PERSPECTIVAS SOBRE INTEGRACIÓN DE LA
INTELIGENCIA ARTIFICIAL (IA) EN ENTORNOS
DE APRENDIZAJE UNIVERSITARIOS: UN ESTUDIO
BIBLIOMÉTRICO
PERSPECTIVES ON THE INTEGRATION OF ARTIFICIAL
INTELLIGENCE (IA) IN UNIVERSITY LEARNING
ENVIRONMENTS: A BIBLIOMETRIC STUDY
María de las Mercedes Toral Rodríguez
Tecnológico Nacional de México Instituto Tecnológico de Tehuacán – México
Angélica Granados Sánchez
Tecnológico Nacional de México Instituto Tecnológico de Tehuacán – México
Jessica Cruz Manzo
Tecnológico Nacional de México Instituto Tecnológico de Tehuacán – México
Felipe Ramírez Balderas
Tecnológico Nacional de México Instituto Tecnológico de Tehuacán – México
Wendy Adriana Martínez Orea
Tecnológico Nacional de México Instituto Tecnológico de Tehuacán - México
pág. 3848
DOI: https://doi.org/10.37811/cl_rcm.v8i6.15131
Perspectivas sobre integración de la Inteligencia Artificial (IA) en entornos
de aprendizaje universitarios: un estudio bibliométrico
María de las Mercedes Toral Rodríguez 1
mariadelasmercedes.tr@tehuacan.tecnm.mx
https://orcid.org/0009-0003-9343-240X
Tecnológico Nacional de México
Instituto Tecnológico de Tehuacán
Tehuacán, Puebla, México
Angélica Granados Sánchez
angelica.gs@tehuacan.tecnm.mx
https://orcid.org/0009-0005-4878-4486
Tecnológico Nacional de México
Instituto Tecnológico de Tehuacán
Tehuacán, Puebla, México
Jessica Cruz Manzo
jessica.cm@tehuacan.tecnm.mx
https://orcid.org/0000-0001-9872-1794
Tecnológico Nacional de México
Instituto Tecnológico de Tehuacán
Tehuacán, Puebla, México
Felipe Ramírez Balderas
felipe.rb@tehuacan.tecnm.mx
https://orcid.org/0009-0007-0905-4338
Tecnológico Nacional de México
Instituto Tecnológico de Tehuacán
Tehuacán, Puebla, México
Wendy Adriana Martínez Orea
wendyadriana.mo@tehuacan.tecnm.mx
https://orcid.org/0009-0003-3856-6763
Tecnológico Nacional de México
Instituto Tecnológico de Tehuacán
Tehuacán, Puebla, México
RESUMEN
Se realizó un estudio bibliométrico con la base de datos de Scopus, y tuvo como finalidad explorar las
perspectivas sobre La incorporación de la Inteligencia Artificial (IA) en los entornos educativos
académicos, desde 2010 a 2024. La metodología que se utilizó para elaborar este artículo incluye una
búsqueda que arrojó 472 registros de la producción científica relacionados con esta temática. Se
realizaron gráficas y mapas bibliométricos con los siguientes softwares: R Bibliometrix y VOSviewer,
clasificados en tres indicadores: cantidad, impacto y estructura. Como resultados, se analizaron las
tendencias de La incorporación de la Inteligencia Artificial (IA) en los entornos educativos
académicos, en relación con la producción anual de artículos, producción por países, revistas y
afiliaciones con mayor productividad, autores y documentos más citados, así como las palabras clave
relacionadas y su red de co-ocurrencia. Los resultados mostraron que existe una preeminencia de
artículos y ponencias respecto a otro tipo de documentos, por lo que se puede considerar que este tema
se encuentra en plena tendencia de investigación y difusión. Este estudio aporta datos interesantes al
revelar un panorama general de la incorporación de la inteligencia artificial en la educación
universitaria y se concluye que los desafíos son compartidos, por una parte los docentes que requieren
capacitación sobre el tema y los estudiantes de igual manera necesitan formarse para los trabajos
futuros que requieren de competencias diferentes para enfrentar la realidad en las empresas, no dejando
de lado el lado ético y las políticas que se deben establecer para ocupar dicha tecnología.
Palabras clave: perspectivas, inteligencia artificial, educación superior
1
Autor Principal
Correspondencia: mariadelasmercedes.tr@tehuacan.tecnm.mx
pág. 3849
Perspectives on the integration of artificial intelligence (IA) in university
learning environments: a bibliometric study
ABSTRACT
A bibliometric study was carried out using the Scopus database, and its purpose was to explore the
perspectives on the incorporation of Artificial Intelligence (AI) in academic educational environments,
from 2010 to 2024. The methodology used to prepare this article includes a search that yielded 472
records of scientific production related to this topic. Bibliometric graphs and maps were made with the
following software: R Bibliometrix and VOSviewer, classified into three indicators: quantity, impact
and structure. As a result, the trends of the incorporation of Artificial Intelligence (AI) in academic
educational environments were analyzed, in relation to the annual production of articles, production by
country, journals and affiliations with the highest productivity, most cited authors and documents, as
well as related keywords and their co-occurrence network. The results showed that there is a
preeminence of articles and presentations over other types of documents, so it can be considered that
this topic is in full trend of research and dissemination. This study provides interesting data by revealing
an overview of the incorporation of artificial intelligence in university education and concludes that the
challenges are shared, on the one hand, teachers who require training on the subject and students equally
need to be trained for future jobs that require different skills to face reality in companies, not leaving
aside the ethical side and the policies that must be established to use said technology.
Keywords: perspectives, artificial intelligence, higher education
Artículo recibido 10 octubre 2024
Aceptado para publicación: 18 noviembre 2024
pág. 3850
INTRODUCCIÓN
La inteligencia artificial ha emergido como una tendencia destacada en diversos ámbitos, incluyendo
la educación superior, donde representa un desafío significativo para transformar sus procesos
internos. Esta transformación exige la preparación necesaria para adoptar nuevas realidades y
perspectivas que promuevan métodos innovadores en la enseñanza, el aprendizaje y la evaluación. En
este contexto, resulta fundamental considerar las actitudes existentes hacia el uso de la IA así como
las potenciales ventajas y desafíos asociados a este avance tecnológico. Como afirma Luckin et al.
