ASISTENTES PERSONALES
INTELIGENTES EN EDUCACIÓN:
UNA REVISIÓN SISTEMÁTICA
INTELLIGENT PERSONAL ASSISTANTS IN
EDUCATION: A SYSTEMATIC REVIEW
Nadia Berenice Totomol Elos
Instituto Tecnológico Superior de Xalapa, México
Miguel Angel Sánchez Martínez
Instituto Tecnológico Superior de Xalapa, México
María del Rosario Suazo García
Institute of Electrical and Electronics Engineers, México
Salvador Herrera-Velarde
Instituto Tecnológico Superior de Xalapa, México
pág. 17245
DOI: https://doi.org/10.37811/cl_rcm.v9i5.21243
Asistentes Personales Inteligentes en educación: Una revisión sistemática
Nadia Berenice Totomol Elos1
247O01415@itsx.edu.mx
https://orcid.org/0009-0005-2814-6196
Instituto Tecnológico Superior de Xalapa
México
Miguel Angel Sánchez Martínez
miguel.sm@xalapa.tecnm.mx
https://orcid.org/0000-0002-0477-3276
Instituto Tecnológico Superior de Xalapa
México
María del Rosario Suazo García
rosariosuazo06@gmail.com
https://orcid.org/0000-0003-3897-6933
Instituto de Ingenieros Eléctricos y Electrónicos
IEEE, Institute of Electrical and Electronics
Engineers
México
Salvador Herrera-Velarde
salvador.hv@xalapa.tecnm.mx
https://orcid.org/0000-0002-7969-7087
Instituto Tecnológico Superior de Xalapa
México
RESUMEN
Los Asistentes Personales Inteligentes son sistemas que integran software y hardware que, en la última
década, se han fortalecido con la incorporación de tecnologías de inteligencia artificial, procesamiento
del lenguaje natural y reconocimiento de voz, orientándose principalmente al apoyo en tareas cotidianas
de los usuarios. Sin embargo, en el ámbito educativo persiste una brecha digital significativa,
particularmente para aquellos estudiantes con algún tipo de discapacidad visual o motriz. Este artículo
presenta una revisión sistemática de literatura cuyo objetivo fue analizar el uso de estos asistentes en la
educación, identificar los niveles de enseñanza en los que se aplican y determinar en qué medida
incorporan un diseño con enfoque inclusivo. La revisión se basó en 47 artículos científicos publicados
entre 2019 y 2024. Los resultados muestran que los asistentes se emplean en distintos niveles
educativos, desde preescolar hasta universidad, con mayor presencia en el aprendizaje de idiomas y en
la automatización de tareas escolares. Asimismo, se identifican retos en materia de seguridad,
accesibilidad, personalización, ética y privacidad. En el ámbito inclusivo, los hallazgos subrayan la
necesidad de impulsar el desarrollo de asistentes personales inteligentes que vaya más allá de integrar
la inteligencia artificial en la educación, sino que, además, generen herramientas que permitan a los
estudiantes con discapacidad afrontar los retos académicos de manera más equitativa y, con ello,
transitar con éxito por los distintos niveles formativos
Palabras clave: asistentes personales inteligentes, inteligencia artificial, accesibilidad, estudiantes con
discapacidad
1 Autor principal.
Correspondencia: 247O01415@itsx.edu.mx
DOI: https://doi.org/10.37811/cl_rcm.v9i5.21243
Asistentes Personales Inteligentes en educación: Una revisión sistemática
Nadia Berenice Totomol Elos1
247O01415@itsx.edu.mx
https://orcid.org/0009-0005-2814-6196
Instituto Tecnológico Superior de Xalapa
México
Miguel Angel Sánchez Martínez
miguel.sm@xalapa.tecnm.mx
https://orcid.org/0000-0002-0477-3276
Instituto Tecnológico Superior de Xalapa
México
María del Rosario Suazo García
rosariosuazo06@gmail.com
https://orcid.org/0000-0003-3897-6933
Instituto de Ingenieros Eléctricos y Electrónicos
IEEE, Institute of Electrical and Electronics
Engineers
México
Salvador Herrera-Velarde
salvador.hv@xalapa.tecnm.mx
https://orcid.org/0000-0002-7969-7087
Instituto Tecnológico Superior de Xalapa
México
RESUMEN
Los Asistentes Personales Inteligentes son sistemas que integran software y hardware que, en la última
década, se han fortalecido con la incorporación de tecnologías de inteligencia artificial, procesamiento
del lenguaje natural y reconocimiento de voz, orientándose principalmente al apoyo en tareas cotidianas
de los usuarios. Sin embargo, en el ámbito educativo persiste una brecha digital significativa,
particularmente para aquellos estudiantes con algún tipo de discapacidad visual o motriz. Este artículo
presenta una revisión sistemática de literatura cuyo objetivo fue analizar el uso de estos asistentes en la
educación, identificar los niveles de enseñanza en los que se aplican y determinar en qué medida
incorporan un diseño con enfoque inclusivo. La revisión se basó en 47 artículos científicos publicados
entre 2019 y 2024. Los resultados muestran que los asistentes se emplean en distintos niveles
educativos, desde preescolar hasta universidad, con mayor presencia en el aprendizaje de idiomas y en
la automatización de tareas escolares. Asimismo, se identifican retos en materia de seguridad,
accesibilidad, personalización, ética y privacidad. En el ámbito inclusivo, los hallazgos subrayan la
necesidad de impulsar el desarrollo de asistentes personales inteligentes que vaya más allá de integrar
la inteligencia artificial en la educación, sino que, además, generen herramientas que permitan a los
estudiantes con discapacidad afrontar los retos académicos de manera más equitativa y, con ello,
transitar con éxito por los distintos niveles formativos
Palabras clave: asistentes personales inteligentes, inteligencia artificial, accesibilidad, estudiantes con
discapacidad
1 Autor principal.
Correspondencia: 247O01415@itsx.edu.mx
pág. 17246
Intelligent Personal Assistants in Education: A Systematic Review
ABSTRACT
Intelligent Personal Assistants are systems that integrate software and hardware which, over the last
decade, have been strengthened by the incorporation of Artificial Intelligence, Natural Language
Processing, and voice recognition technologies. These systems are primarily oriented toward supporting
users in their everyday tasks. However, within the educational field, a significant digital divide persists,
particularly for students with visual or motor disabilities. This article presents a systematic literature
review aimed at analyzing the use of these assistants in education, identifying the educational levels at
which they are applied, and determining to what extent they incorporate an inclusive design approach.
The review was based on 47 scientific articles published between 2019 and 2024. The findings indicate
that these assistants are used across multiple educational levels—from preschool to higher education—
with greater prevalence in language learning and the automation of routine academic tasks.
Furthermore, the study identifies ongoing challenges related to security, accessibility, personalization,
ethics, and privacy. From an inclusion standpoint, the results highlight the need to foster the
development of Intelligent Personal Assistants that go beyond merely integrating AI into education and
instead generate tools that enable students with disabilities to face academic challenges more equitably
and, consequently, to progress successfully through the different stages of their education
Keywords: intelligent personal assistants, artificial intelligence, accessibility, students with disabilitie
Artículo recibido 15 setiembre 2025
Aceptado para publicación: 25 octubre 2025
Intelligent Personal Assistants in Education: A Systematic Review
ABSTRACT
Intelligent Personal Assistants are systems that integrate software and hardware which, over the last
decade, have been strengthened by the incorporation of Artificial Intelligence, Natural Language
Processing, and voice recognition technologies. These systems are primarily oriented toward supporting
users in their everyday tasks. However, within the educational field, a significant digital divide persists,
particularly for students with visual or motor disabilities. This article presents a systematic literature
review aimed at analyzing the use of these assistants in education, identifying the educational levels at
which they are applied, and determining to what extent they incorporate an inclusive design approach.
The review was based on 47 scientific articles published between 2019 and 2024. The findings indicate
that these assistants are used across multiple educational levels—from preschool to higher education—
with greater prevalence in language learning and the automation of routine academic tasks.
Furthermore, the study identifies ongoing challenges related to security, accessibility, personalization,
ethics, and privacy. From an inclusion standpoint, the results highlight the need to foster the
development of Intelligent Personal Assistants that go beyond merely integrating AI into education and
instead generate tools that enable students with disabilities to face academic challenges more equitably
and, consequently, to progress successfully through the different stages of their education
Keywords: intelligent personal assistants, artificial intelligence, accessibility, students with disabilitie
Artículo recibido 15 setiembre 2025
Aceptado para publicación: 25 octubre 2025
pág. 17247
INTRODUCCIÓN
Los Asistentes Personales Inteligentes (en inglés Intelligent Personal Assistants, IPAs) se encuentran
en constante innovación y se han convertido en herramientas muy útiles para realizar una gran variedad
de actividades tanto cotidianas como aquellas propias del ámbito escolar. Estos sistemas, basados en
Inteligencia Artificial (IA, por sus siglas en inglés Artificial Intelligence, AI). Procesamiento del
Lenguaje Natural (PLN, por sus siglas en inglés Natural Language Processing, NLP) y reconocimiento
de voz, han demostrado ser eficaces, eficientes y lo suficientemente flexibles para una gran variedad de
usuarios; pueden ejecutarse en distintos dispositivos (PC, móviles, altavoces inteligentes) y ofrecen
diferentes alternativas de interacción (voz, texto, audio). En el ámbito escolar mejoran la productividad
y autonomía de los usuarios al servir de apoyo para adaptar estrategias de enseñanza lo cual, en
principio, conlleva a una mejor experiencia de aprendizaje. Sin embargo, estudiantes con discapacidad
visual o motriz enfrentan limitaciones en su uso, ya que muchos de estos sistemas no incorporan
criterios de accesibilidad universal ni adaptaciones específicas.
A pesar de los avances recientes en el diseño y aplicación de sistemas inteligentes en la educación,
persiste una limitada atención en mejorar la accesibilidad e inclusión de estudiantes con discapacidad.
Este vacío representa un desafío importante, pues, con el auge de la IA, se corre el riesgo de ampliar la
brecha digital en lugar de reducirla. En este contexto, la presente revisión busca aportar un panorama
actual del estado de los IPAs en el ámbito educativo y, de manera particular, visibilizar aquellas
propuestas que integran criterios inclusivos, con el fin de orientar tanto la investigación futura como el
desarrollo de herramientas más equitativas.
METODOLOGÍA
Para alcanzar nuestro objetivo, esta Revisión Sistemática de la Literatura (RSL, por sus siglas en inglés
Systematic Literature Review, SRL) se enfoca en examinar el estado actual de los Asistentes Personales
Inteligentes (IPAs) en el entorno educativo. Con el propósito de identificar sus principales usos,
tecnologías que emplean, desafíos y problemáticas que enfrentan, y, de manera fundamental, reconocer
aquellos que incorporan criterios de accesibilidad e inclusión para Personas con Discapacidad (PCD).
llevamos a cabo un análisis sistemático de trabajos académicos publicados entre 2019 y 2024.
INTRODUCCIÓN
Los Asistentes Personales Inteligentes (en inglés Intelligent Personal Assistants, IPAs) se encuentran
en constante innovación y se han convertido en herramientas muy útiles para realizar una gran variedad
de actividades tanto cotidianas como aquellas propias del ámbito escolar. Estos sistemas, basados en
Inteligencia Artificial (IA, por sus siglas en inglés Artificial Intelligence, AI). Procesamiento del
Lenguaje Natural (PLN, por sus siglas en inglés Natural Language Processing, NLP) y reconocimiento
de voz, han demostrado ser eficaces, eficientes y lo suficientemente flexibles para una gran variedad de
usuarios; pueden ejecutarse en distintos dispositivos (PC, móviles, altavoces inteligentes) y ofrecen
diferentes alternativas de interacción (voz, texto, audio). En el ámbito escolar mejoran la productividad
y autonomía de los usuarios al servir de apoyo para adaptar estrategias de enseñanza lo cual, en
principio, conlleva a una mejor experiencia de aprendizaje. Sin embargo, estudiantes con discapacidad
visual o motriz enfrentan limitaciones en su uso, ya que muchos de estos sistemas no incorporan
criterios de accesibilidad universal ni adaptaciones específicas.
A pesar de los avances recientes en el diseño y aplicación de sistemas inteligentes en la educación,
persiste una limitada atención en mejorar la accesibilidad e inclusión de estudiantes con discapacidad.
Este vacío representa un desafío importante, pues, con el auge de la IA, se corre el riesgo de ampliar la
brecha digital en lugar de reducirla. En este contexto, la presente revisión busca aportar un panorama
actual del estado de los IPAs en el ámbito educativo y, de manera particular, visibilizar aquellas
propuestas que integran criterios inclusivos, con el fin de orientar tanto la investigación futura como el
desarrollo de herramientas más equitativas.
METODOLOGÍA
Para alcanzar nuestro objetivo, esta Revisión Sistemática de la Literatura (RSL, por sus siglas en inglés
Systematic Literature Review, SRL) se enfoca en examinar el estado actual de los Asistentes Personales
Inteligentes (IPAs) en el entorno educativo. Con el propósito de identificar sus principales usos,
tecnologías que emplean, desafíos y problemáticas que enfrentan, y, de manera fundamental, reconocer
aquellos que incorporan criterios de accesibilidad e inclusión para Personas con Discapacidad (PCD).
llevamos a cabo un análisis sistemático de trabajos académicos publicados entre 2019 y 2024.
pág. 17248
El proceso inició con la formulación de preguntas generales (PG) y específicas (PE). seguido por la
aplicación de la metodología basada en las recomendaciones de Kitchenham y Charters (2007). lo que
permitió asegurar la pertinencia y la calidad de los textos seleccionados. Este proceso consta de tres
etapas: planificación de la revisión, ejecución y finalmente documentación de los resultados, las cuales
se presentan a continuación:
Planificación de la Revisión
La primera etapa corresponde a la definición del tema de investigación, el cual debe estar claramente
delimitado y representar un área de interés relevante dentro del campo de estudio. En este trabajo se
consideró pertinente examinar la situación actual de desarrollo y aplicación de los Asistentes Personales
Inteligentes en el sector educativo, con especial atención a aquellos proyectos que incorporan un
enfoque inclusivo. Una vez definido el tema, se procedió a establecer las preguntas de investigación.
