ISSN: 3091-1540
Vol. 4, Núm. 2 | Julio – Diciembre 2026 | e2026065
DOI: https://doi.org/10.70171/wrwxkz66
Propuesta de Marco Ético-Pedagógico para Integrar IA Generativa en Universidades Estatales de Santo Domingo, 2026
Proposal for Ethical-Pedagogical Framework for Integrating Generative AI in State Universities of Santo Domingo, 2026
Lilia Inés Macas-Pizarro1*
https://orcid.org/0009-0007-6329-2273
Andrea Aráuz-Chávez2
https://orcid.org/0000-0001-7942-2940
1 Universidad Laica Eloy Alfaro de Manabí Sede Santo Domingo, Ecuador
2 Universidad Laica Eloy Alfaro de Manabí, Ecuador
Recibido: 1 de agosto de 2026. Aceptado: 8 de octubre de 2026. Publicado en línea: 25 de octubre de 2026
*Autor de correspondencia: lilymacas15@hotmail.com
Resumen
Justificación: La incorporación de inteligencia artificial generativa en la educación superior ha generado oportunidades para fortalecer la planificación docente, la producción de materiales, el aprendizaje y la evaluación, pero también ha planteado problemas relacionados con la integridad académica, protección de datos, transparencia y formación docente. Objetivo: Proponer un marco ético-pedagógico para orientar la integración responsable de la inteligencia artificial generativa en los procesos educativos de las universidades estatales de Santo Domingo durante 2026. Metodología: Enfoque cualitativo, diseño no experimental y alcance descriptivo-propositivo, mediante la aplicación de los métodos jurídico-doctrinal, analítico, descriptivo, documental y deductivo, a partir de un análisis documental. Resultados: El análisis documental evidenció que la incorporación educativa de la inteligencia artificial generativa requirió principios institucionales relacionados con la transparencia, la responsabilidad, la protección de datos, la capacitación docente, el reconocimiento de su utilización y la comprobación de los contenidos producidos, junto con modificaciones en las prácticas de evaluación orientadas a preservar la autoría de los estudiantes y fortalecer la adquisición de conocimientos. Conclusión: Se identificaron usos educativos, riesgos y criterios de transparencia, formación docente, supervisión humana, integridad académica, evaluación del aprendizaje y protección de datos.
Palabras clave: educación superior, ética, inteligencia artificial generativa, integridad académica, pedagogía.
Abstract
Justification: The integration of generative artificial intelligence into higher education has created opportunities to enhance teaching planning, material development, learning, and assessment, but has also raised concerns regarding academic integrity, data protection, transparency, and teacher training. Objective: To propose an ethical-pedagogical framework to guide the responsible integration of generative artificial intelligence into educational processes at public universities in Santo Domingo during 2026. Methodology: A qualitative approach, non-experimental design, and descriptive-propositional scope were adopted, applying legal-doctrinal, analytical, descriptive, documentary, and deductive methods through documentary analysis. Results: The documentary analysis revealed that the educational integration of generative artificial intelligence required institutional principles related to transparency, accountability, data protection, teacher training, disclosure of its use, and verification of generated content, along with changes in assessment practices aimed at preserving student authorship and strengthening knowledge acquisition. Conclusion: Educational uses, risks, and criteria related to transparency, teacher training, human oversight, academic integrity, learning assessment, and data protection were identified.
Keywords: higher education, ethics, generative artificial intelligence, academic integrity, pedagogy.
Cita: Macas-Pizarro, L. I., & Aráuz-Chávez, A. (2026). Propuesta de Marco Ético-Pedagógico para Integrar IA Generativa en Universidades Estatales de Santo Domingo, 2026. Erevna Research Reports, 4(2), e2026065. https://doi.org/10.70171/wrwxkz66
Esta obra está sujeta a una Licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0)
La literatura científica ha documentado el crecimiento del uso de inteligencia artificial generativa en la educación superior y la coexistencia de oportunidades pedagógicas con desafíos relacionados con la integridad académica, la formación docente, la evaluación, la privacidad y la responsabilidad institucional. Rasul et al. (2023) identificaron beneficios y desafíos asociados con ChatGPT en educación superior, mientras Eager y Brunton (2023) analizaron su incorporación en las prácticas de enseñanza y aprendizaje, y Sullivan et al. (2023) relacionaron su utilización con la necesidad de preservar la integridad académica. Estos aportes muestran que la incorporación de inteligencia artificial generativa requiere criterios que orienten su utilización dentro de las actividades universitarias y eviten que su incorporación se reduzca a decisiones aisladas sobre autorización o prohibición.
La evidencia latinoamericana permite aproximar esta problemática a condiciones educativas más cercanas al objeto de estudio. Acosta-Enriquez et al. (2024) analizaron conocimientos, actitudes y percepciones éticas de estudiantes universitarios frente a ChatGPT en un estudio desarrollado en Perú con participación de investigadores afiliados a instituciones de Perú y Ecuador, mientras Sigüenza Orellana et al. (2024) validaron un cuestionario dirigido a docentes de educación superior en Ecuador y Torres-Díaz et al. (2025) estudiaron la relación entre el uso de inteligencia artificial generativa y el plagio en universidades ecuatorianas. Estos antecedentes aportan evidencia regional sobre las dimensiones ética, docente e integridad académica, aunque no desarrollan un marco ético-pedagógico institucional dirigido específicamente al contexto previsto para la presente propuesta.
La dimensión docente adquiere relevancia porque la incorporación educativa de estas herramientas requiere conocimientos, criterios de uso y orientaciones institucionales para profesores y estudiantes. ElSayary (2024) examinó las percepciones docentes sobre ChatGPT como apoyo para la enseñanza y el aprendizaje, mientras Fuller y Barnes (2024) analizaron las perspectivas de estudiantes y docentes, y Nikoçeviq-Kurti y Bërdynaj-Syla (2024) relacionaron la utilización de ChatGPT con las prácticas docentes y el desarrollo profesional del profesorado universitario. De forma complementaria, Verano-Tacoronte et al. (2025), Soleimani et al. (2025), Farazouli et al. (2025) y Lyu et al. (2025) abordaron la preparación, las barreras, las necesidades formativas, las experiencias y las percepciones de docentes universitarios frente a la inteligencia artificial generativa, reforzando la necesidad de incorporar la formación docente como componente de cualquier propuesta institucional.
La dimensión pedagógica requiere distinguir entre el uso instrumental de la inteligencia artificial y su incorporación planificada en actividades con objetivos de aprendizaje definidos. Lu et al. (2024) analizaron el empleo de ChatGPT como complemento para la evaluación de la escritura académica, mientras Liu y Zhang (2024) estudiaron factores relacionados con las intenciones de uso de estudiantes universitarios, y el autor Qian (2025) sistematizó aplicaciones pedagógicas de inteligencia artificial generativa en educación superior. Estos estudios sustentan la necesidad de establecer orientaciones sobre planificación, actividades de aprendizaje, evaluación y participación docente, de manera que la herramienta se incorpore en función de objetivos pedagógicos definidos.
La integridad académica constituye otra dimensión central del problema, debido a los riesgos relacionados con autoría, plagio, producción automatizada de trabajos y transformación de las prácticas evaluativas. Eke (2023), Cotton et al. (2024) y Perkins (2023) analizaron diferentes riesgos asociados con ChatGPT y los grandes modelos de lenguaje, mientras Bittle y El-Gayar (2025) realizaron una revisión sobre inteligencia artificial generativa e integridad académica, Kofinas et al. (2025) estudiaron su relación con las evaluaciones auténticas y Peters y Angelov (2025) plantearon modificaciones de las actividades evaluativas para fortalecer la creatividad y la integridad. En Ecuador, Torres-Díaz et al. (2025) aportaron evidencia empírica sobre inteligencia artificial, plagio e integridad académica en universidades ecuatorianas, lo que proporciona un referente nacional para la formulación de lineamientos sobre uso responsable y evaluación.
La dimensión institucional incorpora además la regulación, la gobernanza y la protección de datos. Wang et al. (2024) analizaron políticas, recursos y directrices universitarias relacionadas con inteligencia artificial generativa, mientras Coates et al. (2025) abordaron la gobernanza de la integridad académica, y Yang y Beil (2024) y Wang et al. (2025) examinaron aspectos vinculados con la privacidad de los datos y las preocupaciones de los usuarios frente al tratamiento de información mediante sistemas de inteligencia artificial. Estos aportes muestran la necesidad de articular principios éticos, responsabilidades institucionales, protección de datos y orientaciones para docentes y estudiantes dentro de una propuesta común.
