Determinantes del uso de la inteligencia articial en la enseñanza universitaria: un
enfoque cualitativo
Determinants of the use of articial intelligence in university teaching: a qualitative approach
DOI: https://doi.org/10.21704/rtn.v18i2.2183
© Los autores. Este artículo es publicado por la revista Tierra Nuestra del Departamento Académico de Ciencias Humanas
de la Facultad de Economía y Planicación, Universidad Nacional Agraria La Molina. Este es un artículo de acceso abierto,
distribuido bajo los términos de la Licencia Creative Commons Atribución 4.0 Internacional.(https://creativecommons.org/
licenses/by/4.0/) que permite Compartir (copiar y redistribuir el material en cualquier medio o formato), Adaptar (remezclar,
transformar y construir a partir del material) para cualquier propósito, incluso comercialmentte.
Forma de citar el artículo: Guerrero, C., & Guerrero, A. (2024). Determinantes del uso de la inteligencia articial en la
enseñanza universitaria: un enfoque cualitativo. Tierra Nuestra, 18(2), 184 - 197. https://doi.org/10.21704/rtn.v18i2.2183
Carlos Alberto Guerrero López1 y Carlos Alberto Guerrero Medina2
1 Profesor principal del Departamento de Gestión Empresarial de la Facultad de Economía y Planicación de la UNALM.
2 Profesor del Área de Marketing de la Universidad ESAN.
* Autor de correspondencia:cguerrero@lamolina.edu.pe
Recibido: 4/06/2024; Aceptado: 1/10/2024; Publicado: 30/12/2024
Resumen
Este estudio explora la percepción de algunos profesores universitarios respecto de la integración
de la inteligencia articial (IA) en la enseñanza universitaria. Mediante un enfoque cualitativo, se
entrevistó a cincuenta profesores de diferentes disciplinas, cuidadosamente elegidos, para obtener
sus perspectivas sobre el impacto de la IA en el ámbito educativo. Aquellos respondieron a un
cuestionario semiestructurado que abarca seis aspectos que se consideraron clave: su percepción
general sobre la IA en la educación, el uso de herramientas basadas en la IA, los benecios
percibidos, las preocupaciones, las recomendaciones para una implementación exitosa y la visión
futura del papel de la IA en la educación superior. Los datos obtenidos muestran una actitud positiva
hacia la IA, en la que destaca su potencial para personalizar el aprendizaje, automatizar tareas
repetitivas y mejorar la eciencia educativa. Sin embargo, también surgieron preocupaciones como
la privacidad de los datos de los estudiantes, el costo para acceder a las IA con mejores herramientas
y el riesgo de deshumanizar el proceso educativo. Los encuestados destacaron la importancia de
una implementación gradual, que combine la tecnología con la interacción humana y asegure una
capacitación adecuada para docentes y estudiantes. Este estudio contribuye al entendimiento de cómo
la IA puede ser integrada de manera efectiva en la enseñanza universitaria con el n de proporcionar
una base para futuras investigaciones y prácticas educativas. Se concluye que la IA tiene el potencial
de transformar signicativamente la educación superior siempre y cuando se maneje con cuidado y
responsabilidad.
Palabras clave: Inteligencia articial, enseñanza universitaria, educación superior, enfoque
cualitativo, percepción de los profesores.
Tierra Nuestra 18(2): 184 - 197 (2024)
Tierra Nuestra
ISSN 2519-738X (En línea), ISSN 1818-4103 (Impresa)
https://revistas.lamolina.edu.pe/index.php/tnu
ARTÍCULO ORIGINAL –RESEARCH ARTICLE
185
Guerrero, C., & Guerrero, A. Tierra Nuestra, 18(2), 184 - 197. DOI. https://doi.org/10.21704/rtn.v18i2.2183
Julio - Diciembre 2024
Abstract
This study explores the perception of some university professors regarding the integration of
articial intelligence (AI) in higher education teaching. Using a qualitative approach, fty professors
from various disciplines were carefully selected and interviewed to obtain their perspectives on the
impact of AI in the educational eld. The professors responded to a semi-structured questionnaire
covering six key aspects: their general perception of AI in education, the use of AI-based tools,
perceived benets, concerns, recommendations for successful implementation, and the future vision
of AI’s role in higher education. The data obtained show a positive attitude towards AI, highlighting
its potential to personalize learning, automate repetitive tasks, and improve educational eciency.
However, concerns also emerged, such as the privacy of students’ data, the cost of accessing AI
with better tools, and the risk of dehumanizing the educational process. Respondents emphasized
the importance of a gradual implementation, combining technology with human interaction, and
ensuring adequate training for teachers and students. This study contributes to the understanding
of how AI can be eectively integrated into university teaching, providing a foundation for future
research and educational practices. It concludes that AI has the potential to signicantly transform
higher education, as long as it is handled with care and responsibility.
Keywords: articial intelligence, university teaching, higher education, qualitative approach,
professors’ perception.
1. Introducción
La IA ha surgido como una de las tecnologías
más transformadoras de la última década, con
aplicaciones que abarcan desde la medicina
hasta el entretenimiento. En el ámbito
educativo, la IA revoluciona la enseñanza y
el aprendizaje, ofreciendo herramientas que
pueden personalizar la experiencia educativa,
mejorar la eciencia en la gestión académica
y proporcionar nuevos métodos de evaluación
para el docente y de retroalimentación para el
alumno. Sin embargo, la inclusión de la IA en la
enseñanza universitaria no está libre de desafíos
y controversias.
