ESTRATEGIAS DIDÁCTICAS BASADAS
EN INTELIGENCIA ARTIFICIAL PARA
EL APRENDIZAJE DEL INGLÉS:
UNA REVISIÓN SISTEMÁTICA DE LA
PRODUCCIÓN BIBLIOGRÁFICA 2019-2023
ARTIFICIAL INTELLIGENCE-BASED
DIDACTIC STRATEGIES FOR ENGLISH LEARNING:
A SYSTEMATIC REVIEW OF BIBLIOGRAPHIC
PRODUCTION 2019-2023
Maruen Elías Negrete Berdella
University of Technology and Education, Colombia
Deivis Robinson Mosquera Albornoz
University of Technology and Education, Colombia
pág. 4538
DOI: https://doi.org/10.37811/cl_rcm.v9i1.16172
Estrategias Didácticas Basadas en Inteligencia Artificial para el
Aprendizaje del Inglés: Una Revisión Sistemática de la Producción
Bibliográfica 2019-2023
Maruen Elías Negrete Berdella1
marne258@hotmail.com
https://orcid.org/0009-0006-9181-8802
University of Technology and Education
Colombia
Deivis Robinson Mosquera Albornoz
deivis.mosqueraal@amigo.edu.co
https://orcid.org/0000-0003-4472-2104
University of Technology and Education
Colombia
RESUMEN
Este artículo revisa los estudios que se han hecho sobre el uso de inteligencia artificial para enseñar
inglés entre los años 2019 y 2023. Se hizo un estudio cualitativo revisando documentos y analizando
tanto los números de publicaciones como su contenido. Se buscó en cinco (5) bases de datos
importantes: Scopus, Google Académico, Redalyc, Scielo y Dialnet, haciendo las búsquedas en inglés
para Scopus y en español para las otras bases. Después de revisar y filtrar todos los documentos
encontrados, se seleccionaron dieciséis (16) artículos para analizarlos más a fondo. Al estudiar estos
artículos en detalle, se encontró que las herramientas de IA pueden ayudar a que cada estudiante aprenda
inglés a su manera, se sienta más motivado y obtenga mejores resultados. El estudio concluye que usar
IA para enseñar inglés puede ser muy bueno y podría cambiar para mejor la forma en que se aprende
este idioma, aunque todavía hay varios retos importantes que resolver cuando se quiere usar esta
tecnología.
Palabras clave: estrategia didáctica, inteligencia artificial, aprendizaje del inglés, análisis
bibliométrico, análisis hermenéutico
1 Autor principal.
Correspondencia: marne258@hotmail.com
DOI: https://doi.org/10.37811/cl_rcm.v9i1.16172
Estrategias Didácticas Basadas en Inteligencia Artificial para el
Aprendizaje del Inglés: Una Revisión Sistemática de la Producción
Bibliográfica 2019-2023
Maruen Elías Negrete Berdella1
marne258@hotmail.com
https://orcid.org/0009-0006-9181-8802
University of Technology and Education
Colombia
Deivis Robinson Mosquera Albornoz
deivis.mosqueraal@amigo.edu.co
https://orcid.org/0000-0003-4472-2104
University of Technology and Education
Colombia
RESUMEN
Este artículo revisa los estudios que se han hecho sobre el uso de inteligencia artificial para enseñar
inglés entre los años 2019 y 2023. Se hizo un estudio cualitativo revisando documentos y analizando
tanto los números de publicaciones como su contenido. Se buscó en cinco (5) bases de datos
importantes: Scopus, Google Académico, Redalyc, Scielo y Dialnet, haciendo las búsquedas en inglés
para Scopus y en español para las otras bases. Después de revisar y filtrar todos los documentos
encontrados, se seleccionaron dieciséis (16) artículos para analizarlos más a fondo. Al estudiar estos
artículos en detalle, se encontró que las herramientas de IA pueden ayudar a que cada estudiante aprenda
inglés a su manera, se sienta más motivado y obtenga mejores resultados. El estudio concluye que usar
IA para enseñar inglés puede ser muy bueno y podría cambiar para mejor la forma en que se aprende
este idioma, aunque todavía hay varios retos importantes que resolver cuando se quiere usar esta
tecnología.
Palabras clave: estrategia didáctica, inteligencia artificial, aprendizaje del inglés, análisis
bibliométrico, análisis hermenéutico
1 Autor principal.
Correspondencia: marne258@hotmail.com
pág. 4539
Artificial Intelligence-Based Didactic Strategies for English Learning:
A Systematic Review of Bibliographic Production 2019-2023
ABSTRACT
This systematic review article examines the existing literature on artificial intelligence-based teaching
strategies for learning English, covering the period from 2019 to 2023. To this end, a qualitative study
was conducted, of a documentary nature, with bibliometric and hermeneutic analysis. Five (5) major
databases were reviewed: Scopus, Google Scholar, Redalyc, Scielo, and Dialnet, dividing the process
into searches in English (Scopus) and in Spanish (Google Scholar, Redalyc, Scielo, and Dialnet). The
analysis and exclusion of the collected material allowed for the reduction of the documentary sample
to a total of sixteen (16) scientific articles. The hermeneutic analysis revealed that AI tools have the
potential to personalize English learning, increase academic motivation, and improve academic
performance. It was concluded that the integration of AI teaching strategies in English instruction would
be positive and would allow for the transformation and improvement of learning processes, although
significant challenges in implementation remain.
