Recibido: 15 octubre 2024 Revisado: 27 noviembre 2024 Aceptado: 18 diciembre 2024. Publicado: 16 enero 2025.	Como Citar: Nuñez Romero, F. J. (2025). El Impacto de la Inteligencia Artificial en la Educación Secundaria y Superior en América Latina. Revista investigación & praxis en CS Sociales, 4(1). 1-12 https://doi.org/10.24054/ripcs.v4i1.4009

• •
  ¿Cuáles
  fueron
  las
  principales
  aplicaciones
  y herramientas
  de
  IA
  que
  se
  investigaron,
  pilotearon o implementaron en la educación secundaria y superior en América Latina?
• •
  ¿Qué beneficios pedagógicos, administrativos o de gestión educativa se asociaron
  con
  el uso de la IA en estos niveles educativos en la región?
• •
  ¿Cuáles
  fueron
  los
  principales
  desafíos,
  limitaciones
  y
  riesgos
  (incluyendo
  consideraciones éticas, de equidad, y de infraestructura) identificados en la literatura
  respecto a la adopción de la IA en la educación secundaria y superior latinoamericana?
• •
  ¿Qué marcos teóricos o conceptuales se utilizaron predominantemente para analizar el
  impacto de la IA en la educación en este contexto?
• •
  ¿Cuáles fueron las brechas de conocimiento y las líneas de investigación futuras más
  relevantes que se perfilaron en este campo para América Latina?

• •
  Identificar y categorizar las principales aplicaciones de la IA en la educación secundaria y
  superior documentadas en la literatura científica latinoamericana.
• •
  Sintetizar los beneficios potenciales y los resultados positivos reportados derivados del
  uso de la IA en los contextos educativos mencionados.
• •
  Analizar
  críticamente
  los
  desafíos,
  limitaciones,
  riesgos
  y
  consideraciones
  éticas
  asociadas a la implementación de la IA en la educación secundaria y superior en América
  Latina.
• •
  Describir
  las perspectivas
  teóricas
  predominantes
  y
  las
  metodologías
  de
  investigación
  empleadas en los estudios sobre IA en educación en la región.
• •
  Identificar
  vacíos
  en
  la
  investigación
  actual
  y
  proponer
  futuras
  líneas
  de
  estudio
  relevantes para el contexto latinoamericano.

1. 1.
   Búsqueda y recopilación inicial: Se aplicaron las estrategias de búsqueda en las fuentes
   seleccionadas, generando un amplio conjunto inicial de documentos.

1. 2.
   Cribado
   inicial:
   Se
   realizó
   una
   revisión
   de
   títulos
   y
   resúmenes
   para
   descartar
   los
   documentos no pertinentes, basándose en los criterios de inclusión/exclusión definidos.
2. 3.
   Lectura
   a
   texto
   completo:
   Se
   llevó
   a
   cabo
   una
   evaluación
   detallada
   de
   los
   artículos
   preseleccionados para confirmar su relevancia, calidad metodológica y aporte al estudio.
3. 4.
   Extracción
   de
   datos:
   Se
   diseñó
   y
   utilizó
   una
   ficha
   de
   extracción
   de
   información
   estandarizada que contempló: autor(es), año, país/región de enfoque, nivel educativo,
   tipo
   de
   IA/aplicación,
   metodología
   del
   estudio,
   principales
   hallazgos
   (beneficios,
   desafíos), conclusiones y consideraciones éticas.
4. 5.
   Análisis
   y
   síntesis
   cualitativa:
   Se
   efectuó
   un
   análisis
   temático
   del
   contenido
   de
   las
   fuentes seleccionadas, identificando patrones, tendencias, convergencias y divergencias
   en la literatura. Se buscó construir una narrativa coherente y crítica que respondiera a
   las preguntas de investigación. Este riguroso proceso de revisión y análisis de más de 70
   referencias garantizó la calidad y
   relevancia de los hallazgos presentados.

• •
  Aplicaciones
  de
  la
  IA:
  Se
  identificó
  una
  creciente,
  aunque
  heterogénea,
  adopción
  de
  diversas aplicaciones de IA. Entre las más documentadas se encontraron los Sistemas de
  Tutoría Inteligente (ITS), especialmente en áreas como matemáticas y ciencias (Valdez
  et
  al.,
  2020);
  plataformas
  de
  aprendizaje
  adaptativo
  que
  ajustaban
  las
  rutas
  de
  aprendizaje al progreso individual (Montes & Suárez, 2021); herramientas de evaluación
  automatizada, principalmente para pruebas objetivas y ensayos cortos (Ramírez-Ochoa
  &
  García-Valcárcel,
  2022);
  y
  el
  uso
  de
  analíticas
  de
  aprendizaje
  para
  la
  detección
  temprana de estudiantes en riesgo y la personalización de
  intervenciones (Arias-Oliva et
  al.,
  2019).
  También
  se
  observaron
  iniciativas
  incipientes
  en
  el
  uso
  de
  chatbots
  para
  soporte
  estudiantil
  y
  la
  optimización
  de
  la
  gestión
  administrativa
  a
  través
  de
  herramientas
  de
  IA.
  Las
  investigaciones
  y
  implementaciones
  se
  concentraron
  principalmente en Brasil, México, Chile, Colombia y Argentina, aunque con desarrollos
  desiguales.
• •
  Beneficios
  reportados:
  La
  literatura
  consistentemente
  señaló
  mejoras
  en
  la
  personalización
  del
  aprendizaje
  como
  uno
  de
  los
  principales
  beneficios,
  permitiendo
  atender la diversidad de ritmos y estilos de los estudiantes (Silva & Castellanos,
  2020).
  Se
  reportó
  un
  aumento
  en
  la
  motivación
  y
  el
  compromiso
  estudiantil
  en
  contextos
  específicos
  donde
  se
  implementaron
  herramientas
  interactivas
  basadas
  en
  IA
  (Pérez-
  Morales & Rodríguez-Grau, 2021). La eficiencia en tareas docentes, como la corrección

