See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/373926511

Inteligencia artificial generativa para fortalecer la educación superior

Generative artificial intelligence to boost higher education

Article in LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades · September 2023

DOI: 10.56712/latam.v4i3.1113

CITATION READS

1 595

16 authors, including:

María Elena Chávez Solís Esther Labrada Martínez

Metropolitan Autonomous University Universidad Nacional Autónoma de México
3 PUBLICATIONS 8 CITATIONS 2 PUBLICATIONS 0 CITATIONS

SEE PROFILE SEE PROFILE

All content following this page was uploaded by María Elena Chávez Solís on 30 October 2023.

The user has requested enhancement of the downloaded file.

 DOI: https://doi.org/10.56712/latam.v4i3.1113
Inteligencia artificial generativa para fortalecer la
educación superior
Generative artificial intelligence to boost higher education

María Elena Chávez Solís

maelenachavezs@gmail.com
https://orcid.org/0000-0001-5743-3008
Universidad Autónoma Metropolitana / Universidad Rosario Castellanos
México – DF

Esther Labrada Martínez

estherlabrada@gmail.com
https://orcid.org/0000-0002-4743-9710
Universidad Nacional Autónoma de México
México – DF

Eric Carbajal Degante

erik_carbajal@cuaieed.unam.mx
https://orcid.org/0000-0002-1532-9322
Universidad Nacional Autónoma de México
México – CDMX

Erika Pineda Godoy

pinedaerika28@gmail.com
https://orcid.org/0000-0001-8926-8342
Universidad Rosario Castellanos
México – CDMX

Yadira Alatristre Martínez

yalatriste@azc.uam.mx
https://orcid.org/0000-0001-5410-6749
Universidad Autónoma Metropolitana
México – CDMX

Artículo recibido: 29 de agosto de 2023. Aceptado para publicación: 14 de septiembre de 2023.

Conflictos de Interés: Ninguno que declarar.

Resumen
La transformación digital acelerada conlleva una serie de adaptaciones y reestructuración en
los procesos de enseñanza aprendizaje que implica evaluar los riesgos y aportaciones para su
adopción. Como ejemplo, se tiene a la Inteligencia Artificial Generativa, que representa un gran
dilema para docentes y estudiantes. Su característica es la generación autónoma de texto,
imágenes, voz y contenido en general, lo que se aprecia como una gran aportación a la eficiencia
y productividad. Sin embargo, conlleva la reflexión y el cuestionamiento del rumbo que tomará
la educación bajo la adopción de un proceso automatizado para la generación de este tipo de
recursos. Ante esta perspectiva, el objetivo de esta investigación es evaluar las aportaciones de
la Inteligencia Artificial Generativa en la educación de nivel superior para proponer una
estrategia que fortalezca el aprendizaje. La metodología implementada se fundamenta en el
método cualitativo para su consecución bajo el muestreo intencional, con una estrategia de
caso de conveniencia en estudiantes de nivel superior en universidades públicas de México,
analizando el uso de la tecnología. Los principales resultados advierten la necesidad de la

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, septiembre, 2023, Volumen IV, Número 3 p 767.
mejora continua en el uso y aprovechamiento de la tecnología y de la innovación tecnológica,
bajo la toma de decisiones informadas.

Palabras clave: aprendizaje, enseñanza, evaluación, inteligencia artificial discriminativa,

inteligencia artificial generativa, aprendizaje móvil

Abstract
The accelerated digital transformation entails a series of adaptations and restructuring in the
teaching-learning processes that must evaluate the risks and contributions that will be made
with its adoption. As an example, we have Generative Artificial Intelligence, which represents a
great dilemma for teachers and students. Its characteristic is the autonomous generation of
text, images, voice, and content in general, wich is considered a significant contribution to
efficiency and productivity. However, it leads to reflection and questioning of the direction that
education will take under the adoption of an automated process for the generation of this type
of resources. Given this perspective, the objective of this research aims to evaluate the
contributions of Generative Artificial Intelligence in higher education to propose a strategy that
strengthens learning. The implemented methodology is based on the qualitative method for its
achievement under intentional sampling with a convenience case strategy, in higher-level
students in public universities in Mexico, analyzing the use of technology. The main results warn
of the need for continuous improvement in the use and exploitation of technology and
technological innovation, under informed decision-making.

Keywords: learning, teaching, evaluation, discriminative artificial intelligence, generative

artificial intelligence, mobile learning

Todo el contenido de LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades,

publicados en este sitio está disponibles bajo Licencia Creative Commons .

Como citar: Chávez Solis, M. E., Labrada Martínez, E., Carbajal Degante, E., Pineda Godoy, E., &
Alatristre Martínez, Y. (2023). Inteligencia artificial generativa para fortalecer la educación
superior. LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades 4(3), 767–784.
https://doi.org/10.56712/latam.v4i3.1113

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, septiembre, 2023, Volumen IV, Número 3 p 768.
INTRODUCCIÓN

La educación a nivel superior considera la etapa cercana a la integración laboral del estudiante
y, deberá estar preparado tanto en el ámbito de su competencia, como en el uso de la tecnología.
Un estudio de PricewaterhouseCoopers revela que cada vez son más las empresas globales
conscientes del valor de la Inteligencia Artificial (IA) en la gestión de la fuerza laboral (Moore,
2020). Asimismo, se ha estimado que “la mayoría de los estudiantes de todos los niveles no
tienen las condiciones para convertirse en alumnos en línea” (SECTEI, 2020).

Por lo anterior, se abordan las siguientes preguntas: ¿cómo hacer uso de la IA Generativa (IAG)
en el aprendizaje del estudiante?, ¿cómo coadyuva la IAG en la enseñanza para fortalecer la
actividad docente?, ¿cómo se integra la IAG en el proceso de evaluación de los estudiantes? y
¿qué riesgos se identifican en el aprendizaje mediante la IAG? El objetivo de esta investigación
es analizar las aportaciones de la IAG y proponer una estrategia que fortalezca el aprendizaje
en la educación de nivel superior y evaluar los riesgos de utilizar texto, voz, imágenes y recursos
generados mediante esta tecnología.

