Educación superior

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

La educación superior: la integración de la inteligencia artificial en la docencia, el aprendizaje, la evaluación y la administración universitarias. La educación superior es el contexto más estudiado de la base de conocimiento, con más de 100 artículos que examinan cómo la IA transforma la enseñanza universitaria, la política institucional y la experiencia del estudiantado. La IA en la educación superior es a la vez el entorno dominante de la investigación sobre AIED y el lugar donde sus tensiones son más visibles, entre la promesa de IA generativa de una personalización escalable y sus riesgos para la integridad, el aprendizaje, la Privacy y la equidad. Abarca tanto los estudios de grado como los de posgrado, incluidos programas profesionales como medicina y empresa.

Preguntas para reflexionar

• La educación superior es donde las tensiones de la IA son más visibles: la personalización escalable frente a los riesgos para la integridad, el aprendizaje, la privacidad y la equidad. ¿Cuál de estas tensiones ve usted desarrollarse de forma más concreta en su propia institución?
• Los estudios a gran escala revelan brechas entre la política institucional y lo que el estudiantado hace realmente con la IA en su día a día. ¿Por qué cree que la política oficial diverge tan a menudo de la práctica real del estudiantado?
• La página presenta la adopción de la IA como desigual: unas instituciones se transforman mientras otras se quedan atrás, en función de factores organizativos y de la política nacional. ¿Qué factores cree que determinan que una universidad se adapte o se estanque?
• Si la IA hace que el apoyo personalizado e individual sea casi gratuito y universal, ¿cómo cambia eso el valor y el papel de la propia universidad? ¿Qué se vuelve más escaso y, por tanto, más valioso?
• Un hallazgo señala una disminución del tiempo de estudio entre el estudiantado universitario que usa IA. Si el estudiantado estudia menos tiempo pero declara estar satisfecho, ¿qué sugiere eso sobre lo que las instituciones deberían medir y proteger?
• Dada la brecha entre la preparación en IA que el profesorado se atribuye y la real, ¿cómo sería un desarrollo docente significativo en su contexto y quién debería ser responsable de él?

Introducción

La investigación sobre la IA en la educación superior abarca todas las funciones de la universidad: desde la tutoría con IA y la corrección automatizada hasta el desarrollo del profesorado, la integridad académica, la gobernanza institucional y el apoyo al estudiantado. Los artículos de la base de conocimiento sobre educación superior se agrupan en torno a varios temas clave: la transformación institucional, la experiencia del estudiantado a escala, el profesorado y la enseñanza, la evaluación y la integridad, y el rápido cambio en la política y la práctica.

Transformación institucional

Los marcos de cambio institucional analizan cómo se adaptan las universidades a la IA, no solo en el aula, sino también en la política, la gobernanza y la estructura organizativa. El marco EPIQ-AI reformula la preparación del profesorado como un reto de alineación sociotécnica que abarca dominios epistémicos, pedagógicos, institucionales y de calidad. Repensar las universidades en la era de la IA examina si los modelos institucionales actuales pueden dar cabida a una educación impulsada por la IA. La adopción no es uniforme: la investigación sobre los factores organizativos identifica qué facilita o bloquea la adopción institucional, y los análisis de políticas nacionales muestran cómo el contexto sistémico condiciona las respuestas de las universidades. Un plan institucional concreto procede de Qin (2026), que documenta el reposicionamiento de la Universidad de Lingnan como «institución de artes liberales con intensa actividad investigadora en la era digital», con la obligación de que todo el estudiantado de grado adquiera alfabetización en IA generativa y la integración de la alfabetización digital en todo el Common Core, a la vez que desarrolla un modelo con intervención humana que pone en primer plano el razonamiento ético y el juicio crítico, y sostiene que el giro hacia la IA para la educación es una transformación intelectual y no una mejora tecnocéntrica. El mapeo a escala macro de 22 intervenciones de integración de la IA en la educación superior (AlSheikh et al., 2026) refuerza que la transformación sigue siendo más una aspiración que una realidad: evaluadas con el modelo SAMR, la mayoría de las intervenciones se sitúan en Sustitución o Aumento, la integración se concentra en medicina, la ingeniería y informática con escasa presencia de las humanidades, y la evidencia se inclina hacia Norteamérica y Asia con una representación mínima del Sur global.

