IA generativa versus profesores:
reflexiones desde una revisión de la literatura
Generative AI vs. Teachers: insights from a literature
review
Dr. Andres Chiappe. Profesor Titular. Universidad de la
Sabana. Colombia
Dña. Carolina Sanmiguel.
Profesora. Fundación Universitaria Navarra. Colombia
Dra. Fabiola Mabel Sáez
Delgado. Profesora. Universidad Católica de la
Santísima Concepción. Chile
Recibido:
2024/07/08 Revisado 2024/05/28 Aceptado: :2024/12/06 Online First: 2024/12/14 Publicado: 2025/01/07
Cómo citar este artículo:
Chiappe,
A., Sanmiguel, C., & Sáez Delgado, F. M. (2025). IA generativa versus
profesores: reflexiones desde una revisión de la literatura [Generative AI vs. Teachers: insights from a literature review]. Pixel-Bit. Revista De
Medios Y Educación, 72, 119–137. https://doi.org/10.12795/pixelbit.107046
RESUMEN
La creciente
integración educativa de la inteligencia artificial está reconfigurando la
educación superior, especialmente a través del uso de chatbots y modelos de lenguaje generativo. Este artículo
realiza una revisión de la literatura, aplicando las directrices PRISMA a 155
artículos revisados por pares, para examinar las ventajas, limitaciones y
aplicaciones pedagógicas de la IA en comparación con la enseñanza humana. Se
identificaron tres principales escenarios de impacto en las prácticas
educativas: a) Pérdida de ciertos aspectos tradicionales de la enseñanza, como
la transmisión exclusiva de información y tareas de reporte, b) Transformación
de roles, incluyendo el control sobre contenidos educativos y el contrato
didáctico, c) Emergencia de nuevos elementos, como la personalización del
aprendizaje y enfoques innovadores en la evaluación. A pesar de su potencial para automatizar procesos
y ahorrar tiempo, los chatbots no replican cualidades
humanas esenciales como la empatía y la adaptabilidad. Por ello, su integración
óptima requiere análisis pedagógicos profundos que equilibren innovación y
efectividad educativa. Este trabajo es valioso para investigadores, docentes y
diseñadores educativos interesados en entender cómo aprovechar la IA sin
comprometer la calidad de la enseñanza. Representa un paso crucial hacia
estrategias de incorporación de IA basadas en principios pedagógicos sólidos.
ABSTRACT
The growing integration of
artificial intelligence in universities is reshaping higher education,
particularly through the use of chatbots and
generative language models. This article conducts a literature review, applying
PRISMA guidelines to 155 peer-reviewed articles, to examine the advantages,
limitations, and pedagogical applications of AI compared to human teaching.
Three main scenarios of impact on educational practices were identified: a)
Loss of certain traditional aspects of teaching, such as exclusive information
transmission and reporting tasks, b) Transformation of roles, including control
over educational content and the didactic contract, c) Emergence of new
elements, such as personalized learning and innovative evaluation approaches.
Despite its potential to automate processes and save time, chatbots cannot
replicate essential human qualities like empathy and adaptability. Therefore,
their optimal integration requires thorough pedagogical analysis to balance
innovation with educational effectiveness. This work is valuable for
researchers, educators, and instructional designers seeking to understand how
to leverage AI without compromising teaching quality. It represents a crucial
step toward the development of AI integration strategies grounded in solid
pedagogical principles.
PALABRAS CLAVES· KEYWORDS
Inteligencia Artificial Generativa; Prácticas
Docentes; Innovación Educativa; Educación Superior; Transformación Pedagógica;
Aplicaciones de Chatbots en Educación
Generative Artificial Intelligence; Teacher Practices;
Educational Innovation; Higher Education; Pedagogical Transformation; Chatbot
Applications in Education
1. Introducción
En los últimos tiempos, ha sido cada vez más frecuente
escuchar sobre experiencias piloto de implementación de chatbots
en la educación, como parte de una tendencia creciente y compleja de incorporar
tecnologías digitales para apoyar la enseñanza y el aprendizaje (Chen et al.,
2023; Tlili et al., 2023).
En este sentido, Salvagno et
al. (2023), mencionan que
los chatbots son programas capaces de generar una
conversación específica con las personas, a través del procesamiento de
lenguaje natural. Los chatbots, que pueden vincular
texto y voz, reconocen expresiones, entienden perspectivas y ofrecen
perspectivas a partir de procesos de alimentación o entrenamiento continuo basados en las respuestas e interacciones de sus
usuarios. En otras palabras, los chatbots se
consideran una herramienta de software que permite interactuar con los usuarios
sobre un tema específico de manera natural y conversacional mediante texto y
voz (Smutny & Schreiberova, 2020). Se han
utilizado para diversos propósitos en un amplio rango de dominios, y la
educación no ha sido la excepción.
Las pocas y recientes investigaciones al respecto, así
como la información disponible en la prensa y redes académicas, indican que
existe mucha confusión y temor sobre el uso de estas herramientas digitales,
principalmente relacionado con el plagio (King, 2023) y, en general,
con la pérdida de relevancia de muchas actividades de aprendizaje y evaluación
que tradicionalmente se han brindado a los estudiantes (Surahman & Wang, 2022).
En este escenario, es de vital importancia ofrecer un
enfoque reflexivo desde una perspectiva pedagógica sobre este tema, de manera
que sea útil para investigadores y educadores, y así identificar sus
posibilidades y principales riesgos para su correcta implementación en el marco
de la educación superior. En el camino hacia la comprensión, al menos de manera
incipiente, del potencial y los riesgos del uso de chatbots
en la educación, parece que aún queda prácticamente todo por hacer, según lo
indicado en la Figura 1, donde se muestra el panorama de la investigación sobre
este tema, publicado en revistas revisadas por pares e indexadas en Scopus.
Figura 1
Artículos publicados sobre “chatbots
y educación” en revistas indexadas en Scopus.
La Figura 1 destaca que el interés investigativo en el
uso de chatbots en la educación ha crecido
exponencialmente en los últimos cinco años. Sin embargo, el número de artículos
publicados por año sigue siendo relativamente bajo, con un promedio de poco más
de 100 artículos por año en los últimos cuatro años. Estos hallazgos sugieren
que aún hay mucho por investigar en esta área, a pesar del creciente interés.