El uso de la IA en la educación superior es una herramienta de apoyo, tanto desde el uso que da
el estudiante (herramientas que facilitan el aprendizaje); como las del docente (aplicaciones que
apoyan la enseñanza) y aquellas que son incorporadas en la evaluación en el entorno de
aprendizaje (en línea o presencial). Se investigó sobre tres ejes principales, 1) las herramientas
para el aprendizaje del estudiante, 2) las aplicaciones para la enseñanza en educación superior
que incorpora el docente y 3) el uso de tecnología para el fortalecimiento del sistema de
evaluación.

En este sentido, conocer los diferentes enfoques desde la IA Débil, la Fuerte, la Distributiva, la
Generativa (IAG) y las Redes Generativas Antagónicas (GAN, por sus siglas en inglés) permiten
la reflexión sobre el rol que tendrán el docente y el estudiante. Finalmente, se presentan los
resultados mostrando la importancia del uso de la IAG en el proceso de enseñanza aprendizaje
para un conocimiento significativo y sus riesgos.

Estado del arte

La inteligencia artificial y algunos tipos

Los inicios de la IA se remontan a la edad media y el renacimiento, siendo que posteriormente

Alan Turing pasaría a la historia por haber definido la Prueba de Turing, basada en el juego de
la imitación. En palabras de González y Tobar (2018) la tesis de Turing dio lugar a un enfoque
en IA, considerándola evidencia suficiente de que, una máquina programada piensa. Para fines
de esta investigación y dadas las grandes aportaciones a diferentes sectores, no se cuestiona
el razonamiento de las máquinas, sino la evolución de la IA, para lo que resulta importante
conocer algunos tipos y su aplicación.

Dada la evolución que ha tenido la IA, algunos autores como: Meseguer y López de Mantarás
(2017) la dividen en “débil”, definida como la ciencia e ingeniería que permite diseñar y
programar ordenadores, de forma que realicen tareas que requieren inteligencia y “fuerte” es la
ciencia e ingeniería que posibilita replicar la inteligencia humana a través de máquinas. La
transición de una IA “débil” a otra “fuerte” dependería del diseño de la máquina inteligente, en
cuanto a que su forma de inteligencia debiera ser esencialmente humana.

El tipo de aprendizaje máquina que utilizan los modelos de IA para ser entrenados, da la pauta
para generar dos enfoques característicos: la IA Discriminativa (IAD) se centra en aprender
cómo lucen los datos, así como identificar elementos distinguibles mediante una frontera de
separación, esto facilita las tareas posteriores de clasificación o categorización y la IA

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, septiembre, 2023, Volumen IV, Número 3 p 769.
Generativa (IAG) busca entender la distribución de las características de los datos por cada
clase con el propósito de generar datos similares de forma artificial. La IAD, definida como un
paradigma informático, evita la necesidad de mover grandes cantidades de datos y brinda la
capacidad de analizar datos en la fuente (Chong et al., 2021).

Algunos autores (Polukarov et al., 2022) consideran que la IAD explora los contextos sociales y
tecnológicos de las entidades inteligentes que interactúan, incluidos los sistemas de múltiples
agentes, la simulación basada en agentes, la computación colectiva, la web semántica, la
procedencia, las normas, los incentivos, los gráficos de conocimiento, la confianza y la
reputación. Ambos enfoques de la IA se complementan al enriquecer la comprensión global de
la perspectiva humana modelada con ayuda de las máquinas. La Figura 1 muestra el conjunto
de datos en el que evalúa la IAD y asigna reconociendo cada uno; en cambio, la IAG crea datos
similares.

Figura 1

Inteligencia Artificial Discriminativa e Inteligencia Artificial Generativa

Inteligencia Artificial Discriminativa Inteligencia Artificial Generativa

Nota: Adaptado de Xue y Titterington, (2008)

La Tabla 1 describe las diferencias entre la IAD y la IAG y la Tabla 2 presenta los modelos y su
uso.

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, septiembre, 2023, Volumen IV, Número 3 p 770.
Tabla 1

Diferencias entre los modelos discriminativos y generativos

Características IA Discriminativa IA Generativa

Objetivo Clasificar y categorizar datos. Generar nuevos datos o contenido multimedia.
Función Modelar una función de discriminación. Modelar la distribución de datos.
Salida Clasifica datos en categorías o grupos preestablecidos. Puede generar datos que se asemejan a los datos de
entrenamiento.
Arquitectura Utiliza redes neuronales convolucionales (CNNs), máquinas de Puede incluir redes generativas antagónicas (GANs), redes
soporte vectorial (SVMs), entre otros. neuronales recurrentes (RNNs), entre otros.
Entrenamiento Aprendizaje supervisado y enfoque de clasificación. Aprendizaje no supervisado y aprendizaje de distribuciones.
Uso en Aplicaciones Reconocimiento de objetos, traducción automática, búsqueda de Arte generativo, síntesis de datos, mejora de imágenes, asistentes
información. digitales.
Desafíos Comunes Lidiar con desequilibrio de clases, sobreajuste y selección de Controlar la calidad y coherencia de las salidas generadas.
características.
Representación Se enfoca en aprender las características más discriminativas Puede aprender características latentes y complejas de los datos.
Interna para la clasificación.

Fuente: Carbajal-Degante, E. (2023)

Tabla 2

Landscape de las aplicaciones de la IAG por tipo de dato

Modelo basado en Uso o aplicación Nombre de la aplicación

Texto Realiza resúmenes, asistencia de escritura, ChatGPT, PaLM, Galáctica y LLaMA, Bing AI, BARD de Google, DyckAssist,
generación de código, traducción de idiomas y Metaphor o Perplexity AI, Galáctica y Minerva, GrammarlyGo y PEER,
análisis de opiniones. Chatdoctor, GlassAI, Med PaLM 2, YourDoctor, Hippocratic AI y MedQA., Roam
Around, TripNotes, Kayak de ChatGPT, ChatDOC y MapDeduce