Keywords: teaching strategy, artificial intelligence, english learning, bibliometric analysis, hermeneutic
analysis
Artículo recibido 05 enero 2025
Aceptado para publicación: 25 enero 2025
Artificial Intelligence-Based Didactic Strategies for English Learning:
A Systematic Review of Bibliographic Production 2019-2023
ABSTRACT
This systematic review article examines the existing literature on artificial intelligence-based teaching
strategies for learning English, covering the period from 2019 to 2023. To this end, a qualitative study
was conducted, of a documentary nature, with bibliometric and hermeneutic analysis. Five (5) major
databases were reviewed: Scopus, Google Scholar, Redalyc, Scielo, and Dialnet, dividing the process
into searches in English (Scopus) and in Spanish (Google Scholar, Redalyc, Scielo, and Dialnet). The
analysis and exclusion of the collected material allowed for the reduction of the documentary sample
to a total of sixteen (16) scientific articles. The hermeneutic analysis revealed that AI tools have the
potential to personalize English learning, increase academic motivation, and improve academic
performance. It was concluded that the integration of AI teaching strategies in English instruction would
be positive and would allow for the transformation and improvement of learning processes, although
significant challenges in implementation remain.
Keywords: teaching strategy, artificial intelligence, english learning, bibliometric analysis, hermeneutic
analysis
Artículo recibido 05 enero 2025
Aceptado para publicación: 25 enero 2025
pág. 4540
INTRODUCCIÓN
El aprendizaje del inglés como lengua extranjera resulta fundamental hoy en día para poder
desarrollarse en el campo académico, profesional y personal, sobre todo porque vivimos en un mundo
que está cada vez más globalizado (Carbonell-García et al., 2023). A pesar de esto, muchas instituciones
educativas en diferentes países todavía luchan con un problema que persiste: los estudiantes tienen un
bajo nivel de inglés (Sotelo, 2023). Esta realidad ha hecho que escuelas, colegios y universidades
busquen formas diferentes de enseñar este idioma. Por eso, tanto los investigadores como los profesores
han empezado a ver qué pueden hacer con las nuevas tecnologías para cambiar las viejas formas de
enseñar y resolver los problemas que tienen los estudiantes cuando están aprendiendo una segunda
lengua, especialmente porque necesitan mejorar sus habilidades en este idioma que es tan importante
para su futuro (Ayala-Pazmiño & Alvarado-Lucas, 2023).
En este contexto, los investigadores Márquez y Margarita (2024) han encontrado que usar inteligencia
artificial para enseñar y aprender una segunda lengua podría ayudar mucho a resolver estos problemas
que se ven en las clases. Por su parte, León y Villa (2023) han notado que la IA puede hacer que la
educación sea mejor porque se adapta a las necesidades de cada estudiante, lo cual es una gran ventaja
si lo comparamos con la forma tradicional de enseñar que se ha usado hasta ahora. En la misma línea,
Carbonell-García et al. (2023) han identificado tres campos donde la IA puede ayudar más en la
educación: primero, puede crear tutores virtuales que se ajustan a cómo aprende cada estudiante;
segundo, puede generar materiales educativos que van al ritmo de cada persona; y tercero, puede dar
retroalimentación en el momento y de forma precisa. Todo esto podría cambiar bastante cómo se enseña
y aprende inglés en las instituciones educativas, abriendo nuevas posibilidades para que los estudiantes
aprendan mejor este idioma y puedan desarrollar sus habilidades de una forma más personalizada y
efectiva.
Como era de esperarse, mientras han ido apareciendo más soluciones de IA para enseñar idiomas,
también ha aumentado el número de estudios y publicaciones científicas sobre este tema en los últimos
años (León & Villa, 2023). Esto ha creado una gran cantidad de literatura nueva que busca mostrar y
estudiar las diferentes formas en que la inteligencia artificial puede ayudar a mejorar cómo se enseña y
aprende inglés.
INTRODUCCIÓN
El aprendizaje del inglés como lengua extranjera resulta fundamental hoy en día para poder
desarrollarse en el campo académico, profesional y personal, sobre todo porque vivimos en un mundo
que está cada vez más globalizado (Carbonell-García et al., 2023). A pesar de esto, muchas instituciones
educativas en diferentes países todavía luchan con un problema que persiste: los estudiantes tienen un
bajo nivel de inglés (Sotelo, 2023). Esta realidad ha hecho que escuelas, colegios y universidades
busquen formas diferentes de enseñar este idioma. Por eso, tanto los investigadores como los profesores
han empezado a ver qué pueden hacer con las nuevas tecnologías para cambiar las viejas formas de
enseñar y resolver los problemas que tienen los estudiantes cuando están aprendiendo una segunda
lengua, especialmente porque necesitan mejorar sus habilidades en este idioma que es tan importante
para su futuro (Ayala-Pazmiño & Alvarado-Lucas, 2023).
En este contexto, los investigadores Márquez y Margarita (2024) han encontrado que usar inteligencia
artificial para enseñar y aprender una segunda lengua podría ayudar mucho a resolver estos problemas
que se ven en las clases. Por su parte, León y Villa (2023) han notado que la IA puede hacer que la
educación sea mejor porque se adapta a las necesidades de cada estudiante, lo cual es una gran ventaja
si lo comparamos con la forma tradicional de enseñar que se ha usado hasta ahora. En la misma línea,
Carbonell-García et al. (2023) han identificado tres campos donde la IA puede ayudar más en la
educación: primero, puede crear tutores virtuales que se ajustan a cómo aprende cada estudiante;
segundo, puede generar materiales educativos que van al ritmo de cada persona; y tercero, puede dar
retroalimentación en el momento y de forma precisa. Todo esto podría cambiar bastante cómo se enseña
y aprende inglés en las instituciones educativas, abriendo nuevas posibilidades para que los estudiantes
aprendan mejor este idioma y puedan desarrollar sus habilidades de una forma más personalizada y
efectiva.