La experiencia del estudiantado a escala

Los estudios a gran escala sobre el uso auténtico de la IA por parte del estudiantado y sobre la disponibilidad de la IA generativa y la satisfacción documentan cómo usa el estudiantado la IA en realidad, y revelan brechas entre la política institucional y la práctica cotidiana. La investigación mediante encuestas capta cómo se desenvuelve el estudiantado en el panorama de la IA, y los estudios sobre el tiempo de estudio, las competencias en IA de las personas tituladas y las percepciones del estudiantado sobre las herramientas de IA muestran que la experiencia del estudiantado con la IA es desigual: eficiente, pero a menudo más superficial. Buena parte de este aprendizaje universitario ocurre ahora en línea, donde la enseñanza y el aprendizaje en línea condiciona tanto los beneficios de la IA (personalización escalable, apoyo permanente) como sus riesgos (integridad académica, descarga cognitiva) para el estudiantado universitario. Un enfoque exploratorio de aprendizaje automático con análisis SHAP examinó cómo se relacionan las percepciones y los datos demográficos del estudiantado con la intención de usar ChatGPT con fines académicos, priorizando la interpretabilidad (An Exploratory Machine Learning Approach to Understanding Determinants of Future ChatGPT Use in Higher Education). En la educación artística y de diseño, donde la IA generativa cuestiona el valor de la creatividad humana, un modelo de aprendizaje basado en proyectos centrado en la narrativa digital cultivó las capacidades emocionales, culturales y narrativas que la IA no tiene, evaluado mediante un estudio de caso integrado de 15 semanas con 426 estudiantes universitarios chinos que tradujeron el patrimonio cultural local a narrativas Multimodal AI (In the AI era: A project-based digital storytelling framework for art and design education). Los usos asistenciales e inclusivos de la IA generativa también están remodelando la experiencia del estudiantado con discapacidad: Khlaif et al. (2026), un estudio de caso cualitativo con 21 estudiantes universitarios con discapacidad visual de tres universidades palestinas, encontró que la IA generativa adapta el ritmo, el contenido y la presentación a perfiles individuales, simplifica textos complejos y convierte el contenido entre modalidades, lo que da a quien aprende una sensación de autonomía y confianza al participar en clase, y se percibe como un complemento y no como un sustituto del profesorado.

Formación de posgrado y profesional

La base de conocimiento está muy orientada a los estudios de grado, y alberga la formación de posgrado y profesional dentro de páginas específicas de cada disciplina (educación médica y de profesiones de la salud, educación empresarial, formación del profesorado) en lugar de en una página aparte sobre educación de posgrado. No obstante, dos líneas atañen específicamente al estudiantado de máster, doctorado y programas profesionales: la formación en investigación y los programas de titulación profesional.