La revisión de la evidencia permite identificar una dispersión de aportes entre dimensiones que suelen analizarse de manera separada: algunos estudios se concentran en percepciones y usos, otros en integridad académica, evaluación, formación docente, políticas institucionales o privacidad, mientras que los antecedentes ecuatorianos disponibles aportan evidencia sobre aspectos específicos, pero no configuran por sí mismos un marco ético-pedagógico articulado para las universidades estatales del territorio de Santo Domingo. Este vacío sustenta la necesidad de organizar los hallazgos documentales en categorías comunes y derivar de ellas una propuesta que articule ética institucional, orientación pedagógica, uso educativo e integridad académica, incorporando además la protección de datos como elemento transversal.
La propuesta se plantea para las universidades estatales de Santo Domingo como contexto previsto de aplicación y no como resultado de un diagnóstico empírico realizado en dichas instituciones, debido a que la investigación no recopiló información de docentes, estudiantes, autoridades ni personal administrativo de estas universidades. Por ello, los elementos específicos de la propuesta se sustentan en la evidencia científica seleccionada y en su adaptación conceptual al contexto universitario ecuatoriano, sin afirmar que los lineamientos hayan sido implementados o validados en las instituciones de Santo Domingo. A partir de este problema se formuló la siguiente pregunta de investigación: ¿Qué elementos éticos, pedagógicos e institucionales identificados en la literatura científica pueden sustentar una propuesta de marco para la integración responsable de inteligencia artificial generativa en las universidades estatales de Santo Domingo, Ecuador durante 2026?
El objetivo general consistió en proponer un marco ético-pedagógico para orientar la integración responsable de la inteligencia artificial generativa en los procesos educativos de las universidades estatales de Santo Domingo, Ecuador, a partir de la evidencia obtenida mediante el análisis de literatura científica. Los objetivos específicos se orientaron a identificar los principales usos educativos y desafíos asociados con la inteligencia artificial generativa en educación superior, determinar los criterios éticos y pedagógicos recurrentes en la literatura seleccionada y estructurar lineamientos institucionales relacionados con formación docente, evaluación, integridad académica, protección de datos y gobernanza para la propuesta de marco ético-pedagógico.
La investigación correspondió a una investigación desarrollado bajo un enfoque cualitativo, debido a que se orientó a interpretar información documental relacionada con el uso educativo, ético y pedagógico de la inteligencia artificial generativa en educación superior. El diseño fue no experimental, debido a que no se manipularon variables ni se intervino directamente sobre sujetos de estudio.
El estudio presentó un carácter documental, descriptivo y propositivo, debido a que se realizó una revisión de literatura científica para caracterizar los principales usos, desafíos y criterios relacionados con la integración de inteligencia artificial generativa en educación superior y, a partir de los hallazgos categorizados, estructurar una propuesta de marco ético-pedagógico. Se emplearon los métodos jurídico-doctrinal, analítico, descriptivo, documental y deductivo, orientados a examinar, comparar e interpretar los contenidos de las fuentes seleccionadas y derivar los lineamientos que integraron la propuesta.
El procedimiento correspondió a una revisión narrativa estructurada de literatura científica con análisis temático-categorial, orientada a identificar y organizar evidencia relacionada con el uso educativo, la ética, la formación docente, la integridad académica, la evaluación, la protección de datos y la gobernanza de la inteligencia artificial generativa en educación superior. La revisión no se planteó como revisión sistemática ni como metaanálisis, debido a que su finalidad fue integrar cualitativamente los aportes pertinentes y utilizarlos como fundamento para la formulación de una propuesta de marco ético-pedagógico.
El estudio se delimitó a las universidades estatales ubicadas en el cantón de Santo Domingo, Ecuador, durante el año 2026, tomando como unidad de análisis la literatura científica relacionada con los procesos educativos universitarios y el uso de inteligencia artificial generativa.
Santo Domingo se estableció como contexto previsto de aplicación de la propuesta y no como ámbito de levantamiento de información empírica, debido a que la unidad de análisis estuvo constituida por literatura científica y documentos académicos. La propuesta se orientó hacia las universidades estatales de Santo Domingo a partir de la evidencia disponible sobre educación superior, inteligencia artificial generativa y condiciones institucionales y pedagógicas del contexto ecuatoriano, sin atribuir a las instituciones seleccionadas características que no hayan sido verificadas mediante información directa.
La investigación no trabajó con población ni muestra de participantes, debido a que la unidad de análisis estuvo constituida por documentos científicos, por lo que el estudio se desarrolló mediante una revisión narrativa estructurada de literatura científica. El corpus documental final estuvo conformado por 38 artículos científicos publicados entre 2023 y 2025, seleccionados mediante criterios de inclusión y exclusión relacionados con educación superior, inteligencia artificial generativa, ética institucional, orientación pedagógica, uso educativo, integridad académica, evaluación, protección de datos y gobernanza institucional.
La búsqueda documental se realizó en las bases de datos Scopus, Web of Science y SciELO, mediante combinaciones de los términos “inteligencia artificial generativa”, “ChatGPT”, “educación superior”, “integridad académica”, “ética”, “formación docente”, “evaluación”, “protección de datos” y “gobernanza institucional”, considerando publicaciones correspondientes al periodo 2023–2025. En la búsqueda inicial se recuperaron 86 registros, de los cuales 14 fueron eliminados por duplicación entre las bases consultadas, quedando 72 documentos para la evaluación de pertinencia y cumplimiento de los criterios establecidos.
Como criterios de inclusión se consideraron artículos científicos publicados en revistas académicas entre 2023 y 2025, relacionados directamente con inteligencia artificial generativa y educación superior, vinculados con al menos una de las categorías de análisis y con información suficiente para identificar el objetivo, metodología y principales hallazgos del estudio. Como criterios de exclusión se establecieron los documentos que no correspondieran a artículos científicos de revista, las publicaciones sin relación directa con educación superior o inteligencia artificial generativa, los estudios publicados fuera del periodo establecido y los documentos que no proporcionaran información pertinente para las categorías de análisis.
De los 72 documentos sometidos a evaluación, 8 fueron excluidos por no corresponder a artículos científicos de revista, 13 por no presentar relación directa con la educación superior o la inteligencia artificial generativa, 4 por encontrarse fuera del periodo de publicación establecido y 9 por no aportar información suficiente para las categorías de análisis, lo que permitió conformar un corpus documental final de 38 artículos científicos.
Los 38 artículos seleccionados fueron registrados individualmente en la ficha de análisis documental presentada en el Anexo 1, donde se consignaron la referencia bibliográfica, año de publicación, contexto geográfico, tema o enfoque principal, aporte identificado y categoría de análisis, estableciendo la correspondencia entre cada estudio incluido y los hallazgos empleados posteriormente para la construcción de la propuesta de marco ético-pedagógico.
La investigación no trabajó con variables independiente y dependiente, debido a que no existió manipulación, medición ni comprobación de relaciones entre variables. El análisis se organizó mediante cuatro categorías principales: ética institucional, orientación pedagógica, uso educativo de la inteligencia artificial generativa e integridad académica. Estas categorías se establecieron a partir de la revisión inicial de la literatura y se utilizaron como estructura para clasificar la información extraída de los estudios incluidos.
La categoría ética institucional comprendió principios éticos, responsabilidad, transparencia, protección de datos y gobernanza; la categoría orientación pedagógica incorporó formación docente, planificación de actividades, enseñanza y evaluación; la categoría uso educativo comprendió finalidades académicas, actividades de aprendizaje, elaboración de materiales y apoyo a los procesos educativos; y la categoría integridad académica incluyó autoría, plagio, dependencia, verificación de información y transparencia sobre el uso de inteligencia artificial generativa.
El corpus documental estuvo conformado por 38 artículos científicos publicados entre 2023 y 2025, por lo que las fuentes analizadas se ubicaron dentro del periodo de tres años utilizado para delimitar la literatura reciente. El corpus incorporó estudios desarrollados en diferentes contextos internacionales y tres antecedentes latinoamericanos directamente relacionados con las categorías de análisis: Acosta-Enriquez et al. (2024), desarrollado con participación institucional de Perú y Ecuador; Sigüenza Orellana et al. (2024), desarrollado en Ecuador; y Torres-Díaz et al. (2025), desarrollado con evidencia de universidades ecuatorianas. Los estudios latinoamericanos se utilizaron como referentes regionales, mientras que la literatura internacional se incorporó para ampliar la comparación de experiencias, problemas y criterios relacionados con la integración de inteligencia artificial generativa en educación superior.