(2016), "la Inteligencia Artificial tiene el potencial de transformar la educación al proporcionar
entornos de aprendizaje personalizados, adaptativos y más eficientes" (p. 3). Asimismo, de acuerdo
con Gómez et al. (2019), "la integración de la IA en los entornos de aprendizaje universitarios no solo
está impulsada por el avance tecnológico, sino también por una necesidad de responder a las demandas
de un sistema educativo más inclusivo y accesible" (p. 9). En consecuencia, tanto estudiantes como
docentes cada vez se sienten más motivados a ir explorando cómo la IA puede optimizar el rendimiento
en la educación.
Es importante analizar las investigaciones académicas abordando la integración de la IA en las
universidades, tendencias, desafíos y avances. En este artículo se hace una revisión bibliométrica para
analizar la producción científica reciente y, a través de este análisis, observar el interés académico en
la IA aplicada a la educación superior, además de ser un tema relevante para guiar futuras líneas de
investigación. Según Martín et al. (2020), "el análisis bibliométrico permite desentrañar las principales
líneas de investigación, las áreas emergentes y las colaboraciones más significativas dentro de un
campo de estudio" (p. 47).
Revisión de Literatura
La inteligencia artificial (IA) es concebida por Cárdenas (2023) como una red de sistemas informáticos
para realizar tareas como el aprendizaje y predicción. Además, respecto a su importancia,
Paramasivam y Nirmala (2022) argumentan que, en los tiempos actuales, la inteligencia artificial ha
contribuido enormemente a la educación, ya que, con el crecimiento del aprendizaje en línea, la
mayoría de las tareas han pasado de manos humanas a máquinas y programas.
Es importante mencionar el gran impacto que la IA ha tenido en la vida cotidiana, incluyendo al ámbito
pág. 3851
educativo donde genera resultados que serían prácticamente inalcanzables sin el respaldo de una
tecnología como esta. Sin embargo, a medida que la IA se van integrando al sistema educativo,
aumenta los riesgos asociados a cuestiones morales, éticos y de privacidad, por lo que resulta
fundamental fortalecer el conocimiento tanto de estudiantes como de docentes para abordar estos
desafíos de manera efectiva y responsable.
Se resalta la importancia de tratar los datos personales de manera cuidadosa, por lo que es muy
importante implementar mecanismos transparentes en la adquisición y tratamiento del uso de datos.
Además, en cuanto a la responsabilidad y ética es importante reconocer que los resultados del
aprendizaje automático dependen mucho de la elección del docente o diseñador de los cursos o
programas de estudio.
La revisión presentada en este artículo, enfocada en la revisión de investigaciones hechas sobre el
tema, resulta relevante porque refleja la prevalencia del uso de la inteligencia artificial en sistemas
educativos a nivel superior. En la Tabla 1 se muestran los objetivos y estrategias implementadas en
estas investigaciones, que orientarán el proceso y permitirán alcanzar los resultados esperados en cada
estudio.
Tabla 1. Objetivos y estrategias de los artículos por autor
AUTOR
OBJETIVO
ESTRATEGIAS
(Zawacki-
Richter et al.,
2019)
Identificar las ventajas pedagógicas de la
IA en la educación superior, busca
explorar enfoques éticos y educativos.
Revisar aplicaciones de IA, utilizar modelos
predictivos y abordar preocupaciones de
privacidad en la educación personalizada.
(Michel-
Villarreal et al.,
2023)
Explorar el impacto de ChatGPT en la
educación superior, analizando
experiencias de usuarios, desarrollando
políticas de integración responsable y
destacando la relevancia de la etnografía
de cosas en estudios de IA.
Diseña políticas para el uso responsable de la
IA, capacita sobre sus beneficios y riesgos,
fomenta la colaboración interdisciplinaria,
evalúa su integración y apoya investigaciones
sobre su impacto.
(Chiu, 2023)
Investigar el impacto de GenAI en la
educación escolar desde la perspectiva
docente para orientar prácticas y políticas
educativas.
Fomentar la alfabetización en IA, el
pensamiento crítico y el aprendizaje
interdisciplinario, actualizando habilidades
digitales y promoviendo la colaboración entre
maestros y alumnos con GenAI.
(Rahim et al.,
2022)
Examinar los determinantes de la
implementación de chatbots en la
educación superior, adaptando el modelo
UTAUT2 para evaluar su efectividad y
mejorar los servicios estudiantiles con
IA.
Adaptar el modelo UTAUT2, realizar
encuestas en posgrados de HEI, analizar datos
con PLS-SEM y ANN, y enfatizar ética,
influencia social y motivación hedónica en el
uso de chatbots.
pág. 3852
(Yu et al., 2017)
Mejorar la personalización en MOOC
con IA, analizando habilidades y rutas de
aprendizaje, y abordando
consideraciones éticas.
Utilizar IA para personalizar rutas de
aprendizaje en MOOC, asignar asistentes con
optimización, desarrollar compañeros
virtuales humanos, integrar supervisión ética
y fomentar la colaboración entre plataformas
MOOC e investigadores de IA.
(Dempere et al.,
2023)
El estudio analiza los efectos de los
chatbots de IA en la educación superior,
centrándose en ChatGPT de OpenAI para
identificar sus beneficios y riesgos en
contextos educativos.
Utilizar chatbots de IA éticamente para
reducir el fraude académico, implementar
regulaciones equilibradas, fomentar su uso
proactivo en la facultad y desarrollar sistemas
sólidos de gobernanza y seguridad en IA.
(Malik et al.,
2023)
El estudio exploró las percepciones de
245 estudiantes de pregrado de 25
instituciones sobre la IA en la escritura,
destacando su papel en mejorar
habilidades y promoviendo una
integración equilibrada.
Emplear cuestionarios en línea mediante
Google Forms, en el idioma nativo de los
participantes, con pruebas de confiabilidad,
escala Likert de 5 puntos e inclusión de
diversos datos demográficos estudiantiles.
(T. K. Chiu,
2023)
Investigar las perspectivas de los
estudiantes sobre el impacto de GenAI
en los resultados de aprendizaje, la
pedagogía y los cambios en la evaluación
Enfatizar la alfabetización en IA,
implementar enfoques interdisciplinarios y
pedagogías innovadoras, desarrollar métodos
de evaluación y fomentar actividades
prácticas en clase.
Fuente: Elaboración propia con la base de datos Scopus.
En la Tabla 2 muestra un análisis comparativo de metodologías e implicaciones derivadas de
investigaciones centradas en el uso de la IA en la educación superior, lo que permitirá encontrar
oportunidades y desafíos para la integración efectiva y ética en las prácticas educativas.