Como era de esperarse, mientras han ido apareciendo más soluciones de IA para enseñar idiomas,
también ha aumentado el número de estudios y publicaciones científicas sobre este tema en los últimos
años (León & Villa, 2023). Esto ha creado una gran cantidad de literatura nueva que busca mostrar y
estudiar las diferentes formas en que la inteligencia artificial puede ayudar a mejorar cómo se enseña y
aprende inglés.
pág. 4541
En este sentido, Norman-Acevedo (2023) señala varios aspectos importantes como el aprendizaje que
se adapta a cada estudiante, la forma en que se pueden automatizar las tareas más básicas, la creación
de espacios virtuales donde los estudiantes pueden practicar, el desarrollo de tutores que usan IA y la
capacidad de ajustarse a lo que cada alumno necesita. Toda esta variedad de estudios y experiencias
muestra que los investigadores están muy interesados en ver cómo la IA puede cambiar la forma en que
se aprende otro idioma y también nos dice que es importante entender cómo usar estas herramientas en
diferentes situaciones educativas.
Teniendo en cuenta todo lo anterior, este estudio busca hacer una revisión ordenada de lo que se ha
escrito sobre las diferentes formas de usar IA para enseñar y aprender inglés entre los años 2019 y 2023.
El objetivo es tener una idea clara y completa de lo que está pasando, los retos que existen, las
oportunidades que se presentan y los problemas que pueden surgir cuando se usa la inteligencia artificial
para aprender inglés en la educación. También se plantea analizar con cuidado si estas nuevas formas
de enseñar son realmente innovadoras y útiles, o si solo están haciendo lo mismo de antes pero con
computadoras, sin que realmente ayude mucho. Al final, se pretende encontrar cuáles son las mejores
estrategias, evaluar qué tan bien funcionan para aprender un segundo idioma, y entender cómo esto
afecta tanto a los profesores en sus clases como a la forma en que se organizan los programas educativos.
METODOLOGÍA
El presente artículo de revisión sistemática se elaboró a partir de una investigación de enfoque
cualitativo, carácter descriptivo y diseño documental. Se desarrolló en dos fases. La primera fase,
bibliográfica y bibliométrica por naturaleza, se enfocó en recopilar e identificar la literatura científica
y académica más relevante frente al fenómeno objeto de estudio. Para lo cual, se consultaron cinco (5)
bases de datos académicas: Scopus, Google Académico, Redalyc, Scielo y Dialnet. Y se dividió en dos
etapas. Una inicial en inglés, aplicada únicamente en Scopus, y una subsecuente en español, que se
aplicó en Google Académico, Redalyc, Scielo y Dialnet. La segunda fase, de rigor hermenéutico, se
dedicó a la lectura, análisis e interpretación de los documentos científicos seleccionados en la fase
inmediatamente anterior. Lo que condujo a un análisis detallado y a una evaluación crítica de las
contribuciones que cada documento hacía al conocimiento respecto de la implementación de la
inteligencia artificial en la enseñanza y el aprendizaje del inglés como lengua foránea.
En este sentido, Norman-Acevedo (2023) señala varios aspectos importantes como el aprendizaje que
se adapta a cada estudiante, la forma en que se pueden automatizar las tareas más básicas, la creación
de espacios virtuales donde los estudiantes pueden practicar, el desarrollo de tutores que usan IA y la
capacidad de ajustarse a lo que cada alumno necesita. Toda esta variedad de estudios y experiencias
muestra que los investigadores están muy interesados en ver cómo la IA puede cambiar la forma en que
se aprende otro idioma y también nos dice que es importante entender cómo usar estas herramientas en
diferentes situaciones educativas.
Teniendo en cuenta todo lo anterior, este estudio busca hacer una revisión ordenada de lo que se ha
escrito sobre las diferentes formas de usar IA para enseñar y aprender inglés entre los años 2019 y 2023.
El objetivo es tener una idea clara y completa de lo que está pasando, los retos que existen, las
oportunidades que se presentan y los problemas que pueden surgir cuando se usa la inteligencia artificial
para aprender inglés en la educación. También se plantea analizar con cuidado si estas nuevas formas
de enseñar son realmente innovadoras y útiles, o si solo están haciendo lo mismo de antes pero con
computadoras, sin que realmente ayude mucho. Al final, se pretende encontrar cuáles son las mejores
estrategias, evaluar qué tan bien funcionan para aprender un segundo idioma, y entender cómo esto
afecta tanto a los profesores en sus clases como a la forma en que se organizan los programas educativos.
METODOLOGÍA
El presente artículo de revisión sistemática se elaboró a partir de una investigación de enfoque
cualitativo, carácter descriptivo y diseño documental. Se desarrolló en dos fases. La primera fase,
bibliográfica y bibliométrica por naturaleza, se enfocó en recopilar e identificar la literatura científica
y académica más relevante frente al fenómeno objeto de estudio. Para lo cual, se consultaron cinco (5)
bases de datos académicas: Scopus, Google Académico, Redalyc, Scielo y Dialnet. Y se dividió en dos
etapas. Una inicial en inglés, aplicada únicamente en Scopus, y una subsecuente en español, que se
aplicó en Google Académico, Redalyc, Scielo y Dialnet. La segunda fase, de rigor hermenéutico, se
dedicó a la lectura, análisis e interpretación de los documentos científicos seleccionados en la fase
inmediatamente anterior. Lo que condujo a un análisis detallado y a una evaluación crítica de las
contribuciones que cada documento hacía al conocimiento respecto de la implementación de la
inteligencia artificial en la enseñanza y el aprendizaje del inglés como lengua foránea.
pág. 4542
La primera fase inició con la consulta en inglés dentro de la base de datos Scopus. El término "artificial
intelligence" fue el primero empleado para este propósito, resultando en quinientos noventa y cinco mil
setecientos cincuenta y nueve (595.759) documentos. Posteriormente, se refinó la búsqueda utilizando
subcategorías a través del operador booleano AND. Al aplicar "learning English" ("artificial
intelligence" AND "learning English") el número de documentos se redujo a setenta y cinco (75).