En esta fase se formularon tres interrogantes de carácter general y once específicas, que se presentan en
la Tabla 1.
Preguntas de Investigación
Tabla 1. Preguntas generales (PG) y preguntas específicas (PE).
ID Preguntas
Generales
ID Preguntas Especificas
PG1 ¿Cuál es estado
del arte de los
IPAs enfocados
en educación?
PE1 ¿Cuáles son los usos más comunes y las tendencias de los IPAs en
educación?
PE2 ¿Cuáles son las plataformas o sistemas operativos más comunes?
PE3 ¿Cuáles de los IPAs existentes son del tipo comercial o libre?
PE4 ¿Qué desafíos o limitaciones presentan los IPAs existentes?
PE5 ¿Qué tecnologías, lenguajes, librerías o herramientas son las más
empleadas para construir un IPA?
PG2 ¿Cuáles son los
niveles/enfoques
educativos
dónde más se
utilizan los
IPAs?
PE6 ¿Cuáles son los IPAs más empleadas por nivel educativo?
PE7 ¿Cuáles son los usos más comunes de los IPAs por enfoque de
aprendizaje?
PE8 ¿Cuál es el impacto reportado del uso de IPAs en la educación o
nivel educativo?
PG3 ¿Cuáles IPAs
están diseñadas
para Personas
con
Discapacidad?
PE9 ¿Qué tipo de IPAs están enfocadas a personas con una cierta
discapacidad?
PE10 ¿Qué IPAs están enfocadas a PCD visual o motriz?
PE11 ¿Qué IPAs con enfoque incluso están controladas o son asistidas
por voz?
Nota. Relación entre las preguntas generales y sus respectivas preguntas específicas organizadas por eje temático. Estas guían
la revisión sistemática sobre el uso de los IPAs en el ámbito educativo con especial atención a su aplicación en PCD.
El proceso inició con la formulación de preguntas generales (PG) y específicas (PE). seguido por la
aplicación de la metodología basada en las recomendaciones de Kitchenham y Charters (2007). lo que
permitió asegurar la pertinencia y la calidad de los textos seleccionados. Este proceso consta de tres
etapas: planificación de la revisión, ejecución y finalmente documentación de los resultados, las cuales
se presentan a continuación:
Planificación de la Revisión
La primera etapa corresponde a la definición del tema de investigación, el cual debe estar claramente
delimitado y representar un área de interés relevante dentro del campo de estudio. En este trabajo se
consideró pertinente examinar la situación actual de desarrollo y aplicación de los Asistentes Personales
Inteligentes en el sector educativo, con especial atención a aquellos proyectos que incorporan un
enfoque inclusivo. Una vez definido el tema, se procedió a establecer las preguntas de investigación.
En esta fase se formularon tres interrogantes de carácter general y once específicas, que se presentan en
la Tabla 1.
Preguntas de Investigación
Tabla 1. Preguntas generales (PG) y preguntas específicas (PE).
ID Preguntas
Generales
ID Preguntas Especificas
PG1 ¿Cuál es estado
del arte de los
IPAs enfocados
en educación?
PE1 ¿Cuáles son los usos más comunes y las tendencias de los IPAs en
educación?
PE2 ¿Cuáles son las plataformas o sistemas operativos más comunes?
PE3 ¿Cuáles de los IPAs existentes son del tipo comercial o libre?
PE4 ¿Qué desafíos o limitaciones presentan los IPAs existentes?
PE5 ¿Qué tecnologías, lenguajes, librerías o herramientas son las más
empleadas para construir un IPA?
PG2 ¿Cuáles son los
niveles/enfoques
educativos
dónde más se
utilizan los
IPAs?
PE6 ¿Cuáles son los IPAs más empleadas por nivel educativo?
PE7 ¿Cuáles son los usos más comunes de los IPAs por enfoque de
aprendizaje?
PE8 ¿Cuál es el impacto reportado del uso de IPAs en la educación o
nivel educativo?
PG3 ¿Cuáles IPAs
están diseñadas
para Personas
con
Discapacidad?
PE9 ¿Qué tipo de IPAs están enfocadas a personas con una cierta
discapacidad?
PE10 ¿Qué IPAs están enfocadas a PCD visual o motriz?
PE11 ¿Qué IPAs con enfoque incluso están controladas o son asistidas
por voz?
Nota. Relación entre las preguntas generales y sus respectivas preguntas específicas organizadas por eje temático. Estas guían
la revisión sistemática sobre el uso de los IPAs en el ámbito educativo con especial atención a su aplicación en PCD.
pág. 17249
Criterios de búsqueda
Como último paso de la etapa de planificación se eligieron siete palabras clave y sus correspondientes
sinónimos, los cuales se emplearon en la elaboración de las cadenas de búsqueda (ver Tabla 2). Esta
estrategia permitió garantizar una cobertura amplia y representativa de la literatura relacionada con el
tema de investigación y asegurar un proceso de búsqueda sistemático.
Tabla 2. Término general y sinónimos para cadenas de búsqueda
Término Sinónimo
Intelligent
Personal
Assistant
Voice-Controlled Intelligent Personal Assistants; Virtual Intelligent Personal
Assistants; Digital Intelligent Personal Assistants; Voice Driven Life Assistant System;
Intelligent Virtual Personal Assistant (IVPA); Smart Personal Assistants; Voice
Assistant Technology.
Nota. El término principal "Intelligent Personal Assistant" se complementa con siete variantes del mismo.
Fuentes de información
En el desarrollo de una RSL un elemento fundamental es la elección adecuada de las bases de datos en
las que se aplicarán las cadenas de búsqueda. La selección de estas fuentes contribuye a garantizar la
calidad y relevancia de los trabajos académicos bajo consideración. En la Tabla 3 se incluyen las bases
de datos seleccionadas junto con sus direcciones web correspondientes.
Tabla 3. Listado de bases de datos empleadas en la revisión, incluyendo su dirección web.
Bases de datos LINK
ACM Digital Library https://dl.acm.org/
IEEE Explore https://ieeexplore.ieee.org/Xplore/home.jsp
ScienceDirect https://www.sciencedirect.com/
Google Scholar https://scholar.google.es/schhp?hl=es
Nota. Fuentes académicas utilizadas: repositorios especializados en ciencias de la computación (ACM, IEEE Xplore). una
base multidisciplinaria (ScienceDirect) y un motor de búsqueda general (Google Scholar) con el fin de ampliar la cobertura de
documentos relevantes.
Cadena de búsqueda
Para acceder a resultados más amplios se incluyeron sinónimos en las cadenas de búsqueda. Esta
decisión se basó en la observación de que diferentes autores utilizan términos alternativos en los títulos
de sus publicaciones para evitar repeticiones o aumentar la visibilidad. Durante la exploración inicial
de la literatura se probó con diversas combinaciones en las bases de datos, lo que permitió obtener
Criterios de búsqueda
Como último paso de la etapa de planificación se eligieron siete palabras clave y sus correspondientes
sinónimos, los cuales se emplearon en la elaboración de las cadenas de búsqueda (ver Tabla 2). Esta
estrategia permitió garantizar una cobertura amplia y representativa de la literatura relacionada con el
tema de investigación y asegurar un proceso de búsqueda sistemático.
Tabla 2. Término general y sinónimos para cadenas de búsqueda
Término Sinónimo
Intelligent
Personal
Assistant
Voice-Controlled Intelligent Personal Assistants; Virtual Intelligent Personal
Assistants; Digital Intelligent Personal Assistants; Voice Driven Life Assistant System;
Intelligent Virtual Personal Assistant (IVPA); Smart Personal Assistants; Voice
Assistant Technology.
Nota. El término principal "Intelligent Personal Assistant" se complementa con siete variantes del mismo.
Fuentes de información
En el desarrollo de una RSL un elemento fundamental es la elección adecuada de las bases de datos en
las que se aplicarán las cadenas de búsqueda. La selección de estas fuentes contribuye a garantizar la
calidad y relevancia de los trabajos académicos bajo consideración. En la Tabla 3 se incluyen las bases
de datos seleccionadas junto con sus direcciones web correspondientes.
Tabla 3. Listado de bases de datos empleadas en la revisión, incluyendo su dirección web.
Bases de datos LINK
ACM Digital Library https://dl.acm.org/
IEEE Explore https://ieeexplore.ieee.org/Xplore/home.jsp
ScienceDirect https://www.sciencedirect.com/
Google Scholar https://scholar.google.es/schhp?hl=es
Nota. Fuentes académicas utilizadas: repositorios especializados en ciencias de la computación (ACM, IEEE Xplore). una
base multidisciplinaria (ScienceDirect) y un motor de búsqueda general (Google Scholar) con el fin de ampliar la cobertura de
documentos relevantes.
Cadena de búsqueda
Para acceder a resultados más amplios se incluyeron sinónimos en las cadenas de búsqueda. Esta
decisión se basó en la observación de que diferentes autores utilizan términos alternativos en los títulos
de sus publicaciones para evitar repeticiones o aumentar la visibilidad. Durante la exploración inicial
de la literatura se probó con diversas combinaciones en las bases de datos, lo que permitió obtener
pág. 17250
resultados más pertinentes y definir las cadenas de búsqueda adecuadas para esta RSL. En la Tabla 4 se
presenta la cadena general de búsqueda junto con las cadenas específicas utilizadas durante el proceso
de recolección de datos. Estas cadenas fueron definidas siguiendo prácticas metodológicas similares a
las reportadas por Barcelos Silva et al. (2020).
Tabla 4. Cadena General de búsqueda (CG) y cadenas específicas (CE) utilizadas en las bases de datos.
ID Cadena de
Búsqueda general
ID Cadenas de búsqueda específicas
CG "Intelligent Personal
Assistants" OR
"Virtual Intelligent
Personal Assistants"
OR "Voice-
Controlled
Intelligent Personal
Assistants" OR
"Smart Personal
Assistants" OR
"Voice Assistant
Technology"
CE1 "Intelligent Personal Assistants" OR "Virtual Intelligent
Personal Assistants" OR "Voice-Controlled Intelligent Personal
Assistants" OR "Smart Personal Assistants" OR "Voice
Assistant Technology" AND "Education" OR "University"
CE2 "Intelligent Personal Assistants" OR "Virtual Intelligent
Personal Assistants" OR "Voice-Controlled Intelligent Personal
Assistants" OR "Smart Personal Assistants" OR "Voice
Assistant Technology" AND "Dissability" AND "Education”
CE3 “Intelligent Personal Assistants" OR "Virtual Intelligent
Personal Assistants" OR "Voice-Controlled Intelligent Personal
Assistants" OR "Smart Personal Assistants" OR "Voice
Assistant Technology" AND "Visual Impaired”
Nota. Los términos entre comillas representan las palabras clave exactas utilizadas en las bases de datos. Los operadores
booleanos (OR, AND) definen las relaciones lógicas entre términos de búsqueda
Criterios de Inclusión y Exclusión
Como parte del procedimiento, se definieron previamente los criterios para determinar las
investigaciones incluidas y excluidas en la revisión. En cuanto a los criterios de inclusión, se
consideraron publicaciones comprendidas en un periodo de cinco años (2019–2024). con énfasis en
artículos de investigación y de revisión publicados en inglés. En contraste, se excluyeron trabajos
presentados en congresos, reportes técnicos y otras publicaciones sin revisión por pares, debido a su
menor nivel de validación académica. La clasificación inicial de los artículos se basó en la relevancia
sugerida por los motores de búsqueda de cada base de datos, que posteriormente fue complementada
con un proceso de depuración manual conforme a los criterios establecidos.
resultados más pertinentes y definir las cadenas de búsqueda adecuadas para esta RSL. En la Tabla 4 se
presenta la cadena general de búsqueda junto con las cadenas específicas utilizadas durante el proceso
de recolección de datos. Estas cadenas fueron definidas siguiendo prácticas metodológicas similares a
las reportadas por Barcelos Silva et al. (2020).
Tabla 4. Cadena General de búsqueda (CG) y cadenas específicas (CE) utilizadas en las bases de datos.
ID Cadena de
Búsqueda general
ID Cadenas de búsqueda específicas
CG "Intelligent Personal
Assistants" OR
"Virtual Intelligent
Personal Assistants"
OR "Voice-
Controlled
Intelligent Personal
Assistants" OR
"Smart Personal
Assistants" OR
"Voice Assistant
Technology"
CE1 "Intelligent Personal Assistants" OR "Virtual Intelligent
Personal Assistants" OR "Voice-Controlled Intelligent Personal
Assistants" OR "Smart Personal Assistants" OR "Voice
Assistant Technology" AND "Education" OR "University"
CE2 "Intelligent Personal Assistants" OR "Virtual Intelligent
Personal Assistants" OR "Voice-Controlled Intelligent Personal
Assistants" OR "Smart Personal Assistants" OR "Voice
Assistant Technology" AND "Dissability" AND "Education”
CE3 “Intelligent Personal Assistants" OR "Virtual Intelligent
Personal Assistants" OR "Voice-Controlled Intelligent Personal
Assistants" OR "Smart Personal Assistants" OR "Voice
Assistant Technology" AND "Visual Impaired”
Nota. Los términos entre comillas representan las palabras clave exactas utilizadas en las bases de datos. Los operadores
booleanos (OR, AND) definen las relaciones lógicas entre términos de búsqueda
Criterios de Inclusión y Exclusión
Como parte del procedimiento, se definieron previamente los criterios para determinar las
investigaciones incluidas y excluidas en la revisión. En cuanto a los criterios de inclusión, se
consideraron publicaciones comprendidas en un periodo de cinco años (2019–2024). con énfasis en
artículos de investigación y de revisión publicados en inglés. En contraste, se excluyeron trabajos
presentados en congresos, reportes técnicos y otras publicaciones sin revisión por pares, debido a su
menor nivel de validación académica. La clasificación inicial de los artículos se basó en la relevancia
sugerida por los motores de búsqueda de cada base de datos, que posteriormente fue complementada
con un proceso de depuración manual conforme a los criterios establecidos.
pág. 17251
RESULTADOS Y DISCUSIÓN
Después de aplicar los criterios de inclusión y exclusión en las bases de datos seleccionadas (ACM,
IEEE, ScienceDirect y Google Scholar) se recopilaron 3,429 documentos utilizando cuatro
combinaciones de búsqueda (CG, CE1, CE2 y CE3) detalladas en la Tabla 4. Tras el análisis de títulos
se descartaron duplicados y documentos sin relación directa con el ámbito educativo y asistentes
personales, reduciendo el total a 44 artículos (fase 2). Al hacer el análisis de resúmenes aplicamos un
criterio adicional: cada reseña debía responder directa o indirectamente al menos una pregunta de
investigación resultando en 26 trabajos seleccionados (fase 3).
