Educación superior

Traducción automática de la página en inglés, todavía sin revisar por una persona hablante nativa.

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 conocimientos, con más de 100 artículos que examinan cómo la IA transforma la enseñanza a nivel universitario, la política institucional y la experiencia del estudiantado. La IA en la educación superior es a la vez el ámbito dominante de la investigación en AIEd y el lugar donde sus tensiones son más visibles: entre la promesa de IA generativa de ofrecer una personalización escalable y sus riesgos para la integridad, el aprendizaje, la privacidad y la equidad. Abarca tanto los estudios de grado como los de posgrado, incluidos programas profesionales como la medicina y los negocios.

Preguntas para considerar

• La educación superior es el ámbito 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 considera que se manifiesta 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 plantea la adopción de la IA como un proceso desigual: algunas instituciones se transforman mientras otras se quedan rezagadas, en función de factores organizativos y de la política nacional. ¿Qué factores cree usted que determinan si una universidad se adapta o se estanca?
• A medida que 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 un descenso del tiempo de estudio entre el estudiantado universitario que utiliza IA. Si el estudiantado dedica menos tiempo a estudiar pero manifiesta 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 responsabilizarse 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 calificación automatizada hasta el desarrollo del profesorado, la integridad académica, la gobernanza institucional y el apoyo al estudiantado. Los artículos de la base de conocimientos 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 de la política y la práctica. En los 394 estudios de IA generativa en educación superior de la revisión, el foco de participantes era el estudiantado en 352, el profesorado en 15, ambos en 26 y varios grupos de interés en 1, de modo que la base de evidencia sobre percepciones y práctica docente es abrumadoramente estudiantil (Lin et al. (2026)).

Transformación institucional

Los marcos de cambio institucional analizan cómo se adaptan las universidades a la IA, no solo en el aula, sino en toda la política, la gobernanza y la estructura organizativa. El marco EPIQ-AI reformula la preparación del profesorado como un reto de alineación sociotécnica que implica 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 factores organizativos identifica qué permite o bloquea la adopción institucional, y los análisis de la política nacional muestran cómo el contexto sistémico condiciona las respuestas de las universidades. Un plano institucional concreto procede de Qin (2026), que documenta el reposicionamiento de la Universidad de Lingnan como «institución de artes liberales de intensa actividad investigadora en la era digital», haciendo obligatoria la alfabetización en IA generativa para todo el estudiantado de grado e integrando la alfabetización digital en todo el Common Core, a la vez que desarrolla un modelo con participación humana que pone en primer plano el razonamiento ético y el juicio crítico, y sostiene que el giro hacia la IA en la educación es una transformación intelectual, no una mejora tecnocéntrica. La cartografía a nivel macro de 22 intervenciones de integración de la IA en la educación superior (AlSheikh et al., 2026) confirma que la transformación sigue siendo más una aspiración que una realidad: medidas con el modelo SAMR, la mayoría de las intervenciones se sitúan en Substitution o Augmentation, la integración se concentra en la medicina, la ingeniería y la informática con escasa presencia de las humanidades, y la evidencia se inclina hacia Norteamérica y Asia con una representación mínima del Sur Global.

Un índice comparativo global mide la brecha entre el discurso y la estructura. Chan (2026) codificó los sitios web oficiales de las 100 universidades del ranking Times Higher Education 2026 según un índice de institucionalización de la IA de 20 indicadores. La capa simbólica está saturada mientras la capa estructural es delgada: el 100 % cuenta con un grupo de trabajo sobre IA y un máster en IA, pero solo el 12 % tiene un liderazgo ejecutivo en IA, el 5 % exige un curso introductorio de IA para el estudiantado de grado y el 0 % publica una política de accesibilidad de la IA pese a que el 93 % despliega servicios de IA en el campus.

La institucionalización resultó además independiente del prestigio (correlación de rango r ≈ 0,04), con una variación regional significativa (ANOVA F = 5,86, p < ,001; Norteamérica M = 0,63 frente a Europa 0,51 y Asia 0,50) y una tipología de seis modelos en la que solo un pequeño subconjunto, formado en su mayoría por grandes universidades públicas estadounidenses, alcanza la «institucionalización profunda». El autor advierte que el índice es una medida de primera generación, no validada y basada únicamente en el sitio web del centenar de universidades de élite: un mapa comparativo, no una tabla de puntuaciones.

