Gobernanza de la IA

Esta es una traducción automática de la página en inglés y todavía no ha sido revisada por una persona hablante nativa.

La gobernanza de la IA: los marcos, las políticas, las estructuras institucionales y las normas que orientan el diseño, el despliegue y el uso responsables de la inteligencia artificial en la educación. La gobernanza abarca mecanismos institucionales formales (grupos rectores de IA, políticas sobre integridad académica y uso aceptable, revisión ética) y normas informales (directrices del profesorado, desarrollo profesional, culturas de uso responsable de la IA). En la era de la IA, una gobernanza eficaz es un requisito previo para una adopción ética, equitativa y sostenible de la IA generativa: determina si la IA se integra de forma transparente y con rendición de cuentas, o si se adopta de manera reactiva y de modos que profundizan las inequidades.

Preguntas para reflexionar

• Si su institución tiene una política de IA sobre el papel pero ningún proceso claro para aplicarla, actualizarla o comunicarla, ¿es eso de verdad gobernanza? ¿Qué separa a una norma que existe de una norma que está realmente gobernada?
• El estudiantado de un estudio dijo que su universidad no tenía una política de IA clara y que eso moldeó cómo usaba la IA. ¿Cómo puede la ambigüedad de las políticas influir en lo que el estudiantado decide que es un «uso aceptable», y deberían las instituciones preocuparse por dejar esa negociación en manos de cada persona?
• La página distingue la gobernanza basada en la detección (vigilar el uso de la IA) de la gobernanza basada en el diseño (rediseñar la evaluación para que el uso de la IA sea esperado y declarado). ¿Hacia cuál de los dos enfoques se inclina su propia práctica de evaluación, y cuáles son las ventajas y los inconvenientes de cada uno?
• La gobernanza se describe como algo que opera en los niveles nacional, institucional y de aula. Piense en una norma sobre IA de su contexto: ¿quién la estableció, cómo se comunica y se aplica, y hasta qué punto están alineados esos niveles?
• Un marco reformula la gobernanza de la IA como un problema de acción colectiva consistente en sostener la pericia compartida, es decir, los «bienes cognitivos comunes». ¿Cómo cambia la protección del acervo de conocimiento colectivo de una profesión su manera de pensar la gobernanza de la IA frente a la simple regulación de una herramienta?
• La página advierte de que las declaraciones obligatorias de uso de IA fracasan cuando se perciben como punitivas o ambiguas. ¿Cuándo ha visto que una norma de cumplimiento se vuelva en contra porque la gente no la entendía o no confiaba en ella, y qué le enseñó eso sobre la gobernanza?

Introducción

La gobernanza de la IA en la educación es cada vez más urgente porque la IA generativa introduce nuevos retos epistémicos, éticos y organizativos: desestabiliza los supuestos sobre la producción de conocimiento, la agencia de quien aprende, la validez de la evaluación y el papel de los educadores como autoridades epistémicas. La gobernanza aborda cuestiones de integridad académica (qué cuenta como uso aceptable de la IA), de privacidad de los datos y seguridad, de sesgo algorítmico y equidad, de transparencia y rendición de cuentas, y de alineación de la adopción de la IA con la misión y los valores institucionales. Un hallazgo recurrente en la investigación de la base de conocimiento es que la gobernanza institucional suele ir por detrás: muchas instituciones carecen de políticas de IA claras y unificadas, lo que deja al estudiantado y al profesorado negociar por su cuenta el uso aceptable.

• La gobernanza zero-shot como condición estructural de la plataformización. Perrotta (2026) desarrolla el concepto de gobernanza zero-shot (la IA generativa agnóstica de dominio que interviene en las decisiones de política) mediante un análisis a nivel de código de Redbox, un prototipo discontinuado del servicio civil británico construido sobre LLM listos para usar. Al leer su arquitectura (un prompt de sistema invisible más una fina capa de Python sobre una canalización de RAG (Retrieval-Augmented Generation) de recuperar→formatear→generar y una pila en la nube agnóstica de proveedor), el artículo sostiene que la naturaleza de propósito general de los modelos fundacionales es un rasgo estructural de la plataformización que puede mitigarse pero nunca descartarse: la IA agéntica no interrumpe la lógica monopolística y rentista de las plataformas, y el mismo mecanismo probabilístico que genera novedad también produce alucinaciones. Para la gobernanza, la implicación es que la supervisión de la IA de propósito general debe tratar la salida aberrante como un riesgo irreducible y solo mitigable, y no como un error reparable: una cautela que se aplica igualmente al razonamiento sobre política educativa.