En la fase 4 se incluyeron 21 artículos de fuentes adicionales—identificados mediante revisión de
referencias, análisis de citaciones y repositorios académicos abiertos—que cumplieron los mismos
criterios establecidos en el apartado (Criterios de Inclusión y Exclusión) Esta estrategia complementaria
reduce sesgos y amplía la cobertura temática (Avendaño-Sánchez et al., 2024). Finalmente, se conformó
un conjunto de 47 artículos del periodo 2019-2024 (ver Figura 1) que constituyó la base para responder
las preguntas de investigación planteadas.
Figura 1. Diagrama de las etapas de filtrado de artículos y número total de los mismos.
Fase 1
Fase 2
Fase 3
Total
Fase 4
Fuentes
Adicionales
Total
ACM 1,182 20 11
IEEE 325 2 1
SIENCE DIRECT 869 11 9 26 21 47
GOOGLE SCHOOLAR 1,053 11 5
TOTAL 3,429 44 26
Nota. Proceso de filtrado y consolidación de artículos para la revisión sistemática. Elaboración propia con base en los criterios
de inclusión y exclusión aplicados en las bases de datos ACM, IEEE, ScienceDirect y Google Scholar (2019–2024).
En la recolección de datos primero se leyó cada artículo al mismo tiempo que se elaboraron resúmenes
y una plantilla (matriz de extracción) en Excel diseñada para este análisis sistemático. De esta manera
facilitó la recolección de los aspectos esenciales de cada estudio, la identificación de sus aportaciones
al tema de investigación, el análisis de cómo respondían a las PG y PE y la síntesis de resultados.
RESULTADOS Y DISCUSIÓN
Después de aplicar los criterios de inclusión y exclusión en las bases de datos seleccionadas (ACM,
IEEE, ScienceDirect y Google Scholar) se recopilaron 3,429 documentos utilizando cuatro
combinaciones de búsqueda (CG, CE1, CE2 y CE3) detalladas en la Tabla 4. Tras el análisis de títulos
se descartaron duplicados y documentos sin relación directa con el ámbito educativo y asistentes
personales, reduciendo el total a 44 artículos (fase 2). Al hacer el análisis de resúmenes aplicamos un
criterio adicional: cada reseña debía responder directa o indirectamente al menos una pregunta de
investigación resultando en 26 trabajos seleccionados (fase 3).
En la fase 4 se incluyeron 21 artículos de fuentes adicionales—identificados mediante revisión de
referencias, análisis de citaciones y repositorios académicos abiertos—que cumplieron los mismos
criterios establecidos en el apartado (Criterios de Inclusión y Exclusión) Esta estrategia complementaria
reduce sesgos y amplía la cobertura temática (Avendaño-Sánchez et al., 2024). Finalmente, se conformó
un conjunto de 47 artículos del periodo 2019-2024 (ver Figura 1) que constituyó la base para responder
las preguntas de investigación planteadas.
Figura 1. Diagrama de las etapas de filtrado de artículos y número total de los mismos.
Fase 1
Fase 2
Fase 3
Total
Fase 4
Fuentes
Adicionales
Total
ACM 1,182 20 11
IEEE 325 2 1
SIENCE DIRECT 869 11 9 26 21 47
GOOGLE SCHOOLAR 1,053 11 5
TOTAL 3,429 44 26
Nota. Proceso de filtrado y consolidación de artículos para la revisión sistemática. Elaboración propia con base en los criterios
de inclusión y exclusión aplicados en las bases de datos ACM, IEEE, ScienceDirect y Google Scholar (2019–2024).
En la recolección de datos primero se leyó cada artículo al mismo tiempo que se elaboraron resúmenes
y una plantilla (matriz de extracción) en Excel diseñada para este análisis sistemático. De esta manera
facilitó la recolección de los aspectos esenciales de cada estudio, la identificación de sus aportaciones
al tema de investigación, el análisis de cómo respondían a las PG y PE y la síntesis de resultados.
pág. 17252
Finalmente, este método permitió generar una matriz de extracción de información que permitió
comparar los trabajos y obtener las respuestas a las preguntas. Esta sección presenta los hallazgos
derivados de los 47 estudios seleccionados, con el fin de dar respuesta a las preguntas planteadas en la
investigación.
PG1 ¿Cuál es estado del arte de los IPAs enfocadas en educación?
Investigaciones se centran en los IPAs como herramientas de apoyo educativo que mejoran la
experiencia de aprendizaje y fomentan la autonomía estudiantil. El trabajo de Sajja et al. (2024) presenta
un asistente inteligente con IA que proporciona rutas de aprendizaje personalizadas, comentarios
inmediatos y ayuda en tareas difíciles como programación y matemáticas, alineado con modelos de
aprendizaje adaptativo en educación superior. Los estudios de Okonkwo y Ade-Ibijola (2021) y
Ramandanis y Xinogalos (2023) analizan asistentes de voz como tutores virtuales, guías de aprendizaje
y herramientas de evaluación que fortalecen la autoconfianza estudiantil y reducen la carga
administrativa docente.
En aprendizaje de idiomas, las investigaciones de Lai y Lee (2024) y Sharizan y Yulia (2024) muestran
cómo los IPAs desarrollan expresión oral, comprensión auditiva y pronunciación en contextos de inglés
como lengua extranjera, estimulando motivación, participación y aprendizaje independiente.
Revisiones como las de Lopatovska (2019) y Barcelos Silva et al. (2020) abordan características
técnicas, arquitecturas y limitaciones de los IPAs, señalando dificultades para actividades complejas,
conversaciones prolongadas, privacidad y compatibilidad multidioma. Lai y Lee (2024) identifican
problemas de comprensión por diferencias de acento y competencia lingüística que afectan motivación
estudiantil. Finalmente, las investigaciones de Karyotaki et al. (2024) y Roy et al. (2024) evidencian el
uso de IPAs en inclusión social y accesibilidad para eliminar barreras de personas con discapacidad al
interactuar con interfaces digitales.
PE1 ¿Cuáles son los usos más comunes y las tendencias de los IPAs en educación?
Las aplicaciones de los IPAs en educación se centran en facilitar la adquisición de idiomas,
automatización de tareas, tutorías virtuales, mejorar la accesibilidad y personalizar la experiencia de
aprendizaje. En entornos educativos formales e informales desde primaria hasta instituciones
Finalmente, este método permitió generar una matriz de extracción de información que permitió
comparar los trabajos y obtener las respuestas a las preguntas. Esta sección presenta los hallazgos
derivados de los 47 estudios seleccionados, con el fin de dar respuesta a las preguntas planteadas en la
investigación.
PG1 ¿Cuál es estado del arte de los IPAs enfocadas en educación?
Investigaciones se centran en los IPAs como herramientas de apoyo educativo que mejoran la
experiencia de aprendizaje y fomentan la autonomía estudiantil. El trabajo de Sajja et al. (2024) presenta
un asistente inteligente con IA que proporciona rutas de aprendizaje personalizadas, comentarios
inmediatos y ayuda en tareas difíciles como programación y matemáticas, alineado con modelos de
aprendizaje adaptativo en educación superior. Los estudios de Okonkwo y Ade-Ibijola (2021) y
Ramandanis y Xinogalos (2023) analizan asistentes de voz como tutores virtuales, guías de aprendizaje
y herramientas de evaluación que fortalecen la autoconfianza estudiantil y reducen la carga
administrativa docente.
En aprendizaje de idiomas, las investigaciones de Lai y Lee (2024) y Sharizan y Yulia (2024) muestran
cómo los IPAs desarrollan expresión oral, comprensión auditiva y pronunciación en contextos de inglés
como lengua extranjera, estimulando motivación, participación y aprendizaje independiente.
Revisiones como las de Lopatovska (2019) y Barcelos Silva et al. (2020) abordan características
técnicas, arquitecturas y limitaciones de los IPAs, señalando dificultades para actividades complejas,
conversaciones prolongadas, privacidad y compatibilidad multidioma. Lai y Lee (2024) identifican
problemas de comprensión por diferencias de acento y competencia lingüística que afectan motivación
estudiantil. Finalmente, las investigaciones de Karyotaki et al. (2024) y Roy et al. (2024) evidencian el
uso de IPAs en inclusión social y accesibilidad para eliminar barreras de personas con discapacidad al
interactuar con interfaces digitales.
PE1 ¿Cuáles son los usos más comunes y las tendencias de los IPAs en educación?
Las aplicaciones de los IPAs en educación se centran en facilitar la adquisición de idiomas,
automatización de tareas, tutorías virtuales, mejorar la accesibilidad y personalizar la experiencia de
aprendizaje. En entornos educativos formales e informales desde primaria hasta instituciones
pág. 17253
superiores, con implementaciones que van del aprendizaje autónomo a la asistencia para estudiantes
con discapacidades.
En aprendizaje del idioma inglés, Du et al. (2020) presenta Blingbang, un tutor personal inteligente
desarrollado sobre Microsoft Bot Framework que apoya la práctica oral y escrita, resuelve dudas
lingüísticas y proporciona retroalimentación pedagógica para mejorar pronunciación, comprensión
auditiva y fluidez verbal. Estos tutores permiten practicar competencias lingüísticas fuera del aula,
ofreciendo comentarios instantáneos y mitigando la ansiedad comunicativa (Du et al., 2020; Sharizan
y Yulia, 2024).
En automatización administrativa, Dinh y Tran (2023) desarrollaron EduChat, un chatbot universitario
híbrido que combina métodos basados en reglas y aprendizaje automático para atender consultas sobre
programas académicos, procesos de admisión, vida universitaria y experiencias estudiantiles,
eficientizando el manejo de información y reduciendo la carga administrativa.
Los IPAs promueven inclusión facilitando acceso a recursos educativos, mejorando organización
personal y fomentando autonomía en estudiantes con discapacidades visuales o cognitivas (Lewis y
Vellino, 2021; Metatla et al., 2019). Shazhaev et al. (2023) y Tsourakas et al. (2021) documentan su uso
en juegos educativos y actividades interactivas que aumentan motivación y compromiso estudiantil.
PE2 ¿Cuáles son las plataformas/sistemas operativos más comunes?
Entre los sistemas más comunes destacan Android y iOS, especialmente en aplicaciones móviles para
facilitar acceso e interacción con idiomas, principalmente inglés (Abdolrahmani et al., 2019;
Almurayziq et al., 2022). Ali et al. (2023) también menciona el uso de Windows en computadoras de
escritorio y laptops. Respecto a plataformas específicas Amazon Echo con Alexa aparece en diversos
estudios (Lewis y Vellino, 2021; Metatla et al., 2019). Du et al. (2020) destaca el Bot Framework de
Microsoft, junto con entornos como Raspberry Pi para desarrollar prototipos educativos. Estos
hallazgos muestran que los IPAs están cada vez más presentes en el ámbito educativo y su
implementación continúa creciendo gracias a su facilidad de uso y variedad de opciones disponibles.
superiores, con implementaciones que van del aprendizaje autónomo a la asistencia para estudiantes
con discapacidades.
En aprendizaje del idioma inglés, Du et al. (2020) presenta Blingbang, un tutor personal inteligente
desarrollado sobre Microsoft Bot Framework que apoya la práctica oral y escrita, resuelve dudas
lingüísticas y proporciona retroalimentación pedagógica para mejorar pronunciación, comprensión
auditiva y fluidez verbal. Estos tutores permiten practicar competencias lingüísticas fuera del aula,
ofreciendo comentarios instantáneos y mitigando la ansiedad comunicativa (Du et al., 2020; Sharizan
y Yulia, 2024).
En automatización administrativa, Dinh y Tran (2023) desarrollaron EduChat, un chatbot universitario
híbrido que combina métodos basados en reglas y aprendizaje automático para atender consultas sobre
programas académicos, procesos de admisión, vida universitaria y experiencias estudiantiles,
eficientizando el manejo de información y reduciendo la carga administrativa.
Los IPAs promueven inclusión facilitando acceso a recursos educativos, mejorando organización
personal y fomentando autonomía en estudiantes con discapacidades visuales o cognitivas (Lewis y
Vellino, 2021; Metatla et al., 2019). Shazhaev et al. (2023) y Tsourakas et al. (2021) documentan su uso
en juegos educativos y actividades interactivas que aumentan motivación y compromiso estudiantil.
PE2 ¿Cuáles son las plataformas/sistemas operativos más comunes?
Entre los sistemas más comunes destacan Android y iOS, especialmente en aplicaciones móviles para
facilitar acceso e interacción con idiomas, principalmente inglés (Abdolrahmani et al., 2019;
Almurayziq et al., 2022). Ali et al. (2023) también menciona el uso de Windows en computadoras de
escritorio y laptops. Respecto a plataformas específicas Amazon Echo con Alexa aparece en diversos
estudios (Lewis y Vellino, 2021; Metatla et al., 2019). Du et al. (2020) destaca el Bot Framework de
Microsoft, junto con entornos como Raspberry Pi para desarrollar prototipos educativos. Estos
hallazgos muestran que los IPAs están cada vez más presentes en el ámbito educativo y su
implementación continúa creciendo gracias a su facilidad de uso y variedad de opciones disponibles.
pág. 17254
Tabla 5. Plataformas y sistemas operativos más empleados para asistentes de voz.
