¿Coinciden la comunidad científica y
la sociedad sobre el uso de la Inteligencia Artificial en educación?
Do the scientific community and society agree on the use of
Artificial Intelligence in education?
Dra. Sonia
Martín-Gómez. Profesora adjunta. Universidad San Pablo
CEU. Madrid. España
Dr. Ángel Bartolomé
Muñoz de Luna. Profesor Titular. Vicerrector de
Estudiantes y Vida Universitaria. Universidad San Pablo CEU. Madrid. España
Recibido:
2024/06/04 Revisado 2024/07/28 Aceptado: :2024/12/10 Online First: 2024/12/18 Publicado: 2025/01/07
Cómo citar este artículo:
Martín-Gómez,
S., & Muñoz de Luna, Ángel B. (2025). ¿Coinciden la comunidad científica y
la sociedad sobre el uso de la Inteligencia Artificial en educación? [Do the scientific
community and society agree on the use of Artificial Intelligence in
education?]. Pixel-Bit.
Revista De Medios Y Educación, 72,
139–157. https://doi.org/10.12795/pixelbit.107530
RESUMEN
El
objetivo principal de esta investigación es explorar y comprender el desarrollo
y la implementación de la Inteligencia Artificial (IA) en el contexto de la
educación universitaria a nivel científico y a nivel social. Se va a usar una
metodología sistemática de revisión de documentos científicos a partir de la
base de datos Web Of Science (WOS), para la parte científica y un análisis de
social listening para el ámbito social. El estudio
bibliométrico, a través de la aplicación Rstudio
Cloud, permite extraer un metaanálisis sobre el topic
IA en educación superior, desde el año 2019 hasta la actualidad, consiguiendo,
según directrices de la declaración PRISMA, una valoración de 32 artículos.
Por su parte, la plataforma Brandwatch permite conocer lo que se habla en la red sobre
el uso de IA en la educación superior, estudiando un total de 27.735 menciones,
solo del último año. Comparando los resultados científicos y sociales, se
alcanzan conclusiones sobre los desafíos actuales de la IA en la universidad,
destacando que es necesario que los investigadores empiecen a analizar los
efectos del buen uso de las herramientas de la IA como metodología docente, de
forma que la sociedad pueda destacarlo también en sus menciones en redes.
ABSTRACT
The main objective of this
research is to explore and understand the development and implementation of AI
in the context of higher education at a scientific and social level, using a
systematic methodology of reviewing scientific papers from the Web Of Science
(WOS) database for the scientific part and a social listening analysis for the
social field. The bibliometric study, through the Rstudio Cloud application,
allows us to extract a meta-analysis on the topic of IA in higher education,
from 2019 to the present, achieving an evaluation of 32 articles according to
the guidelines of the PRISMA declaration.
For its part, the Brandwatch
platform allows us to find out what is being said online about the use of AI in
higher education, studying a total of 27,735 mentions, only from the last year.
By comparing the scientific
and social results, conclusions are drawn on the current challenges of AI in
universities, highlighting the need for researchers to start analysing the
impact of the good use of AI tools as a teaching methodology, so that society
can also highlight it in its mentions on the networks.
PALABRAS CLAVES· KEYWORDS
Inteligencia artificial;
educación superior; cienciometría; menciones; escucha social
Artificial intelligence; higher education;
scientometrics; mentions; social listening
1. Introducción
El uso de la Inteligencia
Artificial (IA) se está incrementando en los últimos años, haciéndose notar en
diversos campos como la medicina, las finanzas, el derecho, la industria y el
entretenimiento (Salas-Pilco & Yang, 2022); por ello, el IoT (Internet de las
cosas o red colectiva de dispositivos conectados que facilita la comunicación
entre los dispositivos y la nube, así como entre los propios dispositivos)
seguirá creciendo en los próximos años hasta alcanzar los 66.000 millones de
unidades en 2026, con un 87% de usuarios que declaran que, una vez probados
dichos dispositivos, ya no renunciarán a sus beneficios, según la segunda
edición del Informe Things Matter
2019, elaborado por Telefónica.
La evolución tecnológica de
los últimos años impacta, positiva y/o negativamente, en las sociedades del
mundo por lo que las personas ven afectados sus modus vivendi en el trabajo, en
la salud, en la economía y, obviamente, en la educación y formación (Alonso-de-Castro
& García-Peñalvo, 2022). Esto significa que la IA se ha convertido en
sinónimo de nuevas promesas, pero también hay que tener en cuenta los riesgos
que conlleva la masificación de las tecnologías digitales en las diferentes
esferas de la vida económica y social del siglo XXI, ya que se tiene la idea de
que pondrá en peligro los puestos de trabajo de quienes no se adapten a esta
nueva revolución tecnológica.