El objetivo del presente estudio es explorar
las percepciones y las experiencias de algunos
profesores universitarios con respecto a la
integración de la IA en la educación superior.
Para poder hallar los aspectos fundamentales, es
elemental entender cómo los profesores perciben
esta tecnología y cómo la están utilizando en su
actividad cotidiana.
Para lograr este propósito, se realizó una
investigación cualitativa basada en entrevistas a
cincuenta profesores universitarios de diversas
disciplinas, edad, sexo y universidad. Se les
aplicó un cuestionario semiestructurado que
cubrió seis temas principales: (a) la percepción
general sobre la IA en la educación; (b) el uso de
herramientas basadas en IA; (c) los benecios
percibidos de la IA en la enseñanza; (d) las
preocupaciones sobre la integración de la IA; (e)
las recomendaciones para una implementación
exitosa de la IA en la enseñanza universitaria;
y (f) la visión futura del papel de la IA en la
educación superior.
Los resultados de este estudio permiten
comprender las actitudes y las prácticas de los
profesores en relación con la IA destacando
tanto las oportunidades como los retos que
conlleva su implementación en la enseñanza
universitaria. Además, estas percepciones
transformadas en aspectos pueden guiar a las
diferentes universidades a planicar y ejecutar
estrategias para la integración efectiva de la IA.
Con ello, se asegura que esta herramienta se
utilice de manera ética y eciente para mejorar
la calidad de la educación superior.
Esta investigación no solo contribuye
al conocimiento académico sobre la IA en
la educación superior, sino que también
ofrece recomendaciones prácticas para los
responsables de la toma decisiones en las
diferentes universidades, sean estas privadas o
públicas.
Determinantes del uso de la inteligencia articial en la enseñanza universitaria: un enfoque cualitativo
186
Julio - Diciembre 2024
2. Revisión de la literatura
A continuación, se presenta una revisión de los
estudios más relevantes.
2.1 Aplicaciones de la IA en la educación
La IA tiene múltiples aplicaciones en la
educación. Diversas investigaciones las han
explorado y han proporcionado evidencia sobre
su efectividad. Algunas de ellas son las que
siguen:
• Personalización del aprendizaje: Zawacki-
Richter et al. (2019) identicó que los
sistemas basados en IA pueden mejorar
signicativamente el rendimiento académico
al proporcionar experiencias de aprendizaje
personalizadas y adaptativas. Asimismo,
Liu et al. (2021) mostraron que el uso de
plataformas de aprendizaje adaptativo
basadas en IA en los cursos universitarios
aumenta la retención del conocimiento y la
satisfacción de los estudiantes.
• Evaluación y retroalimentación: Tang
y McVay (2022) demostraron que las
herramientas de evaluación automática
basadas en IA no solo reducen la carga de
trabajo del profesorado, sino que también
aumentan la precisión y coherencia en la
calicación de las tareas complejas.
• Apoyo administrativo: Roll y Wylie (2016)
destacaron que las aplicaciones de IA en la
administración educativa pueden aumentar la
eciencia operativa y liberar tiempo para que
los docentes se concentren en la enseñanza.
Además, Huang et al. (2021) han demostrado
que la IA puede mejorar signicativamente la
precisión y la eciencia en la gestión de los
recursos educativos, con lo cual se optimiza
la planicación y la distribución de tareas
administrativas.
2.2 Benecios de la IA en la enseñanza
universitaria
La personalización del aprendizaje y la
retroalimentación oportuna han sido asociadas
con las mejoras en el rendimiento académico de
los estudiantes (Chen et al., 2020).
Por otro lado, la automatización de tareas
administrativas permite a los docentes y
administradores dedicar más tiempo a las
actividades de mayor valor añadido (Holmes et
al., 2019).
Finalmente, la IA puede ayudar a los
estudiantes a desarrollar habilidades críticas y de
resolución de problemas mediante la adopción
de enfoques de aprendizaje adaptativos y
desaantes (Luckin et al., 2016).
2.3 Desafíos y preocupaciones
La recopilación y el análisis de los grandes
volúmenes de datos estudiantiles plantean
preocupaciones sobre la privacidad y la
seguridad de los datos. Por ello, es fundamental
establecer políticas claras y prácticas de
protección de datos para mitigar estos riesgos
(Selwyn, 2019).
Por otro lado, la IA puede perpetuar o
amplicar sesgos existentes si los algoritmos
no se diseñan y supervisan adecuadamente.
Esto puede afectar negativamente la equidad y
la justicia en la educación (Williamson et al.,
2020).
Por último, existe el riesgo de que la
dependencia excesiva de la tecnología pueda
reducir la interacción humana y la calidad de
la enseñanza. Por consiguiente, es importante
encontrar un equilibrio adecuado entre la
tecnología y el enfoque pedagógico tradicional
(Holmes et al., 2019).
2.4 Recomendaciones para una
implementación exitosa
Selwyn (2019) sugirió un enfoque gradual
y equilibrado, en el cual la tecnología
complemente y no reemplace la enseñanza
tradicional. Por su parte, Luckin et al. (2016)
enfatizaron la necesidad de capacitar a los
docentes en el uso de la IA como herramientas
para la enseñanza. Con ello, se asegura que
estén preparados para integrar estas tecnologías
en sus prácticas pedagógicas. Asimismo, Slade
y Prinsloo (2013) recomendaron establecer
políticas claras sobre el uso y la protección de
los datos para abordar las preocupaciones sobre
la privacidad y la seguridad.