Los entusiastas del avance tecnológico consideran que
la inteligencia artificial (IA) es un elemento permanente en nuestra sociedad,
respaldada por hallazgos de investigación y su crecimiento y presencia actuales
en diversos ámbitos de la vida humana (S. Lee et al.,
2022). La mayoría de
las iniciativas de IA buscan lograr mejoras permanentes, aumentando las
expectativas sobre su uso continuo. La integración de algoritmos inteligentes
ha revolucionado las tecnologías digitales en nuestra vida diaria,
particularmente mediante procesos automatizados de resolución de problemas (Raphael, 2022) y servicios
digitales personalizados (Maksimova et al., 2021).
No obstante, la IA también plantea preocupaciones,
como la privacidad (Hu & Min, 2023), la seguridad
de la información (S. Lee et al.,
2020), el sesgo y la
fiabilidad de los sistemas de toma de decisiones (Qiu et al.,
2022; Sun et al., 2022), aspectos
discutidos desde distintas perspectivas críticas. Entre los desarrollos
recientes de la IA destacan los chatbots, también
conocidos como robots conversacionales, agentes o asistentes personalizados,
que interactúan y “conversan mediante texto” con usuarios humanos. Han sido
utilizados principalmente en sistemas de atención al cliente (Antonio et al.,
2022), asistencia
personal y del hogar, comercio electrónico, marketing y gestión empresarial (Reis et al.,
2022), transporte y
logística (Aksyonov et al., 2021) e interacción
ciudadano-gobierno.
Los chatbots se basan en
modelos de lenguaje natural, que asimilan la estructura del lenguaje humano,
identifican patrones, realizan predicciones y generan respuestas
conversacionales mediante el entrenamiento con grandes cantidades de datos y
algoritmos (C.-C. Lin et
al., 2023). Existen dos
tipos: “abiertos” o generales, disponibles para el público y capaces de
responder sobre diversos temas; y “cerrados” o específicos, diseñados para
áreas particulares como la atención al cliente o el cuidado de pacientes (Wilson & Marasoiu, 2022). Su creación
requiere una gran cantidad de información para responder preguntas diversas de
los usuarios y una actualización y entrenamiento constantes para mantener las
respuestas relevantes, lo que involucra un tiempo y costo significativos (Al-Tuama & Nasrawi, 2022).
En educación, el uso de chatbots
está emergiendo y generando interés, aunque las publicaciones académicas son
mínimas debido a su novedad (Bailey & Almusharraf,
2021). La literatura inicial muestra expectativas positivas, centrándose en
identificar la intencionalidad y aplicación de los desarrollos de IA en cursos
universitarios como asistentes virtuales o tutores, apoyando modelos de
aprendizaje masivo o autodirigido (Hsu & Huang,
2022) o mediando la regulación emocional de los estudiantes (Benke et al., 2020). Si bien existen escépticos (Winkler
& Söllner, 2018), revisiones recientes han
examinado chatbots para Facebook Messenger como
soporte de aprendizaje (Smutny & Schreiberova, 2020), intentos de uso de chatbots
en educación (Kuhail et al., 2023), tendencias de
investigación en IA generativa en práctica educativa (Bozkurt,
2023), tendencias de uso de chatbots en contextos
educativos (Hwang & Chang, 2023), y beneficios, oportunidades, desafíos y
perspectivas de los chatbots de IA en la educación (Labadze et al., 2023). Sin embargo, se requiere una
revisión específica que complemente estos objetivos para explorar más a fondo
los beneficios potenciales y la idoneidad de los avances en modelos de lenguaje
natural para la educación superior.
2. Metodología
Según Carrera-Rivera (2022), realizar una revisión de
literatura facilita la identificación de ideas específicas o patrones de ideas
que contribuyen a comprender información extensa. En este estudio, el proceso
de revisión de literatura siguió las fases mencionadas por dicho investigador y
se alineó con las pautas del método PRISMA, como se ilustra en la Figura 2.
Figura 1
Diseño del
método de revisión
2.1 Diseño del Protocolo de Revisión
La etapa
inicial de la revisión de literatura implicó determinar su propósito, que se
centró en identificar las transformaciones clave en las prácticas docentes
derivadas del uso creciente de chatbots y otros
desarrollos en inteligencia artificial. Para guiar esta revisión, se formuló
una pregunta de investigación: "¿Cuáles son los efectos de la
implementación de chatbots en la práctica
docente?"
A partir de la pregunta, el siguiente paso fue
seleccionar las fuentes de información adecuadas. Se eligió Scopus,
una base de datos de revistas amplia y reconocida por sus rigurosos procesos de
revisión editorial, debido a su amplia cobertura y variedad de revistas.
Además, Scielo y DOAJ se consideraron como bases complementarias. Según Pranckutė (2021), estas bases poseen un alto
reconocimiento académico y científico gracias a la rigurosidad de sus procesos
de revisión por pares y estrictas políticas editoriales, lo que garantiza la
calidad de las fuentes revisadas. Estas bases también ofrecen una cobertura
temática amplia y un número significativo de revistas de alto impacto. En
particular, Scopus proporciona herramientas de
análisis de datos útiles en las etapas iniciales de la revisión.
Para abordar la pregunta de revisión, se aplicó una
cadena de palabras clave en Scopus con los siguientes
términos:
TITLE-ABS-KEY ("teacher practice" OR "teaching practice" OR
teaching) AND (chatbots OR "artificial intelligence") AND (LIMIT TO SUBJAREA,“SOCI“).
2.2 Búsqueda de Literatura y Selección de Estudios
En esta fase, se aplicaron tres procesos
característicos del método PRISMA: identificación, cribado y elegibilidad.
La búsqueda inicial arrojó un total de 2,683
documentos tras aplicar el filtro de ciencias sociales (Scopus=2,442;
Scielo=25; DOAJ=216). Para asegurar una muestra adecuada para un análisis
posterior, se calculó una muestra representativa probabilística de 337
documentos, con un nivel de confianza del 95% y un margen de error del 5%.
Para el cálculo de esta muestra S, se aplicó la
siguiente fórmula, donde N = el tamaño del conjunto inicial de documentos, e =
el margen de error, y z = el puntaje z, que se define como el número de
desviaciones estándar que una proporción dada se desvía de la media.
S=
Finalmente, se eliminaron 85 artículos duplicados
(repetidos en las bases de datos).
Como parte del paso de elegibilidad, se llevó a cabo un proceso de resumen, en
el cual se aplicaron los siguientes criterios de inclusión/exclusión para
garantizar la relevancia y calidad de los estudios incluidos: (1) abordaran
directamente el uso de chatbots o inteligencia
artificial en contextos educativos desde una perspectiva pedagógica; y (2)
presentaran datos empíricos que respaldaran los hallazgos reportados.