En diversos estudios se
intenta dimensionar el ritmo y profundidad de los cambios que se avecinan,
mientras que muchas industrias automatizan procesos gracias a las nuevas
máquinas disponibles y se prueban prototipos de inventos que hasta hace poco
parecían de ciencia ficción (Kaku, 2012).
Ante todos estos avances nos
preguntamos cómo va a incidir la IA en la educación, que se considera un pilar
fundamental para el progreso de la sociedad y el desarrollo individual. En un
mundo cada vez más digitalizado y globalizado, la IA se ha convertido en una
herramienta esencial para mejorar y personalizar la experiencia educativa,
entendiendo por tal la capacidad de las máquinas para aprender, razonar y tomar
decisiones de manera autónoma, y su aplicación en la educación está en constante
crecimiento y adaptación (Halili, 2019).
La inteligencia artificial
(IA) desempeña un papel cada vez más importante en el campo de la educación, y
el entorno educativo se ve afectado por todos los cambios que genera, que van
desde las etapas preescolares hasta los niveles superiores o de posgrado
(Moreno & Pedreño, 2020), ya que su aplicación tiene el potencial de
transformar la forma en que enseñamos y aprendemos. Estas serían hay algunas
formas en las que la IA se utiliza en la educación:
1. Personalización del aprendizaje. La IA
puede adaptar el contenido y el ritmo de aprendizaje a las necesidades
individuales de cada estudiante. Esto significa que los estudiantes pueden
recibir instrucción y ejercicios específicos según su nivel de habilidad y
estilo de aprendizaje, lo que puede aumentar la eficacia del aprendizaje.
2. Tutoría virtual. Los sistemas de IA
permiten actuar como tutores virtuales, proporcionando retroalimentación
instantánea a los estudiantes mientras trabajan en problemas o tareas. Esto
puede ayudar a los estudiantes a comprender mejor los conceptos y corregir
errores de manera inmediata.
3. Recopilación y análisis de datos. La IA
puede recopilar y analizar grandes cantidades de datos sobre el desempeño de
los estudiantes. Los educadores pueden utilizar esta información para
identificar áreas de mejora, identificar tendencias en el aprendizaje y tomar
decisiones informadas sobre la enseñanza.
4. Automatización de tareas administrativas.
La IA ayuda a automatizar tareas administrativas, como la gestión de
calificaciones, la programación de clases y la comunicación con los estudiantes
y padres. Esto permite a los educadores concentrarse más en la enseñanza y el
apoyo individualizado.
5. Aprendizaje adaptativo. Los sistemas de IA
ayudan a ajustar el contenido y las actividades de aprendizaje en función del
progreso de cada estudiante. Esto puede garantizar que los estudiantes estén
constantemente desafiados y comprometidos.
6. Evaluación de respuestas abiertas. La IA
permite evaluar respuestas abiertas, como ensayos y respuestas a preguntas de
desarrollo, utilizando algoritmos de procesamiento de lenguaje natural. Esto
puede ahorrar tiempo a los educadores en la corrección y proporcionar una
retroalimentación más objetiva.
7. Acceso a recursos educativos en línea. La
IA ayuda a los estudiantes a encontrar recursos de aprendizaje en línea que se
adapten a sus necesidades específicas, recomendando cursos, tutoriales y
material de estudio relevantes.
En conclusión, podemos
afirmar que específicamente en
educación, la inteligencia artificial educativa se refiere a su uso para
respaldar la retroalimentación y orientación personalizadas y automatizadas en
el campo educativo (Song & Wang, 2020).
En este escenario, el
docente debe ser el protagonista en el aula, analizando la información que
suministra la IA, y guiando y articulando el trabajo de los estudiantes. El desafío
se relaciona más bien con las capacidades de los docentes para realizar estas
tareas, ya que son relativamente pocos los que cuentan con las competencias
necesarias para procesar todo el volumen de información individual que los
nuevos sistemas proveen, y/o para traducirla en las respuestas personalizadas
que se supone deben proporcionar (Lu & Harris, 2018).
Además, es importante
recordar que la implementación exitosa de la IA en la educación también plantea
desafíos y cuestiones éticas. Estos incluyen preocupaciones sobre la privacidad
de los datos de los estudiantes, la equidad en el acceso a la tecnología y la necesidad
de mantener un equilibrio entre la automatización y la interacción humana en el
proceso educativo. La IA en la educación es una herramienta poderosa, pero su
uso debe ser cuidadosamente considerado y supervisado para garantizar que
beneficie a todos los estudiantes de manera justa y efectiva.
Basándonos en lo
anteriormente descrito, este estudio tiene como objetivo, por un lado, realizar
un análisis empírico de la evidencia encontrada dentro de la literatura
científica sobre el uso de la IA en educación y, por otro lado, un análisis de
escucha social para comprobar si científicos y sociedad van en la misma
dirección.