El procedimiento se desarrolló en cuatro fases. En la primera fase se delimitó el problema, se formularon los objetivos y se establecieron las categorías iniciales de análisis. En la segunda fase se realizó la búsqueda y depuración de la literatura científica en las bases de datos seleccionadas, mediante combinaciones de los términos de búsqueda previamente establecidos y la aplicación progresiva de los criterios de selección. En la tercera fase se registró la información de los estudios seleccionados en la ficha del Anexo 1 y se clasificaron sus hallazgos de acuerdo con las categorías y subcategorías establecidas. En la cuarta fase se compararon los hallazgos, se identificaron elementos recurrentes y se establecieron relaciones entre las categorías, los hallazgos documentales y los componentes derivados para estructurar la propuesta de marco ético-pedagógico.
La investigación documental respetó la atribución de autoría mediante la citación de las fuentes científicas utilizadas y la identificación de los aportes correspondientes a cada publicación analizada, sin recopilar datos personales ni información proveniente de participantes debido a que el estudio se desarrolló exclusivamente con fuentes documentales, mientras que la incorporación de inteligencia artificial generativa en la elaboración del manuscrito se consideró una herramienta de apoyo para la organización, redacción y revisión del contenido, sin atribuir a esta tecnología responsabilidad sobre las interpretaciones, las decisiones metodológicas ni las conclusiones de la investigación.
Debido al enfoque cualitativo y documental, la unidad de análisis estuvo constituida por los 38 artículos científicos incluidos en el corpus final. La categorización se realizó mediante un análisis temático-categorial que partió de cuatro categorías: ética institucional, orientación pedagógica, uso educativo de la inteligencia artificial generativa e integridad académica.
Para cada estudio se realizó una lectura analítica y se extrajo la información relacionada con el objetivo, metodología, hallazgos y aportes vinculados con las categorías; posteriormente, los contenidos fueron clasificados en las categorías y subcategorías correspondientes, comparados entre estudios y sintetizados para identificar coincidencias, diferencias y aspectos recurrentes. La ruta analítica siguió la secuencia: estudio incluido → información extraída → categoría o subcategoría → síntesis del hallazgo → lineamiento derivado. A partir de esta ruta se determinaron los elementos que sustentaron la propuesta de marco ético-pedagógico, particularmente en materia de principios éticos, formación docente, planificación de actividades educativas, evaluación, integridad académica, protección de datos y responsabilidad institucional. De esta manera, cada lineamiento de la propuesta se derivó de los hallazgos previamente registrados y categorizados en la matriz del Anexo 1.
El análisis del corpus documental de 38 estudios mostró que la integración de inteligencia artificial generativa en educación superior se relacionó con condiciones pedagógicas, éticas e institucionales, además de la disponibilidad de herramientas tecnológicas. Los estudios revisados identificaron posibilidades de apoyo para las actividades docentes y de aprendizaje, junto con desafíos relacionados con formación docente, evaluación, integridad académica, transparencia, gobernanza y protección de datos, por lo que estos elementos fueron organizados en categorías para derivar los componentes de la propuesta.
A partir de la codificación de los estudios incluidos se identificaron cuatro categorías principales de análisis: ética institucional, orientación pedagógica, uso educativo de inteligencia artificial generativa e integridad académica, mientras que la protección de datos fue incorporada como un componente transversal de la ética institucional debido a su relación con la responsabilidad y el tratamiento de información en las plataformas generativas. La Tabla 1 presenta la correspondencia entre las categorías, los estudios que sustentaron los hallazgos y las necesidades institucionales derivadas de su interpretación.
Tabla 1. Hallazgos Documentales y Derivación de Componentes del Marco Ético-Pedagógico
|
Categoría de análisis |
Hallazgo derivado de la literatura |
Estudios que sustentan el hallazgo |
Componente derivado para la propuesta |
|
Ética institucional |
Los estudios identificaron la necesidad de transparencia, responsabilidad, orientación institucional y protección de la información en el uso de inteligencia artificial generativa. |
Acosta-Enriquez et al. (2024); Wang et al. (2024); Usher et al. (2025); Yang y Beil (2024); Wang et al. (2025). |
Establecer principios institucionales de transparencia, responsabilidad, gobernanza y protección de datos. |
|
Orientación pedagógica |
Los estudios relacionaron el uso educativo de inteligencia artificial generativa con formación docente, planificación, actividades de aprendizaje y evaluación. |
Eager y Brunton (2023); ElSayary (2024); Lu et al. (2024); Qian (2025); Soleimani et al. (2025); Verano-Tacoronte et al. (2025). |
Orientar la incorporación de IA mediante objetivos de aprendizaje, formación docente y evaluación del proceso. |
|
Uso educativo de IA generativa |
La literatura identificó aplicaciones relacionadas con generación de materiales, apoyo al aprendizaje, retroalimentación, planificación y actividades académicas. |
Rasul et al. (2023); Eager y Brunton (2023); Lu et al. (2024); Qian (2025); Sandu et al. (2024). |
Definir finalidades académicas y condiciones de uso vinculadas con objetivos educativos. |
|
Integridad académica |
Los estudios identificaron riesgos relacionados con autoría no transparente, plagio, dependencia, producción automatizada y dificultades para evaluar el aprendizaje mediante productos finales. |
Eke (2023); Perkins (2023); Cotton et al. (2024); Bittle y El-Gayar (2025); Kofinas et al. (2025); Peters y Angelov (2025); Torres-Díaz et al. (2025). |
Establecer mecanismos de declaración del uso de IA, atribución, verificación y evaluación del proceso de aprendizaje. |
Nota: elaboración propia a partir de los 38 estudios incluidos en el corpus documental y registrados en el Anexo 1. La última columna corresponde a una derivación de la autora y no constituye un hallazgo textual de los estudios.
Los resultados mostraron que el marco ético-pedagógico debía funcionar como un mecanismo articulador y no como una disposición exclusivamente restrictiva, por lo que la regulación institucional requería establecer criterios para diferenciar el uso permitido, condicionado y no permitido de las herramientas generativas de acuerdo con la finalidad de cada actividad académica, evitando así tanto su utilización indiscriminada como la aplicación de prohibiciones generales que desconozcan sus posibilidades educativas.
La dimensión de ética institucional evidenció la necesidad de que las universidades establezcan principios expresos sobre el uso de inteligencia artificial generativa. Entre los elementos identificados se encontraron transparencia, responsabilidad, protección de datos, reconocimiento del uso de herramientas generativas y supervisión humana.
Estos hallazgos estuvieron respaldados por Acosta-Enriquez et al. (2024), quienes abordaron las percepciones éticas frente al uso de ChatGPT; Wang et al. (2024), quienes analizaron políticas, recursos y directrices universitarias; Usher et al. (2025), quienes examinaron el papel institucional en la promoción de la ética de la inteligencia artificial; y Yang y Beil (2024) y Wang et al. (2025), quienes abordaron aspectos relacionados con la privacidad y protección de datos.
La transparencia requirió que docentes y estudiantes pudieran identificar cuándo una producción académica había sido apoyada por inteligencia artificial generativa. La responsabilidad exigió que la persona que presentara un trabajo académico asumiera la autoría y verificara la exactitud de sus contenidos. La protección de datos demandó limitar el ingreso de información personal, académica, institucional o confidencial en plataformas externas. A partir de la comparación de estos hallazgos, la propuesta derivó un principio institucional de transparencia que contempla la declaración del uso de inteligencia artificial y la identificación de su finalidad dentro de la actividad académica.
La protección de datos adquirió especial importancia porque las herramientas generativas pueden procesar información introducida por los usuarios. Como derivación de los estudios sobre privacidad, la propuesta incorporó reglas orientadas a evitar el ingreso de información personal sensible, datos académicos confidenciales, información administrativa reservada y materiales cuya divulgación pueda afectar derechos de terceros.
La revisión permitió determinar que la capacitación docente constituía uno de los componentes centrales del marco propuesto. Los estudios de ElSayary (2024), Nikoçeviq-Kurti y Bërdynaj-Syla (2024), Soleimani et al. (2025), Verano-Tacoronte et al. (2025) y Lyu et al. (2025) relacionaron el uso de inteligencia artificial generativa con las percepciones, necesidades formativas, prácticas profesionales y preparación del profesorado universitario.
A partir de estos hallazgos, la propuesta derivó la necesidad de que la formación docente incluya criterios de selección de herramientas, formulación de instrucciones, verificación de respuestas, diseño de actividades y evaluación del aprendizaje, además del conocimiento técnico básico de estas tecnologías.
La orientación pedagógica debía establecer que la utilización de inteligencia artificial generativa se justificara por su aporte al objetivo de aprendizaje. Por tanto, el uso de estas herramientas se planteó en la propuesta en función de la relación entre herramienta, actividad, competencia y resultado esperado, como criterio para determinar su pertinencia pedagógica.