187
Guerrero, C., & Guerrero, A. Tierra Nuestra, 18(2), 184 - 197. DOI. https://doi.org/10.21704/rtn.v18i2.2183
Julio - Diciembre 2024
3. Metodología
Se utilizó la metodología cualitativa, pues
es lo pertinente para capturar la complejidad
de las actitudes y prácticas relacionadas con
la IA en el contexto educativo. Para ello, se
aplicaron entrevistas semiestructuradas a
profesores universitarios de carreras que más
emplean actualmente la IA en su enseñanza y se
seleccionó a las universidades del sector, público
o privado, que más se encuentran actualizadas
con las tecnologías de la educación en el Perú
al año 2024.
El instrumento elegido es particularmente
adecuado para la investigación sobre
“inteligencia articial” y la “enseñanza
universitaria” por varias razones. En primer
lugar, permite explorar de manera detallada
las experiencias personales de los docentes,
un aspecto esencial dada la complejidad del
tema y la resistencia que aún muestran algunos
docentes hacia la aplicación de la IA. Además,
este método facilita la comprensión del contexto
y el signicado que los docentes otorgan al
uso de la IA en la enseñanza universitaria, lo
cual posibilita una diversidad de perspectivas.
Tambien, es especialmente útil para acceder
a docentes que son reticentes a compartir sus
opiniones, pues proporciona una exibilidad
que permite a los investigadores profundizar
en las respuestas y explorar temas emergentes.
No obstante, es importante reconocer que las
entrevistas a profundidad requieren más tiempo
y recursos en comparación con otros métodos
(Smith y Jones, 2020). Esta metodología
permitió explorar las percepciones y las
opiniones de los profesores sobre la integración
de la IA en la enseñanza universitaria.
3.1 Tamaño de la muestra
Se eligió un tamaño de muestra de 50 profesores
universitarios, basado en el alcance de la
presente investigación. Se debe considerar que
las entrevistas a profundidad demandan una
cantidad considerable de tiempo para su
preparación, conducción, transcripción, análisis
y validación. En estudios exploratorios, entre
10 u 15 entrevistas pueden ser sucientes,
mientras que en estudios que buscan mayor
profundidad o contextualización, entre 15 y 30
entrevistas suelen ser apropiadas. El estudio
considera entrevistar a 50 docentes para tener
una participación de más representantes de un
mayor número de instituciones universitarias.
En resumen, el número de entrevistas debe ser
suciente para proporcionar una comprensión
rica y detallada del fenómeno estudiado, sin
dejar de ser manejable en términos de análisis y
recursos (Guest et al., 2012; Guest et al., 2006).
3.2 Carreras elegidas
Se eligió profesores universitarios de carreras
de ingeniería, economía, nanzas, arquitectura,
etc., las cuales estadísticamente más utilizan
herramientas basadas en IA actualmente en la
enseñanza y el aprendizaje.
3.3 Sector elegido
Se eligió 29 instituciones del sector privado,
pues este se encuentra más actualizado con las
tecnologías en la enseñanza; y 21 universidades
públicas.
3.4 Selección de participantes
Se seleccionaron 50 (cincuenta) profesores
universitarios que actualmente dictan clases
utilizando IA, de las carreras antes mencionadas,
en universidades privadas, sin que interese el
género ni la edad para su elección.
Los profesores consultados, así como
sus carreras, el o los cursos que dictan y la
universidad en la que los imparten se detallan
en el Anexo 1. La muestra fue intencional. Esta
es ampliamente utilizada en la investigación
cualitativa, ya que permite seleccionar a
participantes que pueden ofrecer información
rica y relevante sobre el fenómeno en estudio
(Patton, 1990; Merriam, 2009; Creswell, 2013;
Denscombe, 2014).
3.5 Diseño del cuestionario de la entrevista
Se diseñó un cuestionario semiestructurado que
abarca temas como la percepción general sobre
la IA en la educación, el uso de herramientas
basadas en IA, los benecios percibidos, las
preocupaciones, las recomendaciones para una
implementación exitosa y la visión futura del
papel de la IA en la educación superior. Para
Determinantes del uso de la inteligencia articial en la enseñanza universitaria: un enfoque cualitativo
188
Julio - Diciembre 2024
este n, se aplicaron las siguientes preguntas:
• Pregunta 1: ¿Cuál es su percepción general
sobre la integración de la IA en la enseñanza
universitaria?
• Pregunta 2: ¿Ha utilizado alguna vez
herramientas o métodos basados en IA en su
enseñanza?
• Pregunta 3: ¿Cuáles considera que son los
principales benecios de la integración de la
IA en la enseñanza universitaria?
• Pregunta 4: ¿Cuáles son las principales
preocupaciones que tiene sobre la integración
de la IA en la enseñanza universitaria?
• Pregunta 5: ¿Qué recomendaciones ofrecería
para una implementación exitosa de la IA en
la enseñanza universitaria?
• Pregunta 6: ¿Cómo visualiza usted el papel
futuro de la IA en la educación superior?
Las preguntas mencionadas en la
investigación cualitativa sobre la IA en la
enseñanza están diseñadas para explorar
de manera profunda las percepciones y
las experiencias de los participantes. Este
enfoque se basa en metodologías cualitativas
que buscan comprender cómo los individuos
viven y perciben un fenómeno especico. En
este caso, las preguntas se alinean con varios
enfoques teóricos y metodológicos reconocidos
en la investigación cualitativa. Por ejemplo, la
Teoría Fundamentada, desarrollad por Glase
y Strauss (1967), se centra en la generación
de teorías a partir de los datos recolectados,
lo cual posibilita que las preguntas exploren
experiencias sin imponer presupuestos previos.