Existen algunas revisiones
sistemáticas previas sobre la IA en la educación (Martínez-Comesaña
et al., 2023; Jimbo-Santana et al., 2023; Fajardo Aguilar, 2023), aunque son
muy limitadas en comparación con las investigaciones sobre IA, pero no hay
estudios que comparen la opinión que se desprende de las revisiones
sistemáticas (científicas) con el social listening
(sociedad).
Para Zawacki-Richter
et al. (2019) hay una falta de reflexión crítica de los desafíos y riesgos de
la IA en educación en la mayoría de los artículos científicos y una débil
conexión con las perspectivas pedagógicas teóricas, por lo que surge la
necesidad de seguir explorando enfoques éticos y educativos en la aplicación de
su uso en la educación superior; en esta misma línea, Hinojo-Lucena et al.
(2019) tras realizar un estudio bibliométrico destacaron que se necesitan más
resultados empíricos basados en la investigación para comprender el potencial
de la IA en la enseñanza superior.
En resumen, este estudio
intenta abordar las siguientes preguntas de investigación: ¿Cómo se enfoca el
uso de inteligencias artificiales para la educación universitaria?, ¿coinciden
científicos y sociedad en sus apreciaciones?, ¿ha tenido el mismo crecimiento
en ambas comunidades?
2. Metodología
Este estudio sigue para la
cienciometría o bibliometría las directrices de la Declaración PRISMA, que
consta del uso de motores de búsqueda de artículos indexados para así conseguir
la información necesaria que se requiere sobre estudios ya realizados (Barquero
Morales, 2022; Page et al., 2021). Se ha seguido el marco de cinco etapas de Arksey y O'Malley (2005) para
mapear la literatura científica, que consisten en: a) identificación de la
pregunta de investigación; b) búsqueda sistematizada de la evidencia
científica; c) selección de los estudios; d) extracción de los datos; y e)
recopilación, resumen y difusión de los resultados.
El estudio se centra en los
artículos científicos publicados en la base de datos Wos
en el período 2019 a 2023, que se han procesado utilizando la aplicación Bibliometrix para R Studio Cloud, que permite realizar un
análisis bibliométrico completo, siguiendo el flujo de trabajo de mapeo
científico (Aria & Cuccurullo, 2017).
Los artículos obtenidos se
han seleccionado en base a la búsqueda booleana generalista “Inteligencia
Artificial AND estudios universitarios”, siguiendo estos criterios de
exclusión:
·
Tipo
de documento: articulo.
·
Años
de publicación: entre 2019 y 2023.
·
Idioma:
inglés y español
·
Categoría
de Wos: Education &Educational Research.
·
Web of Science Index: ESCI,
SSCI y ESCI-Expanded.
Con estas restricciones se
han obtenido un total de 36 artículos, que tras lectura y evaluación siguiendo
PRISMA se han reducido a 32, bien por estar repetidos o porque su campo de
investigación no se relaciona directamente con la educación.
Para la investigación basada
en el social listening, la metodología
se utiliza como medio para comprender la percepción que los usuarios tienen de
un determinado tema o asunto (Herrera et al., 2022), ya que no solo trabaja con
la propia percepción, sino con cualquier punto de anclaje que se establezca
entre el usuario y el tema estudiado, basándose fundamentalmente en el uso de
tecnología y algoritmos que rastrean y recopilan automáticamente datos de
diversas fuentes en línea: redes sociales, blogs, foros, noticias y otros tipos
de sitios web. Una vez recopilados los datos, se analizan posteriormente para
identificar patrones, tendencias y sentimientos, aplicando técnicas como el
procesamiento del lenguaje natural (PLN) y el análisis de texto (Cambria,
2016).
En
general, el proceso de análisis de redes sociales se suele dividir en cuatro
fases: (Stieglitz
et al. 2018):
·
Descubrimiento:
identificación de contenidos y sus correspondientes palabras clave, hashtags,
etc. que contribuirán a la definición de los objetivos del análisis y las
hipótesis principales que deben ser testadas.
·
Seguimiento:
determinación de las fuentes de datos y recopilación de los mismos.
·
Preparación:
preparar los datos para su posterior análisis.
·
Análisis:
aplicación de diversos métodos y técnicas de análisis al conjunto de datos
preparados para responder a las preguntas planteadas en la fase de
descubrimiento.
En
esta investigación, según muestra la Figura 1, se van a seguir estos mismos
pasos propuestos por Stieglitz, añadiendo uno más que
hace referencia a la implementación posterior, entendiendo por tal la necesidad
de comunicar de manera efectiva los resultados del análisis de redes sociales,
tal y como propone el software Brandwatch, que es la
plataforma que se utiliza para realizar esta escucha social.