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, septiembre, 2023, Volumen IV, Número 3 p 771.
Imágenes Creación y edición de imágenes a partir de DALL-E 2, Midjourney, Alpaca AI y Facet AI, Photoroom AI, OpenART que usa
indicaciones de texto; pintura interior, pintura DALL-E 2, Midjourney, Stable Diffusion y Mage, Space, NightCafe, CLIP-Guide
exterior, mejora de escala, súper resolución, Diffusion, VQGAN+CLIP y Neural Style Transfer, Wonder, Neural, Love, Art
desenfoque y generación de mapas de Generator, Tattoos AI, Supermeme AI, Profile Picture AI, Bing AI Image Creator,
profundidad. Craiyon, DALL-E 2, GLIGEN, Imagen, Midjourney, Muse, Parti, Runway ML Text
Imágenes artísticas: a través de indicaciones de to Image y Stable Diffusion ML.
texto; generación de tatuajes, creación de Aragon AI, Avatar AI y PrimeProfile, PLaY, Autodraw.
memes, avatares artísticos. Imágenes realistas: a
través de entradas de texto, generaciones
fotorrealistas, crea fotografías de estilo de vida a
través de imágenes de sujetos de muestra.
Video Ayuda a los productores a contar historias, crea Video Generative AI, Imagen Video, Meta Make A Video, Phenaki y Runway
videos de humanos digitales a través de texto o Gen-2, Colossyan AI, Elai AI, Heygen AI, Hour One AI, Rephrase AI y Synthesia
avatares, captura de movimiento humano y (combina el uso de 120 idiomas para la creación de voz). SuperCreator
doblaje de video. aplicación móvil genera videos cortos para TikTok, Reels y Sintetizadores
Video para YouTube, Tavus AI, D-ID (crea videos en tiempo real), Kaiber y Opus
AI, GeoGPT y SE3DS
3D Creación mediante mensaje, texto o video, Adobe Firelly, Dreamfusion, GET3D, Magic3d, Synthesis y Text2Room. Mirage
aplicaciones como juegos, el metaverso o el para generar piezas 3D animadas. MAV3D para generar modelos 4D. GeNVS,
urbanismo. Kaedim, Make-It-3D, RealFusion. NVIDIA Lion, EVA3D, Neural-Lift-360,
Scendreamer, PersoNERF (a través de personas). Deep Motion, Plask AI,
Texto a 3D Creación a través de texto, imagen y modelos 2D. NVIDIA LION. Metaphysic AI y Versy AI
Entrada de una sola imagen para crear modelos
3D y de imágenes 2d.
Entradas de video para generar modelos 3D a
partir de puntos geométricos.
Código y Software Programan y crean sitios web, ayudan con tareas ChatGPT, Alphacode, Amazon CodeWhisperer, BlackBox AI, CodeComplete,
muy repetitivas como la documentación del CodeGeeX, Codeio, IA mutable, Github Copilot X, GhostWriter Replit y Tabnine,
programador. Codex. Mintlify, Stenography (para la documentación de código, AI Office Bot
(además las explica), Hojas de datos GPT, Excel Formulabot, Hojas de IA de
Google Workspace, Sheets AI., AI2SQL y Seek AI, IA de Vercel, Microsoft
Security Copilot, Durable y Mutiny, Diagrama AI, Galileo AI y Uizard AI, The.com
(página automatizada), Flutterflow, Imagica AI, Google Generative App Builder,
Debuild AI, Literally Anything IO, Berry AI y Second AI y Zbrain.

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, septiembre, 2023, Volumen IV, Número 3 p 772.
Texto a código Generación a través de entradas de texto, de ChatGPT, Alphacode, Amazon CodeWhisperer, BlackBox AI, CodeComplete,
multilingüe. código a través de hojas de cálculo como Excel y CodeGeeX, Codeio, IA mutable, Github Copilot X, GhostWriter Replit y Tabnine,
de fórmulas. Aplicaciones para SQL. Traducción Codex. Mintlify y Stenography (para la documentación de código. AI Office Bot
de código. Ayuda en la ciberseguridad. Creación (además las explica), Hojas de datos GPT, Excel Formulabot, Hojas de IA de
de páginas web generativas con imágenes y Google Workspace y Sheets AI. AI2SQL y Seek AI, IA de Vercel, Microsoft
texto a través de avisos de texto. Creación de Security Copilot, Durable y Mutiny, Diagrama AI, Galileo AI y Uizard AI.
aplicaciones de nivel empresarial y de The.com (página automatizada). Flutterflow, Imagica AI y Google Generative
aplicaciones web. App Builder. Debuild AI, Literally Anything IO, Berry AI y Second AI. Zbrain.
Discurso Imita la voz humana mediante podcasts, videos de YouTube y ayuda a personas mudas a comunicarse.
Texto a voz Creación de grabaciones de voz a través de Coqui, Descript Overdub, Eleven Labs, Listnr, Lovo AI, Resemble AI, Replica
indicaciones de texto. Studios, Voicemod, Wellsaid y AudioLM. ACE-VC (de voz a voz), VALL-E (toma
una grabación y la transforma con entonación y emoción), Supertone AI
(edición de voz), Dubverse (grabaciones de video en voz, útiles para doblaje).
Comprensión de la Traducción de diferentes tipos de información en
IA texto, videos, voz y más a lenguaje natural.
Voz a texto Los subtítulos y las transcripciones se realizan Cogram AI, Deepgram AI, Dialpad AI, Fathom Video, Fireflies AI, Google USM,
mediante IAG. Papercup, Reduct Video, Whisper y Zoom IQ.
Negocios Las tecnologías de texto, imagen y video son Harvey automatiza la ley.
aplicadas a los negocios. Truewind automatiza la contabilidad.
Ventas Redacción publicitaria, se adapta al tono de la Anyword, Copy AI, Google Workspace – Gmail and Docs, Hyperwrite, Jasper,
empresa, crea anuncios y narración de historias. Letterdrop, Regie AI, AI simplificado, Tipo AI y Writesonic. Ad Creative AI,
Comunicación con el cliente mediante la Clickable, Omneky, Pencil y Waymark. LensAI ajusta los anuncios. AI 21 Labs
automatización y envío de correos. Contenido y Subtxt. One Reach AI, Open Sight, Brainfish y Yuma AI. InboxPro Laven der,
personalizado en la nube. Asistencia de voz, Smatwriter y Twain. Einstein GPT. Poly AI Cresta, Foretrhroug AI, Grain AI y
impulso de ventas, análisis comercial, gestión y Replicant. Rationale AI BUS ChatGPT, ChatGPT en Slack y Moveworks.
automatización de empleados a través de
resúmenes de conversaciones.
Juegos A través de imágenes, texto y modelos 3D; crea CSM, Iliad AI, Latitude, Pixelvibe, ArmorLab, Mario GPT. Character AI, ConvAI,
videojuegos y personajes a través del lenguaje InWorld AI, RCT AI Chaos Box.
natural.
Música Se crea música con mensajes de texto básicos o Aiva, ERNIE-music, Harmonai, Infinite Album, Jukebox, Mubert, Musico,
con otra música. Noise2Music, Sonify, soundful y Splas AI Bealtbot y EDGE.