• Baroudi, una revisión de alcance, enmarca la gobernanza de la IA en la educación superior con las lentes de la gobernanza anticipatoria y el liderazgo.

• Codiseño estudiantil de las políticas: Hingle y Johri muestran cómo una actividad de indagación guiada en la que el estudiantado codiseñó una política de curso sobre IA generativa sacó a la luz sus valores: priorizar la formación, procedimientos estandarizados de declaración, un apoyo institucional más sólido y una mayor participación en la toma de decisiones. Esto sitúa al estudiantado como socio de la gobernanza y no como sujeto pasivo, y complementa la política institucional con la voz del estudiantado desde abajo.

• La trampa tecnosolucionista y el déficit de política: una revisión sistemática de 65 estudios sobre IA y aprendizaje socioemocional (Tran, Liu y Nguyen 2026) encuentra que la investigación suele poner en primer plano el potencial técnico y especifica poco las condiciones institucionales para una implementación responsable, una trampa «tecnosolucionista». Los autores vinculan la implicación con las políticas a la sede de publicación y proponen un marco de «preguntas WH» para hacer que las implicaciones de gobernanza sean específicas de cada actor, lo que se hace eco del hallazgo más amplio de la base de conocimiento de que la gobernanza institucional va por detrás de la adopción de la IA.

Cómo aparece la gobernanza de la IA en la investigación

• Adopción institucional a escala: el estudio AIDA en la Open University muestra cómo una institución diseñó, implementó y evaluó un asistente de IA generativa, y señala que un despliegue responsable a nivel de sistema exige estructuras de gobernanza (un grupo rector de IA), el patrocinio de la alta dirección y la alineación con la estrategia institucional, y no solo capacidad técnica.

• Liderazgo y cambio sistémico: SPARK enmarca la gobernanza dentro de la teoría del liderazgo de la complejidad y sostiene que quienes lideran deben equilibrar la estabilidad administrativa con la innovación emergente, incorporando mecanismos de gobernanza (políticas, regímenes de evaluación, marcos de rendición de cuentas) para que las innovaciones del espacio adaptativo puedan sostenerse y escalarse.

• Ambigüedad de las políticas y experiencia del estudiantado: La implicación del estudiantado con la IA generativa encontró que 12/23 estudiantes señalaban la falta de políticas institucionales explícitas sobre IA («la universidad todavía no tiene una política clara y unificada»), y sostiene que la ambigüedad de la gobernanza moldea las prácticas, las normas y la autorregulación del estudiantado, lo que respalda un giro hacia orientaciones institucionales transparentes.

• La alfabetización en IA como capacidad de gobernanza («el 18.º ODS»): Islam, Morshed e Islam (2026) reconceptualizan la alfabetización en IA como un mecanismo sistémico de gobernanza y no como una habilidad de aula, y proponen una taxonomía AIRE de seis niveles (Reconocer → Comprender → Aplicar → Analizar → Integrar → Gobernar) que amplía la jerarquía de Bloom con la síntesis ética y la previsión estratégica, junto con un nexo IA-ODS que mapea las competencias de alfabetización sobre los diecisiete Objetivos de Desarrollo Sostenible. Al enmarcar la alfabetización en IA como una heurística del «18.º ODS», es decir, una capacidad transversal que canaliza el aprendizaje hacia la gobernanza y el desarrollo sostenible, la encuesta del estudio a 300 profesionales encontró que la alfabetización en gobernanza era el predictor más fuerte de la conciencia del nexo IA-ODS (β = 0,64, r = 0,67 con la conciencia del nexo) e identificó el razonamiento ético y el pensamiento reflexivo como los predictores más fuertes de un uso fiable de la IA. Esto vincula la gobernanza institucional con el cultivo de la alfabetización en IA pública, y se hace eco del hallazgo de la base de conocimiento de que una alineación responsable de la IA exige responsables de políticas y ciudadanía capaces de interpretar críticamente los sistemas algorítmicos, y no solo un control técnico orientado al cumplimiento.