Adicionalmente, los artículos debían estar publicados
en revistas revisadas por pares, indexadas entre 2015 y 2023, y escritos en
inglés o español. Como criterios de exclusión, se descartaron los estudios
duplicados, las revisiones teóricas sin datos empíricos, y los trabajos que no
ofrecieran aportes claros al objetivo de la revisión. Estos criterios
aseguraron un corpus de investigación pertinente, actualizado y
metodológicamente sólido. Los documentos que cumplieron con estos criterios
conformaron el conjunto de documentos sometidos a lectura en profundidad
(n=155).
Para garantizar el rigor, se realizó una evaluación
sistemática de la calidad de los estudios incluidos. Cada artículo fue evaluado
en función de su relevancia temática, metodología aplicada y robustez de los
hallazgos. Los parámetros de evaluación incluyeron la claridad de los
objetivos, validez de los métodos, fiabilidad de la recopilación y análisis de
datos, y conclusiones bien fundamentadas. Este proceso permitió priorizar los
estudios que ofrecían aportes significativos y bien documentados sobre los efectos
de los chatbots en la educación.
2.3 Extracción y Análisis de Datos
La fase de extracción de datos implicó una lectura
meticulosa de cada artículo seleccionado y el registro de la información relevante
en una matriz de documentación, donde los datos fueron analizados de manera
sistemática. El análisis de datos siguió un enfoque mixto que combinó técnicas
cualitativas (agrupación y categorización) y cuantitativas (análisis de
frecuencias o co-ocurrencias). Inicialmente, se
aplicó una codificación abierta para identificar conceptos y patrones
emergentes, los cuales luego se organizaron en categorías temáticas principales
mediante un análisis inductivo. Posteriormente, se empleó la codificación axial
para establecer relaciones entre categorías, lo que permitió una comprensión
más profunda de los fenómenos estudiados.
El análisis de co-ocurrencias
consistió en examinar con qué frecuencia aparecían juntos temas o palabras
clave específicas dentro del mismo artículo o sección. Se creó una matriz de co-ocurrencias para cuantificar y visualizar las relaciones
entre diferentes conceptos. Por ejemplo, temas como "transformación
pedagógica", "aprendizaje personalizado" y "compromiso
estudiantil" se vincularon frecuentemente, lo que indica una fuerte
interrelación en el contexto de las aplicaciones de la IA en la educación. Este
paso fue facilitado mediante el uso de software especializado para análisis de
texto, lo que garantizó precisión y consistencia. Finalmente, los resultados
del análisis de frecuencias y co-ocurrencias se
sintetizaron en una representación visual, como mapas de calor o diagramas de
redes, para resaltar las conexiones y patrones más significativos.
La fase final de la revisión incluyó la síntesis,
interpretación y compilación de los resultados en un texto coherente. Los
hallazgos se estructuraron siguiendo el formato IMRaD
(Introducción, Métodos, Resultados y Discusión), lo que facilitó una
comprensión integral de los resultados de la investigación. En esta etapa, se
realizaron análisis tanto cualitativos como cuantitativos, asegurando un examen
riguroso de los datos recopilados. Los investigadores analizaron
meticulosamente los datos en busca de precisión y relevancia, extrayendo
percepciones clave y tendencias. Posteriormente, los resultados sintetizados
fueron interpretados para proporcionar una comprensión más profunda del tema de
investigación. Finalmente, los investigadores organizaron y compilaron los
resultados en un texto cohesivo, presentando la metodología, resultados y las
discusiones subsecuentes de manera sistemática y lógica.
3. Análisis y
resultados
3.1 Principales efectos de la implementación de chatbots en el trabajo docente
La Figura 3 proporciona una representación visual de
los temas y conceptos clave que surgen del análisis de la integración de la
inteligencia artificial y los chatbots en la
educación.
Figura 3
Temas y conceptos clave relacionados con los
resultados
Uno de los primeros problemas identificados en la
literatura con respecto a las herramientas basadas en IA es la respuesta
emocional a su implementación. Mientras que el 35.6% de los estudios expresa
una perspectiva esperanzadora y positiva sobre los chatbots
en educación, el 28.2% refleja sentimientos de riesgo y desconfianza, que a
menudo se hacen eco en los medios de comunicación. Aoun
(2017) destaca que la inteligencia artificial y la robótica han superado a los
humanos en tareas específicas, lo que lleva a reflexionar sobre los roles en
los que los humanos sobresalen, como fomentar la creatividad y la
adaptabilidad, y desalentar prácticas de formación obsoletas. Esta perspectiva
es respaldada por López Regalado et al. (2024) y Villegas-José y Delgado-García
(2024).
Como se documenta en el 67.3% de los estudios
revisados, los chatbots se están utilizando cada vez
más en educación para tareas como el soporte administrativo y la predicción de
deserción escolar. También asisten en la enseñanza al responder dudas de los
estudiantes y simplificar temas complejos (K.-C. Lin et al., 2023). Además, el
28.7% de los artículos enfatiza que la automatización de tareas repetitivas
para los docentes puede mejorar la calidad de la enseñanza al liberar tiempo
para el diseño de cursos y la retroalimentación personalizada (Su & Yang,
2023). Los chatbots también fomentan la participación
de los estudiantes al proporcionar un entorno libre de presión para realizar
preguntas.
En modelos de educación masiva como los MOOCs, los chatbots juegan un
papel complementario al simular interacciones entre profesor y estudiante que,
de otro modo, estarían limitadas por la escala. Aunque solo el 7.4% de los
estudios explora los chatbots en los MOOCs, su relevancia en el aprendizaje mediado digitalmente
es notable, como señalan Li (2022) y Bachiri y Mouncif (2023). Estos hallazgos subrayan el doble potencial
y las limitaciones de los chatbots en la educación,
lo que requiere una mayor exploración.
3.2 Resultados relacionados con la disrupción
De acuerdo con Aoun (2017),
de vez en cuando surgen desarrollos tecnológicos en la escena humana con
capacidades suficientes para transformar radicalmente la vida en todas sus
dimensiones. Ocurrió con la industrialización y la mecanización derivada de la
tecnología del vapor, con la electricidad, con Internet y, ahora, con la
robótica y la inteligencia artificial. En este sentido, quienes han dado
seguimiento a estos fenómenos coinciden en que la llegada de estas tecnologías,
en términos de trabajo y espacios profesionales, siempre implica que algunos
roles se pierden, otros se transforman y otros emergen (Mesquita
et al., 2021).
Tal reflexión, llevada al tema expuesto en este texto,
nos pone en la posición de preguntarnos: Debido a la inteligencia artificial...
¿Qué cuestiones del rol docente se perderán? ¿Qué deberá transformarse? ¿Qué
nuevos roles debería asumir el docente? En otras palabras, ¿qué puede hacer un
docente mejor que un robot o un sistema de inteligencia artificial?