También se identificó la necesidad de fortalecer las competencias docentes para evaluar productos desarrollados con apoyo de inteligencia artificial. Lu et al. (2024), Kofinas et al. (2025) y Peters y Angelov (2025) aportaron evidencia relacionada con la evaluación y las transformaciones requeridas frente al uso de herramientas generativas, de modo que la propuesta incorporó evaluación del proceso, defensa oral, desarrollo progresivo de trabajos y actividades reflexivas como mecanismos complementarios al producto final.
Los resultados documentales mostraron que la inteligencia artificial generativa podía incorporarse en distintas fases del proceso educativo, especialmente en planificación docente, elaboración de materiales, generación de ejemplos, explicación de contenidos, retroalimentación y apoyo al aprendizaje. Estos usos fueron identificados en estudios como Rasul et al. (2023), Eager y Brunton (2023), Lu et al. (2024), Sandu et al. (2024) y Qian (2025).
Tabla 2. Usos Educativos Identificados y Condiciones Derivadas para la Propuesta
|
Uso educativo |
Aplicación identificada en la literatura |
Estudios de respaldo |
Condición derivada para el marco |
|
Planificación |
Generación de propuestas y organización de contenidos. |
Eager y Brunton (2023); Qian (2025). |
Revisión y adaptación docente. |
|
Materiales |
Elaboración de borradores, ejemplos y recursos didácticos. |
Rasul et al. (2023); Sandu et al. (2024). |
Verificación de exactitud y pertinencia. |
|
Aprendizaje |
Explicaciones, ejercicios y retroalimentación. |
Rasul et al. (2023); Lu et al. (2024); Qian (2025). |
Participación activa y supervisión del estudiante. |
|
Evaluación |
Apoyo en diseño de preguntas, rúbricas y actividades. |
Lu et al. (2024); Kofinas et al. (2025); Peters y Angelov (2025). |
Supervisión docente y preservación de la autoría. |
|
Investigación académica |
Apoyo en búsqueda, organización y formulación de ideas. |
Rasul et al. (2023); Qian (2025). |
Verificación de fuentes y declaración del uso de IA. |
Nota: elaboración propia a partir del corpus documental; las condiciones de la última columna corresponden a derivaciones de la propuesta.
Los hallazgos mostraron que la inteligencia artificial generativa podía utilizarse como recurso complementario sin sustituir la responsabilidad pedagógica del docente ni el trabajo intelectual del estudiante, por lo que la propuesta estableció como condición transversal que su utilización estuviera vinculada con una finalidad académica definida, acompañada de supervisión y sometida a verificación.
La integridad académica constituyó uno de los problemas más recurrentes en la literatura revisada. Eke (2023), Perkins (2023), Cotton et al. (2024), Bittle y El-Gayar (2025), Kofinas et al. (2025), Peters y Angelov (2025) y Torres-Díaz et al. (2025) identificaron riesgos relacionados con autoría, plagio, producción automatizada de trabajos, evaluación y participación intelectual del estudiante.
Waltzer et al. (2024) también evidenciaron las dificultades asociadas con la identificación de textos generados mediante inteligencia artificial, por lo que la propuesta no se fundamentó exclusivamente en herramientas automáticas de detección, sino en mecanismos pedagógicos de evaluación del proceso, declaración del uso de IA y verificación de la participación del estudiante.
Tabla 3. Desafíos de Integridad Académica y Respuesta Institucional
|
Desafío identificado |
Manifestación documentada |
Estudios de respaldo |
Respuesta derivada para el marco |
|
Autoría no transparente |
Presentación de contenidos generados como producción propia. |
Eke (2023); Perkins (2023); Cotton et al. (2024). |
Declaración del uso de IA. |
|
Plagio |
Incorporación de contenidos sin reconocimiento de procedencia. |
Torres-Díaz et al. (2025); Bittle y El-Gayar (2025). |
Formación en citación, atribución y autoría. |
|
Dependencia tecnológica |
Sustitución de procesos cognitivos del estudiante. |
Eke (2023); Niloy et al. (2024). |
Actividades que exijan razonamiento y producción propia. |
|
Información incorrecta |
Uso de respuestas generadas sin comprobación. |
Rasul et al. (2023); Qian (2025). |
Verificación de fuentes y contenidos. |
|
Evaluación insuficiente |
Valoración exclusiva del producto final. |
Kofinas et al. (2025); Peters y Angelov (2025); Waltzer et al. (2024). |
Evaluación del proceso y defensa del trabajo. |
Nota: elaboración propia a partir del corpus documental; las respuestas de la última columna corresponden a derivaciones realizadas para la propuesta.
El análisis de esta categoría derivó en una política de integridad académica basada en prevención, formación, transparencia y evaluación del proceso, en lugar de fundamentar la respuesta institucional únicamente en mecanismos sancionatorios o herramientas automáticas de detección.
La revisión documental mostró que la protección de datos debía incorporarse como un componente permanente del marco institucional, debido a que Yang y Beil (2024) y Wang et al. (2025) identificaron preocupaciones relacionadas con la privacidad y el tratamiento de la información en sistemas de inteligencia artificial, las cuales se relacionaron con información personal, académica e institucional proporcionada por los usuarios.
A partir de estos hallazgos, la propuesta incorporó la protección de datos como componente transversal de la gobernanza ética y estableció como acciones derivadas la definición de información restringida, la revisión de las condiciones de tratamiento de datos de las plataformas utilizadas y la prevención del ingreso de información personal, académica confidencial o institucional reservada.
Los hallazgos documentales permitieron estructurar la propuesta mediante cinco ejes articulados: gobernanza ética, formación docente, orientación pedagógica, integridad académica y protección de datos. La evaluación y la verificación no se presentan como ejes independientes, sino como componentes operativos de la orientación pedagógica y la integridad académica, mientras que el seguimiento forma parte de la gobernanza ética. Esta estructura mantiene correspondencia con las cuatro categorías principales de análisis y organiza la propuesta en principios, acciones, responsables y mecanismos de seguimiento.
Tabla 4. Propuesta de Marco Ético-Pedagógico para Universidades Estatales de Santo Domingo
|
Eje |
Lineamiento |
Acción institucional |
Responsable principal |
Componente operativo |
|
Gobernanza ética |
Establecer principios de uso responsable de IA generativa. |
Elaborar y actualizar una política institucional. |
Autoridades académicas. |
Seguimiento y revisión periódica de las directrices. |
|
Formación docente |
Fortalecer competencias éticas y pedagógicas para el uso de IA. |
Ejecutar capacitación periódica. |
Unidades académicas. |
Formación en uso responsable, verificación y diseño de actividades. |
|
Orientación pedagógica |
Vincular la IA con objetivos de aprendizaje definidos. |
Elaborar guías para el uso docente y académico. |
Docentes y coordinaciones académicas. |
Planificación y evaluación del proceso de aprendizaje. |
|
Integridad académica |
Transparentar y regular la utilización de IA generativa. |
Establecer criterios de declaración, atribución y verificación. |
Docentes y estudiantes. |
Evaluación del proceso, defensa oral y preservación de la autoría. |
|
Protección de datos |
Prevenir el ingreso de información protegida en plataformas generativas. |
Establecer protocolos institucionales de privacidad. |
Universidad y usuarios. |
Identificación de información restringida y revisión de condiciones de tratamiento. |
Nota: elaboración propia a partir de la síntesis de los hallazgos del corpus documental. La propuesta constituye una construcción derivada del análisis y no un marco previamente implementado o validado en las universidades estatales de Santo Domingo.
La relación entre los componentes se estructuró de manera articulada: la gobernanza ética establece las reglas institucionales; la formación docente desarrolla las capacidades necesarias para aplicarlas; la orientación pedagógica vincula la inteligencia artificial con los objetivos educativos; la integridad académica regula la autoría, transparencia y evaluación; y la protección de datos establece condiciones para el tratamiento responsable de la información. El seguimiento se incorpora dentro de la gobernanza para revisar periódicamente la aplicación de las directrices, mientras la verificación forma parte de la orientación pedagógica y la integridad académica.
El marco propuesto estableció que la universidad debe asumir funciones de orientación, regulación y supervisión, mientras docentes y estudiantes mantienen responsabilidad directa sobre las decisiones relacionadas con el uso de inteligencia artificial generativa. La propuesta no plantea la sustitución de las capacidades humanas por sistemas generativos, sino su utilización subordinada a objetivos académicos, criterios éticos, supervisión docente, participación intelectual del estudiante y protección de la información.