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, septiembre, 2023, Volumen IV, Número 3 p 773.
 Biotecnología Utiliza IAG en su proceso de creación de NASDAQ
fármacos., ayudan en el proceso de modelado de
moléculas.
Descubrimien-to Cuentan con modelos de IA biomolecular NVIDIA Bionemo, Absci, Atomic AI, BigHat AI, Exscientia, Menten AI y
de drogas generativos y predictivos a escala. ProteinQure,
Cerebro Ayudan a las personas mudas a comunicarse a Speech From Brain y Non-Invasive Brain Recordings de Meta AI. Stable
través de la IAG. Intentan decodificar el habla a Diffusion for Brain Imágenes (reconstruye imágenes de la actividad del cerebro
partir de grabaciones cerebrales no invasivas. humano.
Multimodal Tomas múltiples entradas que son de gran ayuda GATO, Kosmos-1, GPT-4, ERNIE boot. Prismer, PALM-E.
para los avances de la IA.

Nota: adaptado de Gozalo-Brizuela y Garrido-Mech (14 junio 2023)

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, septiembre, 2023, Volumen IV, Número 3 p 774.
En 2014, Goodfellow es el primero en proponer la Red Generativa Antagónica (Generative
Adversarial Network, GAN por sus siglas en inglés) (Ghannad y Lee, 2022), la que combina una
red neuronal generadora de imágenes con otra que verifica la credibilidad de las imágenes
(Álvarez Ayuso y del Blanco García, 2023), son un tipo de modelo generativo con una
arquitectura específica en la que dos redes, un generador y un discriminador, compiten entre sí
para producir muestras generadas cada vez más plausibles (Hughes et al., 2021).

Un caso particular de las GAN, refiere la Construcción Modular (CM) utilizada por los
profesionales en Diseño y Arquitectura. Algunos autores consideran que la CM de vivienda se
utiliza para mejorar la productividad general de diversos proyectos de construcción ya que
mejora la capacidad de construcción de un diseño, incrementa la calidad de los productos de
construcción y disminuye la dependencia de trabajadores poco calificados (Ghannad y Lee,
2022), siendo de gran aportación por la reducción de tiempos, costos y desperdicios;
incrementando la productividad. Se presentó el avance tecnológico y la evolución de la IA
centrada en la IAG y ahora se continúa con el marco teórico referenciado a la IA en la educación
para el entendimiento de las teorías que sustentan la investigación.

DESARROLLO

La Inteligencia Artificial en la Educación

El uso de la tecnología se potenció durante la pandemia de la COVID-19. En el sector educativo

fue necesaria una adaptación al uso de los dispositivos tecnológicos y una transformación
digital acelerada. En la Declaración de Qingdao (UNESCO, 2015) se establece que: para lograr el
objetivo de una educación inclusiva y equitativa de calidad y un aprendizaje permanente para
2030, las TIC, incluido el aprendizaje móvil1, deben aprovecharse para fortalecer los sistemas
educativos, la difusión del conocimiento, el acceso a la información, el aprendizaje efectivo y de
calidad y una prestación de servicios más eficiente (UNESCO, 2015). Dado que el aprendizaje
se construye en el interior del sujeto, desde el conectivismo éste depende de la capacidad de
conectarse con nodos o fuentes de información especializada (Siemens, 2004), desde esta
teoría es de vital importancia la actualización, lo nuevo o lo que se va a aprender. Como bien se
explica, (Zabalza Beraza, 2000) el aprendizaje es un proceso en que se involucran tres
dimensiones: 1. Lo teórico en sí, 2. Las tareas y acciones del alumno y 3. Las tareas y actividades
de los profesores; esto es; el conjunto de factores que pueden intervenir sobre él (Esguerra
Pérez y Guerrero Ospina, 2010).

El mandato de la UNESCO (2021a) exige inherentemente un enfoque de la IA centrado en el ser

humano. La promesa de “IA para todos” debe ser que todos puedan aprovechar la revolución
tecnológica en marcha y acceder a sus frutos, especialmente en términos de innovación y
conocimiento.

En la era de Internet, las tecnologías móviles y la educación abierta, la necesidad de cambios

para mejorar la eficiencia y la calidad de la educación superior se ha vuelto crucial (Long y
Siemens, 2014). La IA ha logrado incorporarse para coadyuvar en el aprendizaje de una lengua,
en la traducción de textos, bot de asistencia de información, herramientas educacionales. La
tutoría de la IA coadyuva al docente para facilitar la demanda personalizada del estudiante que,
de forma manual, por ejemplo, podría representar mayor tiempo asignado en la evaluación de
procesos con fórmulas matemáticas.

1
Aprendizaje móvil, mobile learning o m-learning significa aprendizaje que utiliza cualquier dispositivo
móvil –smartphone, tableta u otro como herramienta para la enseñanza y adapta a él la metodología
(IBERDROLA, 2023).

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, septiembre, 2023, Volumen IV, Número 3 p 775.
El uso de la IAG en el sector educativo es definido como las aplicaciones que se construyen
utilizando modelos básicos de aprendizaje profundo que contienen amplias redes neuronales
artificiales inspiradas en los miles de millones de neuronas conectadas en el cerebro humano.
Estos modelos pueden procesar conjuntos extremadamente grandes y variados de datos no
estructurados y realizar más de una tarea (Chui et al., 2023). La UNESCO (2021), sostiene que
el despliegue de las tecnologías de la IA en la educación debe tener como objetivo la mejora de
las capacidades humanas y la protección de los derechos humanos con miras a una
colaboración eficaz entre humanos y máquinas en la vida, el aprendizaje y el trabajo, así como
en favor del desarrollo sostenible.

