Metaanálisis y revisión sistemática

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

El metaanálisis y la revisión sistemática — la familia de métodos de síntesis de evidencia que usa la investigación para agregar y valorar un conjunto de estudios, en lugar de realizar un único experimento nuevo. Una revisión sistemática aplica un protocolo transparente y reproducible para buscar, cribar, valorar y sintetizar la literatura sobre una pregunta acotada; un metaanálisis va más allá al agrupar estadísticamente los tamaños del efecto de los estudios elegibles para producir una estimación resumida ponderada y poner a prueba moderadores. En la IA en la educación, estos métodos son centrales para establecer la base de evidencia sobre si las herramientas de IA funcionan, en qué condiciones y para quién, y para exponer lagunas, sesgos y la calidad metodológica del campo.(A meta-analysis of the effect of generative AI on productivity and learning in programming)(Comprehensive Review of Intelligent Tutoring Systems)

Preguntas para reflexionar

• Imagine que lee diez estudios sobre si la tutoría con IA funciona: dos muestran grandes ganancias, tres no muestran ninguna y cinco muestran efectos positivos pequeños. ¿Cómo decidiría qué concluir? Esa tensión es exactamente lo que las revisiones sistemáticas y los metaanálisis están diseñados para resolver.
• Una revisión sistemática y un metaanálisis suelen tratarse como lo mismo, pero la página los distingue: una revisión sintetiza según un protocolo documentado, mientras que un metaanálisis agrupa estadísticamente los tamaños del efecto. ¿Cuándo sería inapropiado o imposible agrupar, aunque exista una revisión cuidadosa?
• Las revisiones sistemáticas ocupan la cima de la jerarquía de la evidencia en parte porque compensan muestras pequeñas, diseños heterogéneos y resultados contradictorios entre estudios. ¿Dónde ha visto que un único estudio espectacular moldee la opinión aunque la evidencia agrupada fuera mucho más mixta?
• Los metaanálisis producen una estimación resumida ponderada, un único número como «un efecto medio de 0,125 desviaciones estándar». ¿Qué oculta un promedio agrupado sobre las condiciones, quienes aprenden o los contextos en los que el efecto difiere, y por qué importa eso para decidir si actuaría en consecuencia?
• Ambos métodos se comprometen con un protocolo transparente y reproducible (a menudo PRISMA) precisamente porque las decisiones sobre qué buscar e incluir pueden sesgar el resultado. ¿Cuánto confiaría en una revisión que no divulgara sus decisiones de búsqueda y cribado?

Introducción

Las revisiones sistemáticas y los metaanálisis ocupan la cima de la jerarquía tradicional de la evidencia precisamente porque sintetizan muchos estudios individuales, compensando las muestras pequeñas, los diseños heterogéneos y los resultados contradictorios que caracterizan a cualquier campo aplicado en rápida evolución. En la IA en la educación, donde aparecen constantemente nuevas herramientas y estudios, las revisiones desempeñan la función crucial de hacer balance: mapear qué se ha estudiado, agregar qué se sabe y señalar dónde la evidencia es escasa o metodológicamente débil. Se diferencian de una revisión de la literatura narrativa o integradora, que ofrece una síntesis cualitativa, por su compromiso con un protocolo documentado y (en el caso del metaanálisis) con el agrupamiento estadístico.(The AI Literacy Heptagon: A Structured Approach to AI Literacy in Higher Education)

Revisión sistemática frente a metaanálisis

Ambos siguen PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) como estándar de reporte, que documenta el proceso de búsqueda, cribado e inclusión para la transparencia y la reproducibilidad. Una revisión integradora puede seguir los principios de PRISMA para la transparencia sin llegar al agrupamiento estadístico.(A systematic review of AI-powered collaborative learning in higher education: Trends and outcomes from the last decade)(The AI Literacy Heptagon: A Structured Approach to AI Literacy in Higher Education)

La síntesis de evidencia en la IA en la educación

Qué logran las revisiones

Las revisiones sistemáticas y los metaanálisis en la IA en la educación cumplen varias finalidades distintas:

• Establecer la base de evidencia — determinar si las herramientas de IA (tutoría, retroalimentación, evaluación, chatbots) producen ganancias de aprendizaje y de qué magnitud son.
• Mapear el campo y sus lagunas — una revisión de alcance documenta qué se ha estudiado, dónde se concentra la evidencia y dónde falta (p. ej., entornos laborales, trabajos no en inglés, casos de fracaso).(Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness)
• Identificar moderadores y condiciones — el metaanálisis pone a prueba si los efectos difieren según la población de estudiantes, el dominio, el tipo de sistema de IA o el diseño del estudio, y revela para quién y en qué condiciones funciona una herramienta. Pero un moderador es tan fiable como los estudios que lo sustentan: en un metaanálisis de 2026 sobre la escritura en L2 apoyada por IA generativa, el único moderador que sobrevivió al control metodológico fue la clasificación del riesgo de sesgo de los estudios, mientras que una diferencia de modelo instruccional que había parecido significativa en el análisis de subgrupos se desmoronó al introducir la calidad del estudio y el tamaño de la muestra. La calidad metodológica, y no la pedagogía, sostenía el efecto, así que los aparentes moderadores pedagógicos merecen el mismo escrutinio que las estimaciones agrupadas. Los moderadores nulos transmiten la misma lección a la inversa. En el metaanálisis de Chen y Wei sobre tecnologías digitales y de IA para las destrezas en lenguas extranjeras (40 estudios, 3.367 participantes, g agrupada = 0,962), los moderadores que sobrevivieron fueron el diseño del estudio (cuasiexperimentos g = 1,019 frente a experimentos verdaderos g = 0,474), la duración de la intervención y el número de herramientas, mientras que el tipo de destreza lingüística, el tipo de tecnología, el nivel educativo, el entorno y el tamaño de la muestra no mostraron diferencias significativas entre grupos, lo que llevó a los autores a concluir que la eficacia no puede atribuirse a una etiqueta tecnológica ni a una categoría de destreza. El metaanálisis de Yu y sus colegas sobre la educación en IA en K-12 (16 estudios, 57 tamaños del efecto, g = 0,892) encontró nulos sus tres moderadores probados (fuente de publicación, año de publicación, nivel escolar) y leyó la heterogeneidad residual (I2 = 94,68%) como evidencia de que el campo no ha acordado en absoluto cómo medir la alfabetización en IA. Cuando un moderador resulta nulo y la heterogeneidad sigue siendo alta, la conclusión de la síntesis suele referirse al constructo de resultado o a los diseños de los estudios primarios tanto como a la intervención.
• Exponer la calidad metodológica — las revisiones encuentran de forma rutinaria que el campo se apoya en diseños con potencia insuficiente, preexperimentales o cuasiexperimentales y en postests inmediatos, lo que matiza las conclusiones.(Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness)(Comprehensive Review of Intelligent Tutoring Systems) El reporte escaso de lo que realmente se hizo forma parte de ese panorama y acota lo que cualquier síntesis posterior puede afirmar: la revisión sistemática de Yalcin y sus colegas sobre la IA generativa en la educación en programación no pudo identificar un enfoque instruccional en 26 de sus 46 estudios, y 32 de los 46 aparecían en actas de congresos, de modo que la revisión pudo codificar la pedagogía de menos de la mitad de su corpus y termina con evidencia de impacto mixta (algunos estudios mostraron mejoras en el rendimiento en exámenes y en la programación, mientras que otros no encontraron diferencias significativas frente a la retroalimentación del profesorado). Una síntesis hereda los hábitos de reporte de su campo.

Ejemplos de la base de conocimiento

• Metaanálisis de la IA generativa y la programación — agrupa la evidencia sobre la disyuntiva entre productividad y aprendizaje y encuentra ganancias de productividad significativas pero ninguna ganancia de aprendizaje significativa (g ≈ 0), lo que ilustra la capacidad del metaanálisis para separar la eficiencia a corto plazo del aprendizaje duradero.(A meta-analysis of the effect of generative AI on productivity and learning in programming)

• Revisión sistemática de la IA en la FP — primera revisión sistemática de 26 estudios, que documenta la brecha entre un constructivismo de nombre y un conductismo de práctica y la ausencia de estudios en entornos laborales.(Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness)

• Revisión sistemática de la IA generativa en la educación superior — mapea oportunidades, desafíos e innovaciones pedagógicas a lo largo de una ventana de cinco años.

• Revisión exhaustiva de los ITS — una revisión sistemática de los sistemas de tutoría inteligente con atención al rigor metodológico.