Además, Patton (1990) destacó la importancia
de formular preguntas abiertas y exploratorias
para capturar en profundidad las perspectivas
de los participantes. Asimismo, el Análisis
Temático, según Guest et al. (2012), enfatiza la
creación de preguntas que permitan identicar
temas y patrones emergentes en las repuestas.
3.6 Forma de aplicación del cuestionario
Se entrevistó directamente a cada participante
en forma virtual o presencial.
3.7 Análisis de datos
Se utilizó un enfoque de análisis de contenido
para identicar patrones, temas y tendencias
emergentes en las respuestas de los participantes.
3.7.1 Identicación de aspectos
Identicamos los principales aspectos en las
respuestas de los profesores, que se muestran en
la Tabla 1.
3.7.2 Codicación de los principales aspectos
Se codicaron los aspectos tal como se muestra
en la Tabla 2.
3.7.3 Agrupación
Los códigos similares fueron agrupados en
temas más amplios, tal como se aprecia en la
Tabla 3.
3.7.4 Identicación de tendencias
Se identicaron tendencias comunes en las
respuestas de los profesores aplicando los
códigos agrupados, tal como se aprecia en la
Tabla 4.
3.7.5 Análisis comparativo
Se realizó un análisis comparativo con lo
hallado por otro colega y se detectó, durante
la comparación, un IRR = 0.545, tal como se
muestra en la Tabla 5. Luego de la primera
iteración, se detectó un nivel de IRR = 1, o sea,
un nivel de acuerdo perfecto (ver Tabla 6).
4. Resultados/hallazgos
Luego del análisis de los datos, se hallaron los
siguientes aspectos importantes.
• Benecios de la IA: Se consideran los
siguientes:
- Percepción positiva y eciencia
administrativa.
- Personalización del aprendizaje con
herramientas avanzadas.
- Uso bibliográco, generación de
contenido y mejora de la redacción.
189
Guerrero, C., & Guerrero, A. Tierra Nuestra, 18(2), 184 - 197. DOI. https://doi.org/10.21704/rtn.v18i2.2183
Julio - Diciembre 2024
Tabla 1. Principales aspectos.
Pregunta Respuestas
Pregunta 1 Tendencia positiva, natural y necesaria.
Ofrece herramientas avanzadas en la enseñanza.
Mejora la calidad de la educación.
Personalización y eciencia del aprendizaje.
Optimiza la gestión de los cursos.
Aprendizaje adaptativo.
Principal fuente de información.
Pregunta 2 Plataformas de aprendizaje adaptativo.
Sistemas de análisis predictivo.
Software para creación de imágenes.
Desarrollo de presentaciones.
Software de análisis de rendimiento.
Simuladores de IA para enseñar conceptos complejos en ingeniería.
Herramientas de análisis de datos para monitorear el progreso de los estudiantes.
Herramientas de IA para el análisis económico.
Sistemas de tutoría basados en IA.
Búsqueda de información.
Plataformas de simulación nanciera.
Pregunta 3 Personalización del aprendizaje.
Análisis de grandes volúmenes de datos.
Mejora la toma de decisiones.
Detección temprana de dicultades académicas.
Automatización de tareas administrativas y7 repetidas
Feedback inmediato y preciso.
Mejora la eciencia administrativa.
Mejora las estrategias de enseñanza.
Mejora la gestión del tiempo y recursos.
Análisis detallado del rendimiento académico.
Información conable.
Pregunta 4 Privacidad y seguridad de los datos.
Dependencia excesiva en la tecnología
El plagio
Deshumanización del proceso educativo
Falta de desarrollo de habilidades críticas y creativas.
Retroceso en el desarrollo de habilidades sociales.
Falta de equidad en el acceso a la tecnología.
Posibles sesgos.
Pregunta 5 Gradual y estructurada.
Equilibrio entre el uso de la tecnología y la interacción humana.
Capacitación para los profesores.
Capacitación para los amunnos.
Poliíticas claras de privacidad.
Enfoque centrado en el estudiante.
Uso regulado.
Transparencia en el uso de datos.
Ética y la equidad en el diseño y uso de las herramientas de IA.
Las universidades gestionen el acceso a las mejores herramientas.
Pregunta 6 Será esencial.
Será principal fuente de consulta.
Proporcionará herramientas avanzadas para el aprendizaje.
Facilitará el aprndizaje personalizado
Propiciará el aprendizaje interactivo
Accesibilidad para estudiantes con necesidades especiales.
Mejorará la eciencia administrativa.
Análisis predictivo para mejorar la retención y el rendimiento.
Democratizará el acceso a una educación de alta calidad.
Determinantes del uso de la inteligencia articial en la enseñanza universitaria: un enfoque cualitativo
190
Julio - Diciembre 2024
Tabla 3. Codicación agrupada
Codicación agrupada
1 Percepción positiva
2Herramientas avanzadas para enseñanza y
aprendizaje
3 Personalización del aprendizaje
4 Eciencia administrativa
5 Transparencia en el uso de los datos
6Uso regulado en las universidades para un
uso con equidad
7Dependencia excesiva en la tecnología,
deshumanización
8 Capacitación para profesores y alumnos
9 Implementación gradual y estructurada
10 Evaluar y ajustar continuamente las
herramientas de IA
11 Plagio
Tabla 4. Respuestas de los profesores
Codicación agrupada N° de
prof.