• Integridad académica y evaluación: la gobernanza es central en cómo las instituciones abordan las preocupaciones de integridad académica relacionadas con la IA y rediseñan la evaluación, pasando de la prohibición y la vigilancia a las orientaciones, la alfabetización en IA y los diseños orientados al proceso, como se ve en la investigación sobre la racionalización del estudiantado y el rediseño de la evaluación auténtica.

• La combinación de instrumentos de la gobernanza escrita: Eldredge et al. (2026) auditaron los documentos relacionados con la IA de los 48 programas de máster en informática de la salud y gestión de la información sanitaria acreditados por CAHIIM en Estados Unidos. Cuarenta de los 48 (83%) tenían al menos un documento de acceso público, y en los 40 documentos analizados la gobernanza se materializaba sobre todo como orientación y no como norma vinculante: 21 directrices (53%), 9 documentos informativos (23%) y solo 7 políticas formales (18%). La mayoría de los documentos se dirigían al profesorado y al estudiantado a la vez (20, 51%) y no solo al estudiantado (6, 15%), y ni el tipo de política ni el público variaban con la modalidad de impartición (prueba exacta de Fisher P = .85 y P = .71), lo que sugiere que la combinación de instrumentos sigue el hábito institucional y no las exigencias de los programas en línea, presenciales o híbridos. El contenido se concentraba en la integridad académica, el uso responsable de la IA y la conducta del estudiantado, con pocas orientaciones que cubrieran el uso de la IA en el aprendizaje aplicado, la investigación y los entornos simulados, que es justo donde se cruzan las preocupaciones curriculares y de gobernanza de datos. Los autores también informan de que los acreditadores regionales aportaron la mayor parte del corpus (Higher Learning Commission n = 14 y SACSCOC n = 13, juntos alrededor del 60%, sin ninguno de la región de WASC) y sostienen que la acreditación es la palanca externa mejor situada para reducir la variación entre programas.

• La gobernanza como ecosistema de apoyo distribuido: Qian (2026) codificó las orientaciones sobre IA de las 50 universidades estadounidenses clasificadas como más innovadoras y encontró que la gobernanza se materializa menos como norma que como interpretación y apoyo: solo 6 de las 50 enmarcaban su página principal como una «política», 33 de las 50 situaban al profesorado como el principal traductor de las expectativas institucionales en normas de curso, y el apoyo para hacerlo se agrupaba en cuatro unidades interconectadas: los centros de enseñanza y aprendizaje, que aportan el lenguaje para los programas de asignatura y los menús de políticas de curso; las bibliotecas, que fijan los estándares de citación y procedencia; las oficinas de TI y de gobernanza corporativa, que aplican las reglas de clasificación de datos y las pilas de herramientas verificadas; y las oficinas de integridad académica, que asumen el debido proceso y la reparación con prioridad educativa. Qian sostiene que lo que reduce la ambigüedad es el andamiaje y no la postura, e informa de que está distribuido de forma desigual: 33 de las 50 instituciones publicaron materiales de programa o de política de curso, mientras que solo 4 pusieron en primer plano orientaciones dirigidas al estudiantado. Este es el hallazgo sobre la combinación de instrumentos en forma organizativa: capacidad de gobernanza ubicada en unidades y no en documentos.

• Ética, privacidad y sesgo: los mecanismos de gobernanza operacionalizan los principios éticos (ética, privacidad, mitigación de sesgos) que a menudo se reconocen pero no se aplican, y conectan con el uso responsable de la IA y con los debates sobre regulación en la educación.