• Revisión sistemática de ChatGPT y el pensamiento crítico/creativo — sintetiza la evidencia sobre si el uso de LLM apoya o socava el pensamiento de orden superior.

• Base de evidencia de la IA en K-12 — revisa la solidez de la evidencia sobre la tutoría con IA en las escuelas.

• Metaanálisis de las intervenciones de alfabetización en IA — metaanálisis de tres niveles de 59 estudios (172 efectos, 7.211 participantes) que estima un efecto global grande (g = 0,837) a la vez que muestra que la eficacia varía según la región y el foco del resultado de aprendizaje (las intervenciones centradas en el conocimiento superaron a las dirigidas a destrezas, actitudes o ética).

• Heptágono de la alfabetización en IA — una revisión integradora de la literatura que sigue los principios de PRISMA e ilustra una síntesis cualitativa que no llega al metaanálisis.(The AI Literacy Heptagon: A Structured Approach to AI Literacy in Higher Education)

• Metaanálisis de las tecnologías digitales y de IA para las destrezas en lenguas extranjeras — Chen y Wei (2026) agrupan 40 estudios experimentales y cuasiexperimentales (3.367 participantes) en un efecto grande (g = 0,962, IC del 95% de 0,765 a 1,159) con heterogeneidad alta (I2 = 85,178) y comprobaciones de sesgo de publicación que respaldan la estimación (N a prueba de fallos de Orwin = 5853; prueba de Egger p = 0,84465). La parte instructiva es el moderador de diseño: los cuasiexperimentos reportaron g = 1,019 frente a g = 0,474 de los experimentos verdaderos, y los patrones no lineales de duración y número de herramientas se apoyan en subgrupos de uno o dos estudios.

• Metaanálisis de la IA generativa y los resultados de aprendizaje en la educación superior — Jing y sus colegas (2026) agrupan 35 estudios y 175 tamaños del efecto en g = 0,53 (IC del 95% [0,48, 0,64]), mayor para las destrezas profesionales (g = 0,72), después para el rendimiento académico (g = 0,46) y la actitud emocional (g = 0,44). La duración modera todas las dimensiones, y el descenso es lo importante: los efectos sobre el rendimiento académico caen de g = 5,07 en intervenciones de 0 a 4 semanas a g = 0,64 a las 4–12 semanas y g = 0,01 más allá de las 12 semanas (Q = 35,19, p < 0,001). El tipo de disciplina y el método de aprendizaje no fueron moderadores significativos.

• Metaanálisis de la educación en IA y la alfabetización en IA en K-12 — Yu y sus colegas (2026) agrupan 16 estudios (57 tamaños del efecto, 3.837 estudiantes, todos los efectos positivos) en g = 0,892 (IC del 95% [0,548, 1,236]), y el ajuste de recorte y relleno lo deja en g = 0,952. Los tres moderadores probados (fuente de publicación, año, nivel escolar) resultaron nulos, y los autores atribuyen la heterogeneidad del 94,68% a la medición: los estudios operacionalizaron la alfabetización en IA como cualquier cosa, desde el conocimiento y la ética de la IA hasta las actitudes, la autoeficacia y el interés profesional.

• Revisión sistemática de la IA generativa en la educación en programación — Yalcin y sus colegas (2026) criban con PRISMA 151 registros hasta 46 estudios, de los cuales 26 no ofrecen una descripción utilizable del enfoque instruccional y 38 examinan una única herramienta (ChatGPT solo aparece en 35 de 46). La revisión mapea de forma fiable las herramientas, los lenguajes y las sedes, pero solo puede codificar la pedagogía de menos de la mitad de su corpus, una demostración clara de que un reporte escaso en los estudios primarios limita lo que una síntesis puede concluir.

• Revisión PRISMA 2020 de la IA generativa en el aprendizaje por escenarios en ciencias de la salud — Neto y sus colegas (2026) buscaron sistemáticamente en cinco bases de datos (9 de noviembre de 2025) estudios revisados por pares sobre IA generativa en educación sanitaria basada en escenarios, casos, problemas y simulación, y cribaron 1.151 registros hasta 23 estudios incluidos, valorados con la Herramienta de Valoración de Métodos Mixtos (MMAT). Su síntesis temática reveló seis temas transversales anclados en el diseño de prompts como especificación instruccional y documentó lagunas en la estandarización de la validación, en los diseños longitudinales/comparativos y en la cuantificación de la eficiencia: una plantilla para una revisión sistemática rigurosa de la IA generativa específica de un dominio.