1 Percepción positiva 50
2Herramientas avanzadas para
enseñanza y aprendizaje 50
3 Personalización del aprendizaje 35
4 Eciencia administrativa 25
5Transparencia en el uso de los
datos 35
6Uso regulado en las
universidades para un uso con
equidad
25
7 Dependencia excesiva en la
tecnología, deshumanización 35
8Capacitación para profesores y
alumnos 20
9 Implementación gradual y
estructurada 25
10 Evaluar y ajustar continuamente
las herramientas de IA 40
11 Plagio 25
Tabla 2. Codicación
1 Tendencia positiva
2 Herramientas avanzadas
3 Mejora la calidad de la educación
4 Personalización del aprendizaje
5 Optimiza la gestión de cursos
6 Aprendizaje adaptativo
7 Principal fuente de información y consulta
8 Plataformas de aprendizaje adaptativo
9 Sistemas de análisis predictivo
10 Software para creación de imágenes
11 Desarrollo de presentaciones
12 Software de análisis de rendimiento
13 Simulaciones de iA para enseñar conceptos
complejos en ingeniería
14 Herramientas de análisis de datos para
monitorizar el progreso de los estudiantes y
adaptar
15 Herramientas de IA para el análisis
económico
16 Sistemas de tutoría basados en IA
17 Plataformas de simulación nanciera
18 Análisis de grandes volúmenes de datos
19 Mejora a la toma de decisiones
20 Detección temprana de dicultades
académicas
21 Feedback inmediato
22 Mejora a la eciencia administrativa
23 Mejora a las estrategias de enseñanza
24 Análisis detallado del rendimiento estratégico
25 Privacidad y seguridad de los datos
26 Dependencia excesiva eb la tecnología
27 El plagio
28 Deshumanización del proceso educativo
29 Falta de desarrollo de habilidades sociales
30 Retroceso en el desarrollo de habilidades
sociales
31 Falta de equidad en el acceso a la tecnología
32 Posibles sesgos
33 Gradual y estructurada
34 Equilibrio entre tecnología e interacción
humana
35 Capacitación para profesores y alumnos
36 Políticas claras de privacidad
37 Enfoque centrado en el estudiante
38 Uso regulado
39 Transparencia en el uso de los datos
40 Ética y equidad en el diseño y uso de las
herramientas de IA
41 Evaluar y ajustar continuamente las
herramientas de IA
42 Las universidades gestionen el acceso a las
herramientas
43 Accesibilidad para estudiantes con
necesidades especiales
44 Democratizará el acceso a una educación de
alta calidad
Continuación de Tabla 2
191
Guerrero, C., & Guerrero, A. Tierra Nuestra, 18(2), 184 - 197. DOI. https://doi.org/10.21704/rtn.v18i2.2183
Julio - Diciembre 2024
Tabla 5. Comparación con colega
Investigador 1 Colega investigador
1 Percepción positiva Potencial de IA en educación
2Herramientas avanzadas para enseñanza y
aprendizaje Relevancia y personalización del aprendizaje
3 Personalización del aprendizaje
4 Eciencia administrativa
5 Transparencia en el uso de los datos
6Uso regulado en las universidades para un uso
con equidad Privacidad, seguridad de datosy ética
7 Dependencia excesiva en la tecnología,
deshumanización Dependencia de los usuarios
8 Capacitación para profesores y alumnos Capacitación y regulación
9 Implementación gradual y estructurada
10 Evaluar y ajustar continuamente las
herramientas de IA
11 Plagio Uso bibliográco, generación de contenido y
mejora de redacción
11
IRR 55 %
Tabla 6. Primera iteación con colega
Investigador 1 Colega investigador
1 Percepción positiva. Eciencia administrativa Potencial de IA en educación
2Personalización de aprendizaje con
herramientas avanzadas Relevancia y personalización del aprendizaje
3Dependencia excesiva en la tecnología,
deshumanización Dependencia de los usuarios
4 Capacitación y regulación para uso con equidad Capacitación y regulación
5 Transparencia en el uso de los datos Privacidad, seguridad de datos y ética
6 Regulación de plagio Uso bibliográco, generación de contenido y
mejora de redacción
7 Implementación gradual y estructurable Implementación gradual y estructurada
7
IRR 100 %
• Preocupaciones y desafíos: Se incluyen los
siguientes:
- Dependencia excesiva de la tecnología y
deshumanización del proceso educativo.
- Transparencia en el uso de los datos.
• Recomendaciones para una integración
exitosa: Se proponen las que siguen:
- Capacitación y regulación para uso con
equidad.
- Implementación gradual y estructurada.
De acuerdo con los aspectos antes hallados,
en la Figura 1, se presentan las variables.
Este modelo puede servir de base a
una investigación futura bajo la modalidad
cuantitativa: el uso de la IA y el rendimiento
en la enseñanza universitaria mediada por
la inversión en infraestructura tecnológica.
Este tema sugiere la siguiente pregunta de
Determinantes del uso de la inteligencia articial en la enseñanza universitaria: un enfoque cualitativo
192
Julio - Diciembre 2024
investigación en la que se incluyen las variables
antes mencionadas: ¿cómo impacta el uso de
la IA aplicada a la enseñanza universitaria
por medio de una infraestructura tecnológica
considerando las percepción y la eciencia; la
eciencia administrativa; la personalización del
aprendizaje; la generación rápida de contenido
especíco y la mejora de la redacción; el
requerimiento de capacitación de los profesores
y los alumnos; y la regulación por parte de la
universidad, las cuales serían las variables que
se relacionarían con el uso de la IA?