Mientras que "teaching strategy" ("artificial intelligence" AND "teaching English") generó doscientos
ochenta y cuatro (284). La combinación de ambas subcategorías con "artificial intelligence" resultó en
un único documento, el cual tenía restringido el acceso. Situación por la que se optó por "artificial
intelligence" and "learning english", ya que esta conjunción ofrece un enfoque más específico en la
aplicación de la IA en el aprendizaje del inglés. Por último, se estableció un marco temporal que limitó
los resultados entre 2019 y 2023 (AND year_cluster: "2019" OR "2020" OR "2021" OR "2022" OR
"2023"), lo que redujo la muestra a cuarenta (40) documentos.
La segunda etapa de la fase bibliométrica, correspondiente a la búsqueda en español dentro de las bases
de datos, se inició con Google Académico. Tras configurar la visualización para mostrar únicamente
resultados en español, se aplicó la siguiente ecuación de búsqueda: ("inteligencia artificial" AND "* del
inglés" AND "aprendizaje" AND "enseñanza" AND "pedagogía" OR "estrategia didáctica"). Esta
consulta arrojó mil setecientos diez (1.710) documentos académicos por resultado. Después, se aplicó
filtro de temporalidad (2019 a 2023) (AND year_cluster: "2019" OR "2020" OR "2021" OR "2022" OR
"2023"). Esta acción redujo la muestra inicial a ochocientos treinta y nueve (839) documentos. De este
conjunto, se procedió a excluir aquellos documentos que también figuraban en las otras bases de datos
contempladas en la investigación (Scopus, Redalyc, Scielo y Dialnet) (NOT "Scopus" NOT "Redalyc"
NOT "Scielo" NOT "Dialnet"), lo que resultó en un corpus final de setenta (70) investigaciones
provenientes de la base de datos Google Académico.
La misma ecuación de búsqueda, sin la exclusión de las demás bases de datos, se aplicó en el motor de
búsqueda de Redalyc. Esto arrojó un total de dos mil setecientos doce (2.712) elementos bibliográficos.
No obstante, este volumen de lecturas excedía las capacidades de la presente investigación, por lo que
se optó por refinar nuevamente la búsqueda. Para ello, se cambió el criterio ("* del inglés") por
("aprendizaje del inglés").
La primera fase inició con la consulta en inglés dentro de la base de datos Scopus. El término "artificial
intelligence" fue el primero empleado para este propósito, resultando en quinientos noventa y cinco mil
setecientos cincuenta y nueve (595.759) documentos. Posteriormente, se refinó la búsqueda utilizando
subcategorías a través del operador booleano AND. Al aplicar "learning English" ("artificial
intelligence" AND "learning English") el número de documentos se redujo a setenta y cinco (75).
Mientras que "teaching strategy" ("artificial intelligence" AND "teaching English") generó doscientos
ochenta y cuatro (284). La combinación de ambas subcategorías con "artificial intelligence" resultó en
un único documento, el cual tenía restringido el acceso. Situación por la que se optó por "artificial
intelligence" and "learning english", ya que esta conjunción ofrece un enfoque más específico en la
aplicación de la IA en el aprendizaje del inglés. Por último, se estableció un marco temporal que limitó
los resultados entre 2019 y 2023 (AND year_cluster: "2019" OR "2020" OR "2021" OR "2022" OR
"2023"), lo que redujo la muestra a cuarenta (40) documentos.
La segunda etapa de la fase bibliométrica, correspondiente a la búsqueda en español dentro de las bases
de datos, se inició con Google Académico. Tras configurar la visualización para mostrar únicamente
resultados en español, se aplicó la siguiente ecuación de búsqueda: ("inteligencia artificial" AND "* del
inglés" AND "aprendizaje" AND "enseñanza" AND "pedagogía" OR "estrategia didáctica"). Esta
consulta arrojó mil setecientos diez (1.710) documentos académicos por resultado. Después, se aplicó
filtro de temporalidad (2019 a 2023) (AND year_cluster: "2019" OR "2020" OR "2021" OR "2022" OR
"2023"). Esta acción redujo la muestra inicial a ochocientos treinta y nueve (839) documentos. De este
conjunto, se procedió a excluir aquellos documentos que también figuraban en las otras bases de datos
contempladas en la investigación (Scopus, Redalyc, Scielo y Dialnet) (NOT "Scopus" NOT "Redalyc"
NOT "Scielo" NOT "Dialnet"), lo que resultó en un corpus final de setenta (70) investigaciones
provenientes de la base de datos Google Académico.
La misma ecuación de búsqueda, sin la exclusión de las demás bases de datos, se aplicó en el motor de
búsqueda de Redalyc. Esto arrojó un total de dos mil setecientos doce (2.712) elementos bibliográficos.