Tabla 2. Metodología e implicaciones de los artículos
AUTOR
METODOLOGÍA
(Al-Mughairi &
Bhaskar, 2024)
El estudio usó análisis fenomenológico
interpretativo (IPA) para explorar
experiencias subjetivas y cómo ChatGPT
se integra en la enseñanza, con muestras
pequeñas (2-25 participantes).
(Ayanwale &
Ndlovu, 2024)
El estudio utilizó un test de 7 puntos con
842 estudiantes de pregrado. Se empleó
SmartPLS 4.0.9.2 para análisis, con SEM
basado en covarianza. Se evaluaron
normalidad, validez estructural y
relaciones hipotéticas entre variables.
pág. 3853
(Johnston et al.,
2024)
Se usó una encuesta de nueve preguntas,
probada con 24 estudiantes, para recopilar
datos sobre herramientas GAI. El análisis
se realizó con Excel y SPSS (versión 28),
empleando la prueba U de Mann-Whitney.
La Universidad de Liverpool aprobó
éticamente el estudio
(Lee et al.,
2024)
Se realizó una encuesta en línea con 20
preguntas de impacto y siete metadatos,
validada por modificaciones del autor.
Participaron miembros de una Comunidad
de Práctica de la Academia de Educación,
combinando datos cualitativos y
cuantitativos. La tasa de respuesta fue del
78.6%.
(Xu et al., 2024)
Se realizaron entrevistas semiestructuradas
a docentes y expertos, analizadas
temáticamente por dos investigadores,
identificando más de 90 temas y
respetando normas éticas.
(Jia & Tu, 2024)
El estudio utilizó revisión de literatura,
encuestas y SEM para validar hipótesis y
analizar constructos.
(Davis, 2024)
Se recopilaron datos mediante una
encuesta a 20 maestros y un grupo focal
con 4. Se usaron métodos mixtos para
analizar percepciones y evaluar programas
de formación docente en IA.
(Salhab, 2024)
El estudio empleó un enfoque mixto,
recolectando datos cuantitativos mediante
un cuestionario a instructores
universitarios y datos cualitativos mediante
entrevistas semiestructuradas. Utilizó
diseños fenomenológicos y descriptivos
para abordar integralmente el tema.
(Saihi et al.,
2024)
El estudio usó Modelado de Ecuaciones
Estructurales (SEM) con una revisión de
literatura y un cuestionario probado. Se
recopilaron datos de 192 participantes y se
analizaron con PLS-SEM, evaluando la
confiabilidad y validez del modelo.
pág. 3854
(Sáez-Velasco
et al., 2024)
El estudio usó métodos cualitativos y
exploratorios con grupos focales que
incluyeron educadores y estudiantes.
Consistió en dos fases: generación de
ilustraciones y discusiones sobre temas
como costo, creatividad y ética de la IA.
Las pruebas experimentales fomentaron
reflexiones entre los participantes.
(Bannister et al.,
2024)
Análisis cualitativo de 131 políticas de 11
países sobre integridad académica,
utilizando revisión de documentos, análisis
DAFO y métricas lingüísticas.
(Kallunki et al.,
2024)
Se realizó un análisis de contenido
cualitativo con entrevistas y grupos focales
a 79 profesores, usando triangulación y el
software Atlas.ti para asegurar la
fiabilidad.
(Shabbir et al.,
2024)
Se realizó una revisión sistemática sobre la
integración de ChatGPT, enfocándose en
beneficios y desafíos en contextos
educativos de regiones subdesarrolladas.
(Pang et al.,
2024b)
Se utilizó una encuesta de preguntas
abiertas y análisis temático con NVivo 12.
Los docentes de la Universidad RMIT
participaron, y se obtuvo aprobación ética.
(Mah & Groß,
2024)
El estudio incluyó a 122 académicos
alemanes, recolectando datos mediante un
cuestionario en línea. Se analizó el uso de
herramientas de IA y la autoeficacia,
identificando perfiles de facultad a través
de un análisis de clase latente.
(Slimi &
Villarejo-
Carballido,
2024)
El estudio usó entrevistas no estructuradas
con 13 participantes de educación superior.
Se obtuvo consentimiento informado y se
garantizó el anonimato. Las entrevistas
fueron analizadas temáticamente.
(Barac &
López-
Rodríguez,
2024)
El estudio incluyó a 206 universitarios de
10 cursos en 7 programas. Se utilizó un
cuestionario y IBM SPSS para analizar
datos cuantitativos y categóricos. Las
respuestas abiertas fueron procesadas con
ChatGPT para categorización temática.
pág. 3855
(T. K. Chiu,
2023)
El estudio cualitativo involucró a 51
estudiantes de tres universidades. Se
usaron grupos focales y análisis temático
en cuatro fases para explorar el impacto de
GenAI.
Fuente: Elaboración propia con la base de datos Scopus
Finalmente se muestran los resultados y futuras líneas de investigación en la Tabla 3. Los resultados
son importantes para responder a cada parte de la investigación. Explicando las variables y análisis
realizado y las líneas de investigación son importantes para la generación de nuevo conocimiento y
son un eje temático para la construcción de nuevo conocimiento para la solución de problemas futuros.
Tabla 3. Resultados y futuras líneas de investigación
AUTOR
RESULTADOS
FUTURAS LÍNEAS DE
INVESTIGACIÓN
(T. K. Chiu, 2023)
El análisis temático identificó tres temas
principales: habilidades en GenAI y
comunicación interpersonal, aprendizaje
interdisciplinario y maker, y evaluación
basada en proyectos y actividades en
clase. Los estudiantes expresaron
preocupaciones sobre el empleo futuro y
la efectividad de GenAI, recomendándose
fomentar la alfabetización en IA y
pedagogías innovadoras.
Autoevaluación y preparación
laboral, alfabetización y competencia
en IA, nuevas alfabetizaciones y sus
relaciones, enfoques
interdisciplinarios, pedagogías
innovadoras y métodos de
evaluación.
(Al-Mughairi & Bhaskar,
2024)
La adopción de ChatGPT en educación
está motivada por tecnologías
innovadoras, aprendizaje personalizado,
ahorro de tiempo y desarrollo profesional,
pero inhibida por preocupaciones de
confiabilidad, privacidad, soporte y
precisión
Integración de métodos mixtos,
desarrollo de un modelo integral de
adopción, análisis de impactos a largo
plazo en la enseñanza, exploración de
consideraciones éticas, evaluación de
disparidades de acceso y estudio de la
relación maestro-alumno con
ChatGPT.