Sistemas
Operativos
Plataformas de
Desarrollo
Dispositivos Servicios y
aplicaciones
Tecnologías
Android
iOS/Apple
Windows
Linux
macOS
Google Cloud
Platform
Dialogflow
Framework
Firebase
Arduino
Amazon Echo
Google Home
Altavoces
inteligentes
Dispositivos
móviles
WeChat
Facebook Messenger
Navegadores web
Internet de las Cosas
(IoT)
Google Play Store
Apple Store
Alexa Skill Kit
Bot Framework
Microsoft
WhatsApp
Google Classroom
TensorFlow Lite
Sistemas LMS
Nota: Android, iOS y Windows son los principales sistemas operativos; Google Cloud Platform es la plataforma de desarrollo
líder para prototipos. Abreviaturas: LMS = Sistemas de gestión del aprendizaje; IoT = Internet de las cosas.
PE3 ¿Cuáles de los IPAs existentes son del tipo comercial o libre?
La literatura indica que la mayoría de los IPAs utilizados en contextos educativos están afiliados a
entidades comerciales, como Siri (Apple). Alexa (Amazon). Google Assistant y Cortana (Microsoft).
Estos sistemas se integran en dispositivos móviles, altavoces inteligentes y plataformas basadas en la
nube, facilitando su adopción en marcos educativos formales e informales. Almurayziq et al. (2022) y
Hwan Jin et al. (2025) reconocen específicamente la utilización de asistentes comerciales como Bixby,
Alexa, Cortana, Siri y Google Now. Lopatovska (2019) y Shazhaev et al. (2023) subrayan que las
actividades más comunes incluyen configurar alarmas, administrar calendarios y correos electrónicos,
obtener direcciones, reproducir música, llamar y controlar dispositivos.
La disponibilidad de IPAs de código abierto ha disminuido considerablemente. Shazhaev et al. (2023)
menciona Jarvis, un asistente de escritorio que se activa sin conexión. Du et al. (2020) referencia
Blingbang en Bot Framework de Microsoft, desarrollado para resolver problemas y evaluar habla y
escritura desde perspectiva pedagógica. Öncü y Süral (2024) presenta Cabbar Support, asistente virtual
basado en IA para apoyo estudiantil en el Sistema de Educación Abierta de la Universidad Anadolu.
También se han desarrollado proyectos universitarios académicos de uso libre.
Tabla 5. Plataformas y sistemas operativos más empleados para asistentes de voz.
Sistemas
Operativos
Plataformas de
Desarrollo
Dispositivos Servicios y
aplicaciones
Tecnologías
Android
iOS/Apple
Windows
Linux
macOS
Google Cloud
Platform
Dialogflow
Framework
Firebase
Arduino
Amazon Echo
Google Home
Altavoces
inteligentes
Dispositivos
móviles
Facebook Messenger
Navegadores web
Internet de las Cosas
(IoT)
Google Play Store
Apple Store
Alexa Skill Kit
Bot Framework
Microsoft
Google Classroom
TensorFlow Lite
Sistemas LMS
Nota: Android, iOS y Windows son los principales sistemas operativos; Google Cloud Platform es la plataforma de desarrollo
líder para prototipos. Abreviaturas: LMS = Sistemas de gestión del aprendizaje; IoT = Internet de las cosas.
PE3 ¿Cuáles de los IPAs existentes son del tipo comercial o libre?
La literatura indica que la mayoría de los IPAs utilizados en contextos educativos están afiliados a
entidades comerciales, como Siri (Apple). Alexa (Amazon). Google Assistant y Cortana (Microsoft).
Estos sistemas se integran en dispositivos móviles, altavoces inteligentes y plataformas basadas en la
nube, facilitando su adopción en marcos educativos formales e informales. Almurayziq et al. (2022) y
Hwan Jin et al. (2025) reconocen específicamente la utilización de asistentes comerciales como Bixby,
Alexa, Cortana, Siri y Google Now. Lopatovska (2019) y Shazhaev et al. (2023) subrayan que las
actividades más comunes incluyen configurar alarmas, administrar calendarios y correos electrónicos,
obtener direcciones, reproducir música, llamar y controlar dispositivos.
La disponibilidad de IPAs de código abierto ha disminuido considerablemente. Shazhaev et al. (2023)
menciona Jarvis, un asistente de escritorio que se activa sin conexión. Du et al. (2020) referencia
Blingbang en Bot Framework de Microsoft, desarrollado para resolver problemas y evaluar habla y
escritura desde perspectiva pedagógica. Öncü y Süral (2024) presenta Cabbar Support, asistente virtual
basado en IA para apoyo estudiantil en el Sistema de Educación Abierta de la Universidad Anadolu.
También se han desarrollado proyectos universitarios académicos de uso libre.
pág. 17255
Tabla 6. Asistentes de voz comerciales
Asistentes principales Dispositivos Servicios de IA
Amazon Alexa, Google
Assistant/Google Now, Apple Siri,
Microsoft Cortana, Samsung Bixby
e IBM Watson
Amazon Echo,
Google Home,
Apple HomePod y
Facebook Portal
ChatGPT, GPT-3/GPT-3.5, Samsung
S-Voice, Duolingo, Dragon Naturally
Speaking, DALL-E y BlenderBot
Nota. La tabla muestra los asistentes, dispositivos y servicios de Inteligencia Artificial comerciales más mencionados en los
artículos.
Tabla 7. Asistentes de voz de uso libre y de código abierto
Asistentes Libres Proyectos Académicos Herramientas
JARVIS, Firefox Voice,
Mycroft, Almond, ELIZA y
Home Assistant
SARAH, PIPPA,
AOSDESTEK, Cabbar Support,
MiFbot, VIRTRAEL y
PACMAN
DeepSpeech, NVDA,
PocketSphinx, Mozilla TTS,
Whisper y Python-bot
Nota. La tabla muestra los asistentes, dispositivos y servicios de Inteligencia Artificial de uso libre más mencionados en los
artículos.
PE4 ¿Qué desafíos o limitaciones presentan los IPAs existentes?
Aunque los IPAs se incorporan cada vez más en educación, enfrentan barreras técnicas, pedagógicas y
éticas que complican su efectividad y aceptación. Uno de los desafíos más comunes es la precisión en
el reconocimiento de voz, particularmente en contextos multilingües o entre usuarios con acentos
marcados o dificultades del habla, causando frustración y reducción de motivación (Wu et al., 2020;
Wu et al., 2024).
La falta de comprensión contextual y semántica genera que muchos IPAs no logren mantener
conversaciones naturales o interpretar correctamente las intenciones del usuario, limitando su utilidad
en tareas educativas complejas (Vtyurina et al., 2019). La protección y privacidad de datos constituyen
una inquietud esencial, con alertas sobre posible filtración de datos personales, falta de gestión sobre
información recopilada y susceptibilidad a ataques externos (Valero et al., 2023; Zhan et al., 2022).
Desde perspectiva técnica, Liang et al. (2020) y Needhi et al. (2024) reportan restricciones en
infraestructura y desempeño, particularmente en aparatos de menor coste o contextos con escasa
conectividad, resaltando la importancia de perfeccionar el procesamiento local para disminuir latencia.
En el ámbito educativo, se reconocen problemas para incorporar IPAs en el plan de estudios, ausencia
de personalización en respuestas y percepción como instrumentos impersonales que impactan
Tabla 6. Asistentes de voz comerciales
Asistentes principales Dispositivos Servicios de IA
Amazon Alexa, Google
Assistant/Google Now, Apple Siri,
Microsoft Cortana, Samsung Bixby
e IBM Watson
Amazon Echo,
Google Home,
Apple HomePod y
Facebook Portal
ChatGPT, GPT-3/GPT-3.5, Samsung
S-Voice, Duolingo, Dragon Naturally
Speaking, DALL-E y BlenderBot
Nota. La tabla muestra los asistentes, dispositivos y servicios de Inteligencia Artificial comerciales más mencionados en los
artículos.
Tabla 7. Asistentes de voz de uso libre y de código abierto
Asistentes Libres Proyectos Académicos Herramientas
JARVIS, Firefox Voice,
Mycroft, Almond, ELIZA y
Home Assistant
SARAH, PIPPA,
AOSDESTEK, Cabbar Support,
MiFbot, VIRTRAEL y
PACMAN
DeepSpeech, NVDA,
PocketSphinx, Mozilla TTS,
Whisper y Python-bot
Nota. La tabla muestra los asistentes, dispositivos y servicios de Inteligencia Artificial de uso libre más mencionados en los
artículos.
PE4 ¿Qué desafíos o limitaciones presentan los IPAs existentes?
Aunque los IPAs se incorporan cada vez más en educación, enfrentan barreras técnicas, pedagógicas y
éticas que complican su efectividad y aceptación. Uno de los desafíos más comunes es la precisión en
el reconocimiento de voz, particularmente en contextos multilingües o entre usuarios con acentos
marcados o dificultades del habla, causando frustración y reducción de motivación (Wu et al., 2020;
Wu et al., 2024).
La falta de comprensión contextual y semántica genera que muchos IPAs no logren mantener
conversaciones naturales o interpretar correctamente las intenciones del usuario, limitando su utilidad
en tareas educativas complejas (Vtyurina et al., 2019). La protección y privacidad de datos constituyen
una inquietud esencial, con alertas sobre posible filtración de datos personales, falta de gestión sobre
información recopilada y susceptibilidad a ataques externos (Valero et al., 2023; Zhan et al., 2022).
Desde perspectiva técnica, Liang et al. (2020) y Needhi et al. (2024) reportan restricciones en
infraestructura y desempeño, particularmente en aparatos de menor coste o contextos con escasa
conectividad, resaltando la importancia de perfeccionar el procesamiento local para disminuir latencia.
En el ámbito educativo, se reconocen problemas para incorporar IPAs en el plan de estudios, ausencia
de personalización en respuestas y percepción como instrumentos impersonales que impactan
pág. 17256
motivación estudiantil (Cambre et al., 2021). Finalmente, existen obstáculos de accesibilidad para
personas con discapacidad visual, como dependencia de instrucciones verbales y ausencia de
retroalimentación táctil (Calancea et al., 2019; Oumard et al., 2022).
PE5 ¿Qué tecnologías, lenguajes, librerías o herramientas son las más empleadas para construir
un IPA?
Algoritmos de aprendizaje automático y redes neuronales profundas para potenciar la comprensión del
lenguaje, producción de respuestas y personalización de la interacción. Thorbole et al. (2023) emplean
Python con librerías como pyttsx3, speech_recognition, gTTS, pyaudio y OpenAI, incorporadas a
módulos para navegación en internet, correo electrónico y consultas a Wikipedia. El NLP está presente
en prácticamente todos los avances. Hadian et al. (2019) utiliza métodos como Mel Frequency Cepstral
Coefficient para análisis de voz, junto con algoritmos de cifrado para privacidad. Katsarou et al. (2023)
y Tsourakas et al. (2021) resaltan la utilización de NLP con aprendizaje profundo. Además, Öncü y
Süral (2024) manejan infraestructura en la nube y modelos como GPT para potenciar producción de
respuestas y adaptación del sistema.
Tabla 8. Tecnologías, lenguajes y herramientas más empleadas en la construcción de IPAs.
Tecnologías, lenguajes y herramientas
Procesamiento del lenguaje natural, Inteligencia artificial, Aprendizaje automático, Aprendizaje
profundo, Redes neuronales, TensorFlow, Máquina de vectores de soporte, API de voz de Google,
Gestión de diálogos, Bot Framework, Node.js, OpenCV, Bosque aleatorio, Schema.org, Python,
Reconocimiento automático de voz, Conversión de texto a voz, pyttsx3, Comprensión del lenguaje
natural, JavaScript, spaCy, Raspberry Pi, BERT, React.js, Kit de herramientas de lenguaje natural,
API ChatGPT, API Turing, Java, Dialogflow, GPT-3/4, Internet de las cosas, Google Cloud,
Clasificación, Computación en la nube, reconocimiento de voz, Generación de lenguaje natural,
Redes neuronales convolucionales, Flask, PyAudio, Realidad aumentada AR y API OpenAI.
Nota. El Procesamiento del lenguaje natural lidera con 25 menciones, seguido por Inteligencia Artificial (18) y Aprendizaje
automático (15). Python domina como lenguaje (12 menciones).
PG2, ¿Cuáles son los niveles o enfoques educativos dónde más se utilizan los IPAs?
Los IPAs se han incorporado en diversos grados educativos, desde preescolar hasta educación
universitaria, abarcando también contextos abiertos y entornos de aprendizaje remoto. Esta variedad
demuestra la flexibilidad de los IPAs para ajustarse a diferentes entornos educativos y requerimientos
estudiantiles.
motivación estudiantil (Cambre et al., 2021). Finalmente, existen obstáculos de accesibilidad para
personas con discapacidad visual, como dependencia de instrucciones verbales y ausencia de
retroalimentación táctil (Calancea et al., 2019; Oumard et al., 2022).
PE5 ¿Qué tecnologías, lenguajes, librerías o herramientas son las más empleadas para construir
un IPA?
Algoritmos de aprendizaje automático y redes neuronales profundas para potenciar la comprensión del
lenguaje, producción de respuestas y personalización de la interacción. Thorbole et al. (2023) emplean
Python con librerías como pyttsx3, speech_recognition, gTTS, pyaudio y OpenAI, incorporadas a
módulos para navegación en internet, correo electrónico y consultas a Wikipedia. El NLP está presente
en prácticamente todos los avances. Hadian et al. (2019) utiliza métodos como Mel Frequency Cepstral
Coefficient para análisis de voz, junto con algoritmos de cifrado para privacidad. Katsarou et al. (2023)
y Tsourakas et al. (2021) resaltan la utilización de NLP con aprendizaje profundo. Además, Öncü y
Süral (2024) manejan infraestructura en la nube y modelos como GPT para potenciar producción de
respuestas y adaptación del sistema.
Tabla 8. Tecnologías, lenguajes y herramientas más empleadas en la construcción de IPAs.