No obstante, este volumen de lecturas excedía las capacidades de la presente investigación, por lo que
se optó por refinar nuevamente la búsqueda. Para ello, se cambió el criterio ("* del inglés") por
("aprendizaje del inglés").
pág. 4543
Este último era más específico y tenía mayor relación con el objetivo de estudio de la presente revisión;
el anterior, por el carácter (*), permitía que cualquier palabra que se acompañara de "del inglés" pudiese
ingresar a la muestra. Esta acción menguó la muestra a ciento noventa y un (191) documentos
potencialmente elegibles. Finalmente, se agregó el descriptor (wok_subject_categories: "educación"),
que acotó la porción a ciento uno (101) elementos bibliográficos.
En la base de datos Scielo, se encontró que las ecuaciones aplicadas en Google Académico y Redalyc
no eran compatibles, ya que no mostraban resultados de búsqueda. Ante esta situación, se
implementaron ecuaciones de búsqueda alternativas. El proceso culminó con la aplicación del
descriptor ("inteligencia artificial" AND "inglés"), el cual generó una muestra inicial de once (11)
elementos bibliográficos potencialmente elegibles para revisión hermenéutica. Luego, se aplicaron
filtros de temporalidad mediante el comando (AND year_cluster: "2019" OR "2020" OR "2021" OR
"2022" OR "2023"). Resultó en la reducción significativa de la muestra, quedando solo cuatro (4)
documentos que cumplían con los criterios establecidos. Para terminar, en la base de datos Dialnet, se
empleó la ecuación de búsqueda inicialmente aplicada en Google Académico y Redalyc: ("inteligencia
artificial" AND "* del inglés" AND "aprendizaje" AND "enseñanza" AND "pedagogía" OR "estrategia
didáctica"). Esta se complementó con el especificador temporal (AND year_cluster: "2019" OR "2020"
OR "2021" OR "2022" OR "2023"), y resultó en veinticuatro (24) documentos potencialmente elegibles
para la investigación.
Conforme a todo lo expuesto hasta el momento, la revisión preliminar de las cinco (5) bases de datos
generó una muestra documental de doscientos treinta y nueve (239) documentos. Frente a este corpus
inicial, se aplicó un criterio de selección adicional, optando únicamente por los documentos clasificados
como artículos (ya fueran de revisión, reflexión o investigación), siendo un total de ciento cuarenta y
siete (147) (Scopus, 16; Google Académico, 11; Redalyc, 101; Scielo, 3; Dialnet, 16). Ahora, para
refinar aún más la muestra documental, se revisaron uno a uno los títulos de las publicaciones, con la
intensión de identificar aquellos que tuvieran una relación más directa y estrecha con el objeto de
estudio. Este paso adicional permitió excluir ciento nueve (109) documentos de la muestra.
Finalmente, los treinta y ocho (38) documentos restantes (Scopus, 12; Google académico, 4; Redalyc,
16; Dialnet, 5; Scielo, 1) fueron sometidos a revisión pre-hermenéutica.
Este último era más específico y tenía mayor relación con el objetivo de estudio de la presente revisión;
el anterior, por el carácter (*), permitía que cualquier palabra que se acompañara de "del inglés" pudiese
ingresar a la muestra. Esta acción menguó la muestra a ciento noventa y un (191) documentos
potencialmente elegibles. Finalmente, se agregó el descriptor (wok_subject_categories: "educación"),
que acotó la porción a ciento uno (101) elementos bibliográficos.
En la base de datos Scielo, se encontró que las ecuaciones aplicadas en Google Académico y Redalyc
no eran compatibles, ya que no mostraban resultados de búsqueda. Ante esta situación, se
implementaron ecuaciones de búsqueda alternativas. El proceso culminó con la aplicación del
descriptor ("inteligencia artificial" AND "inglés"), el cual generó una muestra inicial de once (11)
elementos bibliográficos potencialmente elegibles para revisión hermenéutica. Luego, se aplicaron
filtros de temporalidad mediante el comando (AND year_cluster: "2019" OR "2020" OR "2021" OR
"2022" OR "2023"). Resultó en la reducción significativa de la muestra, quedando solo cuatro (4)
documentos que cumplían con los criterios establecidos. Para terminar, en la base de datos Dialnet, se
empleó la ecuación de búsqueda inicialmente aplicada en Google Académico y Redalyc: ("inteligencia
artificial" AND "* del inglés" AND "aprendizaje" AND "enseñanza" AND "pedagogía" OR "estrategia
didáctica"). Esta se complementó con el especificador temporal (AND year_cluster: "2019" OR "2020"
OR "2021" OR "2022" OR "2023"), y resultó en veinticuatro (24) documentos potencialmente elegibles
para la investigación.
Conforme a todo lo expuesto hasta el momento, la revisión preliminar de las cinco (5) bases de datos
generó una muestra documental de doscientos treinta y nueve (239) documentos. Frente a este corpus
inicial, se aplicó un criterio de selección adicional, optando únicamente por los documentos clasificados
como artículos (ya fueran de revisión, reflexión o investigación), siendo un total de ciento cuarenta y
siete (147) (Scopus, 16; Google Académico, 11; Redalyc, 101; Scielo, 3; Dialnet, 16). Ahora, para
refinar aún más la muestra documental, se revisaron uno a uno los títulos de las publicaciones, con la
intensión de identificar aquellos que tuvieran una relación más directa y estrecha con el objeto de
estudio. Este paso adicional permitió excluir ciento nueve (109) documentos de la muestra.