(Ayanwale & Ndlovu,
2024)
l estudio confirmó relaciones entre
factores de adopción del chatbot, con
supuestos de normalidad cumplidos,
correlaciones lineales validadas y
ausencia de multicolinealidad.
Incluir datos demográficos diversos,
realizar estudios longitudinales,
combinar medidas objetivas con
autoinformes y utilizar entrevistas
cualitativas para profundizar en los
factores de adopción.
(Johnston et al., 2024)
La mayoría de los estudiantes calificó su
confianza en la escritura entre 3 y 4, con
un 52% reportando niveles altos (4 o 5).
Humanidades mostró mayor confianza y
Salud/Ciencias de la Vida, la menor. El
50.9% usó GAI académicamente,
mayormente para gramática y
comprensión, no para ensayos o tareas
Analizar el impacto de la baja
confianza en el uso de tecnología,
explorar los costos de suscripciones a
GAI, evaluar beneficios para
estudiantes discapacitados e
internacionales y examinar
percepciones sobre políticas de
integridad académica relacionadas
con GAI.
pág. 3856
(Lee et al., 2024)
Educadores muestran opiniones diversas
sobre la IA, con preocupaciones sobre
integridad académica, uso frecuente por
estudiantes y necesidad de desarrollo
profesional. ChatGPT es la herramienta
más utilizada, reflejando un impacto
amplio y desafiante en educación.
Identificar mejores prácticas para
integrar IA en educación superior,
explorar necesidades de capacitación
docente, evaluar impactos en la
integridad académica, analizar la
influencia de la IA generativa en
resultados de aprendizaje y su papel
en el desarrollo curricular y
pedagógico.
(Xu et al., 2024)
ChatGPT mitiga desafíos en PLEs,
mejora la autorregulación, pensamiento
crítico y motivación, y ofrece recursos
personalizados, destacando beneficios y
desafíos de su integración.
Explorar las capacidades en
evolución de ChatGPT, evaluar su
impacto en la alfabetización digital,
investigar el desarrollo de habilidades
no cognitivas y metacognitivas, e
incluir perspectivas más amplias de
las partes interesadas.
(Jia & Tu, 2024)
La capacidad de IA impulsa el
pensamiento crítico mediante la
autoeficacia y la motivación, con un
modelo estructural validado y
correlaciones positivas entre constructos.
Estudiar la influencia de factores
genéticos, replicar el estudio para
verificar mecanismos, validar la
teoría basada en recursos, analizar el
impacto de cursos offline en la
motivación y enfocarse en mejorar la
autoeficacia y motivación tras la
pandemia.
(Davis, 2024)
Los maestros valoran la IA en educación,
destacando su potencial transformador y
beneficios sociales, pero critican la falta
de habilidades prácticas en programas
formativos centrados en teoría.
Identificar mejores prácticas para
integrar IA en educación superior,
explorar necesidades de capacitación
docente, evaluar impactos de la IA en
la integridad académica, analizar su
influencia en resultados de
aprendizaje y su papel en el desarrollo
curricular y pedagógico.
(Salhab, 2024)
Los instructores universitarios perciben la
alfabetización en IA como insuficiente,
están insatisfechos con su presencia en el
plan de estudios y apoyan su integración,
destacando metas educativas y falta de
lineamientos como temas clave.
Estudiar marcos de alfabetización en
IA para el currículo, factores que
influyen en las perspectivas de los
instructores, impacto de la IA en el
aprendizaje estudiantil, implicaciones
éticas en educación y estrategias para
mejorar competencias de IA en el
plan de estudios.
(Saihi et al., 2024)
Estudiantes y educadores perciben
positivamente los chatbots de IA, aunque
surgen preocupaciones sobre confianza,
privacidad y calidad de información.
Competencia tecnológica, roles y género
moderan su impacto, mejorando
experiencias educativas y prácticas
docentes.
Realizar estudios longitudinales
sobre el uso de chatbots de IA,
desarrollar pautas de uso responsable
para la privacidad, analizar impactos
educativos a largo plazo y explorar
consideraciones éticas en su
implementación.
(Sáez-Velasco et al.,
2024)
Resultados centrados en costo, eficiencia,
interacción IA-persona, creatividad,
formación artística, y consideraciones
éticas y deontológicas.
Realizar estudios cualitativos con
profesionales y clientes, estudios
cuantitativos con estudiantes y
educadores, y optimizar la generación
de imágenes para estímulos en grupos
focales
pág. 3857
(Bannister et al., 2024)
Se analizaron 131 políticas GenAI en
educación superior, identificando
prioridades temáticas mediante 160,051
palabras y herramientas de visualización.
Ampliar muestras, comparar políticas
de IES, buenas prácticas en
gobernanza, políticas para estudiantes
internacionales y multilingües,
integridad en segundas lenguas, y
herramientas y capacitación
institucionales.
(Kallunki et al., 2024)
La IA destacó en discusiones grupales,
con seis categorías de influencia en
enseñanza y aprendizaje, preocupaciones
sobre su impacto estudiantil y necesidad
de capacitación docente.
Desafíos éticos, competencias
universitarias para el empleo,
impacto educativo de la IA,
capacitación docente y aprendizaje
estudiantil con IA.
(Shabbir et al., 2024)
ChatGPT mejora productividad,
habilidades y aprendizaje en regiones
subdesarrolladas, fomenta colaboración,
pero requiere uso responsable.
Ética, personalización, impacto en
aprendizaje, regulación y desafíos de
integridad académica con ChatGPT.
(Pang et al., 2024b)
Participantes: 13 hombres, 6 mujeres,
mayoría de Asia oriental; más de dos
tercios con +5 años de experiencia
docente, clases de 101-250 alumnos,
todos bilingües.
Desafíos técnicos y éticos de la IA en
educación. Retroalimentación de IA
en diversos contextos. Perspectivas
de educadores nativos. Experiencias
profundas mediante entrevistas
personales.
(Mah & Groß, 2024)
La IA mejora la equidad educativa y
empodera a estudiantes con
discapacidades, aunque enfrenta desafíos
éticos como sesgos de datos y
alfabetización en IA. Se identificaron
cuatro perfiles de docentes (optimista,
crítico, reflexivo y neutral), con un tercio
integrando IA frecuentemente en la
enseñanza, sin diferencias de uso por edad
Validar perfiles docentes, desarrollar
instrumentos para muestras amplias,
explorar ética y prácticas de IA, y
usar métodos mixtos con entrevistas
cualitativas.