5. Discusión
Los siguientes aspectos se incluyen en la
discusión:
• Percepción de benecios y eciencia
administrativa: Los resultados revelaron
una percepción generalmente positiva de los
profesores hacia la IA en la educación. Esta
actitud reeja la creciente aceptación de la
tecnología como un recurso potencialmente
benecioso para mejorar la calidad del
aprendizaje y la enseñanza. Esta percepción
positiva está respaldada por la literatura
previa que también ha destacado el potencial
transformador de la IA en la educación
(Luckin et al., 2016).
Figura 1. Relación entre las variables y los aspectos
Gráfico 1. Relación entre las variables y los aspectos
Eficiencia administrativa
Personalización
Contenido específico y
redacción
Capacitación
Regulación
Uso de la IA
Rendimiento Enseñanza
Infra estructura te cnológica
Los profesores identicaron varios
benecios de la integración de la IA como
la personalización del aprendizaje, la
optimización de la gestión académica y el
desarrollo de habilidades críticas en los
estudiantes. Estos hallazgos corroboran las
investigaciones previas que han resaltado
la capacidad de la IA para mejorar la
experiencia educativa y potenciar el
aprendizaje individualizado (Cao et al.,
2020; Chen et al., 2020).
• Uso de herramientas basadas en IA: Todos
los profesores han utilizado herramientas
basadas en IA en sus prácticas docentes,
lo que indica una adopción activa de
la tecnología en el contexto educativo.
Estas han demostrado ser ecaces para
mejorar la eciencia en la evaluación y la
retroalimentación, lo cual está alineado con
estudios anteriores que han destacado los
benecios de la IA en estos aspectos.
• Preocupaciones y desafíos: A pesar de los
benecios, surgieron preocupaciones sobre
la privacidad de los datos y la posible
deshumanización de la educación debido a
la dependencia excesiva de la tecnología.
Estas preocupaciones son consistentes con
las discusiones éticas y sociales en torno
193
Guerrero, C., & Guerrero, A. Tierra Nuestra, 18(2), 184 - 197. DOI. https://doi.org/10.21704/rtn.v18i2.2183
Julio - Diciembre 2024
a la IA en la educación, lo que resalta la
importancia de abordar estos desafíos de
manera proactiva y ética (Selwyn, 2019;
Williamson et al., 2020).
• Recomendaciones para una implementación
exitosa: Los profesores ofrecieron
recomendaciones clave para una
implementación exitosa de la IA en la
educación como la capacitación adecuada
para los docentes y los estudiantes, la
transparencia en el uso de la tecnología y
la protección de la privacidad de los datos.
Estas recomendaciones son fundamentales
para garantizar el uso ético y efectivo de
la IA en el ámbito educativo (Luckin et al.,
2016; Slade y Prinsloo, 2013).
• Visión futura: Los profesores visualizaron
un papel cada vez más importante de la
IA en la educación superior, pero también
destacaron la necesidad de un enfoque ético
y responsable en su implementación. Esta
visión futura enfatiza la importancia de
considerar los aspectos éticos y sociales de
la IA en la educación a medida que avanza
su integración en las prácticas educativas
(Holmes et al., 2019).
6. Conclusiones
A partir de la investigación, se concluye lo
siguiente, según los aspectos expuestos:
• Aceptación y potencial de la IA: Los
profesores muestran una percepción
generalmente positiva hacia la IA en la
educación: reconocen su potencial para
mejorar la calidad del aprendizaje y la
enseñanza. Esta aceptación sugiere una
disposición favorable hacia la adopción
de tecnologías innovadoras en el contexto
educativo.
• Benecios identicados: Los benecios
identicados de la integración de la IA
incluyen la personalización del aprendizaje,
la eciencia en la evaluación y la
retroalimentación, así como el desarrollo
de habilidades críticas en los estudiantes.
Estos benecios respaldan la idea de que
la IA puede mejorar signicativamente la
experiencia educativa.
• Desafíos y preocupaciones: A pesar de
los benecios, surgieron preocupaciones
importantes sobre la privacidad de los
datos, el sesgo algorítmico y la posible
deshumanización de la educación. Estos
desafíos resaltan la necesidad de abordar
las implicaciones éticas y sociales de la
aplicación de la IA en la educación.
• Recomendaciones para una implementación
ética: Las recomendaciones ofrecidas
por los profesores, como la capacitación
adecuada para docentes y estudiantes, la
transparencia en el uso de la tecnología y
la protección de la privacidad de los datos,
son fundamentales para una implementación
ética y responsable de la IA en la educación.
• Visión futura: La visión futura de los
profesores sobre el papel de la IA en la
educación superior es optimista, pero
también enfatiza la necesidad de un enfoque
equilibrado que considere los aspectos éticos
y sociales. Esto sugiere una oportunidad
para una mayor integración de la IA en las
prácticas educativas, siempre que se aborden
adecuadamente los desafíos identicados.
Se recomienda realizar, en el futuro, una
investigación cuantitativa utilizando
las variables y modelo encontrado en
esta investigación cualitativa a n de
corroborar las relaciones existentes entre
la percepción y la eciencia administrativa,
la personalización en el aprendizaje, la
generación rápida de contenido especíco y
la mejora de redacción, la capacitación de
profesores y alumnos, y la regulación por
parte de la universidad en el uso de la IA para
el rendimiento de la enseñanza universitaria
mediada por la inversión en infraestructura
tecnológica.
Conicto de intereses
Los autores no incurren en conictos de
intereses.
Rol del autor
CAGL, CAGM: Conceptualización,
Investigación, Escritura-Preparación del
Determinantes del uso de la inteligencia articial en la enseñanza universitaria: un enfoque cualitativo
194
Julio - Diciembre 2024
borrador original, Redacción-revisión y edición.