La práctica de la investigación de posgrado es la más característica de las dos. Dai y Chan (2026) analizaron cómo 28 estudiantes de investigación de posgrado, en siete grupos de discusión, pusieron en práctica Alfabetización en IA en su investigación asistida por IA generativa y encontraron que eran usuarios calibrados y no adoptantes pasivos: ajustaban las herramientas a las tareas según los riesgos percibidos y las normas disciplinares, mantenían la supervisión humana y trazaban sus propios límites entre una ayuda de redacción aceptable y la sustitución de su razonamiento. Su hallazgo central es una brecha de política: las orientaciones institucionales sobre IA generativa abordan la docencia, el aprendizaje y la evaluación, pero casi no dicen nada sobre el proceso de investigación, por lo que los autores proponen directrices orientadas a quienes investigan que andamian cada dimensión de la alfabetización en IA a lo largo del flujo de trabajo investigador, para el personal investigador y sus supervisores. Oh, Talton y Bui (2026) abordan la misma población desde el lado institucional: entre 93 estudiantes de posgrado en biociencias y personal investigador posdoctoral de un curso obligatorio de ética de la investigación, tres señales conductuales simples previas a la instrucción sirvieron para perfilar de forma ligera la admisión a una instrucción adaptativa sobre Ética de la IA, mientras que haber cursado antes asignaturas de IA no predijo ninguno de los cinco resultados de percepción. La IA también está remodelando al propio equipo de investigación: el análisis de 147.074 publicaciones desde 2020 asocia la escritura asistida por IA con equipos más pequeños y con más presencia de personal junior que producen trabajos muy citados, lo que invierte la deriva de décadas hacia la «gran ciencia» y las colaboraciones más amplias, y un estudio de caso de un único investigador documenta cómo es un apoyo agéntico sostenido dentro del propio flujo de trabajo de una persona investigadora.

Los programas de titulación profesional concentran la mayor parte de la evidencia de nivel de posgrado, y esta se organiza por disciplina. En la educación de las profesiones de la salud, un ensayo controlado aleatorizado con 100 estudiantes de tercer año de medicina probó un sistema de LLM multiagente (paciente simulado, tutor socrático, evaluador por turnos) organizado en torno a funciones explícitas de andamiaje para la formación en entrevista clínica, mientras que el marco SCAN reformula el uso de la IA por parte del estudiantado en formación como un problema de distribución de tareas y de clasificación metacognitiva en tiempo real, y no como un mal uso por su parte. La formación de nivel de máster aparece en Zhu et al. (2026), cuyo modelo D-T-E elevó la competencia en diseño instruccional de estudiantes de máster en didáctica de las matemáticas (d de Cohen = 0,62) haciendo que tres LLM actuaran como «revisores inteligentes» en un ciclo de diseño, retroalimentación y reflexión. Cómo conceptualiza el estudiantado la IA generativa y su propia profesionalización atraviesa estos programas, mientras que el aprendizaje en el puesto de trabajo y la formación profesional continua, adyacentes pero distintos de los estudios de posgrado, se tratan en Adult Learners y Workplace Learning.

Profesorado y enseñanza

La investigación sobre desarrollo educativo examina cómo adopta, rechaza o adapta el profesorado la IA. Los estudios sobre la adopción de la IA por parte del profesorado señalan la confianza, el apoyo y la actitud como predictores clave. La investigación sobre la retroalimentación discrecional asistida por IA explora si la IA aumenta la calidad y la cantidad de la retroalimentación del profesorado, y la investigación ética sopesa si el profesorado debería usar la IA para dar retroalimentación en absoluto. La investigación sobre las perspectivas del personal y los estudios fenomenográficos sobre las concepciones del profesorado indagan en cómo entiende el personal docente su papel cambiante. En contextos de clases numerosas, la IA puede asumir ahora una parte creciente de la carga de retroalimentación: un experimento de campo de un semestre en clases prácticas de macroeconomía de grado (Geschwind et al., 2026) encontró que la retroalimentación individual de GPT-4 mantuvo la mayor participación en ocho tareas abiertas y produjo las mayores mejoras en el aprendizaje de contenido, lo que sitúa la retroalimentación de la IA como un complemento escalable de la retroalimentación del profesorado y un sustituto de la retroalimentación entre pares poco fiable. Una vía complementaria para clases numerosas de STEM de grado es un sistema de asistente docente de diagnóstico: Arthur (Yin et al. 2026) usa una base de aprendizaje automático por pregunta para ofrecer retroalimentación personalizada en tiempo real sobre preguntas de cálculo de Economía de la Ingeniería, un ámbito en el que las soluciones manuscritas habían bloqueado antes el apoyo de la IA, mediante una interfaz web de banco de preguntas basada en el diálogo que equilibra la precisión de la retroalimentación con la eficiencia de la recogida. Farazouli et al. (2026) captan la dimensión emocional de ese cambio: 24 docentes universitarios suecos vivieron la irrupción de la IA generativa como algo alarmante y abrumador, y describieron un «estado de vulnerabilidad» (poca confianza, inseguridad, miedo a «no ir por delante del estudiantado») y la sensación de estar «atrapados» entre discursos utópicos y distópicos, a la vez que repensaban la evaluación y reevaluaban sus prioridades hacia el pensamiento crítico y un uso ético de la IA generativa.