Figura 1
Asignación de las funciones principales de Brandwatch al marco de proceso de análisis de redes
Para
la etapa de descubrimiento se usa Brandwatch Search, motor de búsqueda basado en inteligencia artificial
que utiliza técnicas sofisticadas de procesamiento de lenguaje natural. En este
caso la búsqueda va vinculada al uso de redes sociales en investigación. En la
fase de seguimiento se forma la denominada Query
que hace referencia al conjunto de palabras que permiten obtener información en
los sistemas de la plataforma. Para ello se han usado operadores boléanos que
permiten combinar los conceptos buscados y afinan los resultados a conseguir,
tal y como se muestra a continuación:
Esta
query devuelve solo el día de realización del estudio
2.150 menciones en los últimos 30 días, habiendo filtrado por idioma (español)
pero realizando la búsqueda en cualquier lugar del mundo.
Por
ello, son necesarias herramientas que segmentan y filtran esta información,
entre ellas, una vista previa de prueba para evaluar instantáneamente el tipo
de menciones que se recuperan de la lógica de consulta actual, favoreciendo el
análisis social pretendido; en esta búsqueda se ha decidido eliminar sitios web
que realizaban mención a los términos consultados, pero no están relacionados
con el objetivo del estudio.
Finalmente
se mantiene la query, se filtra por idioma, se
eliminan sitios no válidos y se marca un rango de fechas de un año que sirve
para analizar si la evolución del contenido objeto de estudio sigue un
determinado patrón.
En
las dos etapas ultimas se consigue analizar e implementar los resultados
alcanzados mediante el uso de los denominados dashboards
que monitorizan y examinan visualmente los indicadores clave.
Para
este análisis de redes se utiliza una tasa de muestreo del 100 % con unas
menciones estimadas de 1.995 por mes.
3. Análisis y
resultados
3.1. Resultados estadísticos
de Bibliometrix para R Studio Cloud
Tras el estudio
bibliométrico realizado con el programa R Studio Cloud se procede a analizar
los resultados obtenidos a nivel científico para poder responder a las
preguntas de investigación planteadas.
3.1.1. Dataset
La Figura 2 muestra la
producción científica anual y pone de manifiesto el gran interés científico que
despertó la IA en educación entre los años 21 y 22. Aunque en el año 23 parece
existir un descenso en la literatura científica sobre este tema, habrá que
esperar a finalizar el año para tener datos reales sobre las publicaciones
realizadas.
Figura 2
Producción científica anual
En la Figura 3 aparece el
denominado gráfico de tres campos (diagrama de Sankey),
en este caso de país, autor y abstract y sus
interacciones entre ellos. El
gráfico destaca visualmente las principales transferencias entre países, atores
y conceptos que han aparecido en los resúmenes. El ancho de las flechas del
gráfico es proporcional a la cantidad de flujo.
Figura
3
Diagrama
de Sankey
Se puede observar que son
Colombia y Cuba los países donde hay mayor producción científica de términos
relacionados en los propios abstract con conceptos de
IA, tales como data, artificial, intelligence, o learning y son los países que agrupan a los principales
investigadores, aunque en España y Perú también aparece ya algún investigador
de este tipo de temas.
3.1.2.
Fuentes
Por lo referente a la dispersión
de la bibliografía científica, la Ley de Bradford confirma que si las revistas
científicas se ordenan en una secuencia decreciente de productividad de
artículos sobre un campo específico, éstas pueden dividirse en un núcleo de
revistas que abordan en particular el tema (núcleo de Bradford - zona 1) y
varios grupos o zonas (zonas 2 y 3) que contienen aproximadamente el mismo
número de artículos que el núcleo, donde el número de revistas en el núcleo y
en las zonas sucesivas está en una relación de relación de 1: n: n2,
según muestra la Tabla 1.