DISCUSIÓN
El primer resultado mostró que la integración responsable de inteligencia artificial generativa requirió una articulación entre regulación institucional y práctica pedagógica. Este hallazgo coincidió con Rasul et al. (2023), quienes identificaron beneficios y desafíos asociados con ChatGPT en la educación superior, y con Wang et al. (2024), quienes evidenciaron la relevancia de las políticas, los recursos y las directrices universitarias, relación que permitió establecer que la disponibilidad de herramientas tecnológicas no constituye por sí misma una política educativa, debido a que corresponde a la institución establecer las condiciones de uso, las responsabilidades y los mecanismos de supervisión.
La dimensión docente también presentó coincidencias con estudios previos. La necesidad de capacitación identificada en el presente estudio se relacionó con los planteamientos de ElSayary (2024) y Nikoçeviq-Kurti y Bërdynaj-Syla (2024), quienes abordaron las percepciones docentes y el desarrollo profesional asociado con el uso de ChatGPT. De forma complementaria, Verano-Tacoronte et al. (2025), Soleimani et al. (2025), Farazouli et al. (2025) y Lyu et al. (2025) evidenciaron que la incorporación de inteligencia artificial generativa se relaciona con preocupaciones, barreras, necesidades formativas y niveles diferenciados de confianza entre docentes universitarios. La convergencia de estos resultados respaldó la incorporación de la formación docente como uno de los ejes centrales del marco propuesto.
La orientación pedagógica identificada en este estudio también coincidió con la revisión realizada por Qian (2025), quien analizó las aplicaciones pedagógicas de inteligencia artificial generativa en educación superior. La principal coincidencia se encontró en la necesidad de relacionar el uso de la inteligencia artificial generativa con objetivos educativos concretos, debido a que esta tecnología puede incorporarse en diversas actividades académicas, pero la pertinencia de cada utilización depende de su correspondencia con las competencias que deben desarrollar los estudiantes.
La evaluación constituyó un área en la que se identificó una transformación significativa. Lu et al. (2024) analizaron la posibilidad de utilizar ChatGPT como complemento de la evaluación docente de la escritura académica, mientras que Peters y Angelov (2025) plantearon la necesidad de redefinir tareas evaluativas para preservar creatividad e integridad. Los resultados de la presente investigación coincidieron con estos planteamientos al establecer que la evaluación no debía limitarse al producto final, sino incorporar evidencias del proceso de aprendizaje, argumentación y producción propia.
La integridad académica representó uno de los principales puntos de convergencia con la literatura. Eke (2023), Cotton et al. (2024) y Perkins (2023) identificaron riesgos asociados con el uso de ChatGPT y los grandes modelos de lenguaje en las prácticas académicas. Los resultados del presente estudio coincidieron en que la respuesta institucional no debía limitarse a sancionar el uso de inteligencia artificial, sino que debía establecer reglas de transparencia, reconocimiento y uso permitido.
La evidencia más reciente reforzó esta interpretación. Bittle y El-Gayar (2025) identificaron la integridad académica como uno de los principales campos de discusión sobre inteligencia artificial generativa; Kofinas et al. (2025) relacionaron su impacto con la autenticidad de las evaluaciones; y Leaton Gray et al. (2025) plantearon la necesidad de nuevas pedagogías éticas frente al fraude digital. Por ello, los resultados respaldaron la necesidad de modificar las estrategias de evaluación y fortalecer la formación sobre uso responsable.
El problema de la autoría también presentó una dimensión institucional. Lund y Naheem (2024) estudiaron las políticas de autoría de inteligencia artificial en revistas académicas, mientras que Karkoulian et al. (2025) abordaron las percepciones sobre integridad académica en educación superior. Los resultados obtenidos mostraron que la transparencia debía convertirse en un principio aplicable tanto a estudiantes como a docentes, debido a que la responsabilidad por un contenido generado o modificado mediante inteligencia artificial no puede trasladarse a la herramienta.
En el ámbito estudiantil, los resultados coincidieron con Acosta-Enriquez et al. (2024), quienes analizaron los conocimientos, actitudes y percepciones éticas de universitarios frente a ChatGPT, y con Liu y Zhang (2024), quienes identificaron diversos factores relacionados con la intención de utilizar esta herramienta en estudiantes de educación superior, antecedentes que respaldaron la incorporación de alfabetización en inteligencia artificial dentro de la formación universitaria, debido a que la regulación institucional requiere usuarios capaces de reconocer riesgos, verificar información y adoptar decisiones responsables durante su utilización.
La capacidad de detectar contenidos generados mediante inteligencia artificial no apareció como solución suficiente. Waltzer et al. (2024) estudiaron la posibilidad de identificar textos generados por inteligencia artificial en trabajos universitarios, mientras que Nicolíc et al. (2024) examinaron los efectos de distintas herramientas generativas sobre evaluaciones, enseñanza y aprendizaje. Los resultados del presente estudio coincidieron con la necesidad de evitar que la política institucional dependa exclusivamente de mecanismos automatizados de detección, debido a que la evaluación del aprendizaje requiere evidencias pedagógicas más amplias.
El contexto ecuatoriano presentó una relevancia particular, debido a que Sigüenza Orellana et al. (2024) aportaron un instrumento para analizar la percepción docente sobre ChatGPT en la educación superior, mientras Torres-Díaz et al. (2025) estudiaron de manera específica la relación entre inteligencia artificial, integridad académica y plagio en universidades ecuatorianas, antecedentes que ampliaron la discusión hacia un marco que articula la integridad académica con la ética institucional, la orientación pedagógica y la protección de datos, sin concentrar el análisis exclusivamente en el plagio.
La dimensión de protección de datos coincidió con los hallazgos de Yang y Beil (2024), quienes destacaron la importancia de garantizar la privacidad durante la implementación de sistemas de inteligencia artificial, y con Wang et al. (2025), quienes analizaron las preocupaciones de estudiantes universitarios relacionadas con la privacidad en el uso de inteligencia artificial generativa, cuyos resultados mostraron la necesidad de que las políticas institucionales establezcan de manera expresa qué información puede ingresarse en estas herramientas y qué datos deben mantenerse fuera de las plataformas generativas.
La confianza también constituyó un factor relacionado con la integración institucional. Bhaskar et al. (2024) estudiaron la relación entre confianza y riesgo percibido en docentes universitarios, mientras que Malik (2024) examinó oportunidades y dificultades asociadas con ChatGPT entre profesores universitarios. Los resultados de la presente investigación coincidieron en que la integración responsable requiere conocimientos suficientes para reconocer tanto las capacidades como las limitaciones de las herramientas.
Sandu et al. (2024), Espartinez (2024) y Fuller y Barnes (2024) evidenciaron que estudiantes y docentes pueden presentar percepciones diversas frente a la utilización educativa de ChatGPT, por lo que esta diversidad respaldó la necesidad de evitar políticas generales construidas exclusivamente a partir de la percepción de un solo grupo universitario y de incorporar las distintas perspectivas identificadas mediante el análisis documental como referencia para formular lineamientos diferenciados dirigidos a autoridades, docentes y estudiantes.
El análisis del corpus documental permitió identificar los principales elementos éticos, pedagógicos e institucionales que sustentan una propuesta de marco para la integración responsable de la inteligencia artificial generativa en educación superior, a partir de la revisión de 38 estudios científicos seleccionados, cuyos hallazgos fueron organizados en las categorías de ética institucional, orientación pedagógica, uso educativo de inteligencia artificial generativa e integridad académica, con la protección de datos como componente transversal, y posteriormente articulados en cinco ejes operativos: gobernanza ética, formación docente, orientación pedagógica, integridad académica y protección de datos, sin que ello implique afirmar su efectividad, debido a que la propuesta no fue implementada ni validada empíricamente en las universidades estatales de Santo Domingo.
En relación con el primer objetivo específico, se identificaron los principales usos educativos y desafíos asociados con la inteligencia artificial generativa en educación superior, entre los que destacaron el apoyo a la planificación, elaboración de materiales, desarrollo de actividades de aprendizaje, retroalimentación y apoyo a procesos académicos, junto con dificultades relacionadas con la dependencia tecnológica, la información incorrecta, la autoría, la integridad académica, la evaluación y la protección de datos, hallazgos que sustentaron la necesidad de establecer condiciones pedagógicas y éticas para orientar su incorporación en las actividades universitarias.