Fuentes de nanciamiento
Esta investigación no recibió ninguna
subvención especíca de ninguna agencia de
nanciación, sector gubernamental ni comercial
o sin nes de lucro.
Aspectos éticos / legales:
Los autores declaran no haber incurrido en
aspectos antiéticos ni haber omitido normas
legales.
ORCID y correo electrónico
Carlos Alberto
Guerrero López cguerrero@lamolina.edu.pe
Carlos Alberto
Guerrero Medina cguerrero@esan.edu.pe
Referencias
Cao, W., Wang, Q., Sbeih, A., Shibly, F. (2020)
. Articial intelligence based ecient
smart learning framework for education
platform. Inteligencia Articial. 23(66)
(2020), 112-123. Journal iberramia doi:
10.4114/intartf.vol20iss59pp123-127
Chen, S., Yang, J., & Deng, L. (2020). Articial
Intelligence and Education: Current
Progress and Future Trends. Computers
& Education, 144, 103693.
Creswell, J. (2013). Research Design:
Qualittive, Quantitative, and Mixed
Methods Approaches. Sage Publications.
3ra edición.
Denscombe, John, W, (2014). The Good
Research Guide: For Small-Scale Social
Research Projects. Open University
Press. 5ra edition.
Glaser, B. taus, A. (167.The Discovery of
Grounded Theory: Strategies For
Qualittive Research. Ed. Aldine de
Gruyter.
Guest, G., McQueen, K. y Namey, E. (2012).
Applied thematic análisis. Sage
publications.
Holmes, W., Bialik, M., & Fadel, C. (2019).
Articial Intelligence in Education:
Promises and Implications for Teaching
and Learning. Center for Curriculum
Redesign.
Huang, Y., Zhang, S., & Zhao, Y. (2021).
Application of Articial Intelligence in
Educational Administration. Journal of
Educational Technology Development
and Exchange, 14(1), 45-61.
Liu, D., Yang, W., & Sun, J. (2021). Adaptive
Learning Platforms: Enhancing Student
Engagement and Retention through
AI. Journal of Educational Computing
Research, 59(2), 254-275.
Luckin, R., Holmes, W., Griths, M., & Forcier,
L. B. (2016). Intelligence Unleashed: An
Argument for AI in Education. Pearson.
Merriam, S. B. (2009). Qualitative research: A
guide to design and implementation. San
Francisco, CA: Jossey-Bass.
Patton, Q. (1990) Qualitive Evaluation d
Research Methods, Sage, Pubicio,2da
edicion
Roll, I., & Wylie, R. (2016). Evolution and
Revolution in Articial Intelligence
in Education. International Journal of
Articial Intelligence in Education,
26(2), 582-599.
Selwyn, N. (2019). Should Robots Replace
Teachers? AI in Education and the Ethics
of the Algorithm. Journal of Philosophy
of Education, 53(1), 181-197.
Slade, S., & Prinsloo, P. (2013). Learning
Analytics: Ethical Issues and Dilemmas.
American Behavioral Scientist, 57(10),
1510-1529.
Smith, J. A., & Jones, R. B. (2020). Structured
Interviews in Research: Principles and
Applications. Journal of Social Research
Vol: 45(2), 125-145.
Tang, J., & McVay, J. (2022). Automated
195
Guerrero, C., & Guerrero, A. Tierra Nuestra, 18(2), 184 - 197. DOI. https://doi.org/10.21704/rtn.v18i2.2183
Julio - Diciembre 2024
Assessment Tools: Enhancing Accuracy
and Eciency in Education. Educational
Measurement: Issues and Practice, 41(1),
23-34.
Williamson, B., Hogan, M., & Green, S.
(2020). The Future of Datacation and
Algorithmic Governance in Education: A
Research Agenda. Learning, Media and
Technology, 45(1), 1-14.
Zawacki-Richter, O., Marín, V. I., Bond, M.,
& Gouverneur, F. (2019). Systematic
Review of Research on Articial
Intelligence Applications in Higher
Education: Where are the Educators?
International Journal of Educational
Technology in Higher Education, 16(1),
39.