Tecnologías, lenguajes y herramientas
Procesamiento del lenguaje natural, Inteligencia artificial, Aprendizaje automático, Aprendizaje
profundo, Redes neuronales, TensorFlow, Máquina de vectores de soporte, API de voz de Google,
Gestión de diálogos, Bot Framework, Node.js, OpenCV, Bosque aleatorio, Schema.org, Python,
Reconocimiento automático de voz, Conversión de texto a voz, pyttsx3, Comprensión del lenguaje
natural, JavaScript, spaCy, Raspberry Pi, BERT, React.js, Kit de herramientas de lenguaje natural,
API ChatGPT, API Turing, Java, Dialogflow, GPT-3/4, Internet de las cosas, Google Cloud,
Clasificación, Computación en la nube, reconocimiento de voz, Generación de lenguaje natural,
Redes neuronales convolucionales, Flask, PyAudio, Realidad aumentada AR y API OpenAI.
Nota. El Procesamiento del lenguaje natural lidera con 25 menciones, seguido por Inteligencia Artificial (18) y Aprendizaje
automático (15). Python domina como lenguaje (12 menciones).
PG2, ¿Cuáles son los niveles o enfoques educativos dónde más se utilizan los IPAs?
Los IPAs se han incorporado en diversos grados educativos, desde preescolar hasta educación
universitaria, abarcando también contextos abiertos y entornos de aprendizaje remoto. Esta variedad
demuestra la flexibilidad de los IPAs para ajustarse a diferentes entornos educativos y requerimientos
estudiantiles.
pág. 17257
En la etapa preescolar e infantil, los enfoques se centran en sistemas de realidad aumentada para
enseñanza artística mediante gafas inteligentes y robots educativos interactivos para aprendizaje de
idiomas que utilizan juegos, efectos sonoros y elementos visuales atractivos. Sin embargo, la
investigación en este nivel es limitada, representando solo el 3.2% de los estudios sobre IA en educación
debido a la percepción de que los niños preescolares requieren mayor atención humana directa (Wang
et al., 2024).
En educación primaria y secundaria, los asistentes se incorporan como instrumentos de apoyo en el
salón de clases. Tsourakas et al. (2021) destaca su aplicación transversal apoyando desarrollo de
habilidades matemáticas y aprendizaje de idiomas extranjeros. Wu et al. (2024) presenta MSLIPA
(Intelligent Personal Assistant for Mandarin as a Second Language) que ofrece oportunidades de
práctica ilimitadas en un entorno de baja ansiedad, mejorando habilidades de escucha y habla.
La educación superior representa el área más investigada, particularmente en aprendizaje autónomo,
educación abierta y MOOC. Ramandanis y Xinogalos (2023) identifican herramientas como tutores
conversacionales para alemán, asistentes para anatomía y chatbots para búlgaro e ingeniería. Öncü y
Süral (2024) presenta Cabbar Support como sistema de apoyo al estudiante. Tsourakas et al. (2021)
menciona "Alexa for Uni", aplicación que facilita acceso a información universitaria y mejora
cooperación en educación superior. Finalmente, Kalirai et al. (2024) y Patel y Verma (2022) señalan
aplicaciones transversales para aprendizaje personalizado y accesibilidad.
PE6 ¿Cuáles son los IPAs más empleadas por nivel educativo?
En preescolar e infantil, Alexa y Google Assistant son los más frecuentes. Dizon et al. (2022) el uso de
Alexa para aprendizaje de lenguas, mientras que Tsourakas et al. (2021) resalta su aplicación en juegos
didácticos. Wang et al. (2024) menciona robots inteligentes para enseñar modismos chinos.
En primaria, Alexa, Siri y Google Assistant facilitan interacciones en el aprendizaje de inglés como
lengua extranjera (Katsarou et al., 2023; Lopatovska, 2019). Tsourakas et al. (2021) mencionan "Bake
a cake 1x1" para desarrollar habilidades matemáticas. Wu et al. (2024) presenta MSLIPA para
estudiantes de mandarín de segundo grado. Lai y Lee (2024) citan AI-PengTalk desarrollado por el
Gobierno Coreano para mejorar dominio del inglés.
En la etapa preescolar e infantil, los enfoques se centran en sistemas de realidad aumentada para
enseñanza artística mediante gafas inteligentes y robots educativos interactivos para aprendizaje de
idiomas que utilizan juegos, efectos sonoros y elementos visuales atractivos. Sin embargo, la
investigación en este nivel es limitada, representando solo el 3.2% de los estudios sobre IA en educación
debido a la percepción de que los niños preescolares requieren mayor atención humana directa (Wang
et al., 2024).
En educación primaria y secundaria, los asistentes se incorporan como instrumentos de apoyo en el
salón de clases. Tsourakas et al. (2021) destaca su aplicación transversal apoyando desarrollo de
habilidades matemáticas y aprendizaje de idiomas extranjeros. Wu et al. (2024) presenta MSLIPA
(Intelligent Personal Assistant for Mandarin as a Second Language) que ofrece oportunidades de
práctica ilimitadas en un entorno de baja ansiedad, mejorando habilidades de escucha y habla.
La educación superior representa el área más investigada, particularmente en aprendizaje autónomo,
educación abierta y MOOC. Ramandanis y Xinogalos (2023) identifican herramientas como tutores
conversacionales para alemán, asistentes para anatomía y chatbots para búlgaro e ingeniería. Öncü y
Süral (2024) presenta Cabbar Support como sistema de apoyo al estudiante. Tsourakas et al. (2021)
menciona "Alexa for Uni", aplicación que facilita acceso a información universitaria y mejora
cooperación en educación superior. Finalmente, Kalirai et al. (2024) y Patel y Verma (2022) señalan
aplicaciones transversales para aprendizaje personalizado y accesibilidad.
PE6 ¿Cuáles son los IPAs más empleadas por nivel educativo?
En preescolar e infantil, Alexa y Google Assistant son los más frecuentes. Dizon et al. (2022) el uso de
Alexa para aprendizaje de lenguas, mientras que Tsourakas et al. (2021) resalta su aplicación en juegos
didácticos. Wang et al. (2024) menciona robots inteligentes para enseñar modismos chinos.
En primaria, Alexa, Siri y Google Assistant facilitan interacciones en el aprendizaje de inglés como
lengua extranjera (Katsarou et al., 2023; Lopatovska, 2019). Tsourakas et al. (2021) mencionan "Bake
a cake 1x1" para desarrollar habilidades matemáticas. Wu et al. (2024) presenta MSLIPA para
estudiantes de mandarín de segundo grado. Lai y Lee (2024) citan AI-PengTalk desarrollado por el
Gobierno Coreano para mejorar dominio del inglés.
pág. 17258
En secundaria, se emplean Voxtopus (Metatla et al., 2019). Siri, Cortana, Google Now, Amazon Echo,
S-Voice y Watson (Balcı, 2019). chatbots con tecnología AR para biología (Karyotaki et al., 2024).
Google Assistant (Sharizan y Yulia, 2024). LINE ChatBot, TPBOT y Smart English (Wu et al., 2024).
En educación superior, Blingbang aplicado en cursos de Inglés Académico (Du et al., 2020). Siri, Alexa,
Cortana, Alexa for Uni para acceso a información universitaria, Sara diseñado para cursos de
programación, (Tsourakas et al., 2021). Chatbots basados en web para aprendizaje autónomo de idiomas
(Karyotaki et al., 2024). Asistente Virtual de la Universidad de Anadolu para mejorar satisfacción
mediante acceso rápido y preciso a información (Öncü y Süral, 2024). AIIA o VirtuAlta para mejorar
aprendizaje personalizado y adaptativo optimizando mejorando la satisfacción estudiantil (Sajja et al.,
2024). Google Assistant y Alexa para aprendizaje de segundas lenguas (Wu et al., 2024). Python-bot
para enseñar programación en Python, Pathbot para guiar y localizar en entornos universitarios y
Codelab herramienta conversacional para aprender a codificar (Okonkwo y Ade-Ibijola, 2021).
ChatGPT, CSIEC, Alexa y Replika para mejora de habilidades lingüísticas. El 47% de estudios se
centran en educación superior: pregrado (33%) y posgrado (11%) (Lai y Lee, 2024). Incluyendo LMS
como Absorb LMS y Docebo, Khanmigo tutor con GPT-4, Duolingo para idiomas, iFlyTek sistema de
evaluación inteligente, robots Nao y Pepper para enseñanza de idiomas (Wang et al., 2024).
PE7 ¿Cuál es el uso de IPAs por enfoque de aprendizaje?
Los métodos de enseñanza demuestran su capacidad para ajustarse a diversos estilos, concordando con
modelos como aprendizaje autónomo, personalizado, adaptativo, basado en juegos, de refuerzo,
autodirigido, colaborativo, reflexivo, autorregulado, basado en consulta y resolución de problemas,
entre otros. El aprendizaje personalizado es el método más habitual para creación y personalización de
asistentes y chatbots (Karyotaki et al., 2024; Sharizan y Yulia, 2024; Sajja et al., 2024; Needhi et al.,
2024; Dizon et al., 2022; Valero et al., 2023). El aprendizaje autodirigido, formación autónoma y estudio
autorregulado se posiciona en segundo lugar (Du et al., 2020; Lewis y Vellino, 2021; Sajja et al., 2024;
Lai y Lee, 2024). En tercer lugar, el aprendizaje colaborativo (Abdolrahmani et al., 2019; Sharizan y
Yulia, 2024; Okonkwo y Ade-Ibijola, 2021). Otros enfoques incluyen búsqueda de información (Hadian
et al., 2019; Vtyurina et al., 2019). Aprendizaje adaptativo (Sajja et al., 2024; Needhi et al., 2024; Wang
et al., 2024). Y aprendizaje por refuerzo (Balcı, 2019; Roy et al., 2024; Manojkumar et al., 2023).
En secundaria, se emplean Voxtopus (Metatla et al., 2019). Siri, Cortana, Google Now, Amazon Echo,
S-Voice y Watson (Balcı, 2019). chatbots con tecnología AR para biología (Karyotaki et al., 2024).
Google Assistant (Sharizan y Yulia, 2024). LINE ChatBot, TPBOT y Smart English (Wu et al., 2024).
En educación superior, Blingbang aplicado en cursos de Inglés Académico (Du et al., 2020). Siri, Alexa,
Cortana, Alexa for Uni para acceso a información universitaria, Sara diseñado para cursos de
programación, (Tsourakas et al., 2021). Chatbots basados en web para aprendizaje autónomo de idiomas
(Karyotaki et al., 2024). Asistente Virtual de la Universidad de Anadolu para mejorar satisfacción
mediante acceso rápido y preciso a información (Öncü y Süral, 2024). AIIA o VirtuAlta para mejorar
aprendizaje personalizado y adaptativo optimizando mejorando la satisfacción estudiantil (Sajja et al.,
2024). Google Assistant y Alexa para aprendizaje de segundas lenguas (Wu et al., 2024). Python-bot
para enseñar programación en Python, Pathbot para guiar y localizar en entornos universitarios y
Codelab herramienta conversacional para aprender a codificar (Okonkwo y Ade-Ibijola, 2021).
ChatGPT, CSIEC, Alexa y Replika para mejora de habilidades lingüísticas. El 47% de estudios se
centran en educación superior: pregrado (33%) y posgrado (11%) (Lai y Lee, 2024). Incluyendo LMS
como Absorb LMS y Docebo, Khanmigo tutor con GPT-4, Duolingo para idiomas, iFlyTek sistema de
evaluación inteligente, robots Nao y Pepper para enseñanza de idiomas (Wang et al., 2024).
PE7 ¿Cuál es el uso de IPAs por enfoque de aprendizaje?
Los métodos de enseñanza demuestran su capacidad para ajustarse a diversos estilos, concordando con
modelos como aprendizaje autónomo, personalizado, adaptativo, basado en juegos, de refuerzo,
autodirigido, colaborativo, reflexivo, autorregulado, basado en consulta y resolución de problemas,
entre otros. El aprendizaje personalizado es el método más habitual para creación y personalización de
asistentes y chatbots (Karyotaki et al., 2024; Sharizan y Yulia, 2024; Sajja et al., 2024; Needhi et al.,
2024; Dizon et al., 2022; Valero et al., 2023). El aprendizaje autodirigido, formación autónoma y estudio
autorregulado se posiciona en segundo lugar (Du et al., 2020; Lewis y Vellino, 2021; Sajja et al., 2024;
Lai y Lee, 2024). En tercer lugar, el aprendizaje colaborativo (Abdolrahmani et al., 2019; Sharizan y
Yulia, 2024; Okonkwo y Ade-Ibijola, 2021). Otros enfoques incluyen búsqueda de información (Hadian
et al., 2019; Vtyurina et al., 2019). Aprendizaje adaptativo (Sajja et al., 2024; Needhi et al., 2024; Wang
et al., 2024). Y aprendizaje por refuerzo (Balcı, 2019; Roy et al., 2024; Manojkumar et al., 2023).
pág. 17259
Figura 2. Principales enfoques de aprendizaje de los IPAs.
Nota. Creación propia, con base en la extracción de los datos de la bibliografía analizada
PE8 ¿Cuál es el impacto reportado esperado del uso de IPAs en la educación o nivel educativo?
La implementación de IPAs ejerce un efecto positivo en la enseñanza y el aprendizaje, reflejándose en
el desempeño escolar, motivación, acceso, personalización del aprendizaje y eficiencia institucional.
Uno de los efectos más notables es el incremento en capacidades lingüísticas, particularmente en
aprendizaje de idiomas extranjeros. Zhang (2024) reporta avance notable en habilidad oral, fluidez y
autorregulación del aprendizaje. Dizon et al. (2022) indica ventajas en motivación, disfrute e
independencia del alumno en entornos dirigidos por el estudiante. Contribuyen a una educación más
inclusiva y accesible. Lewis y Vellino (2021) argumentan que estas tecnologías disminuyen barreras de
accesibilidad para personas con discapacidad, facilitando acceso a servicios digitales y fomentando
participación en contextos educativos y laborales. Desde el punto de vista institucional, existe
incremento en eficacia y excelencia del apoyo educativo. Öncü y Süral (2024) y Dinh y Tran (2023)
incremento en satisfacción del usuario, rapidez en acceso a información y disminución de carga laboral
del personal escolar.