• Una matriz de valores y normas para la gobernanza. Agarwal et al. (2026), una revisión sistemática de 25 artículos, consolidan la ética de la AIED en seis valores éticos principales (no discriminación, custodia de los datos, supervisión humana, buena voluntad, explicabilidad e idoneidad educativa) y sitúan las normas éticas extraídas de la literatura en una matriz de actores por valores. Ese mapeo convierte las normas en reglas accionables para realizar valores concretos y ofrece una base para construir marcos éticos detallados y regulación para la AIED, de modo que da a las instituciones educativas, a quienes desarrollan y a quienes regulan normas concretas que implementar. Las normas de supervisión humana se concentran en las instituciones educativas y en las personas usuarias finales, las de idoneidad educativa en las instituciones educativas y en quienes regulan, y las normas de buena voluntad dirigidas a quienes regulan son mucho más numerosas (nueve) que las de cualquier otro conjunto, lo que señala el papel de la regulación a la hora de garantizar que la AIED beneficie a quien aprende mediante políticas y legislación.

Educación en gobernanza

La gobernanza de la IA opera en dos niveles que la base de conocimiento trata conjuntamente: las normas institucionales que rigen el uso de la IA (políticas, marcos de uso aceptable, requisitos de evaluación y de declaración) y la educación sobre esas normas (preparar a las personas para navegarlas). Una gobernanza sin educación corre el riesgo de no aplicarse o de ser opaca; una educación sin gobernanza carece de fuerza. La investigación de esta línea incluye el análisis de políticas institucionales sobre IA generativa, los marcos de declaración de IA, la gobernanza de la evaluación, la política británica sobre IA en la educación superior y las revisiones exhaustivas de la AIED que sitúan la gobernanza en el panorama más amplio de las políticas.

Gobernanza de la evaluación

Un ámbito central de la gobernanza de la IA es cómo gobiernan las instituciones la evaluación: las normas que determinan qué cuenta como uso aceptable de la IA, cómo se declara el trabajo asistido por IA y cómo se protegen las medidas sumativas. Esto incluye el diseño y la aplicación de las declaraciones de uso de IA: la investigación muestra que las declaraciones obligatorias fracasan cuando se perciben como punitivas o ambiguas (Gonsalves 2025, Vetter et al. 2026), y que una política clara, coherente y basada en la confianza es lo que de verdad fomenta la declaración. La investigación de la base de conocimiento distingue entre una gobernanza basada en la detección (vigilar el uso de la IA, por ejemplo mediante la detección de IA) y una gobernanza basada en el diseño (rediseñar la evaluación sumativa y auténtica para que el uso de la IA sea esperado, declarado y escrutado). La gobernanza centrada en la evidencia de la IA generativa en la evaluación y Beyond Detection sostienen que la gobernanza debe acompañar cualquier detección con un rediseño de la evaluación, mientras que la elección de formatos sumativos resistentes a la IA (exámenes orales, medidas supervisadas o con libros cerrados, entrevistas de revisión de código, véase Summative Assessment) es en sí misma una decisión de gobernanza. La evidencia a gran escala (Strömberg, Lei y Wu 2026) subraya la importancia de gobernar las medidas sumativas, ya que los deberes no gobernados pueden inflarse con la IA mientras el aprendizaje real disminuye. El alcance de una prohibición es en sí mismo una decisión de gobernanza: Wright (2026) muestra que las normas que prohíben la «IA generativa» sin distinguir la generación de la conversión de formato alcanzan a las herramientas de transcripción de asistencia y convierten la mala aplicación de una política en acusaciones de mala conducta, lo que sobrecarga al estudiantado con discapacidad y al que está expuesto a la inequidad: un fallo de gobernanza que las cuestiones legales y los riesgos tratan tanto como una cuestión de igualdad como de integridad.

La evidencia que Zagami (2026) reúne en ámbitos de alta exigencia apunta a una gobernanza desigual y no a un simple rechazo: adopción parcial y políticas incompletas en la evaluación, la admisión y los procesos disciplinarios, con la demora institucional funcionando como una postura de gobernanza y no como un fallo. La tarea institucional es interpretar el rechazo lo suficiente como para mejorar la gobernanza, preguntando qué decisiones exigen revisión humana, qué sistemas exigen auditoría, qué usos exigen declaración y qué decisiones de compra exigen justificación pública. Weidlich (2026) añade el corolario específico de la evaluación: las puntuaciones de los detectores son señales probabilísticas condicionales que no pueden por sí solas establecer una mala conducta, así que una gobernanza centrada en la detección es una base insuficiente para defender las afirmaciones de la evaluación.