• Revisión sistemática sobre el profesorado de idiomas y la IA generativa — una revisión alineada con PRISMA de 23 estudios empíricos indexados en SSCI (diciembre de 2022–septiembre de 2024) sobre cómo el profesorado de idiomas percibe, adopta y aprende a integrar la IA generativa, sintetizados mediante la tipología aristotélica del conocimiento: episteme (comprensión teórica), techne (destreza práctica) y phronesis (sabiduría práctica). Documenta una adopción cautelosa y selectiva, inclinada hacia la preparación entre bastidores, brechas de competencia persistentes en los tres tipos de conocimiento y solo tres intervenciones estructuradas de desarrollo profesional, lo que ilustra cómo una revisión puede exponer tanto la base de evidencia como las lagunas metodológicas del campo (aquí, la escasez de estudios estructurados de desarrollo profesional).

• Revisión sistemática del aprendizaje por refuerzo en educación — Riedmann, Schaper y Lugrin (2025) aplicaron un protocolo estándar PRISMA para sintetizar 89 estudios de aprendizaje por refuerzo (2000–2024). La revisión es un estudio de caso instructivo sobre los métodos de síntesis y sus límites: mapea un campo en rápido crecimiento pero metodológicamente desigual —más de la mitad de los estudios (n = 54) no reportaron ninguna prueba estadística— y realiza un análisis de tamaños del efecto solo sobre 15 artículos aptos para el agrupamiento, y reporta efectos de intermedios a grandes (d de Cohen) a partir de evaluaciones en vivo. También llevó a cabo comprobaciones de sesgo de publicación (gráfico de embudo, prueba de Egger, PET-PEESE) que no encontraron un sesgo significativo pero tenían una potencia limitada (n = 6), y se detiene en una síntesis temática con análisis cuantitativo limitado en lugar de un metaanálisis completo precisamente porque los protocolos de evaluación heterogéneos impidieron un agrupamiento más amplio: una ilustración concreta de las limitaciones de heterogeneidad y de «basura entra, basura sale» que se describen más abajo.

• Revisión de mapeo de la integración de la IA en la educación superior (FACETS + SAMR) — una revisión PRISMA 2020 que criba 959 registros hasta 22 estudios de intervención e ilustra cómo un marco de codificación (FACETS: Forma, caso de uso de IA, Contexto, foco educativo, Tecnología, SAMR) más una lente evaluativa (SAMR) mapea una literatura fragmentada y gradúa la profundidad de la transformación. La mayoría de los estudios incluidos se situaban en Sustitución/Aumento de SAMR, lo que muestra que las revisiones de mapeo pueden revelar un campo de integración amplio pero superficial: una alternativa al agrupamiento de efectos cuando el objetivo es describir un panorama y no estimar un efecto.

• Revisión sistemática de la intervención docente en la instrucción basada en IA en K-12 — Lee (2026) cribó 1.565 registros hasta 29 estudios con dos evaluadores independientes en cada etapa (κ = 0,655 en el cribado, κ = 0,647 en la elegibilidad) y una valoración de calidad con MMAT que eliminó un estudio. Es un ejemplo instructivo de síntesis que se detiene deliberadamente antes del agrupamiento: como el efecto independiente de la intervención del profesorado no podía separarse del diseño del sistema de IA, de la estructura instruccional y del contexto de aula en la mayoría de los estudios incluidos, la revisión reporta resultados condicionales y un marco explicativo de proceso, estrategia y efecto en lugar de un tamaño del efecto, la misma limitación que separa una revisión de un metaanálisis.

• Revisión sistemática de los valores y las normas éticas en la IAED — Agarwal y sus colegas (2026) cribaron 736 registros en Web of Science, ERIC, IEEE CSDL y ACM DL (más una búsqueda de bola de nieve hacia atrás) hasta 25 artículos incluidos, y consolidaron la fragmentada literatura sobre ética de la IAED en seis valores éticos principales (no discriminación, custodia de datos, supervisión humana, buena voluntad, explicabilidad y aptitud educativa) y mapearon las normas éticas en una matriz de partes interesadas por valores. La revisión ilustra cómo un protocolo sistemático puede sintetizar una literatura conceptualmente fragmentada y en gran medida no empírica (solo tres de los 25 artículos eran trabajos metodológicos o investigación original) y convertirla en un marco accionable: aquí, una base para la gobernanza y la política.

