, 69–82. https://doi.org/10.1109/ACCESS.2020.2986925
Baker, R. S., & Inventado, P. S. (2014). Educational data mining and learning analytics in practice: A systematic literature review of empirical evidence. In G. Siemens, R. Gašević, & N. Dawson (Eds.), Learning analytics (pp. 61–75). Springer. https://doi.org/10.1007/978-3-319-07678-6_4
Chen, X., Zou, D., Xie, H., & Liu, J. (2020). Artificial intelligence in education: A review. IEEE Access, 8, 75209–75230. https://doi.org/10.1109/ACCESS.2020.2986829
Chung, G., Ko, E., Joung, H., & Kim, S. (2020). Exploring the role of chatbots in higher education. Interactive Technology and Smart Education, 17(1), 80–95.
Doshi-Velez, F., & Kim, B. (2017). Towards a rigorous science of interpretable machine learning. arXiv preprint arXiv:1702.08608. https://doi.org/10.48550/arXiv.1702.08608
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.
Griol, D., Molina, J. M., & Callejas, Z. (2015). A chatbot as a virtual computer science learning assistant. Computers in Human Behavior, 45, 89–100. https://doi.org/10.1016/j.chb.2014.11.036
Jordan, M. I., & Mitchell, T. M. (2015). Machine learning: Trends, perspectives, and prospects. Science, 349(6245), 255–260. https://doi.org/10.1126/science.aaa8415
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. https://doi.org/10.1038/nature14539
Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence unleashed: An argument for AI in education. Pearson Education.
Papamitsiou, Z., & Economides, A. A. (2014). Learning analytics and educational data mining in practice: A systematic literature review of empirical evidence. Educational Technology & Society, 17(4), 49–64.
Romero, C., & Ventura, S. (2007). Educational data mining: A review of the state of the art. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 40(6), 601–618. https://doi.org/10.1109/TSMCC.2010.2053532
Rudin, C. (2019). Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nature Machine Intelligence, 1(5), 206–215. https://doi.org/10.1038/s42256-019-0048-x
SENESCYT. (2022). Estadísticas de Educación Superior, Ciencia, Tecnología e Innovación. Quito, Ecuador: Secretaría Nacional de Educación Superior, Ciencia, Tecnología e Innovación.
Selwyn, N. (2019). Should robots replace teachers? AI and the future of education. Polity.
UNESCO. (2021). Recomendación sobre la ética de la inteligencia artificial. París, Francia: UNESCO. https://www.unesco.org/es/articles/recomendacion-sobre-la-etica-de-la-inteligencia-artificial
Publicado
Cómo citar
Número
Sección
Categorías
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
®
Los autores se comprometen a respetar la información académica de otros autores, y a ceder los derechos de autor a la Revista MQRInvestigar, para que el artículo pueda ser editado, publicado y distribuido. El contenido de los artículos científicos y de las publicaciones que aparecen en la revista es responsabilidad exclusiva de sus autores. La distribución de los artículos publicados se realiza bajo una licencia 