(Slimi & Villarejo-
Carballido, 2024)
La IA optimiza admisiones, reduce cargas
laborales, mejora aprendizaje y
evaluación, pero enfrenta resistencia,
infraestructura limitada y dilemas éticos.
Estudiar impactos a largo plazo de la
IA en educación. Diseñar marcos
éticos para su implementación.
Analizar resistencia a la adopción de
IA en universidades. Evaluar
infraestructura insuficiente para IA
educativa. Investigar usos indebidos
de IA en educación.
(Barac & López-
Rodríguez, 2024)
El 94.2% de los estudiantes usó IA,
destacando ChatGPT (76.2%) y
herramientas de traducción (72.8%).
Canva fue popular (70.9%), mientras que
solo el 6% no usó IA académicamente.
Opiniones divididas sobre la regulación
de IA.
Evaluar la calidad de la formación
docente para el uso de IA. Analizar el
impacto ético de la integración de IA
en la educación. Estudiar el impacto
empírico de la IA en la educación
superior. Investigar percepciones
estudiantiles sobre el uso y regulación
de IA.
Fuente: Elaboración propia con la base de datos Scopus
En el análisis de las futuras líneas de investigación de los artículos presentados indican la necesidad
de explorar la integración de las tecnologías de la inteligencia artificial en ambientes educativos
pág. 3858
universitarios, mismas que deberían centrarse en el análisis de la ética, impactos a largo plazo en las
prácticas de enseñanza-aprendizaje. Además, se debe evaluar la alfabetización en temas de inteligencia
artificial y dar prioridad a la integridad académica en la educación superior.
METODOLOGÍA
Este artículo se originó de un estudio bibliométrico con los conceptos perspectives, artificial
intelligence y higher education, mismos que sirvieron para que en Scopus (base de datos) se llevara a
cabo una búsqueda a partir de la siguiente ecuación (TITLE-ABS-KEY (perspectives & artificial
intelligence and higher education)). Posteriormente se exportaron los resultados, generando un archivo
de valores para posteriormente convertirlo en una hoja de cálculo y poder trabajar los datos para un
mejor análisis; La búsqueda arrojó un total de 472 documentos comprendidos en el periodo del año
2010 al año 2024. El proceso de generación de datos se realizó en 4 etapas secuenciales, como se
muestra en la Figura 1(Cruz Manzo et al., 2024). La primera etapa consistió en la aplicación de la
ecuación de búsqueda y posterior descarga de la base de datos en formato .cvs opción que nos
proporciona Scopus, para la segunda etapa se integra el archivo tipo .csv al software R Bibliometrix
(Aria y Cucurullo, 2024) el cual nos sirve para efectuar estudios bibliométricos. De igual manera se
utilizó la herramienta VOSviewer para la generación de gráficos. La tercera etapa menciona la
elaboración de tablas y figuras para mostrar de manera representativa los elementos de la base de datos
original. La cuarta etapa analiza la información generada en el paso anterior.
Figura 1. Proceso de búsqueda y análisis de información
Fuente: Elaboración propia del artículo de Gómez et al (2024)
A continuación, se representa el proceso de búsqueda a partir de la ecuación en Scopus base de datos
(Tabla 4).
Busqueda en
Scopus
"perspectives &
artificial
intelligence &
higher education"
Analisis de
reultados
Elaboración de
tablas y graficos
Traslado de
archivos a R
Bibliometrix y
VOSviewer
pág. 3859
Tabla 4. Ecuación y datos incluidos en búsqueda Scopus
Ecuación de búsqueda
Periodo
Idioma
Tipo de documento
Base de
datos
(TITLE-ABS-KEY
(perspectives & artificial
intelligence & higher
education))
Todos los
años
(2010-
2024)
Inglés
Article OR Book OR Book
Chapter OR Conference paper
OR Conference review OR
Data paper OR Note OR
Retracted OR Review
Scopus
Fuente: Elaboración propia con la base de datos Scopus
Como primer resultado se muestra que de la base de datos descargada de Scopus, la misma arrojó 472
documentos, teniendo al tipo de documento artículo como el de mayor porcentaje con el 44.70 % como
se observa en la Tabla 5.
Tabla 5. Tipo de documento en búsqueda Scopus
Tipo de documento
Registro
Porcentaje
Artículo
211
44.70 %
Ponencia
154
32.63%
Revisión de conferencia
44
9.32 %
Capítulo de libro
32
6.78 %
Libro
16
3.39 %
Revisión
12
2.55 %
Nota
1
0.21 %
Documento de datos
1
0.21%
Retirado
1
0.21 %
Fuente: Elaboración propia con la base de datos Scopus
RESULTADOS
Posterior a la búsqueda descrita anteriormente se continuó con el análisis de las siguientes Tablas y
Figuras obtenidas y que contienen información de interés, se utilizan 3 grupos de referencia
bibliométrica para hacer un mayor énfasis en la importancia de los datos, quedando de la siguiente
manera: indicadores de cantidad, indicadores de impacto e indicadores de estructura.
pág. 3860
Indicadores bibliométricos de cantidad
Figura 2. Producción anual de documentos por año en Scopus
Fuente: Base de datos Scopus con análisis en R Bibliometrix
En la Figura 2, se visualiza un incremento en la cantidad de investigaciones relacionadas a la búsqueda
inicial, quedando los valores de la siguiente manera: 1 documento en el año 1989, 1 documento en el
año 1990, 1 documento en el año 1995, 1 documento en el año 2006, 1 documento en el año 2009, 5
documentos en el año 2010, 5 documentos en el año 2011, 2 documentos en el año 2012, 2 documentos
en el año 2013, 3 documentos en el año 2014, 4 documentos 2018, 20 documentos en el año 2019, 24
documentos en el año 2020, 30 documentos en el año 2021, 32 documentos en el año 2022, 95
documentos en al año 2023 y 230 documentos en el transcurso del año 2024, dando un total de 472
documentos. Existe un incremento exponencial en la producción de documentos a partir del año 2020,
culminando con 230 en el año más reciente, lo que indica un interés reciente en esta área. El punto de
inflexión marcado en 2020 posiblemente este motivado por los avances tecnológicos, eventos globales
como la pandemia, o un reconocimiento mayor de la importancia de la inteligencia artificial en la
educación o a nivel general.