Finalmente, los treinta y ocho (38) documentos restantes (Scopus, 12; Google académico, 4; Redalyc,
16; Dialnet, 5; Scielo, 1) fueron sometidos a revisión pre-hermenéutica.
pág. 4544
Se leyó su resumen y se excluyeron a todos aquellos que no evidenciaron estrecha relación y/o
pertinencia respecto del fenómeno educativo objeto de revisión sistemática. Gracias a este criterio, la
etapa concluyó con catorce (14) elementos bibliográficos excluidos. Finalmente, se realizó una lectura
íntegra de los veinticuatro (24) artículos disponibles (Scopus, 12; Google Académico, 1; Redalyc, 5;
Dialnet, 5; Scielo, 1), de los cuales se seleccionaron dieciséis (16) en función de su relevancia y
pertinencia respecto al fenómeno de estudio que esta investigación se propuso examinar (Figura 1).
Figura 1. Reducción de la información.
RESULTADOS Y DISCUSIÓN
La revisión preliminar de las cinco (5) bases de datos generó una muestra documental de doscientos
treinta y nueve (239) documentos relacionados con la aplicación de la inteligencia artificial como
estrategia didáctica para el aprendizaje del inglés. Este corpus se compuso de la siguiente manera:
cuarenta (40) documentos de Scopus (en inglés), setenta (70) de Google Académico, ciento uno (101)
de Redalyc, cuatro (4) de Scielo y veinticuatro (24) de Dialnet (ver tabla 1).
Se leyó su resumen y se excluyeron a todos aquellos que no evidenciaron estrecha relación y/o
pertinencia respecto del fenómeno educativo objeto de revisión sistemática. Gracias a este criterio, la
etapa concluyó con catorce (14) elementos bibliográficos excluidos. Finalmente, se realizó una lectura
íntegra de los veinticuatro (24) artículos disponibles (Scopus, 12; Google Académico, 1; Redalyc, 5;
Dialnet, 5; Scielo, 1), de los cuales se seleccionaron dieciséis (16) en función de su relevancia y
pertinencia respecto al fenómeno de estudio que esta investigación se propuso examinar (Figura 1).
Figura 1. Reducción de la información.
RESULTADOS Y DISCUSIÓN
La revisión preliminar de las cinco (5) bases de datos generó una muestra documental de doscientos
treinta y nueve (239) documentos relacionados con la aplicación de la inteligencia artificial como
estrategia didáctica para el aprendizaje del inglés. Este corpus se compuso de la siguiente manera:
cuarenta (40) documentos de Scopus (en inglés), setenta (70) de Google Académico, ciento uno (101)
de Redalyc, cuatro (4) de Scielo y veinticuatro (24) de Dialnet (ver tabla 1).
pág. 4545
La distribución por tipo de documento fue la siguiente: ciento cuarenta y siete (147) artículos,
veintinueve (29) tesis doctorales, treinta y cinco (35) tesis de maestría, veintiún (21) ponencias o
memorias de ponencias, cinco (5) capítulos de libros, dos (2) libros (ver tabla 2).
Tabla 1. Distribución del corpus documental por bases de datos.
No. Base de datos Cantidades
1 Scopus (inglés) 40
2 Google Académico 70
3 Redalyc 101
4 Scielo 4
5 Dialnet 24
Total 239
Tabla 2. Distribución del corpus por tipo de publicación.
Tipo de trabajo Cantidad
Artículos 147
Tesis de doctorado 29
Tesis de maestría 35
Ponencia congreso 21
Capítulo de libro 5
Libro 2
Total 239
En cuanto a la distribución geográfica de la producción bibliográfica (ver ilustración 1), el estudio revela
una clara predominancia de países latinoamericanos. Costa Rica lidera la lista con treinta y tres (33)
estudios, lo que representa un 13.81% del total. Le sigue México, con veintiséis (26) investigaciones,
equivalentes al 10.88% de la producción. Colombia ocupa el tercer lugar con veintitrés (23) estudios,
constituyendo el 9.62% del conjunto analizado. Cuba se posiciona en el cuarto puesto con veintiún (21)
estudios, lo que corresponde al 8.79% del total. Perú aporta diecinueve (19) investigaciones,
representando el 7.95% de la muestra. Ecuador contribuye con dieciséis (16) estudios, equivalente al
6.69%. España aparece con catorce (14) investigaciones, lo que supone un 5.86% del total. China aporta
trece (13) estudios, representando el 5.44%. Uruguay contribuye con nueve (9) investigaciones, un
3.77% del total.
La distribución por tipo de documento fue la siguiente: ciento cuarenta y siete (147) artículos,
veintinueve (29) tesis doctorales, treinta y cinco (35) tesis de maestría, veintiún (21) ponencias o
memorias de ponencias, cinco (5) capítulos de libros, dos (2) libros (ver tabla 2).
Tabla 1. Distribución del corpus documental por bases de datos.
No. Base de datos Cantidades
1 Scopus (inglés) 40
2 Google Académico 70
3 Redalyc 101
4 Scielo 4
5 Dialnet 24
Total 239
Tabla 2. Distribución del corpus por tipo de publicación.