Tabla 1
Núcleo de Bradford
|
Ranking |
Freq |
Freq Acum |
Zone |
|
|
Tecnura |
1 |
5 |
5 |
Zone 1 |
|
Revista cubana de ciencias informáticas |
2 |
4 |
9 |
Zone 1 |
|
Formación universitaria |
3 |
2 |
11 |
Zone 1 |
|
Revista universidad y sociedad |
4 |
2 |
13 |
Zone 2 |
|
Academo (asunción) |
5 |
1 |
14 |
Zone 2 |
|
Actualidades investigativas en educación |
6 |
1 |
15 |
Zone 2 |
|
Diseases of the colon & rectum |
7 |
1 |
16 |
Zone 2 |
|
Educación |
8 |
1 |
17 |
Zone 2 |
|
Fem: revista de la
fundación educación médica |
9 |
1 |
18 |
Zone 2 |
|
Horizontes revista de investigación en ciencias de la educación |
10 |
1 |
19 |
Zone 2 |
|
Información tecnológica |
11 |
1 |
20 |
Zone 2 |
|
Ingeniería electrónica, automática y comunicaciones |
12 |
1 |
21 |
Zone 2 |
|
Ingeniería industrial |
13 |
1 |
22 |
Zone 2 |
|
Ingeniería y desarrollo |
14 |
1 |
23 |
Zone 2 |
|
Inter disciplina |
15 |
1 |
24 |
Zone 3 |
|
International Journal of
Morphology |
16 |
1 |
25 |
Zone 3 |
|
Propósitos y representaciones |
17 |
1 |
26 |
Zone 3 |
|
Revista cientifica |
18 |
1 |
27 |
Zone 3 |
|
Revista cubana de educación superior |
19 |
1 |
28 |
Zone 3 |
|
Revista cubana de informática médica |
20 |
1 |
29 |
Zone 3 |
|
Revista digital de investigación en docencia universitaria |
21 |
1 |
30 |
Zone 3 |
|
Revista iberoamericana de tecnología en educación y educación en
tecnología |
22 |
1 |
31 |
Zone 3 |
|
Revista panamericana de salud pública |
23 |
1 |
32 |
Zone 3 |
|
Revista peruana de ginecología y obstetricia |
24 |
1 |
33 |
Zone 3 |
Según esta ley (Figura 4),
se observa que tal dispersión no existe, ya que casi toda la frecuencia de
publicación se agrupa en tres revistas (las del núcleo de Bradford): Tecnura, Revista Cubana de Ciencia, y Revista de Formación
Universitaria, todas latinoamericanas, lo que demuestra que la producción
científica sobre IA tiene su germen en América del Sur.
Figura 4
Ley de Bradford´s
3.1.3.
Autores
La Figura 5 permite
demostrar que la producción científica empieza básicamente a partir del 2019,
pero que es básicamente un autor: Alex
Valenzuela-Fernández, el que acapara la mayor parte de esta producción anual.
Figura 5
Producción científica de los autores en los últimos años
En cuanto a la productividad
personal, en este caso no se verifica la ley de Lotka
(Figura 6), que establece que un reducido número de autores publican una
cantidad importante de documentos, es decir, enuncia una relación cuantitativa
entre los autores y las contribuciones producidas en un campo dado a lo largo
de un periodo de tiempo, ya que en este caso son muchos los autores (un total
de 102 autores) que solo firman dos artículos, por lo que la productividad
científica es baja.
Figura
6
Ley
de Lotka
3.1.4. Documentos
En el análisis referente a
documentos, la figura 7 muestra las palabras más frecuentes que emplean los
autores en este caso en los abstracts, siendo
artificial e inteligencia las más usadas, junto con universidad, resultados y
estudiantes, aunque en una proporción más inferior.
Figura
7
Términos
más relevantes
Resultados similares se
aprecian en la figura relativa a la nube de palabras más empleadas (Figura 8)
que se considera también una buena fórmula para identificar los temas de
investigación de un dominio científico (Li et al, 2021), en este caso
centrada en las 50 palabras clave, que incluyen los términos extraídos de
resúmenes y en el Treemap (Figura 9), que dispone los
datos de manera jerárquica y tiene la estructura de un árbol en la que los
datos se organizan en rectángulos anidados (uno dentro de otro). El tamaño del
rectángulo corresponde al valor de la categoría o subcategoría.
Figura 8
Nube de palabras
En la nube de palabras
destacan “artificial” (39 veces), “inteligencia” (38 veces), “universidad” (29
veces) y otras como “resultados” o “estudiantes” son también importantes,
aunque presentan menos repeticiones. Es relevante señalar que las tres palabras
más frecuentes son las variables investigadas en este estudio.
Figura 9
Treemap
3.2. Análisis estructurales
de Bibliometrix para R Studio Cloud
3.2.1. Estructura conceptual
La Figura 10 muestra una
matriz de coocurrencia de palabras, teniendo en cuenta que dos
palabras coocurren cuando aparecen simultáneamente en el mismo documento; y dos
palabras estarán más ligadas o asociadas entre sí cuanto mayor sea la
coocurrencia entre ellas.
Por tanto, la medida del
enlace entre dos palabras de una red será proporcional a la coocurrencia de
esas dos palabras en el conjunto de documentos que se tome como muestra. En
este caso, surgen tres grupos de coocurrencia, que se representan por tres colores
distintos conformando tres clústeres.
Figura 10
Coocurrencia de palabras
La Figura 10 muestra clústeres
de colores que representan palabras que también usan otros autores dentro del
mismo clúster. Por ejemplo, en el clúster verde se observa que los términos más
usados son inteligencia, artificial y universidad y hay otros autores que
también los usan. Esto se repite en los otros clústeres, indicando patrones que
reflejan tendencias y conceptos de interés en la investigación.