Evaluación e integridad

La investigación sobre Integridad académica y la reforma de la evaluación con IA aborda cómo deben rediseñar las universidades la evaluación para un estudiantado capaz de usar IA. Los enfoques centrados en la detección están dejando paso a la evaluación auténtica y a la evaluación basada en el proceso, incluidas las pruebas orales, los gemelos de evaluación y el rediseño de la evaluación auténtica. El cambio refleja una preocupación más profunda: cómo definen el estudiantado y las instituciones el fraude con IA, y la calidad de los materiales de evaluación generados por IA. La automatización de la propia corrección está madurando para el trabajo universitario abierto: Pecuchova, Benko y Drlik (2025) compararon once modelos de IA generativa y de incrustaciones de frases con 1.885 respuestas a 24 preguntas de examen de ingeniería del software y encontraron que solo GPTo1 alcanzó una coincidencia casi perfecta con dos evaluadores humanos expertos (kappa de Fleiss 0,82), con los modelos sensibles al contexto superando a los basados en referencias, pero sus costes de API propietaria llevaron a los autores a recomendar un despliegue híbrido con intervención humana para instituciones con recursos limitados. En el nivel de los programas profesionales, Olvet et al. (2026) muestran que la puntuación con Grandes modelos de lenguaje (LLM) (GPT-4) de preguntas abiertas de examen médicas previas al prácticum puede alcanzar una coincidencia de sustancial a casi perfecta con el profesorado evaluador (kappa ponderada de hasta 0,94) tras un refinamiento iterativo de la rúbrica por personas, aunque los autores siguen recomendando mantener a las personas en el circuito para arbitrar las discrepancias residuales. Como complemento a esta evidencia a nivel de modelo, Falahat, Das, Bhaumik y Thambi (2026) calificaron con ChatGPT-5 un examen universitario de farmacia de 21 ítems y encontraron una coincidencia casi perfecta con el profesorado en los ítems objetivos (CCC 0,935-1,000) pero poco fiable en las preguntas de respuesta corta y de ensayo, y el hecho de proporcionar la rúbrica no mejoró el rendimiento de forma consistente, lo que refuerza el argumento a favor de una corrección híbrida con intervención humana en la evaluación universitaria.