La gobernanza en distintos niveles

La gobernanza de la IA opera en varios niveles, desde el nacional y regulatorio (política gubernamental, el marco de la OCDE, las directrices estatales sobre IA) hasta el institucional (políticas universitarias, grupos rectores de IA, comités de revisión ética) y el de aula (orientaciones del profesorado, declaraciones en los programas de asignatura, diseño de tareas). Una gobernanza eficaz alinea estos niveles: los marcos nacionales fijan las expectativas, las instituciones las traducen en políticas y estructuras de apoyo, y el profesorado las implementa de maneras que construyen la alfabetización en IA y la agencia del estudiantado. La investigación de la base de conocimiento subraya que la gobernanza no consiste solo en restringir, sino en crear las condiciones para una integración de la IA responsable, equitativa y favorable al aprendizaje, incluido el desarrollo del profesorado, las orientaciones transparentes y la evaluación continua.

La gobernanza del profesorado y el argumento a favor de una revisión deliberada. Donde los niveles anteriores se alinean mediante políticas, algunos sectores los alcanzan mediante un gobierno compartido. Gutowski y Hurley (2025) describen las facultades de derecho como un caso difícil precisamente por esta razón: los claustros de derecho estadounidenses tienen una autoridad individual inusual sobre los estándares de los cursos, así que la política tiene que construirse con ellos y no anunciárseles, y la mayoría de las facultades que redactaron normas prohibitivas también reservaron discrecionalidad al profesorado y se comprometieron a revisarlas conforme avanzara la tecnología. Sus recomendaciones (flexibilidad por diseño, revisión periódica, formación proactiva y autorregulación mediante el intercambio de información en lugar de esperar a que un acreditador dicte la política) describen la gobernanza como un proceso continuo y no como un documento, el mismo punto que plantea el consenso Delphi al recomendar ciclos de revisión programados y un comité multidisciplinar permanente.

En toda la institución, el marco AIGEM (Tan et al. 2026) sitúa la IA responsable como una capacidad organizativa estratégica para la gestión educativa, integrando el liderazgo estratégico en IA, la gobernanza responsable, la inteligencia para la decisión, la inteligencia colaborativa entre personas y IA, el desarrollo de competencias y la creación de valor sostenible, y vincula la implementación responsable con los ODS. Subraya que la gobernanza no es solo una capa de cumplimiento sobre la enseñanza, sino una función ejecutiva de las instituciones educativas.

Conexiones con conceptos relacionados

La gobernanza de la IA se conecta con la ética (los principios que operacionaliza), la educación superior (el contexto institucional), la privacidad y la mitigación de sesgos (preocupaciones específicas de gobernanza) y la integridad académica (un ámbito primordial de la gobernanza). Es central para el cambio institucional y la IA responsable, y se cruza con la alfabetización en IA (la gobernanza sostiene el desarrollo de un uso crítico e informado). También conecta con la analítica del aprendizaje (gobernanza de datos) y con la experiencia del estudiantado (la gobernanza moldea cómo el estudiantado navega el uso aceptable).

Gobernar los bienes cognitivos comunes. El marco de los bienes cognitivos comunes (Lovett 2026) enmarca la regeneración de la pericia como un problema de acción colectiva a escala de profesión que exige una gobernanza al estilo de Ostrom (definición de límites, monitorización, sanciones graduadas y elección colectiva). La gobernanza de la IA no consiste, por tanto, solo en regular herramientas, sino en sostener el acervo de pericia compartida que necesitan las profesiones, en los niveles organizativo, de asociación profesional y de política.