Respecto del segundo objetivo específico, se determinaron como criterios recurrentes en la literatura la transparencia, la responsabilidad institucional, la formación docente, la vinculación de las herramientas con los objetivos de aprendizaje, la supervisión humana, la evaluación de los procesos de aprendizaje, la declaración del uso de inteligencia artificial, la verificación de los contenidos generados y la protección de la información, elementos que fueron organizados en los ejes de gobernanza ética, formación docente, orientación pedagógica, integridad académica y protección de datos, manteniendo correspondencia entre los hallazgos documentales y la estructura operativa de la propuesta.
En relación con el tercer objetivo específico, se estructuraron orientaciones institucionales dirigidas a fortalecer la formación docente, regular el uso académico de herramientas generativas, incorporar mecanismos de transparencia y declaración de su utilización, favorecer estrategias de evaluación centradas en el proceso de aprendizaje, reforzar la participación intelectual del estudiante y establecer condiciones para el tratamiento responsable de información personal e institucional, mientras que el seguimiento se incorporó dentro de la gobernanza ética y la verificación dentro de la orientación pedagógica y la integridad académica, evitando presentarlos como ejes independientes.
Implicaciones y Limitaciones
La principal implicación práctica de la propuesta radica en su utilidad como referencia para orientar la elaboración o revisión de políticas institucionales relacionadas con el uso de inteligencia artificial generativa en universidades estatales de Santo Domingo, especialmente en aspectos vinculados con la gobernanza ética, la formación docente, la orientación pedagógica, la integridad académica y la protección de datos, cuya aplicación deberá ajustarse a los reglamentos académicos, mecanismos de evaluación, políticas institucionales y condiciones de formación de cada universidad; desde el ámbito teórico, el estudio articuló dimensiones que suelen abordarse de manera diferenciada al relacionar la ética institucional, la orientación pedagógica, el uso educativo, la integridad académica y la protección de datos dentro de una misma estructura analítica.
La principal limitación correspondió al carácter documental de la investigación, debido a que los hallazgos fueron obtenidos mediante el análisis de la literatura científica seleccionada y no mediante información empírica recopilada directamente en las universidades estatales de Santo Domingo, por lo que el estudio no permite establecer las percepciones, prácticas, necesidades o condiciones institucionales específicas de docentes y autoridades académicas de dichas universidades, ni comprobar la aplicabilidad o efectividad de la propuesta en situaciones educativas concretas, razón por la cual futuras investigaciones deberán contrastar sus componentes mediante estudios empíricos y procesos de validación con actores universitarios.
MPLI & AChA: Diseño de la investigación, administración del proyecto, análisis e interpretación formal de datos, redacción manuscrito y revisión final del manuscrito. Toma de datos, revisión de la bibliografía y redacción manuscrito. Hemos leído y aprobado la versión final del manuscrito, así mismo estamos de acuerdo con la responsabilidad de todos los aspectos del trabajo presentado.
Los autores declaran que no tienen conflictos de interés en relación con el trabajo presentado en este informe.
No se usaron tecnologías de IA o asistidas por IA para el desarrollo de este trabajo.
Acosta-Enriquez, B. G., Arbulú Ballesteros, M. A., Arbulu Perez Vargas, C. G., Orellana Ulloa, M. N., Gutiérrez Ulloa, C. R., Pizarro Romero, J. M., Gutiérrez Jaramillo, N. D., Cuenca Orellana, H. U., Ayala Anzoátegui, D. X., & López Roca, C. (2024). Knowledge, attitudes, and perceived ethics regarding the use of ChatGPT among Generation Z university students. International Journal for Educational Integrity, 20, Article 10. https://link.springer.com/article/10.1007/s40979-024-00157-4
Bhaskar, P., Misra, P., & Chopra, G. (2024). Shall I use ChatGPT? A study on perceived trust and perceived risk towards ChatGPT usage by teachers at higher education institutions. International Journal of Information and Learning Technology, 41(4), 428–447. https://www.emerald.com/ijilt/article-abstract/41/4/428/1224448/Shall-I-use-ChatGPT-A-study-on-perceived-trust-and?redirectedFrom=fulltext
Bittle, K., & El-Gayar, O. (2025). Generative AI and academic integrity in higher education: A systematic review and research agenda. Information, 16(4), 296. https://www.mdpi.com/2078-2489/16/4/296
Coates, H., Croucher, G., & Calderon, A. (2025). Governing academic integrity: Ensuring the authenticity of higher thinking in the era of generative artificial intelligence. Journal of Academic Ethics, 23, 2015–2028. https://link.springer.com/article/10.1007/s10805-025-09639-7
Cotton, D. R. E., Cotton, P. A., & Shipway, J. R. (2024). Chatting and cheating: Ensuring academic integrity in the era of ChatGPT. Innovations in Education and Teaching International, 61(2), 228–239. https://www.tandfonline.com/doi/full/10.1080/14703297.2023.2190148
Eager, B., & Brunton, R. (2023). Prompting higher education towards AI-augmented teaching and learning practice. Journal of University Teaching and Learning Practice, 20(5). https://www.researchgate.net/publication/371133522_Prompting_Higher_Education_Towards_AI-Augmented_Teaching_and_Learning_Practice
Eke, D. O. (2023). ChatGPT and the rise of generative AI: Threat to academic integrity? Journal of Responsible Technology, 13, 100060. https://www.sciencedirect.com/science/article/pii/S2666659623000033?via%3Dihub
ElSayary, A. (2024). An investigation of teachers' perceptions of using ChatGPT as a supporting tool for teaching and learning in the digital era. Journal of Computer Assisted Learning. https://onlinelibrary.wiley.com/doi/10.1111/jcal.12926
Espartinez, A. S. (2024). Exploring student and teacher perceptions of ChatGPT use in higher education: A Q-methodology study. Computers and Education: Artificial Intelligence, 7, 100264. https://www.sciencedirect.com/science/article/pii/S2666920X24000675
Farazouli, A., Cerratto Pargman, T., Bolander Laksov, K., & McGrath, C. (2025). Navigating uncertainty: University teachers’ experiences and perceptions of generative artificial intelligence in teaching and learning. Studies in Higher Education. https://www.tandfonline.com/doi/full/10.1080/03075079.2025.2550766
Fuller, M., & Barnes, N. (2024). The impact of ChatGPT on teaching and learning in higher education: Exploring the dual perspectives of participants who were students and teachers. New Directions for Higher Education, 2024(207), 31–46. https://onlinelibrary.wiley.com/doi/10.1002/he.20507
Fuller, M., & Barnes, N. (2024). The impact of ChatGPT on teaching and learning in higher education: Exploring the dual perspectives of participants who were students and teachers. New Directions for Higher Education, 2024(207), 31–46. https://onlinelibrary.wiley.com/doi/10.1002/he.20507
Hussain et al. (2024). University teachers at the crossroads: Unpacking their intentions toward ChatGPT's instructional use. .Journal of Applied Research in Higher Education. https://www.emerald.com/jarhe/article-abstract/17/4/1330/1257806/University-teachers-at-the-crossroads-unpacking?redirectedFrom=fulltext
Karkoulian, S., Sayegh, N., & Sayegh, N. (2025). ChatGPT unveiled: Understanding perceptions of academic integrity in higher education—A qualitative approach. Journal of Academic Ethics, 23, 1171–1188. https://link.springer.com/article/10.1007/s10805-024-09543-6
Kofinas, A. K., Tsay, C.-H., & Pike, D. (2025). The impact of generative AI on academic integrity of authentic assessments within a higher education context. British Journal of Educational Technology, 56, 2522–2549. https://bera-journals.onlinelibrary.wiley.com/doi/10.1111/bjet.13585
Leaton Gray, S., Edsall, D., & Parapadakis, D. (2025). AI-based digital cheating at university, and the case for new ethical pedagogies. Journal of Academic Ethics, 23, 2069–2086. https://link.springer.com/article/10.1007/s10805-025-09642-y
Liu, Z., & Zhang, W. (2024). A qualitative analysis of Chinese higher education students’ intentions and influencing factors in using ChatGPT: A grounded theory approach. Scientific Reports, 14, 18100. https://www.nature.com/articles/s41598-024-65226-7
Lu, Q., Yao, Y., Xiao, L., Yuan, M., Wang, J., & Zhu, X. (2024). Can ChatGPT effectively complement teacher assessment of undergraduate students’ academic writing? Assessment & Evaluation in Higher Education, 49(5), 616–633. https://www.tandfonline.com/doi/full/10.1080/02602938.2024.2301722
Lund, B. D., & Naheem, K. T. (2024). Can ChatGPT be an author? A study of artificial intelligence authorship policies in top academic journals. Learned Publishing, 37, 13–21. https://onlinelibrary.wiley.com/doi/10.1002/leap.1582
Malik, M. A. (2024). Challenges and opportunities about ChatGPT in higher education: A qualitative study about university teachers in Pakistan. Voyage Journal of Educational Studies, 4(2), 315–324. https://vjes.voyageams.com/index.php/vjes/article/view/166
Nicolíc, S., Sandison, C., Haque, R., & Daniel, S. (2024). ChatGPT, Copilot, Gemini, SciSpace and Wolfram versus higher education assessments: An updated multi-institutional study of the academic integrity impacts of generative artificial intelligence on assessment, teaching and learning in engineering. Australasian Journal of Engineering Education. https://www.tandfonline.com/doi/full/10.1080/22054952.2024.2372154
Nikoçeviq-Kurti, E., & Bërdynaj-Syla, L. (2024). ChatGPT integration in higher education: Impacts on teaching and professional development of university professors. Educational Process: International Journal, 13(3), 22–39. https://www.edupij.com/index/arsiv/66/348/chatgpt-integration-in-higher-education-impacts-on-teaching-and-professional-development-of-university-professors
Niloy, A. C., Hafiz, R., Hossain, B. M. T., Gulmeher, F., Sultana, N., Islam, K. F., Bushra, F., Islam, S., Hoque, S. I., Rahman, M. A., & Kabir, S. (2024). AI chatbots: A disguised enemy for academic integrity? International Journal of Educational Research Open, 7, 100396. https://www.sciencedirect.com/science/article/pii/S2666374024000785?via%3Dihub
Perkins, M. (2023). Academic Integrity
Considerations of AI Large Language Models in the Post-Pandemic Era: ChatGPT
and Beyond. Journal of University Teaching and Learning Practice, 20, Article
7.