MÉTODO

Para dar respuesta a las preguntas planteadas sobre ¿cómo hacer uso de la IAG en el
aprendizaje del estudiante?, ¿cómo coadyuva la IAG en la enseñanza para fortalecer la actividad
docente?, ¿cómo se integra la IAG en el proceso de evaluación de los estudiantes?, y ¿qué
riesgos se identifican en el aprendizaje mediante la IAG?, se propuso analizar las aportaciones
de la IAG en la educación superior, así como conocer su uso e incorporación en el proceso de
enseñanza aprendizaje, evaluando los riesgos de utilizar texto, voz, imágenes y recursos
generados mediante esta tecnología para proponer una estrategia que fortalezca el aprendizaje
a partir de la incorporación de IAG en las clases.

Los sujetos de estudio fueron 12 docentes y 15 estudiantes de universidades públicas de

México que participaron en modalidad presencial y en línea durante el ciclo escolar 2022-2023.

Se emplea el método exploratorio, con el propósito de contar con datos introductorios que
permitan explicar las características del entorno y determinar la estrategia de enseñanza y
aprendizaje basada en IAG.

El diseño utilizado fue observacional y la técnica de recolección de datos se encuentra

fundamentada en la revisión documental y la observación etnográfica mediante una bitácora y
una guía elaborada para identificar los puntos clave de cada caso de estudio; se desarrolla bajo
el enfoque cualitativo, enunciada por Rothery y Grinnell (Grinnell, 1977) y Creswell (1977) como
estudios con las siguientes características:

● En los cuales las preguntas de investigación no siempre se han conceptualizado ni

definido por completo; es decir, se define la manera de ser medidas o evaluarse (aunque
a veces si es posible).
● En que la recolección de los datos está fuertemente influida por las experiencias y las
prioridades de los participantes en la investigación, más que por la aplicación de un
instrumento de medición estandarizado, estructurado y predeterminado.

Los datos obtenidos por los participantes se llevaron a cabo sin objeto de lucro, de forma
confidencial y anónima y no pretenden favorecer o perjudicar a nadie; centrada en los siguientes
ejes:

Herramientas tecnológicas que fortalecen el aprendizaje en el estudiante

Dada la importancia de la tecnología en la educación, se centra el análisis en el uso de esta para

el aprendizaje y no en el conocimiento propio de la carrera; se recabó la información mediante
la Tabla 3, para analizar los acontecimientos de los 15 estudiantes.

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, septiembre, 2023, Volumen IV, Número 3 p 776.
Tabla 3

Herramientas tecnológicas utilizadas en el aprendizaje del estudiante

Nombre del estudiante: 2. Institución Educativa: 3. Materia 4. Calificación

final
5. Periodo: 2022-2023
6. Inicio Intermedio Final Extraordinarios
7. 8. 9. 10. 11. 12.
Softw Requeri Entrega Requeri Entr Requeri Entrega Guí Tecnolo Plan
are do do do e- do do a gía de
utiliza gad requerid estud
do o o io
Sí / No B / I / A B / I / A B/I/A B/I B/I/A B/I/A Sí/ Sí / No Sí /
/A No No

El numeral 6 se refiere si fue al inicio, a la mitad (intermedio) al final del periodo o en el examen
extraordinario; el 7 refiere si se usa o no software, los numerales 8 el nivel requerido por el
docente en el uso de la tecnología y el 9 el entregado por el estudiante, ambos numerales en
una escala de básico (B), intermedio(I) y avanzado(A), el 10 si se proporcionó guía de estudios,
dada la importancia que refiere como punto de apoyo en el aprendizaje del estudiante, el 11
refiere si el extraordinario requiere el uso de tecnología o no y el 12 si se ajusta el contenido del
extraordinario al plan de estudio.

Aplicaciones en educación superior que incorpora el docente para la enseñanza

El papel del docente en la transformación digital debe incorporar elementos que apoyen a la
enseñanza, ya que no se debe dejar de lado el uso de la tecnología, con independencia de la
materia a impartir. Autores como (Granata et al., 2000), consideran que enseñar es un
compromiso intencional que se orienta a fines que deben ser claramente planteados. Si el
profesor propone metas, precisas y expresas los cambios que espera producir en los alumnos,
el camino hacia la meta puede verse bien definido y además comprobar si ha sido logrado. En
este sentido, la enseñanza compromete a quien la realiza y no se puede ser indiferente ante lo
que se pretende enseñar y cómo se lleva a cabo.

La formación docente no solo se refiere a la carrera magisterial; una buena formación didáctica
es sólo el comienzo para una renovación constante, siempre volcada a la innovación (UNESCO,
2021a). La Tabla 4 presenta el instrumento de las aplicaciones que apoyan en la enseñanza del
docente.

Tabla 4

Aplicaciones que apoyan la enseñanza del docente.

Software o herramientas que apoyan la enseñanza del docente.

¿Qué beneficios se obtienen en el aprendizaje del estudiante?
¿De qué forma se indaga para incluir tecnología que agregue valor a la enseñanza?
Recursos tecnológicos utilizados en asesorías o extra clase.

Herramientas para optimizar la evaluación dentro del entorno de aprendizaje

La evaluación educativa pretende como fin la búsqueda del valor del objeto de conocimiento.
Las definiciones del término recopiladas por Ramos et al. (2009), así como las enunciadas en
otros trabajos (INEE, 2006 [en Martínez, 2013]) se resalta el papel de la emisión de juicios, que
se asume como una herramienta definitoria del valor de lo observado (Moreno, 2019). El análisis

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, septiembre, 2023, Volumen IV, Número 3 p 777.
de este eje considera la tecnología que utiliza el docente para la evaluación recabada mediante
la Tabla 5.

Tabla 5

Recursos utilizados por el docente para la evaluación del estudiante

Software o herramientas de IAG que apoyan la evaluación del docente:

¿Cuáles son las ventajas del software utilizado?
¿Cómo apoya el uso de la tecnología en la mejora continua?
Tiempo dedicado a la preparación del material mediante IAG.
¿Qué riesgos se identifican en el uso de la IAG?

Se ha concluido con la parte metodológica, así como las teorías que fundamentan los aportes
en la IAG presentados mediante los modelos y los casos de aplicación, para dar paso a presentar
los resultados obtenidos.