Qué formas de uso de la IA generativa ha legitimado una institución es en sí mismo medible. Sun, Dohn y Rehm (2026) clasificaron 102 estudios empíricos de educación superior según cómo se distribuía el trabajo epistémico entre el estudiantado y el sistema, y encontraron que dominaban las aplicaciones de tipo Asistente (42,16 %) y Habilitador (42,16 %), mientras que las de tipo Generador, Reimaginador y Sintetizador sumaban en conjunto menos de una quinta parte del corpus, no porque los modelos no puedan hacer el resto, sino porque las formas marginales distribuyen la autoría de maneras que la lógica de competencia individual de la universidad todavía no reconoce. En su lectura, la restricción vinculante de la IA generativa en la educación superior es la legitimidad institucional y no la capacidad técnica, lo que sitúa la cuestión en el mismo terreno de política y rediseño de la evaluación que la reforma de la integridad y la evaluación.

Ranieri y Biagini (2026) probaron la taxonomía cuatricategórica de la educación superior de 2019 frente a 228 publicaciones de 2019–2026 y encontraron que el 58,4% de las 154 aplicaciones clasificables quedan fuera de ella, y añaden el apoyo al estudiantado habilitado por IA, el diseño de contenidos e instrucción y la analítica institucional como dominios funcionales.

El despliegue de la IA fuera del aula se ha convertido en una cuestión de protección de los consumidores, y el inventario de este desde el lado del estudiantado es escaso. El informe SHAPE AI de Student Defense (2026) mapea el uso institucional de la IA en las admisiones, el reclutamiento y la ayuda financiera, los servicios de éxito estudiantil (asesoramiento, orientación, acceso a prestaciones, transferencia de créditos) y la prestación educativa —funciones integradas en el LMS de Canvas, Blackboard y D2L Brightspace, plataformas de IA generativa de toda la institución, sistemas de tutoría y retroalimentación, detección y supervisión de exámenes—, y sostiene que la adopción va por delante de la protección. Sus seis preocupaciones transversales (si el estudiantado recibe lo que paga, la pérdida de comunidades de aprendizaje, la divulgación y la transparencia, la privacidad de los datos, el sesgo y una supervisión humana calibrada) se unen a un filtro de contratación de cuatro preguntas: qué problema se resuelve, si existe capacidad de gobernanza, si la institución está siendo transparente y si el despliegue crea valor para el estudiantado. La posición del informe es que los estados, los organismos de acreditación y el Departamento de Educación federal aún no están preparados para detectar estos riesgos, lo que deja la propia política escrita de la institución como la protección operativa, y nombra directamente el modo de fallo: una universidad que publicita un programa dirigido por su profesorado mientras la instrucción o el diseño de cursos se externaliza a la IA o a proveedores externos está vendiendo un producto distinto bajo su propio nombre.

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 el arte y la educación en 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 de las que la IA carece, evaluado mediante un estudio de caso integrado de 15 semanas con 426 estudiantes universitarias de grado de China que trasladaron el patrimonio cultural local a relatos IA multimodal (In the AI era: A project-based digital storytelling framework for art and design education). Los usos asistivos e inclusivos de la IA generativa también están reconfigurando la experiencia del estudiantado para las personas con discapacidad: Khlaif et al. (2026) —un estudio de caso cualitativo con 21 estudiantes universitarias de grado con discapacidad visual en tres universidades palestinas— encontraron que la IA generativa adapta el ritmo, los contenidos y la presentación a los perfiles individuales, simplifica textos complejos y convierte los contenidos entre modalidades, dando al estudiantado una sensación de autonomía y de confianza en la participación en clase, a la vez que se la percibe como un complemento del profesorado y no como su sustituto.

Una regresión jerárquica sobre 303 estudiantes de grado encontró que los recursos percibidos y el apoyo del profesorado explicaban el 29% de la varianza de la alfabetización en IA, la competencia digital previa el 3% y el bloque psicológico el 6% (R² total = 0,39); la asociación de la ansiedad tecnológica se invirtió a positiva en el modelo completo, solo para la evaluación crítica y la competencia ética (Chow et al. (2026)).

Más allá del aula, la IA llega al estudiantado a través de la propia institución —asesoramiento, divulgación, derivación y asignación de apoyos escasos—, un ámbito que el apoyo y éxito estudiantil reúne como corpus de evidencia propio. Su principal advertencia sobre la escala procede de una evaluación aleatorizada de cuatro años (N = 8.708) en la que unos recordatorios de matrícula adelantaron una fecha límite en 34 puntos porcentuales mientras que la graduación, los créditos y la nota media no se movieron en absoluto.