PE9 ¿Qué tipo de IPAs están enfocadas a personas con una cierta discapacidad?
Los Asistentes Personales Inteligentes se han creado para asistir a personas con diversas capacidades
con la finalidad de potenciar la accesibilidad, la independencia y la inclusión de individuos con
necesidades específicas. La bibliografía examinada menciona sistemas de apoyo, abarcando
discapacidades visuales, auditivas, cognitivas y motoras, incluyendo Trastorno del Espectro Autista
(TEA), neurodiversidad (TDAH), discapacidades de voz y del habla, condiciones crónicas de salud,
discapacidad general y discapacidad intelectual.
Figura 2. Principales enfoques de aprendizaje de los IPAs.
Nota. Creación propia, con base en la extracción de los datos de la bibliografía analizada
PE8 ¿Cuál es el impacto reportado esperado del uso de IPAs en la educación o nivel educativo?
La implementación de IPAs ejerce un efecto positivo en la enseñanza y el aprendizaje, reflejándose en
el desempeño escolar, motivación, acceso, personalización del aprendizaje y eficiencia institucional.
Uno de los efectos más notables es el incremento en capacidades lingüísticas, particularmente en
aprendizaje de idiomas extranjeros. Zhang (2024) reporta avance notable en habilidad oral, fluidez y
autorregulación del aprendizaje. Dizon et al. (2022) indica ventajas en motivación, disfrute e
independencia del alumno en entornos dirigidos por el estudiante. Contribuyen a una educación más
inclusiva y accesible. Lewis y Vellino (2021) argumentan que estas tecnologías disminuyen barreras de
accesibilidad para personas con discapacidad, facilitando acceso a servicios digitales y fomentando
participación en contextos educativos y laborales. Desde el punto de vista institucional, existe
incremento en eficacia y excelencia del apoyo educativo. Öncü y Süral (2024) y Dinh y Tran (2023)
incremento en satisfacción del usuario, rapidez en acceso a información y disminución de carga laboral
del personal escolar.
PE9 ¿Qué tipo de IPAs están enfocadas a personas con una cierta discapacidad?
Los Asistentes Personales Inteligentes se han creado para asistir a personas con diversas capacidades
con la finalidad de potenciar la accesibilidad, la independencia y la inclusión de individuos con
necesidades específicas. La bibliografía examinada menciona sistemas de apoyo, abarcando
discapacidades visuales, auditivas, cognitivas y motoras, incluyendo Trastorno del Espectro Autista
(TEA), neurodiversidad (TDAH), discapacidades de voz y del habla, condiciones crónicas de salud,
discapacidad general y discapacidad intelectual.
pág. 17260
A continuación, se presenta una tabla que clasifica los 28 artículos que mencionan al menos un tipo de
discapacidad o que hacen referencia sobre algún asistente, chatbot o sistema de apoyo.
Tabla 9. Clasificación de artículos por enfoque de discapacidad.
DOI del Artículo Auditiva Autimo Cognitiva Habla Crónicas Visual Motriz
https://doi.org/10.1145/3368426 X X X X
https://doi.org/10.1145/3290605.3300608 X
https://www.eng.jfn.ac.lk/ice/wp-
content/uploads/2024/11/Paper21.pdf
X
http://dx.doi.org/10.26650/acin.454522 X
https://doi.org/10.1109/ACCESS.2024.3520149 X X
https://doi.org/10.1109/ICTA54582.2021.9809777 X X X X
https://doi.org/10.22937/IJCSNS.2022.22.1.10 X
https://doi.org/10.25103/jestr.144.01 X
http://dx.doi.org/10.3991/ijim.v18i08.46473 X
https://doi.org/10.1145/3308561.3353773 X
https://doi.org/10.1145/3290605.3300833 X X
http://dx.doi.org/10.48550/arXiv.2203.05848 X
https://doi.org/10.1109/ICNTE56631.2023.10146699 X
https://doi.org/10.3390/info14090503 X
https://doi.org/10.3390/su15065166
https://doi.org/10.3390/app132212446 X
https://doi.org/10.1155/2024/6494944 X X X X X X
https://hal.science/hal-04611992v1
https://doi.org/10.1016/j.caeai.2021.100033 X
http://dx.doi.org/10.26650/acin.571303
https://www.mililink.com/upload/article/1856195715a
ams_vol_219_july_2022_a18_p5063-
5073_deepika_patel_and_toran_verma.pdf
X X
https://doi.ieeecomputersociety.org/10.1109/ICPIDS65
698.2024.00041
X
https://doi.org/10.22214/ijraset.2023.49519 X X
https://doi.org/10.1016/j.procs.2019.09.169 X
https://doi.org/10.1016/j.caeai.2022.100088 X
https://doi.org/10.1016/j.eswa.2020.113193 X X X X
https://doi.org/10.1145/3411764.3445409 X
https://dl.acm.org/doi/abs/10.5555/3373669.3373682 X
Total 4 6 5 4 2 15 7
Nota. La marca "X" indica que el artículo aborda la discapacidad o condición de salud mencionada en la columna
correspondiente. Esta clasificación se realizó a partir de la revisión de los trabajos.
A continuación, se presenta una tabla que clasifica los 28 artículos que mencionan al menos un tipo de
discapacidad o que hacen referencia sobre algún asistente, chatbot o sistema de apoyo.
Tabla 9. Clasificación de artículos por enfoque de discapacidad.
DOI del Artículo Auditiva Autimo Cognitiva Habla Crónicas Visual Motriz
https://doi.org/10.1145/3368426 X X X X
https://doi.org/10.1145/3290605.3300608 X
https://www.eng.jfn.ac.lk/ice/wp-
content/uploads/2024/11/Paper21.pdf
X
http://dx.doi.org/10.26650/acin.454522 X
https://doi.org/10.1109/ACCESS.2024.3520149 X X
https://doi.org/10.1109/ICTA54582.2021.9809777 X X X X
https://doi.org/10.22937/IJCSNS.2022.22.1.10 X
https://doi.org/10.25103/jestr.144.01 X
http://dx.doi.org/10.3991/ijim.v18i08.46473 X
https://doi.org/10.1145/3308561.3353773 X
https://doi.org/10.1145/3290605.3300833 X X
http://dx.doi.org/10.48550/arXiv.2203.05848 X
https://doi.org/10.1109/ICNTE56631.2023.10146699 X
https://doi.org/10.3390/info14090503 X
https://doi.org/10.3390/su15065166
https://doi.org/10.3390/app132212446 X
https://doi.org/10.1155/2024/6494944 X X X X X X
https://hal.science/hal-04611992v1
https://doi.org/10.1016/j.caeai.2021.100033 X
http://dx.doi.org/10.26650/acin.571303
https://www.mililink.com/upload/article/1856195715a
ams_vol_219_july_2022_a18_p5063-
5073_deepika_patel_and_toran_verma.pdf
X X
https://doi.ieeecomputersociety.org/10.1109/ICPIDS65
698.2024.00041
X
https://doi.org/10.22214/ijraset.2023.49519 X X
https://doi.org/10.1016/j.procs.2019.09.169 X
https://doi.org/10.1016/j.caeai.2022.100088 X
https://doi.org/10.1016/j.eswa.2020.113193 X X X X
https://doi.org/10.1145/3411764.3445409 X
https://dl.acm.org/doi/abs/10.5555/3373669.3373682 X
Total 4 6 5 4 2 15 7
Nota. La marca "X" indica que el artículo aborda la discapacidad o condición de salud mencionada en la columna
correspondiente. Esta clasificación se realizó a partir de la revisión de los trabajos.
pág. 17261
PE10 ¿Qué IPAs están enfocadas a PCD visual o motriz?
En total 15 artículos abordan herramientas de apoyo para Personas con Discapacidad Visual.
Abdolrahmani et al. (2019) analiza Voice-Activated Personal Assistants (VAPAs) mencionando
SeeingAI, TapTapSee, BlindSquare y Near Explorer para mejorar eficiencia en tareas de productividad
y aprendizaje. Metatla et al. (2019) examina Voice User Interfaces (VUI) utilizando Amazon
Echo/Voxtopus para fomentar educación inclusiva. Hwan Jin et al. (2025) destaca Amazon Echo para
personas con discapacidad visual y motriz. Almurayziq et al. (2022) evalúa Amazon Echo VAPAs y
sistema asistido por voz con algoritmo de gestos facilitando registro académico. Vtyurina et al. (2019)
presenta VERSE combinando capacidades de asistente de voz y lector de pantalla, JustSpeak y
CaptiSpeak para control y lectura por voz, además de lectores como JAWS, NVDA, VoiceOver y
TalkBack.
Oumard et al. (2022) menciona Intelligent Eye y Smart Assistant para detección de luz, color y
reconocimiento de objetos, Siri, Alexa, Google Assistant, sistemas Sarah, PIPPA y aplicaciones
Android. Thorbole et al. (2023) analiza Asistente Personal Virtual para Ciegos con Raspberry Pi.
Okonkwo y Ade-Ibijola (2021) destaca ChatBot educativo Android personalizando aprendizaje. Patel
y Verma (2022) presenta asistentes virtuales para tareas mediante comandos de voz y sistemas de correo
electrónico operados por voz. Manojkumar et al. (2023) documenta asistente virtual con Python
automatizando tareas. Calancea et al. (2019) presenta iAssistMe para interacción vocal. Cambre et al.
(2021) documenta Firefox Voice adoptando tecnologías de navegación.
Para Personas con Discapacidad Motriz fueron 7 trabajos. Sistema Drishti (Abdolrahmani et al., 2019).
Interfaces cerebro-computadora (BCI) para controlar dispositivos domésticos y sillas de ruedas
(Esquivel et al., 2024). Asistente digital basado en IA para personas con discapacidad visual y motriz
(Patel y Verma, 2022). Sistema Touchless Head-Control (THC) para controlar cursores y objetos 3D
con gestos de cabeza con navegación manos libres (Roy et al., 2024). Asistentes que reducen interacción
física (Manojkumar et al., 2023). Amazon Echo para interacción manos libres (Hwan Jin et al., 2025).
Y Alexa para programar alarmas, horarios y rutinas (Lewis y Vellino, 2021).
PE10 ¿Qué IPAs están enfocadas a PCD visual o motriz?
En total 15 artículos abordan herramientas de apoyo para Personas con Discapacidad Visual.
Abdolrahmani et al. (2019) analiza Voice-Activated Personal Assistants (VAPAs) mencionando
SeeingAI, TapTapSee, BlindSquare y Near Explorer para mejorar eficiencia en tareas de productividad
y aprendizaje. Metatla et al. (2019) examina Voice User Interfaces (VUI) utilizando Amazon
Echo/Voxtopus para fomentar educación inclusiva. Hwan Jin et al. (2025) destaca Amazon Echo para
personas con discapacidad visual y motriz. Almurayziq et al. (2022) evalúa Amazon Echo VAPAs y
sistema asistido por voz con algoritmo de gestos facilitando registro académico. Vtyurina et al. (2019)
presenta VERSE combinando capacidades de asistente de voz y lector de pantalla, JustSpeak y
CaptiSpeak para control y lectura por voz, además de lectores como JAWS, NVDA, VoiceOver y
TalkBack.
Oumard et al. (2022) menciona Intelligent Eye y Smart Assistant para detección de luz, color y
reconocimiento de objetos, Siri, Alexa, Google Assistant, sistemas Sarah, PIPPA y aplicaciones
Android. Thorbole et al. (2023) analiza Asistente Personal Virtual para Ciegos con Raspberry Pi.
Okonkwo y Ade-Ibijola (2021) destaca ChatBot educativo Android personalizando aprendizaje. Patel
y Verma (2022) presenta asistentes virtuales para tareas mediante comandos de voz y sistemas de correo
electrónico operados por voz. Manojkumar et al. (2023) documenta asistente virtual con Python
automatizando tareas. Calancea et al. (2019) presenta iAssistMe para interacción vocal. Cambre et al.
(2021) documenta Firefox Voice adoptando tecnologías de navegación.
Para Personas con Discapacidad Motriz fueron 7 trabajos. Sistema Drishti (Abdolrahmani et al., 2019).
Interfaces cerebro-computadora (BCI) para controlar dispositivos domésticos y sillas de ruedas
(Esquivel et al., 2024). Asistente digital basado en IA para personas con discapacidad visual y motriz
(Patel y Verma, 2022). Sistema Touchless Head-Control (THC) para controlar cursores y objetos 3D
con gestos de cabeza con navegación manos libres (Roy et al., 2024). Asistentes que reducen interacción
física (Manojkumar et al., 2023). Amazon Echo para interacción manos libres (Hwan Jin et al., 2025).
Y Alexa para programar alarmas, horarios y rutinas (Lewis y Vellino, 2021).
pág. 17262
PE11 ¿Qué IPAs están controladas o son asistidas por voz?
La gestión por voz es un elemento clave en la creación de los IPAs, particularmente en entornos
educativos y de accesibilidad. El estudio de la literatura indica que la mayoría de los IPAs emplean
comandos de voz como medio principal de interacción, facilitando una experiencia más autónoma, con
manos libres y accesible para un extenso espectro de usuarios.
CONCLUSIONES
Los Asistentes Personales Inteligentes son un recurso útil en educación ya que se emplean para aprender
idiomas, apoyar a estudiantes con discapacidad, agilizar tareas administrativas y personalizar la
enseñanza. Esta flexibilidad se refuerza con plataformas como Alexa, Siri o Google Assistant, y
asistentes escolares o de código libre. Por el contrario, el análisis muestra dificultades para comprender
el lenguaje popular, la falta de contexto en respuestas y la escasa relación con planes de estudio. Si bien
la protección de información, la necesidad de conexión a internet y los problemas de acceso generan
barreras para los usuarios.
A pesar de las dificultades que presentan estos agentes la mayoría de autores señalan un camino
prometedor para los IPAs como herramientas complementarias en la educación. El permitir comandos
por voz es una alternativa viable para personas con algún tipo de discapacidad. En nuestro grupo de
trabajo estamos desarrollando nuestro propio prototipo de Asistente Personal Inteligente de escritorio
basado en una LLM donde buscamos brindar mayor autonomía e interactividad en la reproducción de
audiolibros de texto académico para personas con discapacidad visual y motriz.