RESULTADOS Y DISCUSIÓN

En este apartado se proporcionan las aportaciones de los saberes obtenidos refiriendo el

enfoque cualitativo y su aportación bajo los 3 ejes definidos:

Herramientas tecnológicas que fortalecen el aprendizaje en el estudiante

Se identificó que el 80% de los estudiantes utilizan algún software de ofimática para realizar las
tareas y no se visualiza una mejora en el uso de las aplicaciones, es decir los trabajos o
actividades refieren el mismo nivel en cuanto a diseño, organización y elementos integrados al
inicio y al final. En otros casos se observó que es requerido utilizar herramientas o software que
no fue explicado su uso durante los cursos. También se obtuvo que el 90% de los estudiantes
no contaba con guías de estudio para los exámenes y en algunos casos se requería el uso de
recursos tecnológicos como elaboración de videojuegos, presentaciones y videos.

Se indaga respecto el uso de aplicaciones como Zotero, Mendeley o alguna otra para citar los
trabajos realizados y se constató que no fueron utilizadas y desconocían su aportación para
citar de forma confiable en los trabajos presentados.

Aplicaciones que apoyan la enseñanza del docente

Se obtuvo que el 70% de los docentes refieren el uso de tecnología como apoyo en la docencia,
siendo el software para videoconferencias el más utilizado, pero se identificó que solamente
hacen uso de forma básica. El 80% de los docentes no están de acuerdo con la incorporación
de la IAG como apoyo a la docencia, considerándola además una amenaza por la sustitución
del papel del docente y por la eliminación de creación de contenido por parte del estudiante. Se
les explicó que Atlas ti y Open AI, permite realizar un análisis cualitativo más rápido que de forma
manual, solamente deben incluir etiquetas en la información que ingresan. Como resultado se
identificó que los docentes entrevistados desconocían la aplicación con IA y su utilidad.
Asimismo, se obtuvo que además de la obligatoriedad para hacer uso de recursos tecnológicos,
el 90% de los docentes ha proporcionado clases extras para coadyuvar en el aprendizaje de los
estudiantes por la disponibilidad que brindan los medios para la conexión de forma remota.

Herramientas para optimizar la evaluación dentro del entorno de aprendizaje

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, septiembre, 2023, Volumen IV, Número 3 p 778.
En este apartado se exponen los hallazgos trascendentes respecto al uso de IAG o de cualquier
herramienta tecnológica en el proceso de evaluación y los riesgos identificados. Se identificó
que el 74% de los docentes refieren el uso de plataformas para realizar evaluaciones y solo el
10% ha utilizado Chat GPT; el 5% refiere como ventaja principal la rapidez para realizar
resúmenes. Respecto a los trabajos entregados, son revisados de forma manual. El 80% de los
docentes no están de acuerdo con la grabación de tutoriales o videos, porque representan
aproximadamente 1 semana de trabajo, considerando la preparación y edición del material. Los
docentes comentaron que la tecnología apoya en la mejora continua del aprendizaje, pero en
general desconocen la forma en que pueden integrar la IA para la enseñanza del estudiante. El
86% de los docentes considera que la integración de la IAG representa riesgos en la eliminación
de la planta docente y bajo aprovechamiento de los estudiantes, ya que estos no serían los
autores de las actividades solicitadas, delegándolas a la IA.

DISCUSIÓN

El uso y aplicación de la IAG permite reducir los tiempos en la ejecución de las actividades, lo
cual se convierte en productividad, sin olvidar el conocimiento que debe adquirir el estudiante
dentro del ámbito de su competencia. Los autores de esta investigación coinciden con lo
señalado por la UNESCO (2020), la incorporación de la IA deberá velar porque las tecnologías de
IA permitan el empoderamiento de los docentes en lugar de reemplazarlos y crear programas
adecuados con miras a reforzar las capacidades para que los docentes trabajen junto con los
sistemas de IA. La forma de adoptar la tecnología en la práctica docente hará la diferencia tanto
en la productividad como en la conducta ética para el aprendizaje significativo.

De acuerdo con la UNESCO, la IA es más una revolución cultural que una revolución tecnológica
y requiere una reflexión sobre cuestiones de ética, gobernanza y legislación (Schroeder, 2018).
Los docentes seguirán en el centro de la enseñanza, lo que deberá ser modificado es el ritmo en
el que aprenden los estudiantes; la incorporación de nuevas tendencias tecnológicas siempre
ha causado resiliencia, desde el uso de la computadora, por la eliminación del papel; el uso del
internet por la información falsa hasta el uso de las redes sociales por la exposición de los datos;
sin embargo, nos hemos beneficiado en el ahorro de tiempo (al lograr consultar información que
antes no era posible y romper las barreras geográficas), de forma económica (al no tener que
adquirir la información que es libre y pública) y en el aprendizaje (al compartir y tener acceso a
mucho más recursos para el aprendizaje).

Propuesta de diseño experimental

Dado que, se vuelve imperante educar a través de los procesos de cambios tecnológicos e
innovadores mediante un aprendizaje dinámico que sea actualizado de forma permanente.
Entendiendo como dinámico el aprendizaje caracterizado por cambios constantes, actividad y
progreso, donde el aprendizaje se nutre de los recursos e información que el alumno y el docente
incorporan.

La propuesta de diseño de uso de la IAG en la educación a nivel superior supone una estrategia
post-instruccional. Definida como aquella en las que tiene cabida para los análisis y resúmenes
de materias, bien sea a través del uso de mapas conceptuales y/o opiniones críticas del tema
aprendido. Es la fase en la cual se le permite a los estudiantes aclarar sus dudas y poner en
práctica los conocimientos adquiridos (EUROINNOVA, 2020).

Los sistemas de educación potenciada por IA ofrecen experiencias personalizadas para

diferentes grupos de aprendizaje, maestros y tomadores de decisiones, lo que respalda el
aprendizaje permanente (Megahed et al., 2022). Dada la relevancia que tiene la IA y la IAG en la

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, septiembre, 2023, Volumen IV, Número 3 p 779.
educación se diseña la siguiente estrategia post-instruccional basada en el uso de IAG de forma
ética.

A continuación, se presenta la propuesta de uso de la IAG en el sector educativo con el objetivo

de desarrollar la capacidad de autoaprendizaje en los estudiantes mediante la educación móvil;
con el uso de la IAG de forma ética y responsable, presentada en la Tabla 6.