Formación de posgrado y profesional

La base de conocimientos 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, repartidos en siete grupos de discusión, pusieron en práctica la 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 de la «Big Science» hacia colaboraciones más grandes, y un estudio de caso con una única investigadora documenta cómo es, dentro del flujo de trabajo de una persona investigadora, un apoyo agente sostenido.

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 Aprendizaje de adultos y Aprendizaje en el lugar de trabajo.

Profesorado y enseñanza

La investigación sobre el 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 ganancias de aprendizaje de contenido, lo que sitúa la retroalimentación de la IA como un complemento escalable de la retroalimentación del profesorado docente 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 hasta ahora el apoyo de la IA, mediante una interfaz web dialogada con banco de preguntas que equilibra la precisión de la retroalimentación con la eficiencia de la recogida de datos. 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 declararon un «estado de vulnerabilidad» (poca confianza, inseguridad, miedo a «no ir por delante del estudiantado») y sentirse «atascados» entre los discursos utópicos y distópicos, a la vez que repensaban la evaluación y reevaluaban sus prioridades hacia el pensamiento crítico y el uso ético de la IA generativa.

Una hora de tutoría con IA resultó estadísticamente equivalente a la tutoría humana experta en directo en ganancias de aprendizaje del GRE a lo largo de 2.469 sesiones con 2.383 personas adultas, y un modelo alcanzó la paridad con un coste por punto porcentual 918 veces menor (Northcutt et al. (2026)).

Evaluación e integridad

La investigación sobre la 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) evaluaron comparativamente once modelos de IA generativa y de incrustación de frases sobre 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 participación humana para las 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, si bien los autores siguen recomendando mantener a las personas en el proceso para arbitrar las discrepancias residuales. En complemento de esta evidencia a nivel de modelo, Falahat, Das, Bhaumik y Thambi (2026) corrigieron un examen universitario de farmacia de 21 ítems con ChatGPT-5 y encontraron una coincidencia casi perfecta con el profesorado en los ítems objetivos (CCC 0,935–1,000), pero una coincidencia poco fiable en los ítems de respuesta breve y de ensayo, sin que la entrega de la rúbrica mejorara el rendimiento de forma sistemática, lo que refuerza el argumento a favor de una corrección híbrida, con participación humana en la evaluación universitaria.

Una tercera vía endurece la propia tarea: presentar los enunciados como imágenes perturbadas elevó el fallo de los LLM al completar la tarea del 7,4% al 55,6% e hizo que el error de extracción de Tesseract llegara al 100,0%, lo que replantea la integridad como diseño de contenido que complementa la detección en lugar de sustituirla (Salaun et al., 2026).

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.
• Deje de tratar el veto en el aula como una garantía. Las gafas inteligentes y los audífonos con IA son doblemente transparentes —no hay caída de la mirada ni cambio de postura que detectar—, de modo que un examen vigilado o una prueba oral ya no pueden comprar confianza probatoria mediante la separación física (Corbin et al., 2026).
• Replantee la pregunta «¿qué debe seguir aprendiendo el estudiantado a mano?». Igual que en 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 automáticamente.
• Trate la preparación del profesorado como algo sociotécnico, no solo técnico. El marco 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.
• Financie la alfabetización en IA, no solo la confianza en las herramientas, para el profesorado. Liu et al. (2026) encontraron que el apoyo social y organizativo llegaba al bienestar del profesorado universitario con la IA solo de forma indirecta, a través de la alfabetización en IA (β = 0,713), de modo que los programas que construyen comprensión conceptual, ética y pedagógica hacen más por el profesorado que la fluidez práctica por sí sola.
• Escriba orientaciones específicas por método, no una única política de IA para todo el campus. Entrevistando a 25 docentes universitarios de idiomas, el estudio destiló 20 tensiones éticas —cuatro por método en línea— agrupadas en autenticidad del aprendizaje (11), cuestionamiento de la autoridad (4) y dinámicas de colaboración (5), y sostiene que una política genérica y agnóstica respecto al método no puede abordar las presiones distintas que cada método en línea ejerce sobre la integridad y la colaboración (Baoyi y Khan (2026)).
• Aborde la brecha entre política y práctica. Los estudios a gran escala (la 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 la 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.