Tipo de trabajo Cantidad
Artículos 147
Tesis de doctorado 29
Tesis de maestría 35
Ponencia congreso 21
Capítulo de libro 5
Libro 2
Total 239
En cuanto a la distribución geográfica de la producción bibliográfica (ver ilustración 1), el estudio revela
una clara predominancia de países latinoamericanos. Costa Rica lidera la lista con treinta y tres (33)
estudios, lo que representa un 13.81% del total. Le sigue México, con veintiséis (26) investigaciones,
equivalentes al 10.88% de la producción. Colombia ocupa el tercer lugar con veintitrés (23) estudios,
constituyendo el 9.62% del conjunto analizado. Cuba se posiciona en el cuarto puesto con veintiún (21)
estudios, lo que corresponde al 8.79% del total. Perú aporta diecinueve (19) investigaciones,
representando el 7.95% de la muestra. Ecuador contribuye con dieciséis (16) estudios, equivalente al
6.69%. España aparece con catorce (14) investigaciones, lo que supone un 5.86% del total. China aporta
trece (13) estudios, representando el 5.44%. Uruguay contribuye con nueve (9) investigaciones, un
3.77% del total.
pág. 4546
8
9
13
14
16
19
21
23
26
33
Panamá
Uruguay
China
España
Ecuador
Perú
Cuba
Colombia
México
Costa Rica
De seguido, Panamá, Chile, India y Brasil aportan cada uno ocho (8) estudios, lo que equivale
individualmente al 3.35% del total. Los organismos internacionales contribuyen con cinco (5) estudios,
representando el 2.09%. Argentina y Reino Unido aportan cuatro (4) investigaciones cada uno,
equivalente al 1.67% individualmente. Taiwán, Indonesia y Portugal contribuyen con tres (3) estudios
cada uno, representando el 1.26% del total individualmente. Canadá y Estados Unidos aportan dos (2)
investigaciones cada uno, lo que supone un 0.84% individual. Finalmente, Francia, Irlanda, Arabia
Saudí, Japón, República Checa, Chipre y Bangladesh aportan cada uno una (1) investigación, lo que
equivale individualmente al 0.42% del total.
Ilustración 1. Distribución del corpus documental por país de producción.
En lo que respecta a la evolución de la producción bibliográfica anual (ver ilustración 2), se observa
una tendencia generalmente creciente desde 2019 hasta 2023. En el año 2019 se registraron treinta y
nueve (39) estudios sobre el tema, representando un 16.32% del total. El año 2020 experimentó un
ligero incremento del 7.69%, alcanzando cuarenta y dos (42) publicaciones científicas, lo que constituye
el 17.57% de la muestra. En 2021 se evidenció una disminución, con treinta y ocho (38) artículos
publicados, correspondientes al 15.90% del total analizado. El año 2022 mostró un crecimiento
significativo, con cincuenta y cinco (55) documentos, lo que supone un 23.01% de la producción total
y representa un incremento del 44.74% respecto al año anterior. Finalmente, 2023 se consolidó como
el año más prolífico en cuanto a publicaciones sobre el tema, con sesenta y cinco (65) estudios, lo que
constituye un 27.20% del total de la muestra.
8
9
13
14
16
19
21
23
26
33
Panamá
Uruguay
China
España
Ecuador
Perú
Cuba
Colombia
México
Costa Rica
De seguido, Panamá, Chile, India y Brasil aportan cada uno ocho (8) estudios, lo que equivale
individualmente al 3.35% del total. Los organismos internacionales contribuyen con cinco (5) estudios,
representando el 2.09%. Argentina y Reino Unido aportan cuatro (4) investigaciones cada uno,
equivalente al 1.67% individualmente. Taiwán, Indonesia y Portugal contribuyen con tres (3) estudios
cada uno, representando el 1.26% del total individualmente. Canadá y Estados Unidos aportan dos (2)
investigaciones cada uno, lo que supone un 0.84% individual. Finalmente, Francia, Irlanda, Arabia
Saudí, Japón, República Checa, Chipre y Bangladesh aportan cada uno una (1) investigación, lo que
equivale individualmente al 0.42% del total.
Ilustración 1. Distribución del corpus documental por país de producción.
En lo que respecta a la evolución de la producción bibliográfica anual (ver ilustración 2), se observa
una tendencia generalmente creciente desde 2019 hasta 2023. En el año 2019 se registraron treinta y
nueve (39) estudios sobre el tema, representando un 16.32% del total. El año 2020 experimentó un
ligero incremento del 7.69%, alcanzando cuarenta y dos (42) publicaciones científicas, lo que constituye
el 17.57% de la muestra. En 2021 se evidenció una disminución, con treinta y ocho (38) artículos
publicados, correspondientes al 15.90% del total analizado. El año 2022 mostró un crecimiento
significativo, con cincuenta y cinco (55) documentos, lo que supone un 23.01% de la producción total
y representa un incremento del 44.74% respecto al año anterior. Finalmente, 2023 se consolidó como
el año más prolífico en cuanto a publicaciones sobre el tema, con sesenta y cinco (65) estudios, lo que
constituye un 27.20% del total de la muestra.
pág. 4547
Así las cosas, desde 2019 hasta 2023 se registró un notable crecimiento del 66.67% en la cantidad de
publicaciones relacionadas con las categorías en cuestión, reflejando un interés creciente en este campo
de investigación.
Ilustración 2 Distribución del corpus documental por anualidad.
Referente al área temática a la que pertenecen los documentos según la base de datos (ver ilustración
3), únicamente el buscador Scopus (40 documentos) permitió visualizar este criterio, lo que determinó
que: las Ciencias de la Computación encabezan la lista con veintiséis (26) documentos, lo que representa
un 35.6% del total. La Ingeniería ocupa el segundo lugar con trece (13) publicaciones, constituyendo el
17.8% de la muestra. Las Ciencias Sociales se posicionan en tercer lugar con diez (10) documentos,
equivalentes al 13.7% del conjunto analizado. Las Matemáticas aportan siete (7) estudios, lo que
corresponde al 9.6% del total. La Física y Astronomía, así como la Energía, contribuyen cada una con
cuatro (4) documentos, representando individualmente el 5.5% de la muestra. Las Ciencias de la
Decisión aportan tres (3) estudios, equivalentes al 4.1% del total. Las Artes y Humanidades, junto con
la Medicina, contribuyen con dos (2) documentos cada una, lo que supone un 2.7% respectivamente.