3.2.2. Estructura social
La figura 11 se basa en la
red de colaboración o firma conjunta de publicaciones, en este caso entre
autores. En la misma se observa que hay muy poca colaboración entre ellos,
conformando pequeños subgrupos colaborativos, lo cual tampoco favorece la investigación.
Figura 11
Red de colaboración
3.3.
Resultados obtenidos del software Brandwatch de
social listening.
Para la realización de esta
parte de investigación se han analizado 13.107 autores y un
total de 27.735 menciones en redes.
En cuanto a las fuentes de
contenido, la figura 12 muestra el número total de menciones acaecidas desde
septiembre del 22 al 23, comprobando como el mayor volumen de contenido
(interacciones) se da en el mes de mayo en la red Twitter, pudiendo justificarse
porque el 25 de mayo de 2023, la UNESCO
movilizó a los Ministros de Educación de todo el mundo para una respuesta
coordinada a ChatGPT, en respuesta a la rápida
aparición de nuevas y poderosas herramientas de IA generativa para explorar las
oportunidades, desafíos y riesgos inmediatos y de largo alcance que las
aplicaciones de IA plantean a los sistemas educativos.
Figura 12
Fuentes de contenido
En cuanto al sentimiento que
genera la IA en la sociedad, entendido como el número total de menciones a lo
largo del tiempo desglosado por sentimiento, la figura 13 muestra cómo se dan
muchas oscilaciones en algunos momentos del año, pero predomina el tono neutral
en la mayoría de las menciones, no destacando en ninguna de ellas ni
sentimientos positivos ni negativos, quizá debido a que la sociedad no ha
probado la IA y no puede valorar.
Figura 13
Sentimiento a lo largo del tiempo
La rueda de temas, en la Figura
14, analiza palabras y frases de uso frecuente en redes, permitiendo comprobar
fácilmente cómo los temas principales (el anillo interior) se relacionan con
los subtemas (el anillo exterior), y destacando como la IA se relaciona en las
menciones realizadas con estudiantes, profesores y Chat Gpt
y algo similar le ocurre a Chat Gpt que se ve
relacionada con universidad. En cualquier caso, surgen términos no estudiados
por la comunidad científica como herramientas de IA y Chat GPT, por lo que se
observa que la preocupación en redes y en la comunidad científica sobre el uso
de la IA en educación va por caminos distintos.
Figura 14
Rueda de temas
La figura 15 muestra la nube de palabras, frases y
entidades que se encuentran comúnmente en las menciones del período de tiempo
seleccionado, resaltando herramientas, tecnología, datos, información y
personas, entre otras, también aquí ninguna coincidente con la nube de palabras
derivadas de los estudios científicos.
Figura
15
Nube de
palabras
En lo referente a palabras y
frases que se encuentran comúnmente en las menciones del período de tiempo
seleccionado, delineadas según si son tendencia o están perdiendo importancia,
aparecen en la Figura 16, donde comprobamos como tosas están en la zona de trending topic, es decir la IA está
de moda en las redes pero para objetivos como herramientas o Chat Gpt.
Figura 16
Tendencia de los temas
4. Discusión
yConclusiones
La incorporación de la IA en
los estudios universitarios genera un amplio debate entre
docentes-investigadores, estudiantes y la sociedad en general.
Así, se ha comprobado como a
nivel científico, los autores han abordado este tema desde distintas
perspectivas, discutiendo tanto las oportunidades que ofrece la IA como las
preocupaciones éticas y sociales asociadas con su implementación. La
utilización de la IA debe tratarse como un método de innovación docente que
puede generar beneficios en los estudiantes universitarios, derivados en muchos
casos del enfoque personalizado que permite un aprendizaje muy personalizado al
estudiante, pero también hay que tener presentes las deficiencias, entre las
que destaca como controlar el uso indebido de la misma.
No obstante, son pocos los
autores que están investigando sobre la IA en estos aspectos, ya que, en los
últimos cinco años, la producción científica ha sido escasa y se ha centrado
básicamente en la utilización y desarrollo de la misma en determinadas titulaciones
relacionadas con la medicina, la electrónica o la lingüística, pero no en cómo
aplicar esta inteligencia y sus herramientas en los nuevos métodos
docentes.
También hay que resaltar que
la mayor parte de esta producción científica se concentra en países
latinoamericanos, y que en Europa prácticamente no se ha investigado sobre la
IA y su uso en educación, guardando los autores poca relación en lo que a sus trabajos
se refiere.