Concepciones erróneas comunes

• «La adopción institucional de la IA ha madurado.» La capa simbólica está saturada mientras que la capa estructural es delgada: el 100% tiene un grupo de trabajo sobre IA y un máster en IA, pero solo el 12% tiene liderazgo ejecutivo en IA y solo el 5% exige un paso institucional adicional. Los anuncios han superado a las estructuras en un orden de magnitud.
• «El prestigio predice la madurez institucional en IA.» La institucionalización resultó independiente del prestigio (correlación de rangos r ≈ 0,04), con una variación regional significativa (ANOVA F = 5,86, p < ,001). La reputación no es un indicador de preparación, y la geografía predice más que el estatus.
• «El modo en que la IA distribuye el trabajo epistémico es uniforme entre instituciones.» Sun, Dohn y Rehm (2026) clasificaron 102 estudios empíricos de educación superior según cómo se distribuía el trabajo epistémico, y la variación es el hallazgo y no un detalle.

Conceptos conectados

• Patrones pedagógicos — El nivel en el que se generó la mayor parte de la evidencia de secuencias probada
• Enseñanza y aprendizaje en línea — Enseñanza y aprendizaje en línea
• IA generativa — Tecnologías y modelos de IA generativa
• Grandes modelos de lenguaje (LLM) — Grandes modelos de lenguaje
• Experiencia del estudiantado — La experiencia del estudiantado con la IA en la educación superior
• Desarrollo educativo — 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
• Política educativa sobre IA — Política educativa sobre IA
• Regulación de la IA en educación — Regulación de la IA en la educación
• Supervisión remota de exámenes — Supervisión remota de exámenes e integridad automatizada
• Aprendizaje autodirigido — Aprendizaje autodirigido con IA
• Aprendizaje basado en problemas — Aprendizaje basado en problemas con IA
• La docencia — La evolución del papel docente en las aulas con IA
• Partes interesadas — Marco: las personas y los públicos de la educación con IA (estudiantado, profesorado, diseñadores, administración, responsables de políticas)
• Educación en artes, diseño y medios
• Apoyo y éxito estudiantil — asesoramiento, divulgación, derivación y asignación de apoyos: el lado institucional del éxito estudiantil

Artículos conectados

• How colleges and universities are adopting AI in higher education: a global comparative analysis — Chan (2026): índice de institucionalización de la IA en 100 universidades de primer nivel; el discurso se adelanta a la estructura y la adopción es independiente del prestigio
• 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 on academic performance and critical thinking — 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 — Percepciones del estudiantado sobre las herramientas de inteligencia artificial para la productividad de estudio y el aprendizaje: un estudio exploratorio por encuesta
• 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 in teaching and learning — 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
• Literacy demands placed on students in student–GenAI entanglements in higher education — Las formas de Asistente y Habilitador dominan la investigación sobre IA generativa en educación superior; los tipos de entrelazamiento marginales siguen siendo raros por razones institucionales y no técnicas (Sun, Dohn y Rehm 2026)
• Students at Stake: Risks of AI Deployment in Higher Education — Mapa del despliegue de IA desde el lado del estudiantado en admisiones, ayuda financiera, servicios estudiantiles y prestación educativa, con un filtro de contratación de cuatro preguntas (Student Defense 2026)
• AIRRI: Towards a Human-Readable, Machine-Resistant Reading Interface — Tareas con imágenes perturbadas que elevaron el fallo de los LLM del 7,4% al 55,6%: el diseño de contenidos como vía de integridad
• On AI glasses and wearable AI in assessment — Las gafas y los audífonos de IA derrotan el veto de exámenes en el aula: transparencia doble sin indicios de mirada ni postura
• Artificial Intelligence in Higher Education (2019–2026): A Systematic Review of Applications and an Evidence-Derived Multi-Axial Taxonomy — Una taxonomía por dominios funcionales de las aplicaciones de IA en educación superior, el 58,4% de las cuales queda fuera de las categorías de 2019
• AI and higher education: teachers' perceptions of students' ethical tensions in online pedagogical methods — Orientaciones específicas por método, no una única política de IA para todo el campus
• A Multidimensional Analysis of AI Literacy Determinants: External Resources, Digital Skills, and Psychological Profile Among University Students — Los recursos percibidos y el apoyo del profesorado explicaban el 29% de la varianza de la alfabetización en IA; la demografía, no
• Exploring University Faculty's AI Well-Being: A Structural Equation Model of Social Supports, AI Literacy, and Technological Self-Efficacy — Financiar la alfabetización en IA, no solo la confianza en las herramientas, para el profesorado