https://doi.org/10.53761/1.20.02.07
Peters, M., & Angelov, D. (2025). Redefining assessment tasks to promote students’ creativity and integrity in the age of generative artificial intelligence. International Journal for Educational Integrity, 21, Article 25. https://link.springer.com/article/10.1007/s40979-025-00201-x
Qian, Y. (2025). Pedagogical applications of generative AI in higher education: A systematic review of the field. TechTrends, 69, 1105–1120. https://link.springer.com/article/10.1007/s11528-025-01100-1
Rasul, T., Nair, S., Kalendra, D., Robin, M., Santini, F. D. O., Ladeira, W. J., Sun, M., Day, I., Rather, R. A., & Heathcote, L. (2023). The role of ChatGPT in higher education: Benefits, challenges, and future research directions. Journal of Applied Learning and Teaching, 6(1), 41–56. https://research.aib.edu.au/en/publications/the-role-of-chatgpt-in-higher-education-benefits-challenges-and-f/
Sandu, R., Gide, E., & Elkhodr, M. (2024). The role and impact of ChatGPT in educational practices: Insights from an Australian higher education case study. Discover Education, 3, 71. https://link.springer.com/article/10.1007/s44217-024-00126-6
Sigüenza Orellana, J., Andrade Cordero, C., & Chitacapa Espinoza, J. (2024). Validación del cuestionario para docentes: Percepción sobre el uso de ChatGPT en la educación superior. Revista Andina de Educación, 8(1). https://revistas.uasb.edu.ec/index.php/ree/article/view/4847
Soleimani, S., Farrokhnia, M., van Dijk, A., & Noroozi, O. (2025). Educators’ perceptions of generative AI: Investigating attitudes, barriers and learning needs in higher education. Innovations in Education and Teaching International, 62(5), 1598–1613. https://www.tandfonline.com/doi/full/10.1080/14703297.2025.2530767
Sullivan, M., Kelly, A., & McLaughlan, P. (2023). ChatGPT in higher education: Considerations for academic integrity and student learning. Journal of Applied Learning & Teaching, 6(1), 1–10. https://www.researchgate.net/publication/369378950_ChatGPT_in_higher_education_Considerations_for_academic_integrity_and_student_learning
Sullivan, M., Kelly, A., & McLaughlan, P. (2023). ChatGPT in higher education: Considerations for academic integrity and student learning. Journal of Applied Learning & Teaching, 6(1), 1–10. https://www.scirp.org/reference/referencespapers?referenceid=3654518
Torres-Díaz, J. C., Duart, J. M., Rivera, D., & Beltrán Flandoli, A. (2025). Artificial intelligence and academic integrity: Exploring plagiarism in Ecuadorian universities. International Journal for Educational Integrity, 21, Article 35. https://link.springer.com/article/10.1007/s40979-025-00209-3
Usher, M., Barak, M., & Erduran, S. (2025). What role should higher education institutions play in fostering AI ethics? Insights from science and engineering graduate students. International Journal of STEM Education, 12, Article 51. https://link.springer.com/article/10.1186/s40594-025-00567-x
Verano-Tacoronte, D., Bolívar-Cruz, A., & Sosa-Cabrera, S. (2025). Are university teachers ready for generative artificial intelligence? Unpacking faculty anxiety in the ChatGPT era. Education and Information Technologies, 30, 20495–20522. https://link.springer.com/article/10.1007/s10639-025-13585-7
Waltzer, T., Pilegard, C., & Heyman, G. D. (2024). Can you spot the bot? Identifying AI-generated writing in college essays. International Journal for Educational Integrity, 20, Article 11. https://link.springer.com/article/10.1007/s40979-024-00158-3
Wang, H., Dang, A., Wu, Z., & Mac, S. (2024). Generative AI in higher education: Seeing ChatGPT through universities’ policies, resources, and guidelines. Computers and Education: Artificial Intelligence, 7, 100326. https://www.sciencedirect.com/science/article/pii/S2666920X24001292?via%3Dihub
Wang, N., Li, Y., & Cong, F. (2025). University students’ privacy concerns towards generative artificial intelligence. Journal of Academic Ethics, 23(4), 2401–2422. https://link.springer.com/article/10.1007/s10805-025-09658-4
Wenhan Lyu, Shuang Zhang, Tingting Chung, Yifan Sun, Yixuan Zhang. (2025). Understanding the practices, perceptions, and (dis)trust of generative AI among instructors: A mixed-methods study in the U.S. higher education. Computers and Education: Artificial Intelligence, 8, 100383. ISSN 2666-920X, https://doi.org/10.1016/j.caeai.2025.100383.
Yang, E., & Beil, C. (2024). Ensuring data privacy in AI/ML implementation. New Directions for Higher Education, 2024(207), 63–78. https://onlinelibrary.wiley.com/doi/10.1002/he.20509
Periodo de publicación considerado: 2023–2025
Unidad de análisis: Artículos científicos relacionados con inteligencia artificial generativa, educación superior, ética, pedagogía, integridad académica, protección de datos y gobernanza institucional.