REFERENCIAS BIBLIOGRAFICAS
Abdolrahmani, A., Storer, K. M., Roy, A. R. M., Kuber, R., & Branham, S. M. (2019). Blind Leading
the Sighted: Drawing Design Insights from Blind Users towards More Productivity-oriented
Voice Interfaces. ACM Transactions on Accessible Computing, 12(4), 1–35.
https://doi.org/10.1145/3368426
Ali, A. A., Mashhour, M., Salama, A. S., Shoitan, R., & Shaban, H. (2023). Development of an
Intelligent Personal Assistant System Based on IoT for People with Disabilities. Sustainability,
15(6), 5166. https://doi.org/10.3390/su15065166
PE11 ¿Qué IPAs están controladas o son asistidas por voz?
La gestión por voz es un elemento clave en la creación de los IPAs, particularmente en entornos
educativos y de accesibilidad. El estudio de la literatura indica que la mayoría de los IPAs emplean
comandos de voz como medio principal de interacción, facilitando una experiencia más autónoma, con
manos libres y accesible para un extenso espectro de usuarios.
CONCLUSIONES
Los Asistentes Personales Inteligentes son un recurso útil en educación ya que se emplean para aprender
idiomas, apoyar a estudiantes con discapacidad, agilizar tareas administrativas y personalizar la
enseñanza. Esta flexibilidad se refuerza con plataformas como Alexa, Siri o Google Assistant, y
asistentes escolares o de código libre. Por el contrario, el análisis muestra dificultades para comprender
el lenguaje popular, la falta de contexto en respuestas y la escasa relación con planes de estudio. Si bien
la protección de información, la necesidad de conexión a internet y los problemas de acceso generan
barreras para los usuarios.
A pesar de las dificultades que presentan estos agentes la mayoría de autores señalan un camino
prometedor para los IPAs como herramientas complementarias en la educación. El permitir comandos
por voz es una alternativa viable para personas con algún tipo de discapacidad. En nuestro grupo de
trabajo estamos desarrollando nuestro propio prototipo de Asistente Personal Inteligente de escritorio
basado en una LLM donde buscamos brindar mayor autonomía e interactividad en la reproducción de
audiolibros de texto académico para personas con discapacidad visual y motriz.
REFERENCIAS BIBLIOGRAFICAS
Abdolrahmani, A., Storer, K. M., Roy, A. R. M., Kuber, R., & Branham, S. M. (2019). Blind Leading
the Sighted: Drawing Design Insights from Blind Users towards More Productivity-oriented
Voice Interfaces. ACM Transactions on Accessible Computing, 12(4), 1–35.
https://doi.org/10.1145/3368426
Ali, A. A., Mashhour, M., Salama, A. S., Shoitan, R., & Shaban, H. (2023). Development of an
Intelligent Personal Assistant System Based on IoT for People with Disabilities. Sustainability,
15(6), 5166. https://doi.org/10.3390/su15065166
pág. 17263
Almurayziq, T. S., Alshammari, G. K., Alshammari, A., Alsaffar, M., & Aljaloud, S. (2022). Evaluating
AI Techniques for Blind Students Using Voice-Activated Personal Assistants. International
Journal of Computer Science and Network Security, 22(1), 61–68.
https://doi.org/10.22937/IJCSNS.2022.22.1.10
Avendaño-Sánchez, J. J., Alba-Hernández, O., Rodríguez-Franco, R., & Angélica-Cerdán, M. (2024).
Sistemas para la selección de cultivos, una revisión sistemática de la literatura. RINDERESU
(Revista Internacional de Desarrollo Regional Sustentable), 9(1-2).
http://rinderesu.com/index.php/rinderesu/article/view/138/140
Balcı, E. (2019). Overview of Intelligent Personal Assistants. Acta INFOLOGICA, 3(1).
https://doi.org/10.26650/acin.454522
Calancea, C. G., Miluţ, C.-M., Alboaie, L., & Iftene, A. (2019). iAssistMe—Adaptable Assistant for
Persons with Eye Disabilities. Procedia Computer Science, 159, 145–154.
https://doi.org/10.1016/j.procs.2019.09.169
Cambre, J., Williams, A. C., Razi, A., Bicking, I., Wallin, A., Tsai, J., Kulkarni, C., & Kaye, J. (2021).
Firefox Voice: An Open and Extensible Voice Assistant Built Upon the Web. Proceedings of
the 2021 CHI Conference on Human Factors in Computing Systems, 1–18.
https://doi.org/10.1145/3411764.3445409
de Barcelos Silva, A., Gomes, M. M., da Costa, C. A., da Rosa Righi, R., Barbosa, J. L. V., Pessin, G.,
De Doncker, G., & Federizzi, G. (2020). Intelligent personal assistants: A systematic literature
review. Expert Systems with Applications, 147, 113193.
https://doi.org/10.1016/j.eswa.2020.113193
Dinh, H., & Tran, T. K. (2023). EduChat: An AI-Based Chatbot for University-Related Information
Using a Hybrid Approach. Applied Sciences, 13(22), 12446.
https://doi.org/10.3390/app132212446
Dizon, G., Tang, D., & Yamamoto, Y. (2022). A case study of using Alexa for out-of-class, self-directed
Japanese language learning. Computers and Education: Artificial Intelligence, 3, 100088.
https://doi.org/10.1016/j.caeai.2022.100088
Almurayziq, T. S., Alshammari, G. K., Alshammari, A., Alsaffar, M., & Aljaloud, S. (2022). Evaluating
AI Techniques for Blind Students Using Voice-Activated Personal Assistants. International
Journal of Computer Science and Network Security, 22(1), 61–68.
https://doi.org/10.22937/IJCSNS.2022.22.1.10
Avendaño-Sánchez, J. J., Alba-Hernández, O., Rodríguez-Franco, R., & Angélica-Cerdán, M. (2024).
Sistemas para la selección de cultivos, una revisión sistemática de la literatura. RINDERESU
(Revista Internacional de Desarrollo Regional Sustentable), 9(1-2).
http://rinderesu.com/index.php/rinderesu/article/view/138/140
Balcı, E. (2019). Overview of Intelligent Personal Assistants. Acta INFOLOGICA, 3(1).
https://doi.org/10.26650/acin.454522
Calancea, C. G., Miluţ, C.-M., Alboaie, L., & Iftene, A. (2019). iAssistMe—Adaptable Assistant for
Persons with Eye Disabilities. Procedia Computer Science, 159, 145–154.
https://doi.org/10.1016/j.procs.2019.09.169
Cambre, J., Williams, A. C., Razi, A., Bicking, I., Wallin, A., Tsai, J., Kulkarni, C., & Kaye, J. (2021).
Firefox Voice: An Open and Extensible Voice Assistant Built Upon the Web. Proceedings of
the 2021 CHI Conference on Human Factors in Computing Systems, 1–18.
https://doi.org/10.1145/3411764.3445409
de Barcelos Silva, A., Gomes, M. M., da Costa, C. A., da Rosa Righi, R., Barbosa, J. L. V., Pessin, G.,
De Doncker, G., & Federizzi, G. (2020). Intelligent personal assistants: A systematic literature
review. Expert Systems with Applications, 147, 113193.
https://doi.org/10.1016/j.eswa.2020.113193
Dinh, H., & Tran, T. K. (2023). EduChat: An AI-Based Chatbot for University-Related Information
Using a Hybrid Approach. Applied Sciences, 13(22), 12446.
https://doi.org/10.3390/app132212446
Dizon, G., Tang, D., & Yamamoto, Y. (2022). A case study of using Alexa for out-of-class, self-directed
Japanese language learning. Computers and Education: Artificial Intelligence, 3, 100088.
https://doi.org/10.1016/j.caeai.2022.100088
pág. 17264
Du, Y., Su, X., & Jiang, Y. (2020). Developing an Intelligent Personal Tutor to Support EFL Learning.
Proceedings of the 4th International Conference on Computer Science and Application
Engineering, 1–5. https://doi.org/10.1145/3424978.3425035
Esquivel, P., Gill, K., Goldberg, M., Sundaram, S. A., Morris, L., & Ding, D. (2024). Voice Assistant
Utilization among the Disability Community for Independent Living: A Rapid Review of
Recent Evidence. Human Behavior and Emerging Technologies, 2024, 1–39.
https://doi.org/10.1155/2024/6494944
Hadian, M., Altuwaiyan, T., Liang, X., & Li, W. (2019). Privacy-preserving voice-based search over
mHealth data. Smart Health, 12, 24–34. https://doi.org/10.1016/j.smhl.2018.04.001
Hwan Jin, D., Min Kim, Y., & Lee, Y. (2025). Investigating the Acceptance of Voice User Interfaces
for Users With Disabilities. IEEE Access, 13, 1055–1069.
https://doi.org/10.1109/ACCESS.2024.3520149
Kalirai, M., Williams, A. C., & Kuzminykh, A. (2024). Toward Faceted Skill Recommendation in
Intelligent Personal Assistants. Proceedings of the 29th International Conference on Intelligent
User Interfaces, 640–649. https://doi.org/10.1145/3640543.3645201
Karyotaki, M., Drigas, A., & Skianis, C. (2024). Mobile/VR/Robotics/IoT-Based Chatbots and
Intelligent Personal Assistants for Social Inclusion. International Journal of Interactive Mobile
Technologies (iJIM), 18(08), 40–51. https://doi.org/10.3991/ijim.v18i08.46473
Katsarou, E., Wild, F., Sougari, A.-M., & Chatzipanagiotou, P. (2023). A Systematic Review of Voice-
based Intelligent Virtual Agents in EFL Education. International Journal of Emerging
Technologies in Learning (iJET), 18(10), 65–85. https://doi.org/10.3991/ijet.v18i10.37723
Kitchenham, B., & Charters, S. M. (2007). Guidelines for performing Systematic Literature Reviews in
Software Engineering (Version 2.3) [Informe Técnico EBSE EBSE-2007-01].
https://www.researchgate.net/publication/302924724_Guidelines_for_performing_Systematic
_Literature_Reviews_in_Software_Engineering
Lai, W. Y. W., & Lee, J. S. (2024). A systematic review of conversational AI tools in ELT: Publication
trends, tools, research methods, learning outcomes, and antecedents. Computers and Education:
Artificial Intelligence, 7, 100291. https://doi.org/10.1016/j.caeai.2024.100291
Du, Y., Su, X., & Jiang, Y. (2020). Developing an Intelligent Personal Tutor to Support EFL Learning.
Proceedings of the 4th International Conference on Computer Science and Application
Engineering, 1–5. https://doi.org/10.1145/3424978.3425035
Esquivel, P., Gill, K., Goldberg, M., Sundaram, S. A., Morris, L., & Ding, D. (2024). Voice Assistant
Utilization among the Disability Community for Independent Living: A Rapid Review of
Recent Evidence. Human Behavior and Emerging Technologies, 2024, 1–39.
https://doi.org/10.1155/2024/6494944
Hadian, M., Altuwaiyan, T., Liang, X., & Li, W. (2019). Privacy-preserving voice-based search over
mHealth data. Smart Health, 12, 24–34. https://doi.org/10.1016/j.smhl.2018.04.001
Hwan Jin, D., Min Kim, Y., & Lee, Y. (2025). Investigating the Acceptance of Voice User Interfaces
for Users With Disabilities. IEEE Access, 13, 1055–1069.
https://doi.org/10.1109/ACCESS.2024.3520149
Kalirai, M., Williams, A. C., & Kuzminykh, A. (2024). Toward Faceted Skill Recommendation in
Intelligent Personal Assistants. Proceedings of the 29th International Conference on Intelligent
User Interfaces, 640–649. https://doi.org/10.1145/3640543.3645201
Karyotaki, M., Drigas, A., & Skianis, C. (2024). Mobile/VR/Robotics/IoT-Based Chatbots and
Intelligent Personal Assistants for Social Inclusion. International Journal of Interactive Mobile
Technologies (iJIM), 18(08), 40–51. https://doi.org/10.3991/ijim.v18i08.46473
Katsarou, E., Wild, F., Sougari, A.-M., & Chatzipanagiotou, P. (2023). A Systematic Review of Voice-
based Intelligent Virtual Agents in EFL Education. International Journal of Emerging
Technologies in Learning (iJET), 18(10), 65–85. https://doi.org/10.3991/ijet.v18i10.37723
Kitchenham, B., & Charters, S. M. (2007). Guidelines for performing Systematic Literature Reviews in
Software Engineering (Version 2.3) [Informe Técnico EBSE EBSE-2007-01].
https://www.researchgate.net/publication/302924724_Guidelines_for_performing_Systematic
_Literature_Reviews_in_Software_Engineering
Lai, W. Y. W., & Lee, J. S. (2024). A systematic review of conversational AI tools in ELT: Publication
trends, tools, research methods, learning outcomes, and antecedents. Computers and Education:
Artificial Intelligence, 7, 100291. https://doi.org/10.1016/j.caeai.2024.100291
pág. 17265
Lewis, L., & Vellino, A. (2021). Helping Persons with Cognitive Disabilities using Voice-Activated
Personal Assistants. 2021 8th International Conference on ICT & Accessibility (ICTA), 1–3.
https://doi.org/10.1109/ICTA54582.2021.9809777
Liang, Y., O'Keeffe, D., & Sastry, N. (2020). PAIGE: Towards a hybrid-edge design for privacy-
preserving intelligent personal assistants. Proceedings of the Third ACM International
Workshop on Edge Systems, Analytics and Networking, 55–60.
https://doi.org/10.1145/3378679.3394536
Lopatovska, I. (2019). Overview of the Intelligent Personal Assistants. Ukrainian Journal on Library
and Information Science, 0(3), 72–79. https://doi.org/10.31866/2616-7654.3.2019.169669
Manojkumar, P. K., Patil, A., Shinde, S., Patra, S., & Patil, S. (2023). AI-Based Virtual Assistant Using
Python: A Systematic Review. International Journal for Research in Applied Science and
Engineering Technology, 11(3), 814–818. https://doi.org/10.22214/ijraset.2023.49519
Metatla, O., Oldfield, A., Ahmed, T., Vafeas, A., & Miglani, S. (2019). Voice User Interfaces in
Schools: Co-designing for Inclusion with Visually-Impaired and Sighted Pupils. Proceedings
of the 2019 CHI Conference on Human Factors in Computing Systems, 1–15.
https://doi.org/10.1145/3290605.3300608
Nasri, N. M., Nasri, N., Nasri, N. F., & Talib, M. A. A. (2023). The Impact of Integrating an Intelligent
Personal Assistant (IPA) on Secondary School Physics Students' Scientific Inquiry Skills. IEEE
Transactions on Learning Technologies, 16(2), 232–242.
https://doi.org/10.1109/TLT.2023.3241058
Needhi, J., Prasath, R., & Vikram, D. (2024). Performance optimization of voice-assisted file
management systems. https://doi.org/10.20944/preprints202406.0876.v1
Okonkwo, C. W., & Ade-Ibijola, A. (2021). Chatbots applications in education: A systematic review.