• de ciertas evaluaciones y la gestión de grandes volúmenes de datos, fue otro
  beneficio
  destacado,
  permitiendo
  a
  los
  educadores
  dedicar
  más
  tiempo
  a
  la
  interacción
  pedagógica directa (López-Meneses et al., 2020). Además, se vislumbró el potencial de
  la
  IA
  para
  facilitar
  el
  acceso
  a
  la
  educación
  de
  calidad
  en
  zonas
  remotas
  o
  para
  poblaciones
  con
  necesidades especiales,
  aunque
  esto
  aún
  se encontraba
  en
  una
  fase
  exploratoria en la mayoría de los casos.
• •
  Desafíos
  y
  consideraciones
  éticas:
  La
  discusión
  en
  la
  literatura
  estuvo
  fuertemente
  marcada por los obstáculos. La brecha digital y la deficiente infraestructura tecnológica
  en
  muchos
  países
  y
  regiones
  de
  América
  Latina
  emergieron
  como
  la
  barrera
  más
  significativa
  (Dussel,
  2021;
  SITEAL,
  2021).
  La
  necesidad
  imperante
  de
  una
  formación
  docente
  robusta
  y
  continua,
  no
  solo
  en
  el
  uso
  técnico
  de
  herramientas
  de
  IA
  sino
  también
  en
  su
  integración
  pedagógica
  crítica,
  fue
  un
  clamor
  generalizado
  (Vaillant,
  2019). La falta de políticas públicas claras y marcos regulatorios específicos para la IA en
  educación generó incertidumbre y dificultó implementaciones a gran escala (Aguerre,
  2019). Los costos asociados a la adquisición, desarrollo y mantenimiento de soluciones
  de IA también se señalaron como un factor limitante, especialmente para instituciones
  con
  presupuestos
  ajustados.
  Los
  dilemas
  éticos
  fueron
  una
  preocupación
  central,
  abarcando
  la
  privacidad
  y
  seguridad
  de
  los
  datos
  estudiantiles,
  los
  riesgos
  de
  sesgos
  algorítmicos
  que
  podrían
  reproducir
  o
  amplificar
  desigualdades
  sociales
  y
  de
  género
  existentes,
  y
  la
  necesidad
  de
  garantizar
  la
  transparencia
  y
  la
  explicabilidad
  de
  los
  sistemas
  de
  IA
  (UNESCO,
  2021;
  Cobo,
  2019).
  Estos
  hallazgos
  contrastaron
  con
  el
  optimismo
  tecnológico
  presente
  en
  parte
  de
  la
  literatura
  global,
  subrayando
  la
  importancia de soluciones contextualizadas para América Latina.
• •
  Marcos teóricos y metodologías: Se observó un predominio de enfoques
  descriptivos y
  estudios de caso en la investigación regional, muchos de ellos centrados en la viabilidad
  técnica
  o
  en
  la
  percepción
  de
  los
  usuarios
  sobre
  implementaciones
  piloto
  de
  herramientas de IA específicas. Los marcos teóricos explícitos fueron menos comunes,
  aunque se identificaron algunos trabajos que recurrieron a la Teoría de la Actividad o a
  modelos
  de
  Aceptación
  Tecnológica
  (TAM)
  para
  analizar
  la
  adopción
  de
  la
  IA
  (Fernández-Ríos
  &
  Ramírez-Hernández,
  2022).

• •
  Brechas de conocimiento: Se delinearon varias áreas que requerían mayor investigación.
  Existía
  una
  notable
  falta
  de
  estudios
  longitudinales
  que
  evaluaran
  el
  impacto
  a
  largo
  plazo de la IA en el aprendizaje y desarrollo de competencias. La investigación centrada
  en las percepciones y experiencias de los estudiantes y docentes de manera comparada
  y a gran escala era escasa. Se identificó la necesidad de más análisis comparativos entre

• diferentes
  países
  y
  contextos
  socioeconómicos
  dentro
  de
  la
  región
  para
  comprender
  mejor los factores que facilitan o dificultan la adopción efectiva de la IA. Finalmente, el
  desarrollo y validación de marcos éticos y regulatorios contextualizados para la IA en la
  educación latinoamericana emergió como una prioridad urgente.