1 1 1 1 1 5 5 2234249
20
24
30
32
95
230
0
50
100
150
200
250
1985 1990 1995 2000 2005 2010 2015 2020 2025 2030
Numero de registros
Año
pág. 3861
Figura 3. Top producción por país en Scopus
Fuente: Base de datos Scopus con análisis en R Bibliometrix
Tabla 6. Países líderes en producción científica
País
Publicaciones
China
426
Reino Unido
325
Estados Unidos
236
España
209
India
121
Fuente: Elaboración propia de la base de datos Scopus
De la Tabla 6 se observan los 5 países líderes en la producción científica referente a las perspectivas
sobre la integración de la Inteligencia Artificial (IA) en entornos de aprendizaje universitarios, liderando
China con 426 publicaciones, en segundo lugar, Reino Unido con 325 publicaciones, en tercer lugar,
Estados Unidos con 236 publicaciones, en cuarto lugar, España con 209 publicaciones y por último India
con 121 publicaciones. Los mismos resultados se muestran en la figura 3, se puede observar que los 5
pág. 3862
países mostrados muestran una productividad que aumenta con el tiempo, siendo China encabeza esta
lista de crecimiento.
Figura 4. Top revistas con mayor productividad en Scopus
Fuente: Base de datos Scopus con análisis en R Bibliometrix
En la Figura 4 se muestran las 10 revistas con mayor productividad, siendo Lecture Notes in Networks
and Systems con 22 publicaciones la que mayor número de publicaciones tiene sobre el tema de las
perspectivas sobre la integración de la Inteligencia Artificial (IA) en entornos de aprendizaje
universitarios, seguido de la revista Lecture Notes in Computer Science con 19 publicaciones, y a
continuación la revista ACM International Conference Proceeding Series y Communications in
computer and information Science, ambas con 13 publicaciones. Esto permite tener una visión más
clara sobre cuáles son las publicaciones más influyentes o relevantes. Aquellas revistas con mayor
número de publicaciones serán cruciales, tanto para mantenerse informado con su lectura como para
considerar a la hora de decidir enviar una publicación. Sin embargo, deberá evaluarse también su factor
de impacto.
pág. 3863
Figura 5. Afiliaciones con mayor productividad en Scopus
Fuente: Base de datos Scopus con análisis en R Bibliometrix
Tabla 7. Afiliaciones con mayor productividad en Scopus
Afiliaciones
Número de
publicaciones
País
School of engineering and sciences
15
Chile
University College Dublin
11
Irlanda
University of south Australia
11
Australia
University of Burgos
10
España
Qatar University
9
Qatar
University of Cape Coast
9
Ghana
Northwestern Polytechnical University
8
China
University of Adelaide
8
Australia
University of Johannesburg
8
Sudáfrica
University of the Sunshine Coast
8
Australia
Fuente: Elaboración propia de la base de datos Scopus
Con la Tabla 7 podemos visualizar cuáles son las afiliaciones que han producido más literatura respecto
al tema principal, de igual manera se muestran los países sedes de estas afiliaciones. Las instituciones
con más publicaciones reflejan grana actividad y relevancia en la temática que aquí se analiza, lo que es
indicativo de una investigación fuerte y sostenida. Se observa que la School of engineering and sciences
pág. 3864
ubicada en Chile tiene la mayor aportación con 15 publicaciones, seguida de University College Dublin
y la University of South Australia, ambas con 11 publicaciones, a continuación la University of Burgos
con 10 publicaciones, continuando con la Qatar University y la University of Cape Coast ubicadas en
Qatar y Ghana con 9 publicaciones, para terminar con 8 publicaciones las universidades: Northwestern
Polytechnical University, University of Adelaide, University of Johannesburg y University of the
Sunshine Coast, concluyendo que el País con mayor número de afiliaciones y mayor productividad es
Australia con 27 Publicaciones.
Indicadores bibliométricos de impacto
Figura 6. Top autores más relevantes en Scopus
Fuente: Base de datos Scopus con análisis en R Bibliometrix
Tabla 8. Productividad por autor
Número
de autores
Documentos
Publicados
1
4
8
3
1
2
Fuente: Elaboración propia de la base de datos Scopus
La Figura 6 muestra cuales han sido los autores más relevantes con respecto al número de publicaciones
que han realizado del tema de interés, siendo Wang Y. quien ha hecho un mayor aporte literario con 4
publicaciones, seguido de Bannister, Chiu TKF, Li N, Liu Y, Modelski J, Pinto C, Romaniuk R, Zhang
Y con 3 publicaciones cada uno y por último Aga K con 2 publicaciones.
pág. 3865
Tabla 9. Top de los documentos más citados
Autor
Título
Total de
citaciones
Zawacki-Richter et al., 2019
Revisión sistemática de la investigación sobre las
aplicaciones de la inteligencia artificial en la
educación superior: ¿dónde están los educadores?
1218
Michel-Villarreal et al., 2023
Desafíos y oportunidades de la IA generativa para
la educación superior explicados por ChatGPT
141
Chiu, 2023
El impacto de la IA generativa (GenAI) en las
prácticas, políticas y dirección de la investigación
en educación: un caso de ChatGPT y Midjourney
107
Rahim et al., 2022
Modelo de adopción de chatbots basados en IA
para instituciones de educación superior: un
enfoque híbrido de modelado de redes neuronales
PLS-SEM
101
Yu et al., 2017
Hacia la personalización impulsada por la IA en el
aprendizaje MOOC
80
Dempere et al., 2023
El impacto de ChatGPT en la educación superior
74
Malik et al., 2023
Explorando la inteligencia artificial en el ensayo
académico: la perspectiva de los estudiantes de
educación superior
54
T. K. Chiu, 2023
Recomendaciones de investigación futuras para
transformar la educación superior con IA
generativa
49
Fuente: Elaboración propia de la base de datos Scopus
Los artículos con mayor impacto en la base de datos Scopus son aquellos que registran el mayor número
de citaciones, en la Tabla 9 se enlistan en orden descendente y se observa que en la posición número
uno con 1,218 citaciones está el documento titulado “Revisión sistemática de la investigación sobre las
aplicaciones de la inteligencia artificial en la educación superior: ¿dónde están los educadores?”
(Zawacki-Richter et al., 2019), en segundo lugar está el artículo titulado: “Desafíos y oportunidades de
la IA generativa para la educación superior explicados por ChatGPT” (Michel-Villarreal et al., 2023),
con 141 citaciones.