Por lo tanto, a lo largo de algunos resultados de esta
revisión, buscamos abordar posibles respuestas a estas preguntas, que se
vuelven esenciales para la relevancia de los docentes dentro de un sistema
educativo que está dando pasos cada vez más decididos hacia la incorporación
estructural de tecnologías transformadoras como la inteligencia artificial.
Desde este punto de vista, hemos organizado los siguientes resultados. La
Figura 4 proporciona una representación visual de los resultados relacionados
con la disrupción.
Figura 4
Resultados relacionados con la disrupción
3.2.1 Sobre lo
que los docentes perderán debido a los chatbots
Al reconocer que el alcance de la pedagogía abarca la
educación en su totalidad, resulta evidente que muchos de los desafíos
comúnmente encontrados en las prácticas educativas probablemente se verán
afectados por la emergencia de tecnologías digitales robustas como la
inteligencia artificial. En consecuencia, se debe emplear una perspectiva
pedagógica para analizar y comprender estos cambios de manera natural y serena.
Esto facilitará la adaptación a nuevos discursos y prácticas profesionales de
los docentes. A continuación, se presentan algunos temas encontrados en la
literatura al respecto:
Pérdida #1: El
rol del docente como transmisor de información.
Desde mediados de la década de 1990, han surgido
preocupaciones con respecto a las tecnologías digitales amenazando los trabajos
de los docentes. La literatura (72.8%) destaca el creciente papel de la
inteligencia artificial en la educación, proporcionando a los estudiantes
acceso a vastas cantidades de información en diversos formatos y generando
tensiones entre docentes y chatbots (Malik et al.,
2021; Safadel et al., 2023). Sin embargo, la idea de
que los chatbots eliminarán el rol de los docentes
como transmisores de información es debatida.
Los chatbots, en su estado
actual, carecen de la capacidad de reconocer las características individuales
de los estudiantes, lo que limita su habilidad para adaptarse a necesidades de
aprendizaje diversas. En contraste, los docentes sobresalen en la
personalización de la instrucción, la provisión de retroalimentación y el apoyo
emocional, roles que la inteligencia artificial aún no puede replicar por
completo (Meng & Dai,
2021). Estos elementos centrados en el ser humano permanecen centrales para una
educación efectiva.
No obstante, en contextos donde la enseñanza se enfoca
únicamente en la transmisión de información, los chatbots
podrían reemplazar este rol al proporcionar contenido preciso y fácilmente
accesible. Esto ocurre más probablemente en escenarios donde la enseñanza está
limitada a entregar información básica. Sin embargo, en regiones con una
infraestructura digital limitada, los docentes continúan siendo esenciales como
transmisores de contenido. Esto resalta que, aunque la inteligencia artificial
puede complementar la educación, su impacto está condicionado por el contexto,
la infraestructura y los enfoques pedagógicos. La relación entre la
inteligencia artificial y los educadores debe basarse en la complementariedad y
no en el reemplazo, asegurando que la enseñanza centrada en lo humano siga
enriqueciendo las experiencias educativas.
Pérdida #2:
Tareas exclusivamente relacionadas con el reporte de datos o información.
Los chatbots permiten que
los estudiantes accedan inmediatamente a información y respuestas, eliminando
la necesidad de pasar horas buscando en diversas fuentes. Como se indica en el
17.4% de los artículos revisados, esta capacidad permite que los estudiantes
obtengan rápidamente la información necesaria mediante chats de texto,
simplificando tareas que anteriormente dependían de una recopilación extensa de
datos. En consecuencia, las tareas centradas exclusivamente en el reporte de
información se han vuelto menos relevantes, permitiendo que tanto estudiantes
como docentes se enfoquen en tareas que implican analizar y comprender la
información adquirida, como señalan Fidan y Gencel (2022) y Malik et al. (2021).
Este cambio requiere una transformación en el diseño
de las tareas y actividades educativas. Las asignaciones deben enfocarse en
fortalecer las habilidades de los estudiantes en lugar de disminuir sus
oportunidades de aprendizaje debido a la dependencia excesiva de los chatbots. Además, las instituciones de educación superior
deberían considerar la adopción de herramientas de verificación de similitudes
y detección de escritura generada por máquinas. Esto introduciría escenarios
donde la inteligencia artificial se utilice para identificar contenido generado
por la IA.
Sin embargo, el énfasis en la evaluación debe
desplazarse de la producción de textos en sí misma. En su lugar, el enfoque
debe centrarse en la capacidad de los estudiantes para comprender, analizar y
relacionarse con los textos. Esto asegura que las evaluaciones educativas
prioricen el pensamiento crítico y la comprensión sobre la producción mecánica,
alineando los objetivos de aprendizaje con el uso creciente de tecnologías de
inteligencia artificial en la educación.
Pérdida #3:
Evaluación para todos por igual basada únicamente en la memoria.
En consideración de lo anterior, un tercer tema fue
extraído de la literatura revisada (8,2%) que se centra en la evaluación del
aprendizaje. Así, cuando un estudiante depende de chatbots
para reportar información, los mecanismos de evaluación enfocados en dichos
procesos dejarían de tener sentido. Por esta razón, en el marco de la
evaluación, será importante recurrir a otras formas de evaluar los resultados
del aprendizaje, tales como discusiones, debates, proyectos, portafolios o
prácticas que, además de permitir la verificación de la autenticidad de la
producción intelectual del estudiante frente a la posibilidad de utilizar chatbots, permiten al docente identificar directamente su
desempeño. Algunas investigaciones que abordan estos temas son las de Ledwos et al. (2022) y Chou (2023).
Esto no es más que la reivindicación de la evaluación
formativa sobre la sumativa, de modo que a través de ella se utilicen las
diversas posibilidades de la inteligencia artificial como parte de las
actividades de evaluación del aprendizaje.
Por otro lado, involucrar chatbots
y otros desarrollos basados en inteligencia artificial en la evaluación del
aprendizaje podría llevar a la implementación de procesos de evaluación en los
que se apliquen métodos e instrumentos diferentes a distintos estudiantes. Tal
vez estemos al inicio del declive de la evaluación homogenizada y estandarizada.
3.2.2 Sobre las
transformaciones que afectarán a los docentes debido a los chatbots
Algunos de los temas que tenderán a transformarse
debido al uso progresivo de chatbots en la educación
están relacionados con lo que Zambrano (2005) señala sobre la Pedagogía, en
términos de concebirla como un discurso sobre las relaciones entre docentes,
estudiantes, la escuela y el entorno social, así como sobre las formas de
orientación del conocimiento que ocurren.