Tabla 6

Propuesta de diseño de uso de la IAG en el sector educativo

Eje de Campo de Descripción

aplicación aplicación
Desde la Planeación Creación de la planeación y ponderación de
enseñanza del actividades que fortalezcan el aprendizaje.
docente Innovación Uso de la IA para identificar nuevas aplicaciones.
tecnológica
Nuevas temáticas Uso de la IAG para indagar sobre descubrimientos en
en el campo de el campo de estudio y desarrollar presentaciones o
estudio. cursos.
Desde el Material de Crear resúmenes o contenido basado en el estilo de
aprendizaje aprendizaje aprendizaje de cada estudiante mediante la IAG.
del estudiante personalizado.
Motivación La IA permite interactuar en simuladores de
entrevistas de trabajo para fortalecer las áreas de
Autonomía oportunidad de los educandos.
El discurso o la práctica oral de la lengua materna u
otra, se puede realizar mediante la IA.
Evaluación Tutores virtuales Calificar cuestionarios e identificar patrones
respecto a los errores más comunes con la IA.
Ejemplo, en el campo de las matemáticas y la
ciencia; la realimentación permitiría reforzar los
Deserción escolar cursos y hacer hincapié en evitar estos errores y la
forma de evitarlos.
La IA permite predecir la deserción escolar mediante
el seguimiento personalizado de cada estudiante.

Por lo anterior, centramos esta estrategia educativa en el fortalecimiento de la motivación

mediante el discurso y la comunicación oral. Un estudiante motivado será un estudiante más
responsable y autónomo. El fundamento para el uso de la IAG se basa en la recomendación 12:
La fiabilidad y la integridad del ciclo de vida de los sistemas de IA, que considera como requisito
esencial que, a lo largo de su ciclo de vida, los sistemas de IA estén sujetos a un seguimiento
exhaustivo por las partes interesadas pertinentes. La tabla 7, presenta la propuesta de
incorporación de la IAG en la planeación y su seguimiento desde los 3 ejes: enseñanza del
docente, aprendizaje del estudiante y evaluación.

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, septiembre, 2023, Volumen IV, Número 3 p 780.
Tabla 7

Propuesta de uso de la IAG en el proceso de enseñanza aprendizaje de estudiantes de nivel

superior

Actividades de enseñanza Actividades de aprendizaje Actividades de evaluación

Objetivo: Mejorar la Objetivo: Fortalecer el uso Objetivo: Implementar
producción oral y escrita de de la tecnología mediante modelos de IAG que
los estudiantes mediante el los modelos de IAG. identifiquen áreas de
uso de IAG. oportunidad en las
evaluaciones de los
estudiantes.
El docente explicará el uso El estudiante investigará el Verificar en una muestra de
de la IAG bajo un marco marco ético del uso de la alumnos que el modelo de IAG
ético y expondrá algunas IAG para lograr un para evaluar el progreso de
aplicaciones que mejoren la aprendizaje responsable. los alumnos no presente
comunicación oral de los sesgos o errores.
educandos.
Actividad 1: Definir la Actividad 1: Desarrollar un Actividad 1: Mediante la IAG
aplicación de IAG de texto resumen de la clase de evalúa el progreso de los
que utilizará el estudiante media cuartilla y 3 estudiantes en la producción
para mejorar la producción preguntas mediante la IAG. escrita dado el marco de
escrita. referencia que obtuvo con la
IAG el estudiante.
Actividad 2: Seleccionar una Actividad 2: El estudiante Actividad 2: El docente evalúa
aplicación de generación de deberá realizar un discurso la producción oral que
audio de IAG para fortalecer para la presentación ante presente el estudiante con
la producción oral del su audiencia mediante la respecto al marco de
estudiante aplicación de la IAG. referencia que proporcionó la
IAG.
Actividad 3: Seleccionar la Actividad 3: El estudiante Actividad 3: El docente evalúa
IAG para fortalecer interactúa con la IAG para las competencias y mejoras
habilidades en una fortalecer las habilidades, del estudiante con base en el
entrevista de trabajo, competencias y marco de referencia de la IAG
ejemplo: Interview Warmup comunicación oral utilizada.

La propuesta de uso de modelos de IAG permite que los estudiantes sean reflexivos y
fortalezcan su autonomía en el aprendizaje para una mejora continua, siendo el docente el que
dará la pauta en que modelos son los que aplicará y la forma en la que coadyuva en el desarrollo
de la formación del estudiante sin descuidar el punto medular de cada materia a impartir.
Además, deberá revisar los riesgos que pueda presentar la IAG en la generación de texto, por
ejemplo, en la veracidad de la información, ya que, al crear datos similares, pudiera darse el caso
que las referencias de los autores que presenta la IAG fueran inexistentes, por lo cual se hace
énfasis en que solamente será un marco de referencia para el desarrollo de competencias o
habilidades y no para la divulgación, hasta que no sea verificada la veracidad de las referencias.

CONCLUSIÓN

La IAG presenta grandes oportunidades para el aprendizaje de los estudiantes; los ejemplos y
aplicaciones presentadas generan nuevas formas de aprendizaje. En opinión de los autores de
esta investigación, el método cualitativo permitió dar respuesta a las interrogantes planteadas,
siendo que la IAG ofrece una gran aportación en la generación de texto, imágenes, audio y voz,
que puede servir de marco de referencia para el aprendizaje del estudiante y desde la
perspectiva de la enseñanza del docente permite una amplitud en la generación de información
para presentar al estudiante.

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, septiembre, 2023, Volumen IV, Número 3 p 781.
Dado que durante el final de los cursos los docentes se ven sobrecargados de actividades y
tareas a evaluar, la IAG puede simplificar y mejorar los tiempos de respuesta, dando al docente
mayor certeza en sus actividades.

Se vuelve necesario hacer uso de la IAG por las ventajas que representa en cuanto a tiempo; si
consideramos que el docente elabora un examen para aplicarlo, por ejemplo, a 60 alumnos,
deberá generar un gran esfuerzo para la revisión de los 60 exámenes; siendo el caso de aquellos
en los que se desarrollan procedimientos matemáticos, de programación o se detallan
conceptos a profundidad; la revisión de forma manual considera que se extiendan los tiempos
de revisión. Finalmente, se debe concientizar a los alumnos del riesgo que implica el uso de la
tecnología de forma irresponsable.