Indicadores bibliométricos de estructura
Por último, la Figura 7 muestra que de 472 documentos obtenidos de Scopus base de datos, las tres
palabras que se mencionan con mayor frecuencia son: artificial intelligence con 155, students con 99
veces y high educations con 98 veces.
pág. 3866
Figura 7. Red de co-ocurrencia de palabras clave por autor
Fuente: Base de datos Scopus con análisis en R Bibliometrix
Figura 8. Red de co-ocurrencia de palabras clave por autor
Fuente: Elaboración en Vosviewer con datos de la base de datos Scopus
Para la elaboración de la Figura 8 se utilizó el software VOSViewer, que principalmente destaca las
palabras claves más relevantes de los documentos iniciales que integran la base de datos. Las palabras
más relevantes las agrupa en círculos grandes, siendo estas “inteligencia artificial” y “educación
superior” esto en razón a que son las palabras de búsqueda, objeto de este análisis. Se observa que, en
burbujas más pequeñas y con una interacción fuerte con las palabras claves principales, se encuentran
“chatgpt”, “educación” y “IA generativa”. Los de menor concurrencia los representa en bloques más
pág. 3867
pequeños. Las líneas o conexiones muestran la relación que hay entre las palabras encontradas, líneas
gruesas denotan una relación fuerte. Los colores denotan la agrupación de palabras que comparten
características similares o que están relacionadas. El clúster rojo podría indicar que la IA y el aprendizaje
automático son fundamentales para la transformación digital en la industria 4.0 y en el entorno
académico. Sugiere también que la pandemia COVID 19 aceleró el uso de estas tecnologías. El clúster
verde claro, en la esquina superior izquierda, se centra en la integración de tecnologías avanzadas,
especialmente la IA en el entorno educativo. Indica que herramientas como Chatgpt y otras herramientas
de AI están revolucionando el aprendizaje combinado y otras metodologías innovadoras que optimizan
la experiencia educativa. El clúster azul muestra que la educación superior está en medio de un proceso
de transformación impulsado por la tecnología, pero también enfrenta desafíos sobre cómo integrar estos
avances de manera ética y sostenible. El clúster morado muestra como la IA generativa no solo está
impactando la creación de contenido educativo, sino que también está cambiando cómo se evalúa y
cómo los estudiantes interactúan con las prácticas de aprendizaje, haciendo que la alfabetización digital
y en IA sea esencial para navegar este nuevo entorno educativo. Finalmente, el clúster verde olivo
muestra el creciente impacto de la IA generativa y los chatbots en distintas áreas, especialmente en la
manera en la que interactuamos con las máquinas y generamos contenido automáticamente.
CONCLUSIONES
Se puede concluir, del análisis bibliométrico realizado en este artículo, que la integración de la
Inteligencia Artificial, especialmente el ChatGPT, en la educación de nivel superior, ofrece tanto
oportunidades como desafíos que requieren un enfoque transformador de los procesos de enseñanza y
aprendizaje. Los hallazgos indican que existe una necesidad urgente de que las universidades ajusten
sus planes de estudio para preparar a los estudiantes para profesiones cada vez más influenciadas por la
IA, considerando que para lograr esto es fundamental promover la alfabetización en temas de IA y
fomentar el aprendizaje interdisciplinario, tanto en educadores como en estudiantes. Las preocupaciones
sobre la integridad académica, la confianza y las implicaciones éticas del uso de la inteligencia artificial
en entornos educativos son frecuentes, lo que crea la necesidad de crear políticas y pautas claras sobre
el uso apropiado de dichas tecnologías. Además, la investigación subraya la importancia de brindar
capacitación y apoyo adecuado a los educadores para incorporar de manera efectiva estas herramientas
pág. 3868
de IA en su labor docente. El estudio también revela un consenso general entre los educadores sobre los
posibles beneficios de las herramientas asistidas por IA, siempre que haya una supervisión para
minimizar los sesgos y garantizar una retroalimentación de calidad. Además, los hallazgos abogan por
una integración equilibrada de la IA que preserve la creatividad humana y el pensamiento crítico, lo que
sugiere que, si bien la Inteligencia artificial puede mejorar la escritura y el aprendizaje académico, no
debería reemplazar los elementos humanos esenciales en la educación. En general, las conclusiones
exigen una investigación y un diálogo continuo para explorar las mejores prácticas para usar la
inteligencia artificial generativa con fines educativos.
REFERENCIAS BIBLIOGRÁFICAS
Al-Mughairi, H., & Bhaskar, P. (2024). Exploring the factors affecting the adoption AI techniques in
higher education: insights from teachers’ perspectives on ChatGPT. Journal Of Research In
Innovative Teaching & Learning. https://doi.org/10.1108/jrit-09-2023-0129
Ayanwale, M. A., & Ndlovu, M. (2024). Investigating factors of students’ behavioral intentions to adopt
chatbot technologies in higher education: Perspective from expanded diffusion theory of
innovation. Computers In Human Behavior Reports, 14, 100396.
https://doi.org/10.1016/j.chbr.2024.100396
Bannister, P., Peñalver, E. A., & Urbieta, A. S. (2024). International Students and Generative Artificial
Intelligence. Journal Of International Students, 14(3), 149-170.
https://doi.org/10.32674/jis.v14i3.6277
Barac, M., & López-Rodríguez, M. I. (2024). ¿Cómo integra el estudiantado universitario la IA en sus
procesos de aprendizaje? European Public & Social Innovation Review, 9, 1-14.
https://doi.org/10.31637/epsir-2024-707
Chiu, T. K. (2023). Future research recommendations for transforming higher education with generative
AI. Computers And Education Artificial Intelligence, 6, 100197.
https://doi.org/10.1016/j.caeai.2023.100197
Chiu, T. K. F. (2023). The impact of Generative AI (GenAI) on practices, policies and research direction
in education: a case of ChatGPT and Midjourney. Interactive Learning Environments, 1-17.
https://doi.org/10.1080/10494820.2023.2253861
pág. 3869
Cruz Manzo, J., Bolaños González, F. F., Ortuño Barba, L. C., Villafuerte Palavicini, F. S., & Áraoz
Baltazar, I. (2024). Bibliometría del Uso del Blockchain en la Economía Circular: Decisión Hacia
la Sostenibilidad. Ciencia Latina Revista Científica Multidisciplinar, 8(5), 9165–9180.
https://doi.org/10.37811/cl_rcm.v8i5.14304
Davis, R. O. (2024). Korean in-Service Teachers’ Perceptions of Implementing Artificial Intelligence
(AI) Education for Teaching in Schools and Their AI Teacher Training Programs. International
Journal Of Information And Education Technology, 14(2), 214-219.
https://doi.org/10.18178/ijiet.2024.14.2.2042
Dempere, J., Modugu, K., Hesham, A., & Ramasamy, L. K. (2023). The impact of ChatGPT on higher
education. Frontiers In Education, 8. https://doi.org/10.3389/feduc.2023.1206936
Gómez Flores, N. E., Hernandez Cortes, E., Ramirez Vaquero, E. O., Moreno Sosa, S. M., & Vazquez
Evangelista, J. G. (2024). Antocianinas, más allá del Color y el pH: Una Revisión
Bibliométrica. Ciencia Latina Revista Científica Multidisciplinar, 8(5), 9053-9080.
https://doi.org/10.37811/cl_rcm.v8i5.14297
Gómez, J., Fernández, R., & Sánchez, P. (2019). La inteligencia artificial y su impacto en el entorno
educativo universitario: Desafíos y oportunidades. Editorial Universitaria.