Relación con la política educativa

La gobernanza es distinta de la política educativa sobre IA, pero inseparable de ella. La política es el contenido: las normas y declaraciones formales (qué uso de la IA se permite, qué debe declararse, qué evaluación se autoriza). La gobernanza es la maquinaria que produce, implementa, aplica y revisa esas normas: quién las establece, cómo se dotan de recursos y se comunican, cómo se gestionan el cumplimiento y las apelaciones, y cómo se adaptan a medida que la IA evoluciona. Donde la página de política cataloga las normas mismas y sus lagunas de madurez, esta página se centra en las estructuras y prácticas que hacen reales las normas: grupos rectores, revisión ética, gobernanza de la evaluación y rendición de cuentas entre niveles. Una norma sobre el papel es política; una norma de la que alguien responde, que se monitoriza y se aplica es gobernanza. Ambas son mutuamente dependientes: la política sin gobernanza no se aplica, y la gobernanza sin política carece de dirección.

Svetec, Divjak y Kadoić (2026) identifican la ética y la gobernanza de datos como uno de los siete facilitadores de las intervenciones educativas basadas en analítica del aprendizaje dignas de confianza (políticas para el uso ético de la analítica y la IA, privacidad de los datos, seguridad y rendición de cuentas) y sitúan la confianza (incluidos el liderazgo y la gobernanza que sostienen la implementación) como el requisito previo de unas intervenciones informadas por datos que sean significativas.

• La gobernanza puede diseñarse dentro de la herramienta. Un perfil de gobernanza de seis dimensiones (fundamentación pedagógica, autoridad instruccional, rendición de cuentas y control humanos, agencia y compromiso cognitivo de quien aprende, especificidad de contexto y visibilidad de la evaluación) ubica la gobernanza en el modelo de interacción, los prompts, las rúbricas, las puertas de aprobación y los cuadros de mando de una herramienta de enseñanza, y pregunta si los mecanismos encajan con la función instruccional en lugar de cuán estricta o permisiva es una herramienta (Dickey, 2026).

Conceptos conectados

• Pedagogical Partnerships — Alianzas pedagógicas
• AI Use and Disclosure Statements — Declaraciones de uso y divulgación de IA
• Remote Proctoring
• Ética
• Educación superior
• Privacy
• Bias Mitigation
• Integridad académica
• Alfabetización en IA
• Analítica del aprendizaje
• Student Experience
• Educational AI Policy
• AI Regulation in Education
• Summative Assessment
• AI Misuse and Learning Harm
• Trust Calibration
• IA generativa
• Stakeholders — Paraguas: las personas y los públicos de la educación con IA (estudiantado, profesorado, diseñadores, administración, responsables de políticas)