Implicaciones para el profesorado de educación superior

• Diseñe la evaluación para un estudiantado capaz de usar IA. Los enfoques de integridad centrados en la detección están dejando paso a la evaluación auténtica y basada en el proceso (más allá de la detección, reforma de la evaluación): rediseñe lo que evalúa, no solo cómo lo vigila.
• Replantee la pregunta «¿qué debe seguir aprendiendo el estudiantado a mano?». Igual que en la informática, decida qué competencias deben conservarse (verificación, juicio, proceso) y conviértalas en el núcleo evaluado, en lugar de dar por hecho que las competencias en IA se transfieren solas.
• Trate la preparación del profesorado como algo sociotécnico, no solo técnico. EPIQ-AI enmarca la preparación en dominios epistémicos, pedagógicos, institucionales y de calidad: alinee su práctica docente con la gobernanza institucional, no solo con la soltura en las herramientas.
• Aborde la brecha entre política y práctica. Los estudios a gran escala (IA en el mundo real) muestran que el estudiantado usa la IA de formas que la política institucional no prevé: alinee sus expectativas con el uso real y enseñe alfabetización en IA de forma explícita.
• Use la IA para elevar la calidad y la cantidad de la retroalimentación. La retroalimentación asistida por IA puede aumentar la retroalimentación que ofrece el profesorado; acompáñela de juicio humano para que mejore el aprendizaje y no se limite a automatizarlo.
• Implíquese de forma deliberada en la innovación de la corrección y la evaluación. Mesny, Roberge-Maltais y Galy (2026) sostienen que la evaluación y la calificación figuran entre los factores que más influyen en el aprendizaje en la educación superior, pero siguen estando poco investigadas en campos como la formación en gestión (solo 58 artículos en 20 años en cuatro revistas destacadas). Los enfoques tradicionales, muy centrados en lo sumativo y referenciados a la norma, socavan el aprendizaje profundo, el bienestar, la equidad y la integridad en la era de la IA generativa; los autores instan al profesorado a implicarse de forma más activa y recíproca con cinco prácticas innovadoras (evaluación auténtica, autoevaluación y evaluación entre pares, reevaluación, calificación basada en estándares y calificación sin notas), y señalan que su implementación exige apoyo institucional y cultural y una experimentación incremental.
• Trate la formación y la supervisión en investigación como un ámbito de alfabetización en IA por derecho propio. El personal investigador de posgrado pone en práctica Alfabetización en IA como una práctica situada y no como un conjunto estático de competencias, y las orientaciones institucionales se detienen en gran medida en la enseñanza y la evaluación. Las orientaciones para trabajos de fin de máster, tesis y publicaciones deberían andamiar la verificación, la atribución y la declaración de forma concreta para cada dimensión de la alfabetización en IA, y las señales simples previas a la instrucción pueden dirigir ese apoyo en los cursos de ética de la investigación, en lugar de dictar reglas binarias.

Conceptos conectados

• Online Teaching and Learning — Enseñanza y aprendizaje en línea
• IA generativa — Tecnologías y modelos de IA generativa
• Grandes modelos de lenguaje (LLM) — Grandes modelos de lenguaje
• Student Experience — La experiencia del estudiantado con la IA en la educación superior
• Educational Development — Desarrollo del profesorado y preparación en IA
• Integridad académica — La integridad académica ante un estudiantado capaz de usar IA
• Alfabetización en IA — Alfabetización en IA para el estudiantado y el profesorado
• Validez de la evaluación — La validez de la evaluación en la era de la IA generativa
• Educational AI Policy — Política educativa sobre IA
• AI Regulation in Education — Regulación de la IA en la educación
• Remote Proctoring — Supervisión remota de exámenes e integridad automatizada
• Self-Directed Learning — Aprendizaje autodirigido con IA
• Problem-Based Learning — Aprendizaje basado en problemas con IA
• La docencia — La evolución del papel docente en las aulas con IA
• Stakeholders — Marco: las personas y los públicos de la educación con IA (estudiantado, profesorado, diseñadores, administración, responsables de políticas)
• Arts, Design and Media Education