Transformación
#1: Sobre el control de la intencionalidad y orientación del contenido
educativo
En relación con lo anterior, un pequeño porcentaje de
los artículos revisados (5,8%) informa que el uso de chatbots
en la educación está relacionado con la transferencia del monopolio del control
que los docentes y la institución escolar han tenido hasta ahora sobre la
intencionalidad y orientación del contenido de aprendizaje de los estudiantes.
Históricamente, los estudiantes reciben durante su vida escolar un conjunto de
conocimientos estructurados en forma de propuestas curriculares, que alguien ha
considerado que corresponden a lo que se debe aprender. Entonces, ¿con qué
intención se ha organizado el currículo de esta manera? ¿Está bien que una
persona indefinida determine qué debe aprender otra persona? ¿Quién decide
esto? Ciertamente no el estudiante. Esta es una cuestión que no ha sido
suficientemente cuestionada y que es aceptada como parte del paradigma
educativo actual, pero que, debido al uso de desarrollos de inteligencia
artificial en la educación, está comenzando a ser cuestionada. Parte de lo anterior
se puede encontrar en Farhi et al. (2022) o Chassignol et al. (2018).
En este sentido, el chatbot
puede ofrecer una experiencia de aprendizaje personalizada, adaptada a las
necesidades y preferencias del estudiante, permitiéndole explorar y construir
su conocimiento de una manera más autónoma (Srimathi
& Krishnamoorthy, 2019). Sin embargo, este cambio
de paradigma también conlleva ciertos desafíos y riesgos, siendo uno de los
principales mantener un alto nivel de calidad y consistencia en el contenido y
en la orientación del aprendizaje, ya que el chatbot
no siempre puede garantizar que los estudiantes reciban la información correcta
y relevante.
Transformación
#2: ¿Quién se encargará de la transposición didáctica?
Un pequeño porcentaje (4,2%) de los documentos
revisados aborda los procesos de creación de contenido educativo, centrándose
específicamente en la transposición didáctica. Este concepto, desarrollado en
el siglo XX, describe la transformación del conocimiento científico en material
enseñable y, finalmente, en conocimiento que los estudiantes puedan comprender
y aprender (Chevallard, 1998). Este proceso de "traducción" asegura
que el contenido esté alineado con el desarrollo cognitivo, el lenguaje y los
conocimientos previos de los estudiantes, y tradicionalmente ha sido gestionado
por docentes o expertos en la materia.
La inteligencia artificial generativa ahora está
comenzando a desempeñar un papel en la transposición didáctica, ya que los
modelos de lenguaje natural están diseñados no solo para proporcionar
respuestas, sino también para simplificar y explicar conocimientos científicos
en términos accesibles. Esta capacidad lingüística posiciona a la IA como una
herramienta valiosa para armonizar conceptos complejos con un lenguaje
cotidiano.
Además, los sistemas de inteligencia artificial pueden
ser entrenados para identificar estilos de aprendizaje individuales,
limitaciones y habilidades, permitiendo que el proceso de transposición
didáctica se adapte de manera más cercana a las necesidades de cada estudiante.
Esto habilita un enfoque más personalizado del aprendizaje, complementando los
roles de los docentes en la adaptación de los contenidos. Al respaldar estos
procesos, la IA tiene el potencial de mejorar la entrega del contenido educativo,
asegurando su accesibilidad y relevancia. Ejemplos de estas aplicaciones de IA
en la creación de contenidos se discuten en Ohanian
(2019) y Ako-Nai et al. (2022), demostrando su
creciente influencia en la innovación educativa.
Transformación
#3: El contrato didáctico
Finalmente, los últimos artículos revisados (3,7%) se
refieren a los posibles cambios en las relaciones entre docentes y estudiantes.
En este sentido, en el contexto del uso de chatbots
en la educación, el “contrato didáctico” se convierte en un concepto importante
relacionado con dichas relaciones, con grandes y complejos desafíos por
delante.
El contrato didáctico se refiere al acuerdo tácito
entre el docente y el estudiante sobre lo que se espera que ocurra en el aula y
cómo se llevará a cabo el aprendizaje. Este contrato establece las reglas y
expectativas para el aprendizaje y puede influir en cómo se utilizan los chatbots en el aula (Caldeborg et
al., 2019).
En el contexto del uso de chatbots
en la educación, el contrato didáctico puede ser desafiado por la introducción
de nuevas herramientas tecnológicas. Por ejemplo, los estudiantes pueden
esperar una interacción más personalizada con el chatbot,
lo que puede requerir que el docente adapte su enfoque y sus estrategias de
enseñanza para satisfacer esas necesidades. Investigaciones relacionadas con
cambios en las relaciones en el aula pueden encontrarse en Garito (1991) o Lo
et al. (2021).
4. Discusión y
Conclusiones
El despliegue de chatbots de
inteligencia artificial en entornos educativos presenta un problema multifacético
que exige un examen pedagógico profundo. El uso de chatbots
y herramientas de inteligencia artificial en la educación introduce cambios
significativos en las prácticas pedagógicas. Los chatbots
pueden automatizar tareas repetitivas, como responder preguntas comunes,
permitiendo a los docentes enfocarse en actividades de mayor valor, como el
diseño de lecciones y el apoyo personalizado a los estudiantes. Este cambio
puede fomentar el aprendizaje activo y la colaboración en el aula. Sin embargo,
estas herramientas requieren que los docentes adapten sus roles, actuando como
facilitadores y mediadores del uso responsable de la tecnología. Los chatbots promueven el aprendizaje autodirigido, pero
demandan habilidades críticas para evaluar la información. Además, las
evaluaciones deben enfatizar el pensamiento crítico y la creatividad en lugar
de tareas basadas en la memoria. En este sentido, la relación entre docente y
estudiante sigue siendo crucial. Si bien los chatbots
personalizan el aprendizaje, la interacción humana fomenta la empatía,
motivación y el apoyo emocional. La integración efectiva de la IA debe
alinearse con principios pedagógicos que prioricen el desarrollo holístico de
los estudiantes.
Los chatbots impulsados por
inteligencia artificial tienen un gran potencial para automatizar tareas de
enseñanza, ofreciendo eficiencias y accesibilidad previamente inalcanzables. No
obstante, no pueden replicar por completo las cualidades únicas de la
interacción humana esenciales para la educación, como la empatía, la
inteligencia emocional, la adaptabilidad y la capacidad de inspirar y motivar a
los estudiantes. De hecho, estas atribuciones profundamente humanas trascienden
la mera transmisión de información y a menudo resisten la replicación incluso
por los algoritmos más avanzados.