Artículos conectados

• Artificial Intelligence Literacy and Sustainable Development: An Ethical Governance and Development Goals Framework — La alfabetización en IA como capacidad de gobernanza para el desarrollo sostenible: la taxonomía AIRE y el nexo IA-ODS (Islam, Morshed e Islam 2026)
• Artificial Intelligence in Educational Management: Opportunities, Challenges, and Future Directions — El marco AIGEM para la gobernanza de la IA en la gestión educativa
• Institutional approaches to artificial intelligence policy and guidance in health informatics and information management education: emerging trends and inconsistencies — Documentos de política y orientación sobre IA en 48 programas de informática de la salud acreditados por CAHIIM: la gobernanza como orientación no vinculante centrada en la integridad (Eldredge et al. 2026)
• A Guided Inquiry Approach to Students Co-Designing Generative AI Course Policies — El estudiantado codiseña políticas de curso sobre IA generativa mediante indagación guiada (Hingle y Johri 2026)
• From Learning Analytics to Educational Interventions: Enhancing Decision-Making and Learning Design — De la analítica del aprendizaje a las intervenciones educativas: facilitadores de intervenciones basadas en analítica dignas de confianza (Svetec, Divjak y Kadoić 2026)
• Addressing student non-compliance in AI use declarations: implications for academic integrity and assessment in higher — El incumplimiento del estudiantado con las declaraciones de uso de IA
• The Hidden Cost of Disclosure: A Multi-institutional Study on Undergraduate Students' Generative AI Usage and Faculty Accusations — El coste oculto de la declaración
• "Should I Tell My Teacher?" Student AI Disclosure Practices, Stigma, and Self-Regulated Learning in Higher Education — La declaración de uso de IA del estudiantado, el estigma y el aprendizaje autorregulado
• Which inference is at risk? Assessment validity reasoning and generative AI — Qué inferencia está en riesgo: el razonamiento sobre la validez de la evaluación y la IA generativa (Weidlich 2026)
• The AI Adaptation Gap in Higher Education: Students, Faculty, and Administrative Staff — La brecha de adaptación a la IA en la educación superior
• Governing generative AI in higher education: a global Delphi study on policy and practice — Delphi global sobre gobernanza y política de la IA generativa
• Governing generative AI in higher education: Emerging policy approaches and support ecosystems at innovative U.S. universities — Gobernanza mediante orientaciones: normas de programa fijadas por el profesorado y un ecosistema de apoyo de cuatro unidades en 50 universidades estadounidenses innovadoras (Qian 2026)
• Forging ahead or proceeding with caution: Developing policy for generative artificial intelligence in legal education — Gobernanza del profesorado, discrecionalidad docente y revisión periódica en la política de IA generativa de las facultades de derecho (Gutowski y Hurley 2025)
• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Prohibiciones de «IA» demasiado amplias, conversión de formato y el problema de los ajustes razonables (Wright 2026)
• AI refusal in higher education: the right to refuse, the duty to understand and the diagnostic value of non-use — El rechazo como evidencia: gobernanza desigual, el deber de comprender y el valor diagnóstico del no uso (Zagami 2026)
• Anticipatory governance and leadership for AI implementation in higher education: A scoping review — Gobernanza anticipatoria y liderazgo para la IA
• New systems of learning for distance learning institutions? A six-study review of implementing AIDA — La implementación de AIDA en la Open University
• Leveraging complex systems: Leading for transformative change — SPARK: liderar para un cambio transformador
• Students' engagement with generative AI in academic learning: A self-determination theory and epistemic network analysis study — La implicación del estudiantado con la IA generativa (TAD)
• OECD Digital Education Outlook 2026: Exploring Effective Uses of Generative AI in Education — OECD Digital Education Outlook 2026
• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — Beyond Detection: Authentic Assessment Redesign
• A Comparative Analysis of Institutional and Course Generative AI Policies within Higher Education: Implications for Instruction in Computing Education — Políticas institucionales de IA generativa en informática
• Structuring Transparency: Developing Domain-Specific Generative AI Declaration Frameworks in Higher Education — Marcos de declaración de IA
• Generative AI as a Design Variable: An Evidence-Centered Framework for Principled Governance in STEM Assessment — Gobernanza de la evaluación con IA generativa
• Artificial Intelligence in UK Higher Educational Policy and Institutional Decision Making — La IA en la política británica de educación superior
• Review of Artificial Intelligence in Education from 2020 to 2025 — Revisión exhaustiva de la investigación en AIED
• The Tragedy of the Cognitive Commons: How AI Could Disrupt the Regeneration of Professional Expertise — La tragedia de los bienes cognitivos comunes: la IA y la regeneración de la pericia
• The Policy Deficit in AI × Social-Emotional Learning Research — El déficit de política en la investigación sobre IA y aprendizaje socioemocional
• Identifying the ethical values and norms for artificial intelligence in education: A systematic literature review — Valores y normas éticas para la IA en la educación
• Zero-Shot Governance: General-Purpose AI in Policy — La gobernanza zero-shot: la IA de propósito general en las políticas (Perrotta 2026)
• Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research — Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research
• "We'll Fix It Later": Education, AI, and the Deferral of Student Privacy in EdTech — «We'll Fix It Later»: Education, AI, and the Deferral of Student Privacy in EdTech
• From Sentiment Classification to Actionable and Responsible Feedback: A Scoping Review and Evidence Map of NLP in Student Evaluation of Teaching, 2015–2026 — From Sentiment Classification to Actionable and Responsible Feedback: A Scoping Review and Evidence Map of NLP in Student Evaluation of Teaching, 2015–2026
• Instructional Governance by Design: A Framework for AI in Computing Education — Instructional Governance by Design: A Framework for AI in Computing Education