Determinantes del uso de la inteligencia articial en la enseñanza universitaria: un enfoque cualitativo
196
Julio - Diciembre 2024
Anexo 1. Relación de profesores entrevistados
Anexo 1 Relación de profesores entrevistado
Código Edad Género País Tipo de
entidad Grado Nombre de la
institución Curso Experiencia Entrevista Duración
Profesor 1 37 Masculino Perú Privada PosGrado Universidad del
Pacíco Proyecto 4 Presencial 16
Profesor 2 53 Masculino Perú Estatal PosGrado San Marcos Ingeniería 7 Presencial 3
Profesor 3 45 Masculino Perú Privada PreGrado San ignacio de
Loyola Riesgo
Financiero 2 Presencial 21
Profesor 4 37 Femenino Perú Estatal PreGrado Federico Villarreal Informática 6 Presencial 15
Profesor 5 51 Femenino Perú Estatal PreGrado UNI Arquitectura 5 Presencial 18
Profesor 6 39 Masculino Perú Privada PreGrado San Juan Bautista Contabilidad 2 Presencial 19
Profesor 7 48 Femenino Perú Estatal PreGrado San Marcos Economía 6 Presencial 28
Profesor 8 33 Masculino Perú Privada PreGrado San Juan Bautista Matemática 5 Presencial 26
Profesor 9 45 Masculino Perú Privada PosGrado UTP Operaciones 4 Presencial 26
Profesor 10 29 Masculino Perú Privada PreGrado Cesar Vallejo Comunicación 2 Presencial 24
Profesor 11 45 Masculino Perú Estatal PreGrado Universidad
Nacional de
Trujillo Ingeniería 2 Presencial 34
Profesor 12 38 Femenino Perú Privada PreGrado Universidad
Privada Antenor
Orrego Medicina 6 Presencial 21
Profesor 13 55 Masculino Perú Estatal PreGrado Universidad
Nacional de
Trujillo Educación 5 Presencial 15
Profesor 14 42 Femenino Perú Estatal PosGrado Universidad
Nacional de
Trujillo Economía 2 Presencial 28
Profesor 15 50 Masculino Perú Privada Posgrado Universidad
Privada Antenor
Orrego Derecho 6 Presencial 26
Profesor 16 41 Femenino Perú Estatal Posgrado Universidad
Nacional de
Trujillo Biología 5 Presencial 21
Profesor 17 48 Masculino Perú Privada PreGrado Universidad
Privada Antenor
Orrego Arquitectura 4 Presencial 15
Profesor 18 52 Masculino Perú Estatal PreGrado Universidad
Nacional de
Trujillo Química 2 Presencial 18
Profesor 19 39 Masculino Perú Estatal PreGrado Universidad
Nacional de
Trujillo Medicina 4 Presencial 19
Profesor 20 37 Masculino Perú Estatal PosGrado Universidad
Nacional de
Trujillo Medicina 3 Presencial 18
Profesor 21 50 Masculino Perú Privada PosGrado PUCP Biomédica 3 Presencial 10
Profesor 22 36 Femenino Perú Privada PreGrado PUCP Electrónica 2 Presencial 12
Profesor 23 62 Masculino Perú Privada PreGrado Universidad
Ricardo Palma Administración 4 Presencial 11
Profesor 24 35 Masculino Perú Privada PreGrado PUCP Economía 2 Presencial 8
Profesor 25 60 Masculino Perú Privada PreGrado PUCO Electrónica 4 Presencial 10
Profesor 26 58 Masculino Perú Privada PreGrado UTP Economía 4 Presencial 11
Profesor 27 55 Masculino Perú Privada PreGrado Universidad San
ignacio de Loyola Economía 2 Presencial 9
Profesor 28 52 Masculino Perú Estatal PreGrado Universidad San
ignacio de Loyola Finanzas 2 Presencial 13
Profesor 29 55 Masculino Perú Estatal PreGrado Universidad San
ignacio de Loyola Economía 3 Presencial 12
Profesor 30 45 Masculino Perú Estatal PreGrado Universidad Cesar
Vallejo Arquitectura 2 Presencial 10
197
Guerrero, C., & Guerrero, A. Tierra Nuestra, 18(2), 184 - 197. DOI. https://doi.org/10.21704/rtn.v18i2.2183
Julio - Diciembre 2024
Profesor 31 35 Femenino Perú Estatal PreGrado UNALM Administración 5 Presencial 15
Profesor 32 40 Femenino Perú Estatal PreGrado UPC Ingeniería 8 Presencial 20
Profesor 33 53 Masculino Perú Estatal PosGrado UNALM Sist.
Informática 13 Presencial 18
Profesor 34 51 Masculino Perú Estatal PreGrado UPC Ingeniería 10 Presencial 22
Profesor 35 60 Masculino Perú Privada PreGrado UPC Educación 12 Presencial 16
Profesor 36 55 Masculino Perú Privada PreGrado Universidad Cesar
Vallejo Ingeniería 20 Presencial 12
Profesor 37 51 Masculino Perú Privada PreGrado Universidad Cesar
Vallejo Ingeniería 18 Presencial 21
Profesor 38 60 Masculino Perú Estatal PosGrado UNALM Estadística 12 Presencial 16
Profesor 39 45 Masculino Perú Privada PreGrado Universidad San
martín de Porres Ingeniería 5 Presencial 17
Profesor 40 54 Masculino Perú Estatal PreGrado Universidad Cesar
Vallejo Ingeniería 15 Presencial 19
Profesor 41 45 Masculino Perú Estatal PreGrado Universidad
Nacional de
Trujillo Ingeniería 20 Presencial 34
Profesor 42 38 Femenino Perú Privada PreGrado Universidad
Privada Antenor
Orrego Medicina 12 Presencial 21
Profesor 43 55 Masculino Perú Estatal PreGrado Universidad
Nacional de
Trujillo Educación 30 Presencial 15
Profesor 44 42 Femenino Perú Estatal PosGrado Universidad
Nacional de
Trujillo Economía 18 Presencial 28
Profesor 45 50 Masculino Perú Privada Posgrado Universidad
Privada Antenor
Orrego Derecho 25 Presencial 26
Profesor 46 41 Femenino Perú Estatal Posgrado Universidad
Nacional de
Trujillo Biología 16 Presencial 21
Profesor 47 48 Masculino Perú Privada PreGrado Universidad
Privada Antenor
Orrego Arquitectura 22 Presencial 17
Profesor 48 52 Masculino Perú Estatal PreGrado Universidad
Nacional de
Trujillo Química 28 Presencial 18
Profesor 49 39 Femenino Perú Estatal PreGrado Universidad
Nacional de
Trujillo Medicina 14 Presencial 13
Profesor 50 37 Femenino Perú Estatal PreGrado Universidad
Nacional de
Trujillo Medicina 10 Presencial 16
Continuación de Anexo 1