Por lo tanto, la integración de chatbots
de inteligencia artificial en la educación requiere una evaluación crítica de
sus fortalezas y limitaciones desde una perspectiva pedagógica. Por ejemplo, la
investigación debe identificar áreas en las que los chatbots
sobresalen, como la automatización de tareas repetitivas, al tiempo que destaca
sus deficiencias, particularmente en el fomento de conexiones humanas
significativas. Al hacerlo, los educadores pueden aprovechar los chatbots en tareas donde la automatización sea beneficiosa,
liberando tiempo de instrucción para actividades que demanden el toque humano
irremplazable.
En este contexto, la interacción entre chatbots generativos y docentes representa una relación
dinámica donde ambos deben complementar las fortalezas del otro para crear un
sistema educativo efectivo. En consecuencia, futuros estudios deberían examinar
los diseños de interacción chatbot-estudiante y
explorar el impacto de la personalidad del chatbot y
su ubicación en los resultados de aprendizaje y en la satisfacción. Además, la
rápida evolución de la inteligencia artificial en la educación exige mecanismos
para maximizar su potencial, al tiempo que se abordan desafíos como la
inteligencia emocional y el uso ético.
A medida que herramientas como ChatGPT
ganan protagonismo, se hace evidente que las directrices para su adopción
responsable son fundamentales (Tlili et al., 2023).
Por lo tanto, la colaboración entre educadores, diseñadores instruccionales,
investigadores y desarrolladores de IA es esencial para establecer principios
pedagógicos que equilibren la innovación tecnológica con la preservación de los
elementos humanos. En última instancia, al lograr este equilibrio, las
tecnologías emergentes pueden promover experiencias de aprendizaje mejoradas y
habilidades vitales para la vida, como la autorregulación, asegurando que la IA
complemente, y no reemplace, el papel invaluable de los educadores humanos (Bozkurt, 2023).
4.1 Limitaciones y Recomendaciones
Esta revisión, aunque exhaustiva, presenta
limitaciones. La mayoría de los estudios analizados provienen de contextos
educativos específicos y con amplios recursos, lo que limita su generalización
a entornos con menores recursos tecnológicos o actitudes culturales diferentes
hacia la inteligencia artificial. Además, el enfoque en estudios recientes
refleja un panorama en evolución, pero los impactos a largo plazo de los chatbots aún no se han explorado a profundidad. Asimismo,
las inconsistencias metodológicas entre los estudios dificultan realizar
comparaciones directas. Finalmente, aunque el análisis de frecuencia y co-ocurrencias identificó tendencias clave, podría pasar
por alto matices más profundos.
La investigación futura debería incluir métodos
cualitativos, como estudios de caso, para comprender mejor los efectos
contextuales y subjetivos de los chatbots en la
educación.
Por otro lado, para optimizar la integración de los chatbots en la educación, las instituciones deberían
adoptar un enfoque equilibrado que combine la innovación tecnológica con
principios pedagógicos sólidos. Los docentes deben recibir formación para
aprovechar de manera efectiva los chatbots como
complemento, y no reemplazo, de sus prácticas de enseñanza. Los currículos
deben actualizarse para enfatizar el pensamiento crítico, la creatividad y la
alfabetización digital, permitiendo a los estudiantes navegar en entornos de
aprendizaje potenciados por la IA de manera responsable.
Los desarrolladores deben colaborar con educadores
para diseñar chatbots adaptados a diversos contextos
educativos, garantizando su inclusividad y adaptabilidad. Además, se necesita
más investigación para explorar los impactos a largo plazo, particularmente en
el compromiso de los estudiantes y en la dinámica docente-estudiante, al tiempo
que se abordan preocupaciones éticas como la privacidad de los datos y el sesgo.
Contribución de los
autores
Todos los autores participaron equitativamente en los
siguientes procesos, de acuerdo con la Taxonomía CRediT:
conceptualización, curación de datos y análisis formal, investigación y diseño
metodológico, redacción del borrador original y su revisión final y edición.
Además, Andrés Chiappe es el autor correspondiente.
Agradecimientos
Agradecemos a la Universidad de La Sabana (Grupo Tecnologías
para la Academia – Proventus (Proyecto
EDUPHD-20-2022)) y a la Fundación Universitaria Navarra - Uninavarra
por el apoyo brindado en la preparación de este artículo.
Referencias
Ako-Nai, F., De La Cal Marin,
E., & Tan, Q. (2022). Artificial Intelligence Decision and Validation
Powered Smart Contract for Open Learning Content Creation. In J. Prieto, A.
Partida, P. Leitão, & A. Pinto (Eds.), Blockchain and Applications
(Vol. 320, pp. 359–362). Springer International Publishing.
https://doi.org/10.1007/978-3-030-86162-9_37
Aksyonov, K. A., Ziomkovskaya,
P. E., Danwitch, D., Aksyonova,
O. P., & Aksyonova, E. K. (2021). Development of
a text analysis agent for a logistics company’s Q&A system. Journal of
Physics: Conference Series, 2134(1), 012021.
https://doi.org/10.1088/1742-6596/2134/1/012021
Al-Tuama, A. T., & Nasrawi, D. A. (2022). A Survey on the Impact of Chatbots
on Marketing Activities. 2022 13th International Conference on Computing
Communication and Networking Technologies (ICCCNT), 1–7.
https://doi.org/10.1109/ICCCNT54827.2022.9984635
Antonio, R., Tyandra, N., Nusantara, L. T., Anderies, &
Agung Santoso Gunawan, A. (2022). Study Literature
Review: Discovering the Effect of Chatbot Implementation in E-commerce Customer
Service System Towards Customer Satisfaction. 2022 International Seminar on
Application for Technology of Information and Communication (iSemantic), 296–301.
https://doi.org/10.1109/iSemantic55962.2022.9920434
Aoun, J. E. (2017). Robot-Proof. The MIT Press.
https://mitpress.mit.edu/books/robot-proof
Bachiri, Y.-A., & Mouncif,
H. (2023). Artificial Intelligence System in Aid of Pedagogical Engineering for
Knowledge Assessment on MOOC Platforms: Open EdX and Moodle. International
Journal of Emerging Technologies in Learning (iJET),
18(05), 144–160. https://doi.org/10.3991/ijet.v18i05.36589
Bailey, D., & Almusharraf,
N. (2021). Investigating the Effect of Chatbot-to-User Questions and Directives
on Student Participation. 2021 1st International Conference on Artificial
Intelligence and Data Analytics (CAIDA), 85–90.
https://doi.org/10.1109/CAIDA51941.2021.9425208
Benke, I., Knierim, M. T., & Maedche, A. (2020).