Artículos conectados

• Faculty Readiness for AI-Supported Teaching and Scalable Online Program Delivery in Higher Education: The EPIQ-AI Framework for Epistemic Integrity — Marco de preparación del profesorado EPIQ-AI
• AI in the Wild: A Large Scale Analysis of Authentic Interactions of College Students with Generative AI — La IA en el mundo real: el uso de la IA por parte del estudiantado universitario
• A Framework for Institutional Change in the Age of AI — Cambio institucional en la era de la IA
• Generative AI Availability, Grades, and Student Satisfaction at a Large University — Disponibilidad de la IA generativa y satisfacción del estudiantado
• A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform — Escala de evaluación con IA y reforma
• The University AI Didn''t Replace: Rethinking Universities in the AI Era — Repensar las universidades en la era de la IA
• AI Adoption Among Teachers: Insights on Concerns, Support, Confidence, and Attitudes — Adopción de la IA entre el profesorado
• 'AI Should Help Them Learn, Not Learn for Them': University Staff Perspectives on the Role of Generative AI in Education — Perspectivas del personal sobre la IA generativa en la educación superior
• Exploring Organisational Drivers and Innovation Attributes of Artificial Intelligence Adoption in Higher Education — Factores organizativos de la adopción de la IA en la educación superior
• Is It Ethical for Teachers to Use AI for Student Feedback? — La IA en la retroalimentación al estudiantado: ética
• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — Más allá de la detección: rediseñar la evaluación auténtica en un mundo mediado por IA
• "It is a temptation to get it to do the work…" Student Experiences of Navigating the Generative AI Landscape in UK Higher Education: A Cross-Institutional Survey with International Comparison — Experiencias con la IA generativa del estudiantado de educación superior del Reino Unido (encuesta)
• AI skills for college graduates: Exploring how instructors and employers prioritize AI skills differently — Profesorado frente a empleadores sobre las competencias en IA de las personas tituladas universitarias
• Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build — Descenso del 26,9 % del tiempo de estudio entre estudiantes universitarios
• Artificial Intelligence in UK Higher Educational Policy and Institutional Decision Making — Política de IA en la educación superior del Reino Unido
• Is using artificial intelligence tools for academic work cheating? Student perceptions, ethics, and the impact — Herramientas de IA, trabajo académico y fraude
• Assessing the Quality of AI-Generated Exams: A Large-Scale Field Study — Evaluar la calidad de los exámenes generados por IA: un estudio de campo a gran escala
• Reconsidering the Use of Oral Exams and Assessments: An Old Way to Move Into a New Future — Reconsiderar las pruebas orales como evaluación auténtica y resistente a la IA
• Assessment twins: An approach for strengthening assessment validity in the age of generative AI — Gemelos de evaluación para reforzar la validez de la evaluación en la era de la IA generativa
• Students' Perceptions of Artificial Intelligence Tools for Study Productivity and Learning: An Exploratory Survey Study — Students' Perceptions of Artificial Intelligence Tools for Study Productivity and Learning: An Exploratory Survey Study
• Understanding what good education is: a phenomenographic investigation of university teachers' understandings of AI — Estudio fenomenográfico de las concepciones del profesorado universitario sobre la IA
• AI for Education: The Digital Transformation of a Liberal Arts Institution — Implementation at Lingnan University — Transformación digital de una universidad de artes liberales hacia un modelo de intensa actividad investigadora en la era de la IA generativa (Qin 2026)
• Mapping artificial intelligence integration in higher education: A systematic review using the FACETS and SAMR frameworks — Revisión sistemática que mapea la integración de la IA en la educación superior mediante los marcos FACETS y SAMR (AlSheikh et al. 2026)
• Navigating uncertainty: university teachers' experiences and perceptions of generative artificial intelligence — Experiencias y percepciones del profesorado universitario sobre la IA generativa: vulnerabilidad, repensar la evaluación y aprendizaje del estudiantado en riesgo (Farazouli et al. 2026)
• GPT-4 feedback increases student activation and learning outcomes in higher education
• Automated Grading of Open-Ended Questions in Higher Education Using GenAI Models
• Innovative assessment and grading practices in higher education: A critical exploration for management educators
• Shaping Responsible GenAI Use in Research Through AI Literacy-Oriented Guidelines: Insights From Postgraduate Students — Uso de la IA generativa por parte del personal investigador de posgrado en el flujo de trabajo investigador y directrices orientadas a la alfabetización en IA (Dai y Chan 2026)
• Engagement Intensity as a Learner-Modeling Signal for Adaptive AI Ethics Instruction — La intensidad de implicación como señal de modelado del estudiantado para la instrucción adaptativa en ética de la IA (Oh, Talton y Bui 2026)
• Smaller, Younger, and More Impactful: How AI-Assisted Writing Transforms Research Teams — La escritura asistida por IA desplaza los equipos de investigación hacia colaboraciones más pequeñas, con más personal junior y muy citadas (Wang et al. 2026)
• StudentBench: AI and human tutoring yield equivalent GRE learning gains — StudentBench: la tutoría con IA y la humana producen mejoras equivalentes en el aprendizaje para el GRE
• 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