Finalmente, la Psicología y los estudios Multidisciplinarios están representados con un (1) documento
cada uno, correspondiendo individualmente al 1.4% del total analizado.
39 42
38
55
65
0
10
20
30
40
50
60
70
2019 2020 2021 2022 2023
Así las cosas, desde 2019 hasta 2023 se registró un notable crecimiento del 66.67% en la cantidad de
publicaciones relacionadas con las categorías en cuestión, reflejando un interés creciente en este campo
de investigación.
Ilustración 2 Distribución del corpus documental por anualidad.
Referente al área temática a la que pertenecen los documentos según la base de datos (ver ilustración
3), únicamente el buscador Scopus (40 documentos) permitió visualizar este criterio, lo que determinó
que: las Ciencias de la Computación encabezan la lista con veintiséis (26) documentos, lo que representa
un 35.6% del total. La Ingeniería ocupa el segundo lugar con trece (13) publicaciones, constituyendo el
17.8% de la muestra. Las Ciencias Sociales se posicionan en tercer lugar con diez (10) documentos,
equivalentes al 13.7% del conjunto analizado. Las Matemáticas aportan siete (7) estudios, lo que
corresponde al 9.6% del total. La Física y Astronomía, así como la Energía, contribuyen cada una con
cuatro (4) documentos, representando individualmente el 5.5% de la muestra. Las Ciencias de la
Decisión aportan tres (3) estudios, equivalentes al 4.1% del total. Las Artes y Humanidades, junto con
la Medicina, contribuyen con dos (2) documentos cada una, lo que supone un 2.7% respectivamente.
Finalmente, la Psicología y los estudios Multidisciplinarios están representados con un (1) documento
cada uno, correspondiendo individualmente al 1.4% del total analizado.
39 42
38
55
65
0
10
20
30
40
50
60
70
2019 2020 2021 2022 2023
pág. 4548
26
13
10
7
4
4
3
2
2
1
1
Ciencias de la Computación
Ingeniería
Ciencias Sociales
Matemáticas
Física y Astronomía
Energía
Ciencias de la Decisión
Arte y humanidades
Medicina
Psicología
Estudios Multidisciplinarios
Esta distribución disciplinar evidencia la naturaleza interdisciplinaria de la investigación en inteligencia
artificial aplicada al aprendizaje del inglés, reflejando la convergencia de campos tecnológicos y
sociales en este ámbito de estudio.
Ilustración 3 Distribución del corpus documental según el área temática.
Luego del reporte bibliométrico, se aplicaron tres filtros para seleccionar los documentos: primero se
consideraron solo los artículos, después se leyeron los títulos y resúmenes de cada publicación, y
finalmente se revisó el documento completo. Este proceso dejó dieciséis (16) artículos para un análisis
más profundo. Se realizó una lectura completa y ordenada de cada uno de estos artículos. A partir de
esta lectura, se redactó un resumen corto de uno o dos párrafos por cada estudio, donde se incluyeron
los objetivos, la metodología, los resultados y las conclusiones. También se destacó lo más relevante
que cada artículo aportaba al tema principal de la revisión, logrando así un resumen completo de la
literatura encontrada.
En este análisis detallado, se inició con el trabajo de Almutairi et al. (2020), quienes buscaban crear una
estructura basada en inteligencia artificial para mejorar el aprendizaje del inglés como segunda lengua.
Su propósito era desarrollar un sistema que ayudara a resolver los problemas que tienen las instituciones
educativas cuando enseñan inglés a gran escala a estudiantes no nativos. Para esto, utilizaron un método
cualitativo que incluyó varios pasos: primero revisaron la literatura existente, luego crearon módulos
de aprendizaje, después organizaron los algoritmos de análisis, recolectaron y limpiaron datos, y
26
13
10
7
4
4
3
2
2
1
1
Ciencias de la Computación
Ingeniería
Ciencias Sociales
Matemáticas
Física y Astronomía
Energía
Ciencias de la Decisión
Arte y humanidades
Medicina
Psicología
Estudios Multidisciplinarios
Esta distribución disciplinar evidencia la naturaleza interdisciplinaria de la investigación en inteligencia
artificial aplicada al aprendizaje del inglés, reflejando la convergencia de campos tecnológicos y
sociales en este ámbito de estudio.
Ilustración 3 Distribución del corpus documental según el área temática.
Luego del reporte bibliométrico, se aplicaron tres filtros para seleccionar los documentos: primero se
consideraron solo los artículos, después se leyeron los títulos y resúmenes de cada publicación, y
finalmente se revisó el documento completo. Este proceso dejó dieciséis (16) artículos para un análisis
más profundo. Se realizó una lectura completa y ordenada de cada uno de estos artículos. A partir de
esta lectura, se redactó un resumen corto de uno o dos párrafos por cada estudio, donde se incluyeron
los objetivos, la metodología, los resultados y las conclusiones. También se destacó lo más relevante
que cada artículo aportaba al tema principal de la revisión, logrando así un resumen completo de la
literatura encontrada.
En este análisis detallado, se inició con el trabajo de Almutairi et al. (2020), quienes buscaban crear una
estructura basada en inteligencia artificial para mejorar el aprendizaje del inglés como segunda lengua.
Su propósito era desarrollar un sistema que ayudara a resolver los problemas que tienen las instituciones
educativas cuando enseñan inglés a gran escala a estudiantes no nativos. Para esto, utilizaron un método
cualitativo que incluyó varios pasos: primero revisaron la literatura existente, luego crearon módulos
de aprendizaje, después organizaron los algoritmos de análisis, recolectaron y limpiaron datos, y