Chatbot-based Emotion Management for Distributed Teams: A Participatory Design
Study. Proceedings of the ACM on Human-Computer Interaction, 4(CSCW2),
1–30. https://doi.org/10.1145/3415189
Bozkurt, A. (2023). Unleashing the Potential of
Generative AI, Conversational Agents and Chatbots in Educational Praxis: A
Systematic Review and Bibliometric Analysis of GenAI in Education. Open
Praxis, 15(4), 261–270. https://doi.org/10.55982/openpraxis.15.4.609
Caldeborg, A., Maivorsdotter, N., & Öhman, M. (2019). Touching the
didactic contract—A student perspective on intergenerational touch in PE. Sport,
Education and Society, 24(3), 256–268.
https://doi.org/10.1080/13573322.2017.1346600
Carrera-Rivera, A., Ochoa, W., Larrinaga, F., &
Lasa, G. (2022). How-to conduct a systematic literature review: A quick guide
for computer science research. MethodsX, 9,
101895. https://doi.org/10.1016/j.mex.2022.101895
Chassignol, M., Khoroshavin, A., Klimova, A., & Bilyatdinova,
A. (2018). Artificial Intelligence trends in education: A narrative overview. Procedia
Computer Science, 136, 16–24.
https://doi.org/10.1016/j.procs.2018.08.233
Chen, Y., Jensen, S., Albert, L. J., Gupta, S., &
Lee, T. (2023). Artificial Intelligence (AI) Student Assistants in the
Classroom: Designing Chatbots to Support Student Success. Information Systems Frontiers, 25(1),
161–182. https://doi.org/10.1007/s10796-022-10291-4
Chevallard, Y. (1998). La transposición didáctica
(Tercera Edición, Vol. 1). Aique.
Chou, T.-N. (2023). Apply an Integrated Responsible AI
Framework to Sustain the Assessment of Learning Effectiveness: Proceedings
of the 15th International Conference on Computer Supported Education,
142–149. https://doi.org/10.5220/0012058400003470
Farhi, F., Jeljeli, R.,
& Hamdi, M. E. (2022). How do Students Perceive Artificial Intelligence in
YouTube Educational Videos Selection? A Case Study of Al Ain City. International
Journal of Emerging Technologies in Learning (iJET),
17(22), 61–82. https://doi.org/10.3991/ijet.v17i22.33447
Fidan, M., & Gencel, N.
(2022). Supporting the Instructional Videos With Chatbot and Peer Feedback Mechanisms in Online
Learning: The Effects on Learning Performance and Intrinsic Motivation. Journal
of Educational Computing Research, 60(7), 1716–1741.
https://doi.org/10.1177/07356331221077901
Garito, M. A. (1991). Artificial intelligence in
education: Evolution of the teaching?learning
relationship. British Journal of Educational Technology, 22(1),
41–47. https://doi.org/10.1111/j.1467-8535.1991.tb00050.x
Hsu, H.-H., & Huang, N.-F. (2022). Xiao-Shih: A
Self-Enriched Question Answering Bot With Machine
Learning on Chinese-Based MOOCs. IEEE Transactions on Learning Technologies,
15(2), 223–237. https://doi.org/10.1109/TLT.2022.3162572
Hu, Y., & Min, H. (Kelly). (2023). The dark side
of artificial intelligence in service: The “watching-eye”
effect and privacy concerns. International Journal of Hospitality Management,
110, 103437. https://doi.org/10.1016/j.ijhm.2023.103437
Hwang, G.-J., & Chang, C.-Y. (2023). A review of
opportunities and challenges of chatbots in education. Interactive Learning
Environments, 31(7), 4099–4112.
https://doi.org/10.1080/10494820.2021.1952615
King, M. R. (2023). A Conversation on Artificial
Intelligence, Chatbots, and Plagiarism in Higher Education. Cellular and
Molecular Bioengineering, 16(1), 1–2.
https://doi.org/10.1007/s12195-022-00754-8
Kuhail, M. A., Alturki, N., Alramlawi, S., & Alhejori, K.
(2023). Interacting with educational chatbots: A systematic review. Education
and Information Technologies, 28(1), 973–1018.
https://doi.org/10.1007/s10639-022-11177-3
Labadze, L., Grigolia, M., & Machaidze, L.
(2023). Role of AI chatbots in education: Systematic
literature review. International Journal of Educational Technology in Higher
Education, 20(1), 56. https://doi.org/10.1186/s41239-023-00426-1
Ledwos, N., Mirchi, N., Yilmaz, R., Winkler-Schwartz,
A., Sawni, A., Fazlollahi,
A. M., Bissonnette, V., Bajunaid, K., Sabbagh, A. J.,
& Del Maestro, R. F. (2022). Assessment of learning curves on a simulated
neurosurgical task using metrics selected by artificial intelligence. Journal
of Neurosurgery, 137(4), 1160–1171.
https://doi.org/10.3171/2021.12.JNS211563
Lee, S., Lee, M., & Lee, S. (2022). What If
Artificial Intelligence Become Completely Ambient in Our Daily Lives? Exploring
Future Human-AI Interaction through High Fidelity Illustrations. International
Journal of Human–Computer Interaction, 1–19.
https://doi.org/10.1080/10447318.2022.2080155
Lee, S., Suk, J., Ha, H. R., Song, X. X., & Deng,
Y. (2020). Consumer’s Information Privacy and Security Concerns and Use of
Intelligent Technology. In T. Ahram, W. Karwowski, A. Vergnano,
F. Leali, & R. Taiar (Eds.), Intelligent Human
Systems Integration 2020 (Vol. 1131, pp. 1184–1189). Springer International
Publishing. https://doi.org/10.1007/978-3-030-39512-4_180
Li, H. (2022). MOOC Teaching Platform System Based on
Application of Artificial Intelligence. 2022 Second International Conference
on Advanced Technologies in Intelligent Control, Environment, Computing &
Communication Engineering (ICATIECE), 1–5.
https://doi.org/10.1109/ICATIECE56365.2022.10047595
Lin, C.-C., Huang, A. Y. Q., & Yang, S. J. H.
(2023). A Review of AI-Driven Conversational Chatbots Implementation
Methodologies and Challenges (1999–2022). Sustainability, 15(5),
4012. https://doi.org/10.3390/su15054012
Lin, K.-C., Cheng, I.-L., Huang, Y.-C., Wei, C.-W.,
Chang, W.-L., Huang, C., & Chen, N.-S. (2023). The Effects of the Badminton
Teaching–Assisted System using Electromyography and Gyroscope on Learners’
Badminton Skills. IEEE Transactions on Learning Technologies, 1–10.
https://doi.org/10.1109/TLT.2023.3292215
Lo, F., Su, F., Chen, S., Qiu, J., & Du, J.