El ser humano se debe regir por los principios éticos y hacer uso de la tecnología únicamente
para fines de aprendizaje y como marco de referencia para una mejora continua y
principalmente la toma de decisiones informado: dado que esta investigación puede ser
mejorable y la IA puede presentar áreas de oportunidad. En el marco de la ética de la IA, la
UNESCO define la necesidad de contar con políticas internacionales y nacionales, así como
marcos regulatorios para garantizar que estas tecnologías emergentes beneficien a la
humanidad en su conjunto y una IA centrada en el ser humano. La IA debe estar al servicio de
los intereses de los ciudadanos y no al revés (UNESCO, 2021b).

AGRADECIMIENTO

El presente trabajo se realizó en el marco de los estudios del Doctorado en Ambientes y

Sistemas

Educativos Multimodales de la Universidad Rosario Castellanos para la obtención del grado.

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, septiembre, 2023, Volumen IV, Número 3 p 782.
REFERENCIAS

Álvarez L.y del Blanco, F. (2023, junio 13). Aplicación de redes neuronales al diseño de vivienda
colectiva. ArchDaily Colombia. [link]

Creswell, J. (1997). Qualitative inquiry and research designs: Choosing harmony among five
traditions. Thousand Oaks, CA: Sage Publications

Chong, P. W., Desai, N., Govindjee, A., Wang, X., (2021, junio 8). What is Distributed AI? IBM
Developer. [link]

Chui, M., Hazan, E., Roberts, R. Singla, A. Smaje, K., Sukharevsky, A. y Ye, L. (2023, junio 14).
Economic potential of generative AI | McKinsey. The economic potential of generative AI: The
next productivity frontier. [link]

Esguerra Pérez, G., y Guerrero Ospina, P. (2010). Estilos de aprendizaje y rendimiento académico
en estudiantes de Psicología. Diversitas: Perspectivas en Psicología, 6(1), 97-109.

EUROINNOVA. (s/f). ¿Qué es una estrategia educativa? | Euroinnova. Euroinnova Business

School. [link]

Ghannad, P. y Lee, Y.C. (2022). Automated modular housing design using a module
configuration algorithm and a coupled generative adversarial network (CoGAN). Automation in
Construction, 139, 104234. [link]

Granata, M. L., Chada, M. del C. y Barale, C. (2000). La enseñanza y la didáctica. Aproximaciones

a la construcción de una nueva relación. Universidad Nacional de San Luis Argentina. [link]

Goodfellow, I. et al, 2014. Generative Adversarial Nets. Advances in Neural Information

Processing Systems 27, pp. 2672-2680.

Grinnell, R. (1997). Social work research y evaluation: Quantitative and qualitative approaches.
E.E. Peacock Publishers, 5.ed. Illinois.

Esguerra Pérez, G., y Guerrero Ospina, P. (2010). Estilos de aprendizaje y rendimiento académico
en estudiantes de Psicología. Diversitas: Perspectivas en Psicología, 6(1), 97-109.

IBERDROLA. (2023). Mobile learning: Bienvenidos a la nueva realidad en las aulas. Iberdrola.
[link]

Long, P. D., y Siemens, G. (2014). Penetrare la nebbia: Tecniche di analisi per l’apprendimento.
Italian Journal of Educational Technology, 22(3), Article 3. [link].

Meseguer, P. y López De Mántaras, R. (2017). Inteligencia Artificial. Madrid: Csic.

Megahed, N. A., Abdel-Kader, R. F. y Soliman, H. Y. (2022). Post-pandemic Education Strategy:

Framework for Artificial Intelligence-Empowered Education in Engineering (AIEd-Eng) for
Lifelong Learning. En A. E. Hassanien, R. Y. Rizk, V. Snášel y R. F. Abdel-Kader (Eds.), The 8th
International Conference on Advanced Machine Learning and Technologies and Applications
(AMLTA2022) (pp. 544-556). Springer International Publishing. [link]

Moore, P. V. (2020, febrero 12). Inteligencia artificial en el entorno laboral. Desafíos para los
trabajadores. OpenMind BBVA. [link]

Moreno, J. A. J. (2019). Aproximaciones epistemológicas de la evaluación educativa: Entre el

deber ser y lo relativo. Foro de Educación, 17(27), 185-202. [link]

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, septiembre, 2023, Volumen IV, Número 3 p 783.
 Polukarov, M., Mubashara, A., Kholoud, A., Thomas, A. y Bentley, C. (2022, mayo 25). Distributed
Artificial Intelligence. King’s College London. [link]

Siemens, G. (2004). Conectivismo. Una teoría del aprendizaje para la era digital [link].

Sorribas, J. E. (2018, octubre 15). About Generative and Discriminative models. Medium. [link]

Schroeder, K. (2018). Inteligencia artificial: Promesas y amenazas—UNESCO Biblioteca Digital.

[link]

SECTEI. (2020, noviembre 6). La Deserción Escolar en la Educación Superior. Secretaría de

Educación, Ciencia, Tecnología e Innovación de la CDMX. [link]

UNESCO. (2015). Qingdao Declaration, 2015: Seize Digital Opportunities, Lead Education
Transformation—UNESCO Biblioteca Digital. [link]

UNESCO. (2021a, marzo). IA por el planeta: Destacando las innovaciones de la IA para acelerar
su impacto. [link]

UNESCO. (2019, diciembre 9). La Inteligencia Artificial en la Educación. UNESCO. [link]

UNESCO. (2021, noviembre 23). Ethics of Artificial Intelligence | UNESCO. UNESCO. [link]

UNESCO. (2023, julio 10). La inteligencia artificial generativa en la educación: ¿Cuáles son las
oportunidades y los desafíos? | UNESCO. [link]

Zabalza Beraza, M. Á. (2000). El papel de los departamentos universitarios en la mejora de la

calidad de la docencia. Revista interuniversitaria de formación del profesorado. [link]

Todo el contenido de LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, publicados en este
sitio está disponibles bajo Licencia Creative Commons .

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, septiembre, 2023, Volumen IV, Número 3 p 784.
View publication stats