Computers and Education: Artificial Intelligence, 2, 100033.
https://doi.org/10.1016/j.caeai.2021.100033
Öncü, S. E., & Süral, İ. (2024). Leveraging AI for enhanced support: Satisfaction levels of users
utilizing virtual assistant in open education. Asian Journal of Distance Education, 19(1).
Lewis, L., & Vellino, A. (2021). Helping Persons with Cognitive Disabilities using Voice-Activated
Personal Assistants. 2021 8th International Conference on ICT & Accessibility (ICTA), 1–3.
https://doi.org/10.1109/ICTA54582.2021.9809777
Liang, Y., O'Keeffe, D., & Sastry, N. (2020). PAIGE: Towards a hybrid-edge design for privacy-
preserving intelligent personal assistants. Proceedings of the Third ACM International
Workshop on Edge Systems, Analytics and Networking, 55–60.
https://doi.org/10.1145/3378679.3394536
Lopatovska, I. (2019). Overview of the Intelligent Personal Assistants. Ukrainian Journal on Library
and Information Science, 0(3), 72–79. https://doi.org/10.31866/2616-7654.3.2019.169669
Manojkumar, P. K., Patil, A., Shinde, S., Patra, S., & Patil, S. (2023). AI-Based Virtual Assistant Using
Python: A Systematic Review. International Journal for Research in Applied Science and
Engineering Technology, 11(3), 814–818. https://doi.org/10.22214/ijraset.2023.49519
Metatla, O., Oldfield, A., Ahmed, T., Vafeas, A., & Miglani, S. (2019). Voice User Interfaces in
Schools: Co-designing for Inclusion with Visually-Impaired and Sighted Pupils. Proceedings
of the 2019 CHI Conference on Human Factors in Computing Systems, 1–15.
https://doi.org/10.1145/3290605.3300608
Nasri, N. M., Nasri, N., Nasri, N. F., & Talib, M. A. A. (2023). The Impact of Integrating an Intelligent
Personal Assistant (IPA) on Secondary School Physics Students' Scientific Inquiry Skills. IEEE
Transactions on Learning Technologies, 16(2), 232–242.
https://doi.org/10.1109/TLT.2023.3241058
Needhi, J., Prasath, R., & Vikram, D. (2024). Performance optimization of voice-assisted file
management systems. https://doi.org/10.20944/preprints202406.0876.v1
Okonkwo, C. W., & Ade-Ibijola, A. (2021). Chatbots applications in education: A systematic review.
Computers and Education: Artificial Intelligence, 2, 100033.
https://doi.org/10.1016/j.caeai.2021.100033
Öncü, S. E., & Süral, İ. (2024). Leveraging AI for enhanced support: Satisfaction levels of users
utilizing virtual assistant in open education. Asian Journal of Distance Education, 19(1).
pág. 17266
Oumard, C., Kreimeier, J., & Götzelmann, T. (2022). Pardon? An Overview of the Current State and
Requirements of Voice User Interfaces for Blind and Visually Impaired Users. En K.
Miesenberger, G. Kouroupetroglou, K. Mavrou, R. Manduchi, M. Covarrubias Rodriguez, &
P. Penáz (Eds.), Computers Helping People with Special Needs (Vol. 13341, pp. 388–398).
Springer International Publishing. https://doi.org/10.1007/978-3-031-08648-9_45
Patel, D., & Verma, T. (2022). Application of voice assistant using machine learning: A comprehensive
review. Advances and Applications in Mathematical Sciences, 21(9), 5063–5073.
Ramandanis, D., & Xinogalos, S. (2023). Designing a Chatbot for Contemporary Education: A
Systematic Literature Review. Information, 14(9), 503. https://doi.org/10.3390/info14090503
Roy, P. P., Anand, P., Tiwari, S., & Bhushan, B. (2024). Natural Language Processing Enhancing
Human-Computer Interaction for Disabled. 2024 International Conference on Progressive
Innovations in Intelligent Systems and Data Science (ICPIDS), 206–211.
https://doi.org/10.1109/ICPIDS65698.2024.00041
Sajja, R., Sermet, Y., Cikmaz, M., Cwiertny, D., & Demir, I. (2024). Artificial Intelligence-Enabled
Intelligent Assistant for Personalized and Adaptive Learning in Higher Education. Information,
15(10), 596. https://doi.org/10.3390/info15100596
Sharizan, & Yulia, Y. (2024). The use of IPAs or Intelligent Personal Assistants (Google Assistant, Siri,
Alexa, Cortana, etc.) for learning English speaking skills. Proceedings of the International
CALL Research Conference, 2024, 253–260. https://doi.org/10.29140/9780648184485-38
Shazhaev, I., Mikhaylov, D., Shafeeg, A., Tularov, A., & Shazhaev, I. (2023). Personal Voice Assistant:
From Inception to Everyday Application. Indonesian Journal of Data and Science, 4(2), 64–72.
https://doi.org/10.56705/ijodas.v4i2.69
Sutton, S. J., Foulkes, P., Kirk, D., & Lawson, S. (2019). Voice as a Design Material: Sociophonetic
Inspired Design Strategies in Human-Computer Interaction. Proceedings of the 2019 CHI
Conference on Human Factors in Computing Systems, 1–14.
https://doi.org/10.1145/3290605.3300833
Thorbole, S., Pandit, A., Raut, G., & Sirsat, T. (2023). AI-based desktop voice assistant. Journal of
Emerging Technologies and Innovative Research (JETIR), 10(5).
Oumard, C., Kreimeier, J., & Götzelmann, T. (2022). Pardon? An Overview of the Current State and
Requirements of Voice User Interfaces for Blind and Visually Impaired Users. En K.
Miesenberger, G. Kouroupetroglou, K. Mavrou, R. Manduchi, M. Covarrubias Rodriguez, &
P. Penáz (Eds.), Computers Helping People with Special Needs (Vol. 13341, pp. 388–398).
Springer International Publishing. https://doi.org/10.1007/978-3-031-08648-9_45
Patel, D., & Verma, T. (2022). Application of voice assistant using machine learning: A comprehensive
review. Advances and Applications in Mathematical Sciences, 21(9), 5063–5073.
Ramandanis, D., & Xinogalos, S. (2023). Designing a Chatbot for Contemporary Education: A
Systematic Literature Review. Information, 14(9), 503. https://doi.org/10.3390/info14090503
Roy, P. P., Anand, P., Tiwari, S., & Bhushan, B. (2024). Natural Language Processing Enhancing
Human-Computer Interaction for Disabled. 2024 International Conference on Progressive
Innovations in Intelligent Systems and Data Science (ICPIDS), 206–211.
https://doi.org/10.1109/ICPIDS65698.2024.00041
Sajja, R., Sermet, Y., Cikmaz, M., Cwiertny, D., & Demir, I. (2024). Artificial Intelligence-Enabled
Intelligent Assistant for Personalized and Adaptive Learning in Higher Education. Information,
15(10), 596. https://doi.org/10.3390/info15100596
Sharizan, & Yulia, Y. (2024). The use of IPAs or Intelligent Personal Assistants (Google Assistant, Siri,
Alexa, Cortana, etc.) for learning English speaking skills. Proceedings of the International
CALL Research Conference, 2024, 253–260. https://doi.org/10.29140/9780648184485-38
Shazhaev, I., Mikhaylov, D., Shafeeg, A., Tularov, A., & Shazhaev, I. (2023). Personal Voice Assistant:
From Inception to Everyday Application. Indonesian Journal of Data and Science, 4(2), 64–72.
https://doi.org/10.56705/ijodas.v4i2.69
Sutton, S. J., Foulkes, P., Kirk, D., & Lawson, S. (2019). Voice as a Design Material: Sociophonetic
Inspired Design Strategies in Human-Computer Interaction. Proceedings of the 2019 CHI
Conference on Human Factors in Computing Systems, 1–14.
https://doi.org/10.1145/3290605.3300833
Thorbole, S., Pandit, A., Raut, G., & Sirsat, T. (2023). AI-based desktop voice assistant. Journal of
Emerging Technologies and Innovative Research (JETIR), 10(5).
pág. 17267
Tsourakas, T., Terzopoulos, G., & Goumas, S. (2021). Educational use of Voice Assistants and Smart
Speakers. Journal of Engineering Science and Technology Review, 14(4), 1–9.
https://doi.org/10.25103/jestr.144.01
Valero, C., Pérez, J., Solera-Cotanilla, S., Vega-Barbas, M., Suarez-Tangil, G., Alvarez-Campana, M.,
& López, G. (2023). Analysis of security and data control in smart personal assistants from the
user's perspective. Future Generation Computer Systems, 144, 12–23.
https://doi.org/10.1016/j.future.2023.02.009
Vtyurina, A., Fourney, A., Morris, M. R., Findlater, L., & White, R. W. (2019). VERSE: Bridging
Screen Readers and Voice Assistants for Enhanced Eyes-Free Web Search. Proceedings of the
21st International ACM SIGACCESS Conference on Computers and Accessibility, 414–426.
https://doi.org/10.1145/3308561.3353773
Wang, S., Wang, F., Zhu, Z., Wang, J., Tran, T., & Du, Z. (2024). Artificial intelligence in education:
A systematic literature review. Expert Systems with Applications, 252, 124167.
https://doi.org/10.1016/j.eswa.2024.124167
Wu, J., Li, Y., Zhou, J., & Chen, S. (2024). The impact of intelligent personal assistants on Mandarin
second language learners: Interaction process, acquisition of listening and speaking ability.
Computer Assisted Language Learning, 1–26.
https://doi.org/10.1080/09588221.2024.2317849
Wu, Y., Rough, D., Bleakley, A., Edwards, J., Cooney, O., Doyle, P. R., Clark, L., & Cowan, B. R.
(2020). See What I'm Saying? Comparing Intelligent Personal Assistant Use for Native and
Non-Native Language Speakers. 22nd International Conference on Human-Computer
Interaction with Mobile Devices and Services, 1–9. https://doi.org/10.1145/3379503.3403563
Zhan, X., Sarkadi, S., Criado, N., & Such, J. (2022). A Model for Governing Information Sharing in
Smart Assistants. Proceedings of the 2022 AAAI/ACM Conference on AI, Ethics, and Society,
845–855. https://doi.org/10.1145/3514094.3534129
Zhang, M. (2024). Enhancing self-regulation and learner engagement in L2 speaking: Exploring the
potential of intelligent personal assistants within a learning-oriented feedback framework.
BMC Psychology, 12(1), 421. https://doi.org/10.1186/s40359-024-01917-0
Tsourakas, T., Terzopoulos, G., & Goumas, S. (2021). Educational use of Voice Assistants and Smart
Speakers. Journal of Engineering Science and Technology Review, 14(4), 1–9.
https://doi.org/10.25103/jestr.144.01
Valero, C., Pérez, J., Solera-Cotanilla, S., Vega-Barbas, M., Suarez-Tangil, G., Alvarez-Campana, M.,
& López, G. (2023). Analysis of security and data control in smart personal assistants from the
user's perspective. Future Generation Computer Systems, 144, 12–23.
https://doi.org/10.1016/j.future.2023.02.009
Vtyurina, A., Fourney, A., Morris, M. R., Findlater, L., & White, R. W. (2019). VERSE: Bridging
Screen Readers and Voice Assistants for Enhanced Eyes-Free Web Search. Proceedings of the
21st International ACM SIGACCESS Conference on Computers and Accessibility, 414–426.
https://doi.org/10.1145/3308561.3353773
Wang, S., Wang, F., Zhu, Z., Wang, J., Tran, T., & Du, Z. (2024). Artificial intelligence in education:
A systematic literature review. Expert Systems with Applications, 252, 124167.
https://doi.org/10.1016/j.eswa.2024.124167
Wu, J., Li, Y., Zhou, J., & Chen, S. (2024). The impact of intelligent personal assistants on Mandarin
second language learners: Interaction process, acquisition of listening and speaking ability.
Computer Assisted Language Learning, 1–26.
https://doi.org/10.1080/09588221.2024.2317849
Wu, Y., Rough, D., Bleakley, A., Edwards, J., Cooney, O., Doyle, P. R., Clark, L., & Cowan, B. R.
(2020). See What I'm Saying? Comparing Intelligent Personal Assistant Use for Native and
Non-Native Language Speakers. 22nd International Conference on Human-Computer
Interaction with Mobile Devices and Services, 1–9. https://doi.org/10.1145/3379503.3403563
Zhan, X., Sarkadi, S., Criado, N., & Such, J. (2022). A Model for Governing Information Sharing in
Smart Assistants. Proceedings of the 2022 AAAI/ACM Conference on AI, Ethics, and Society,
845–855. https://doi.org/10.1145/3514094.3534129
Zhang, M. (2024). Enhancing self-regulation and learner engagement in L2 speaking: Exploring the
potential of intelligent personal assistants within a learning-oriented feedback framework.
BMC Psychology, 12(1), 421. https://doi.org/10.1186/s40359-024-01917-0