Los conceptos más estudiados
por los científicos se agrupan en tres clústeres, donde se destacan términos
como IA, resultados, o estudiantes, pero no se estudian las herramientas que
permite manejar la IA, lo cual también hace que estos estudios publicados se
queden normalmente en meras descripciones del uso de la IA en determinados
aprendizajes.
Por el contrario, la escucha
social da primacía a las herramientas, dejando a un lado conceptos como
resultados o rendimientos, de los que no se habla en redes, ni tampoco de su
aplicación en determinados sectores, dando importancia a como se debe usar una
herramienta como Chat GPT.
Los sentimientos son
neutrales lo que también nos indica que queda mucho camino por recorrer a nivel
científico para que la sociedad pueda dar su opinión en redes y despertar
emociones y sentimientos.
El estudio tiene varias
limitaciones, la principal es que se realizó en fechas en las que empezaba a
hablarse del uso de alguna de las herramientas de la IA en campos específicos
de la universidad como es el desarrollo de los denominados Trabajos Fin de Grado
o inclusive en la realización de pruebas y exámenes, lo que empezó a generar un
debate sobre la necesidad de cambiar nuevamente las metodologías docentes.
Posiblemente en épocas cercanas, las líneas de investigación derivadas de la
EAI se enfocarán en ello, obviando el uso indebido que pueden hacer los
estudiantes y el excesivo control a realizar por los docentes para que esto no
se produzca.
Por otro lado, no se ha
realizado un análisis cuantitativo, sino un análisis bibliométrico referido a
la base de datos WOS y otro análisis basado en la escucha social, pero a pesar
de estas limitaciones, este estudio permitirá debatir sobre la EAI y, sobre
todo, como es necesario que los estudios científicos avancen en cuanto a las
herramientas de la IA aplicables a los estudios universitarios para que la
sociedad también pueda opinar sobre ello.
En resumen, la balanza va a
señalar más beneficios en cuanto al uso de la IA que desventajas, pero se requieren estudios
científicos que lo demuestren para que toda la comunidad universitaria empiece
a usar las herramientas del IA de forma habitual en los procesos de enseñanza,
igual que ha ocurrido años atrás con otro tipo de avances tecnológicos, que
luego se han convertido en verdaderos aliados de los docentes, como el m-learning, que supo aprovechar los contenidos de Internet a
través de dispositivos electrónicos móviles y los ha incorporado como una nueva
estrategia educativa.
Recientes investigaciones
apuntan que la IA será la gran novedad en la educación y el proceso de
enseñanza-aprendizaje, así como el motor de lo que ya se viene a denominar
Educación 4.0 (Fidalgo-Blanco et al., 2022; Ramírez-Montoya et al., 2022).
¿Sera así y podremos hablara en unos años de Educación 4.0?
Contribuciones
de autores
Conceptualización: S.M.-G. y A.B.-M.; Curación de
datos: S.M.-G.; análisis formal: S.M.-G.; investigación: A.B.-M.; Metodología: S.M.-G.;
gestión de proyectos: A.B.-M.; Recursos: A.B.-M.; software: S.M.-G. y A.B.-M.;
supervisión: S.M.-G. y A.B.-M.; validación: S.M.-G.; visualización: A.B.-M.; redacción – borrador original: S.M.-G.;
corrección y edición: S.M.-G. y A.B.-M.
Referencias
Alonso-de-Castro,
M.G., & García-Peñalvo, F.J. (2022). Successful educational methodologies: Erasmus+
projects related to e-learning or ICT. Campus Virtuales, 11(1),
95-114. https://doi.org/10.54988/cv.2022.1.1022
Aria, M., & Cuccurullo,
C. (2017). Bibliometrix: An R-tool for comprehensive science mapping
analysis. Journal of Informetrics, 11(4),
959-975. https://doi.org/10.1016/j.joi.2017.08.007
Arksey H., & O
́Malley L. (2005). Estudios
de alcance: hacia un marco metodológico. International Journal
of Social Research Methodology, 8(1), 19-32. https://doi.org/10.1080/1364557032000119616
Barquero Morales, W. G. (2022). Análisis PRISMA como metodología para
revisión sistemática: una aproximación general. Saúde Em Redes, 8(sup1), 339–360. https://doi.org/10.18310/2446-4813.2022v8nsup1p339-360
Cambria, E. (2016). Affective computing and sentiment
analysis. IEEE Intelligent Systems, 31(2), 102-107. https://doi.org/10.1109/MIS.2016.31
Fajardo Aguilar, G. M.,
Ayala Gavilanes, D. C., Arroba Freire , E. M., & López Quincha , M. (2023).
Inteligencia Artificial y la Educación Universitaria: Una revisión
sistemática. Magazine De Las Ciencias: Revista De Investigación E
Innovación, 8(1), 109–131. https://doi.org/10.33262/rmc.v8i1.2935
Fidalgo-Blanco, A., Sein-Echaluce, M.L., & García-Peñalvo, F.J. (2022).