|
N.º |
Referencia |
Año |
Contexto geográfico |
Tema o enfoque principal |
Aporte identificado |
Categoría de análisis |
|
1 |
Acosta-Enriquez et al. |
2024 |
Perú/Ecuador |
Conocimientos, actitudes y percepción ética de estudiantes universitarios sobre ChatGPT |
Evidencia la importancia de considerar las percepciones y dimensiones éticas de los estudiantes latinoamericanos frente al uso educativo de IA generativa. |
Ética institucional / Integridad académica |
|
2 |
Bhaskar, Misra y Chopra |
2024 |
India |
Confianza y riesgo percibido por docentes frente a ChatGPT |
Relaciona la aceptación de ChatGPT con la confianza y la percepción de riesgos por parte del profesorado universitario. |
Orientación pedagógica / Uso educativo |
|
3 |
Bittle y El-Gayar |
2025 |
Internacional |
IA generativa e integridad académica |
Sistematiza riesgos y desafíos de la IA generativa para la integridad académica y plantea una agenda de investigación. |
Integridad académica |
|
4 |
Coates, Croucher y Calderon |
2025 |
Australia |
Gobernanza de la integridad académica |
Destaca la necesidad de preservar la autenticidad del pensamiento de mayor complejidad frente a la IA generativa. |
Ética institucional / Integridad académica |
|
5 |
Cotton, Cotton y Shipway |
2024 |
Reino Unido |
ChatGPT y fraude académico |
Examina los riesgos de fraude académico y la necesidad de respuestas institucionales ante el uso de ChatGPT. |
Integridad académica / Evaluación |
|
6 |
Eager y Brunton |
2023 |
Australia |
IA aplicada a la enseñanza y aprendizaje universitario |
Analiza la transformación de las prácticas docentes mediante herramientas de IA y sus posibilidades de utilización educativa. |
Orientación pedagógica / Uso educativo |
|
7 |
Eke |
2023 |
Internacional |
ChatGPT e integridad académica |
Identifica riesgos de los modelos generativos para las formas tradicionales de autoría y evaluación. |
Ética institucional / Integridad académica |
|
8 |
ElSayary |
2024 |
Emiratos Árabes Unidos |
Percepciones docentes sobre ChatGPT |
Examina la percepción del profesorado sobre ChatGPT como herramienta de apoyo a la enseñanza y aprendizaje. |
Orientación pedagógica / Uso educativo |
|
9 |
Espartinez |
2024 |
Estados Unidos |
Percepciones de estudiantes y docentes |
Evidencia posiciones diferenciadas entre estudiantes y docentes frente al uso educativo de ChatGPT. |
Orientación pedagógica / Uso educativo |
|
10 |
Farazouli et al. |
2025 |
Suecia |
Experiencias docentes e incertidumbre frente a IA generativa |
Identifica experiencias, percepciones e incertidumbres del profesorado universitario ante la incorporación de IA generativa. |
Orientación pedagógica / Uso educativo |
|
11 |
Fuller y Barnes |
2024 |
Estados Unidos |
Perspectivas de estudiantes y docentes |
Examina las percepciones de ambos grupos sobre los efectos de ChatGPT en enseñanza y aprendizaje. |
Orientación pedagógica / Uso educativo |
|
12 |
Hussain et al. |
2024 |
Pakistán |
Intenciones de docentes universitarios respecto a ChatGPT |
Analiza los factores asociados con la intención del profesorado de utilizar ChatGPT con fines instructivos. |
Orientación pedagógica / Uso educativo |
|
13 |
Karkoulian, Sayegh y Sayegh |
2025 |
Líbano |
Percepciones sobre integridad académica |
Aborda cualitativamente las percepciones sobre integridad académica frente al uso de ChatGPT en educación superior. |
Ética institucional / Integridad académica |
|
14 |
Kofinas, Tsay y Pike |
2025 |
Reino Unido |
IA generativa y evaluaciones auténticas |
Examina los efectos de la IA generativa sobre la integridad de las evaluaciones auténticas. |
Ética institucional / Integridad académica |
|
15 |
Leaton Gray, Edsall y Parapadakis |
2025 |
Reino Unido |
Fraude digital y nuevas pedagogías |
Relaciona el fraude académico mediante IA con la necesidad de desarrollar nuevas pedagogías éticas. |
Ética institucional / Integridad académica |
|
16 |
Liu y Zhang |
2024 |
China |
Intenciones de estudiantes universitarios frente a ChatGPT |
Identifica factores que influyen en la utilización de ChatGPT por estudiantes universitarios. |
Orientación pedagógica / Uso educativo |
|
17 |
Lu et al. |
2024 |
China |
ChatGPT y evaluación de escritura académica |
Analiza el uso de ChatGPT como complemento de la evaluación docente y destaca la necesidad de conservar la intervención profesional del docente. |
Orientación pedagógica / Uso educativo |
|
18 |
Lund y Naheem |
2024 |
Internacional |
Autoría mediante inteligencia artificial |
Examina políticas sobre autoría de IA en revistas académicas y la necesidad de transparencia y responsabilidad. |
Ética institucional / Integridad académica |
|
19 |
Malik |
2024 |
Pakistán |
Oportunidades y dificultades del uso de ChatGPT |
Examina las oportunidades y desafíos percibidos por docentes universitarios frente a ChatGPT. |
Orientación pedagógica / Uso educativo |
|
20 |
Nicolíc, Sandison, Haque y Daniel |
2024 |
Australia |
IA generativa y evaluación universitaria |
Analiza los efectos de distintas herramientas generativas sobre evaluación, enseñanza, aprendizaje e integridad académica. |
Orientación pedagógica / Uso educativo |
|
21 |
Nikoçeviq-Kurti y Bërdynaj-Syla |
2024 |
Kosovo |
ChatGPT, docencia y desarrollo profesional |
Relaciona la integración de ChatGPT con las prácticas docentes y el desarrollo profesional del profesorado. |
Orientación pedagógica / Uso educativo |
|
22 |
Niloy et al. |
2024 |
Bangladesh |
Chatbots e integridad académica |
Identifica riesgos relacionados con la producción automatizada de trabajos y la reducción de participación intelectual del estudiante. |
Ética institucional / Integridad académica |
|
23 |
Perkins |
2023 |
Internacional |
Grandes modelos de lenguaje e integridad académica |
Examina los desafíos de ChatGPT y otros modelos de lenguaje para la integridad académica y las estrategias institucionales. |
Ética institucional / Integridad académica |
|
24 |
Peters y Angelov |
2025 |
Internacional |
Evaluación, creatividad e integridad |
Propone reconsiderar las actividades evaluativas para fortalecer creatividad e integridad frente a la IA generativa. |
Orientación pedagógica / Integridad académica |
|
25 |
Qian |
2025 |
Internacional |
Aplicaciones pedagógicas de IA generativa |
Sistematiza los principales usos pedagógicos de IA generativa en educación superior y diferencia sus posibilidades educativas. |
Orientación pedagógica / Uso educativo |
|
26 |
Rasul et al. |
2023 |
Internacional |
Beneficios y desafíos de ChatGPT |
Identifica beneficios, desafíos y líneas futuras de investigación sobre ChatGPT en educación superior. |
Uso educativo / Pedagogía |
|
27 |
Sandu, Gide y Elkhodr |
2024 |
Australia |
ChatGPT y prácticas educativas |
Analiza funciones y efectos de ChatGPT en prácticas educativas universitarias mediante un estudio de caso. |
Orientación pedagógica / Uso educativo |
|
28 |
Sigüenza Orellana, Andrade Cordero y Chitacapa Espinoza |
2024 |
Ecuador |
Percepción docente sobre ChatGPT |
Desarrolla y valida un cuestionario para estudiar la percepción de docentes de educación superior ecuatorianos sobre el uso de ChatGPT. |
Orientación pedagógica / Uso educativo |
|
29 |
Soleimani et al. |
2025 |
Internacional |
Percepciones, barreras y necesidades formativas |
Examina actitudes, barreras y necesidades de aprendizaje de educadores de educación superior frente a IA generativa. |
Orientación pedagógica / Uso educativo |
|
30 |
Sullivan, Kelly y McLaughlan |
2023 |
Australia |
ChatGPT, integridad académica y aprendizaje |
Analiza las consideraciones relacionadas con integridad académica y aprendizaje estudiantil frente a ChatGPT. |
Ética institucional / Orientación pedagógica |
|
31 |
Torres-Díaz, Duart, Rivera y Beltrán Flandoli |
2025 |
Ecuador |
IA, plagio e integridad académica |
Analiza la relación entre inteligencia artificial, plagio e integridad académica en universidades ecuatorianas. |
Ética institucional / Orientación pedagógica |
|
32 |
Usher, Barak y Erduran |
2025 |
Internacional |
Responsabilidad institucional y ética de IA |
Examina el papel de las instituciones de educación superior en la formación y promoción de la ética relacionada con IA. |
Ética institucional / Integridad académica |
|
33 |
Verano-Tacoronte, Bolívar-Cruz y Sosa-Cabrera |
2025 |
España |
Preparación y preocupaciones docentes |
Examina la preparación del profesorado universitario y las preocupaciones relacionadas con la incorporación de ChatGPT. |
Orientación pedagógica / Uso educativo |
|
34 |
Waltzer, Pilegard y Heyman |
2024 |
Estados Unidos |
Identificación de textos generados por IA |
Analiza las posibilidades y limitaciones para identificar textos generados mediante inteligencia artificial en trabajos universitarios. |
Orientación pedagógica / Uso educativo |
|
35 |
Wang, Dang, Wu y Mac |
2024 |
Internacional |
Políticas, recursos y directrices universitarias |
Examina cómo las universidades responden institucionalmente a la IA generativa mediante políticas, recursos y orientaciones. |
Ética institucional / Integridad académica |
|
36 |
Wang, Li y Cong |
2025 |
China |
Privacidad de estudiantes frente a IA generativa |
Examina las preocupaciones de estudiantes universitarios respecto de la privacidad y el tratamiento de información mediante IA generativa. |
Ética institucional / Integridad académica |
|
37 |
Lyu, Zhang, Chung, Sun y Zhang |
2025 |
Estados Unidos |
Prácticas, percepciones y confianza docente |
Analiza las prácticas y percepciones del profesorado universitario frente a la IA generativa, incluyendo aspectos relacionados con confianza y desconfianza. |
Orientación pedagógica / Uso educativo |
|
38 |
Yang y Beil |
2024 |
Estados Unidos |
Privacidad de datos en IA |
Examina medidas relacionadas con la protección de datos durante la implementación de sistemas de inteligencia artificial. |
Ética institucional / Integridad académica |