(2021). Artificial Intelligence Aided Innovation Education Based on Multiple
Intelligence. 2021 IEEE International Conference on Artificial Intelligence,
Robotics, and Communication (ICAIRC), 12–15.
https://doi.org/10.1109/ICAIRC52191.2021.9544874
López Regalado, O., Núñez-Rojas, N., Rafael López Gil,
O., & Sánchez-Rodríguez, J. (2024). El Análisis del uso de la inteligencia
artificial en la educación universitaria: Una revisión sistemática (Analysis of the
use of artificial intelligence
in university education: a systematic review). Pixel-Bit, Revista de Medios y Educación, 70,
97-122. https://doi.org/10.12795/pixelbit.106336
Maksimova, M., Solvak, M., & Krimmer, R.
(2021). Data-Driven Personalized E-Government Services:
Literature Review and Case Study. In N. Edelmann, C. Csáki, S. Hofmann, T. J. Lampoltshammer, L. Alcaide Muñoz, P. Parycek,
G. Schwabe, & E. Tambouris (Eds.), Electronic
Participation (Vol. 12849, pp. 151–165). Springer International Publishing.
https://doi.org/10.1007/978-3-030-82824-0_12
Malik, R., Shrama, A.,
Trivedi, S., & Mishra, R. (2021). Adoption of Chatbots for Learning among
University Students: Role of Perceived Convenience and Enhanced Performance. International
Journal of Emerging Technologies in Learning (iJET),
16(18), 200. https://doi.org/10.3991/ijet.v16i18.24315
Meng, J., & Dai, Y. (Nancy). (2021). Emotional
Support from AI Chatbots: Should a Supportive Partner Self-Disclose or Not? Journal
of Computer-Mediated Communication, 26(4), 207–222.
https://doi.org/10.1093/jcmc/zmab005
Mesquita, A., Oliveira, L., & Sequeira, A. S.
(2021). Did AI Kill My Job?: Impacts of the Fourth
Industrial Revolution in Administrative Job Positions in Portugal. In J.-É. Pelet (Ed.), Advances in Business Information Systems
and Analytics (pp. 124–146). IGI Global.
https://doi.org/10.4018/978-1-7998-3756-5.ch008
Ohanian, T. (2019). How
Artificial Intelligence and Machine Learning May Eventually Change Content
Creation Methodologies. SMPTE Motion Imaging Journal, 128(1),
33–40. https://doi.org/10.5594/JMI.2018.2876781
Pranckutė, R. (2021). Web
of Science (WoS) and Scopus: The Titans of
Bibliographic Information in Today’s Academic World. Publications, 9(1),
12. https://doi.org/10.3390/publications9010012
Qiu, C., Liang, W., Yan, Z., Li, Y., & You, Y.
(2022). Research and Application of Power Grid Fault Diagnosis and Auxiliary
Decision-making System Based on Artificial Intelligence Technology. 2022 7th
International Conference on Power and Renewable Energy (ICPRE), 492–497.
https://doi.org/10.1109/ICPRE55555.2022.9960335
Raphael, M. W. (2022). Artificial intelligence and the
situational rationality of diagnosis: Human problem‐solving and the artifacts of health and medicine. Sociology
Compass, 16(11). https://doi.org/10.1111/soc4.13047
Reis, L., Maier, C., & Weitzel, T. (2022).
Chatbots in Marketing: An In-Deep Case Study Capturing Future Perspectives of
AI in Advertising. Proceedings of the Conference on Computers and People
Research, 1–8. https://doi.org/10.1145/3510606.3550204
Safadel, P., Hwang, S.
N., & Perrin, J. M. (2023). User Acceptance of a Virtual Librarian Chatbot:
An Implementation Method Using IBM Watson Natural Language Processing in
Virtual Immersive Environment. TechTrends.
https://doi.org/10.1007/s11528-023-00881-7
Salvagno, M., Taccone, F. S., & Gerli, A. G.
(2023). Can artificial intelligence help for
scientific writing? Critical Care, 27(1), 75.
https://doi.org/10.1186/s13054-023-04380-2
Smutny, P., & Schreiberova,
P. (2020). Chatbots for learning: A review of educational chatbots for the Facebook Messenger. Computers & Education, 151,
103862. https://doi.org/10.1016/j.compedu.2020.103862
Srimathi, H., & Krishnamoorthy, A. (2019).
Personalization of student support services using chatbot. International
Journal of Scientific and Technology Research, 8(9), 1744–1747.
Scopus.
Su, J., & Yang, W. (2023). Unlocking the Power of
ChatGPT: A Framework for Applying Generative AI in Education. ECNU Review of
Education, 6(3), 355–366. https://doi.org/10.1177/20965311231168423
Sun, J., Zhang, X., & Ding, Y. (2022). Research on
trustworthiness assessment technology of intelligent decision-making system. In
S. Yang & G. Wu (Eds.), Third International Conference on Artificial
Intelligence and Electromechanical Automation (AIEA 2022) (p. 78). SPIE.
https://doi.org/10.1117/12.2646844
Surahman, E., & Wang,
T. (2022). Academic dishonesty and trustworthy assessment in online learning: A
systematic literature review. Journal of Computer Assisted Learning, 38(6),
1535–1553. https://doi.org/10.1111/jcal.12708
Tlili, A., Shehata, B., Adarkwah,
M. A., Bozkurt, A., Hickey, D. T., Huang, R., & Agyemang, B. (2023). What
if the devil is my guardian angel: ChatGPT as a case study of using chatbots in
education. Smart Learning Environments, 10(1), 15.
https://doi.org/10.1186/s40561-023-00237-x
Villegas-José, V., & Delgado-García, M. (2024). Inteligencia
artificial: Revolución educativa innovadora en la Educación Superior. Pixel-Bit, Revista de Medios y Educación, 71,
159-177. https://doi.org/10.12795/pixelbit.107760
Wilson, L., & Marasoiu,
M. (2022). The Development and Use of Chatbots in Public Health:
Scoping Review. JMIR Human Factors, 9(4), e35882.
https://doi.org/10.2196/35882
Winkler, R., & Söllner,
M. (2018). Unleashing the potential of chatbots in education: A
state-of-the-art analysis. Academy of Management Annual Meeting (AOM).
Zambrano, A. (2005). Didáctica, pedagogía y saber:
Aportes desde las ciencias de la educación. Editorial Magisterio.