Método basado en Educación 4.0 para mejorar el aprendizaje: Lecciones
Aprendidas de la COVID-19. RIED, 25(2), 49-72. https://doi.org/10.5944/ried.25.2.32320
Halili, S. H. (2019). Technological advancements in
education 4.0. The Online Journal of Distance Education and E-Learning, 7(1),
63–69. https://bit.ly/46dpmR4
Herrera, L.C., Majchrzak, T.A., Thapa, D. (2022). Principles
for the Arrangement of Social Media Listening Practices
in Crisis Management. In: Sanfilippo, F., Granmo, OC., Yayilgan, S.Y., Bajwa, I.S. (eds) Intelligent Technologies
and Applications. INTAP 2021. Communications in Computer and Information
Science, vol 1616. Springer, Cham. https://doi.org/10.1007/978-3-031-10525-8_22
Hinojo-Lucena, F.-J., Aznar-Díaz,
I.; Cáceres-Reche, M.-P., & Romero-Rodríguez,
J.-M. (2019). Artificial Intelligence in Higher Education: A
Bibliometric Study on its Impact in the Scientific Literature. Education Science 9, 51. https://doi.org/10.3390/educsci9010051
Jimbo-Santana, P., Lanzarini, L. C., Jimbo-Santana, M., & Morales-Morales,
M. (2023). Inteligencia artificial para analizar el rendimiento académico en
instituciones de educación superior. Una revisión sistemática de la literatura.
Cátedra, 6(2), 30–50. https://doi.org/10.29166/catedra.v6i2.4408
Li, J., Goerlandt, F., &
Reniers, G. (2021). An overview of scientometric
mapping for the safety science community: Methods, tools, and framework. Safety
Science, 134, [105093]. https://doi.org/10.1016/j.ssci.2020.105093
Lu, L. L. & Harris, L.A. 2018. Artificial
Intelligence (AI) and Education. FOCUS:
Congressional Research Service. Consultado en https://fas.org/sgp/crs/misc/IF10937.pdf
Martínez-Comesaña, M., Rigueira-Díaz, X., Larrañaga-Janeiro, A.,
Martínez-Torres, J., Ocarranza-Prado, I., & Kreibel, D. (2023). Impacto de la inteligencia artificial
en los métodos de evaluación en la educación primaria y secundaria: revisión
sistemática de la literatura. Revista de Psicodidáctica,
28(2), 93-103. https://doi.org/10.1016/j.psicod.2023.06.001
Moreno, L., & Pedreño,
A. (2020). Europa frente a EE.UU. y China. Prevenir el declive en la era de
la inteligencia artificial. KDP. https://bit.ly/3PFeOS2
Page, M. J., Mckenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D. & Moher, D.
(2021). Declaración PRISMA 2020: una guía
actualizada para la publicación de revisiones sistemáticas. Revista Española de
Cardiología, 74(9), 790–799.https://doi.org/10.1016/j.recesp.2021.06.016
Ramírez-Montoya, M.S.,
Castillo-Martínez, I.M., Sanabria-Z, J., & Miranda, J. (2022). Complex thinking
in the framework of education 4.0 and open innovation-a systematic literature
review. Journal of Open Innovation, 8(1), 4. https://doi.org/10.3390/joitmc8010004
Salas-Pilco, S. Z., & Yang, Y. (2022). Artificial
intelligence applications in Latin American higher education: a systematic
review. International Journal of Educational Technology in Higher Education,
19(1). https://doi.org/10.1186/s41239-022-00326-w
Song, P. & Wang, X. (2020). A bibliometric
analysis of worldwide educational artificial intelligence research development
in recent twenty years. Asia Pacific Education Review, 21(3), 473–486. https://doi.org/10.1007/s12564-020-09640-2
Stieglitz, S., Mirbabaie,
M., Ross, B. & Neuberger, C. (2018). Social media analytics—Challenges in
topic discovery, data collection, and data preparation. International
Journal of Information Management, 39, 156–168. https://doi.org/10.1016/j.ijinfomgt.2017.12.002.
Telefónica (2019). Informe
Things Matter 2019. La
experiencia del usuario de Internet de las Cosas en España. https://iotbusinessnews.com/download/white-papers/TELEFONICA-white-paper-things-matters-2019.pdf
Zawacki-Richter, O., Marín, V.I., Bond, M., &
Gouverneur, F. (2019). Revisión
sistemática de la investigación sobre aplicaciones de inteligencia artificial
en la educación superior: ¿dónde están los educadores? Revista Internacional de Tecnología Educativa en la Educación Superior, 16(1),
1-27.