Jia, X., & Tu, J. (2024). Towards a New Conceptual Model of AI-Enhanced Learning for College
Students: The Roles of Artificial Intelligence Capabilities, General Self-Efficacy, Learning
Motivation, and Critical Thinking Awareness. Systems, 12(3), 74.
https://doi.org/10.3390/systems12030074
Johnston, H., Wells, R. F., Shanks, E. M., Boey, T., & Parsons, B. N. (2024). Student perspectives on
the use of generative artificial intelligence technologies in higher education. International Journal
For Educational Integrity, 20(1). https://doi.org/10.1007/s40979-024-00149-4
Kallunki, V., Kinnunen, P., Pyörälä, E., Haarala-Muhonen, A., Katajavuori, N., & Myyry, L. (2024).
Navigating the Evolving Landscape of Teaching and Learning: University Faculty and Staff
Perceptions of the Artificial Intelligence-Altered Terrain. Education Sciences, 14(7), 727.
https://doi.org/10.3390/educsci14070727
pág. 3870
Lee, D., Arnold, M., Srivastava, A., Plastow, K., Strelan, P., Ploeckl, F., Lekkas, D., & Palmer, E.
(2024). The impact of generative AI on higher education learning and teaching: A study of
educators’ perspectives. Computers And Education Artificial Intelligence, 6, 100221.
https://doi.org/10.1016/j.caeai.2024.100221
Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence Unbound: The Future of
Uploaded and Machine Minds. John Wiley & Sons.
Mah, D., & Groß, N. (2024). Artificial intelligence in higher education: exploring faculty use, self-
efficacy, distinct profiles, and professional development needs. International Journal Of
Educational Technology In Higher Education, 21(1). https://doi.org/10.1186/s41239-024-00490-
1
Malik, A. R., Pratiwi, Y., Andajani, K., Numertayasa, I. W., Suharti, S., Darwis, A., & Marzuki, N.
(2023). Exploring Artificial Intelligence in Academic Essay: Higher Education Student’s
Perspective. International Journal Of Educational Research Open, 5, 100296.
https://doi.org/10.1016/j.ijedro.2023.100296
Martín, A., Pérez, R., & Rodríguez, V. (2020). Estudio bibliométrico sobre el uso de la inteligencia
artificial en educación superior. Journal of Educational Research, 47(1), 45-60.
Michel-Villarreal, R., Vilalta-Perdomo, E., Salinas-Navarro, D. E., Thierry-Aguilera, R., & Gerardou,
F. S. (2023). Challenges and Opportunities of Generative AI for Higher Education as Explained
by ChatGPT. Education Sciences, 13(9), 856. https://doi.org/10.3390/educsci13090856
Pang, T. Y., Kootsookos, A., & Cheng, C. (2024a). Artificial Intelligence Use in Feedback: A
Qualitative Analysis. Journal Of University Teaching And Learning Practice, 21(06).
https://doi.org/10.53761/40wmcj98
Pang, T. Y., Kootsookos, A., & Cheng, C. (2024b). Artificial Intelligence Use in Feedback: A
Qualitative Analysis. Journal Of University Teaching And Learning Practice, 21(06).
https://doi.org/10.53761/40wmcj98
pág. 3871
Rahim, N. I. M., Iahad, N. A., Yusof, A. F., & Al-Sharafi, M. A. (2022). AI-Based Chatbots Adoption
Model for Higher-Education Institutions: A Hybrid PLS-SEM-Neural Network Modelling
Approach. Sustainability, 14(19), 12726. https://doi.org/10.3390/su141912726
Sáez-Velasco, S., Alaguero-Rodríguez, M., Delgado-Benito, V., & Rodríguez-Cano, S. (2024).
Analysing the Impact of Generative AI in Arts Education: A Cross-Disciplinary Perspective of
Educators and Students in Higher Education. Informatics, 11(2), 37.
https://doi.org/10.3390/informatics11020037
Saihi, A., Ben-Daya, M., Hariga, M., & As’ad, R. (2024). A Structural equation modeling analysis of
generative AI chatbots adoption among students and educators in higher education. Computers
And Education Artificial Intelligence, 7, 100274. https://doi.org/10.1016/j.caeai.2024.100274
Salhab, R. (2024). AI Literacy across Curriculum Design: Investigating College Instructor’s
Perspectives. Online Learning, 28(2). https://doi.org/10.24059/olj.v28i2.4426
Shabbir, A., Rizvi, S., Alam, M. M., & Su’ud, M. M. (2024). Beyond boundaries: Navigating the
positive potential of ChatGPT, empowering education in underdeveloped corners of the world.
Heliyon, 10(16), e35845. https://doi.org/10.1016/j.heliyon.2024.e35845
Slimi, Z., & Villarejo-Carballido, B. (2024). Unveiling the Potential: Experts’ Perspectives on Artificial
Intelligence Integration in Higher Education. European Journal Of Educational Research,
volume-13-2024(volume-13-issue-4-october-2024), 1477-1492.
https://doi.org/10.12973/eu-jer.13.4.1477
Xu, X., Wang, X., Zhang, Y., & Zheng, R. (2024). Applying ChatGPT to tackle the side effects of
personal learning environments from learner and learning perspective: An interview of experts in
higher education. PLoS ONE, 19(1), e0295646.
https://doi.org/10.1371/journal.pone.0295646
Yu, H., Miao, C., Leung, C., & White, T. J. (2017). Towards AI-powered personalization in MOOC
learning. Npj Science Of Learning, 2(1). https://doi.org/10.1038/s41539-017-0016-3
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research
on artificial intelligence applications in higher education – where are the educators? International
pág. 3872
Journal Of Educational Technology In Higher Education, 16(1). https://doi.org/10.1186/s41239-
019-0171-0