Revisión interdisciplinar de la IA para la dislexia

Dabaghi, D'Urso y Sciarrone (2026) presentan una revisión sistemática interdisciplinar guiada por PRISMA (2018–2024, n=72) sobre la IA y la IA generativa para apoyar al estudiantado con dislexia en la educación. La revisión mapea la IA en la detección, el apoyo asistencial y el aprendizaje personalizado, y encuentra que estas líneas evolucionan en paralelo en lugar de integrarse, impulsadas más por la oportunidad tecnológica que por una teoría educativa consolidada. Documenta que la IA generativa está infrautilizada en este dominio (la investigación sobre IA generativa, toda de 2024, se agrupa en chatbots, apoyo a la formación del profesorado y estudios exploratorios) y que las herramientas de ayuda educativa basadas en aprendizaje automático se dividen en cinco áreas (aplicaciones específicas, implicación, personalización, recomendación y apoyo genérico), a la vez que enfatizan el rendimiento técnico por encima de la validez ecológica. Entre los desafíos abiertos están la validación experimental limitada, la escalabilidad y la accesibilidad de las herramientas de diagnóstico, las preocupaciones éticas y de privacidad con datos sensibles del estudiantado, el apoyo limitado al profesorado y las barreras lingüísticas y culturales. Las propias limitaciones metodológicas de la revisión —sesgo de clasificación interpretativa, exclusión de estudios no en inglés, protocolos de evaluación heterogéneos que impiden la síntesis cuantitativa y una base de evidencia sobre IA generativa en rápida evolución— ilustran la tensión central de la familia de las revisiones sistemáticas: un protocolo transparente puede mapear un campo fragmentado, pero la evaluación heterogénea impide el agrupamiento estadístico, así que la revisión se detiene en la síntesis temática en lugar del metaanálisis.

El desafío de la síntesis en la era de la IA: productividad frente a aprendizaje

Las revisiones de intervenciones con IA generativa afrontan un desafío distintivo que la investigación de síntesis de la base de conocimiento destaca: separar las ganancias de productividad de las ganancias de aprendizaje duraderas. Como la IA generativa puede inflar el rendimiento inmediato en la tarea (deberes, práctica asistida) sin producir aprendizaje, los metaanálisis deben ser cuidadosos con el resultado que agrupan. El metaanálisis sobre IA generativa y programación encontró grandes ganancias de productividad pero ninguna ganancia de aprendizaje significativa (g ≈ 0): una ilustración clara. Estudios de campo a gran escala y la investigación sobre medidas sin asistencia muestran que el efecto medido depende de si los resultados son asistidos por IA o supervisados/sin asistencia. Las revisiones deberían, por tanto, reportar por separado los resultados asistidos y los no asistidos, distinguir el rendimiento del aprendizaje y señalar los estudios que miden solo el rendimiento inmediato apoyado por IA. Una advertencia complementaria surge del metaanálisis sobre alfabetización en IA: qué resultado se agrupa también moldea la respuesta: las intervenciones de alfabetización en IA centradas en el conocimiento mostraron efectos mayores que las dirigidas a destrezas, actitudes o ética, así que una revisión que agrupe solo resultados de conocimiento puede exagerar lo que la enseñanza de la alfabetización en IA logra en conjunto. Esto conecta con la evaluación de la IA en educación y la evaluación sumativa.

El mismo artefacto aparece en la dimensión temporal. El metaanálisis de Jing y sus colegas de 2026 sobre la IA generativa en la educación superior (35 estudios, 175 tamaños del efecto, g agrupada = 0,53) reporta efectos sobre el rendimiento académico que caen de g = 5,07 en intervenciones de 0 a 4 semanas a g = 0,64 a las 4–12 semanas y g = 0,01 más allá de las 12 semanas (Q = 35,19, p < 0,001), con efectos sobre la actitud emocional que bajan de un máximo de g = 2,05 a g = 0,18 en el mismo intervalo. Efectos tan grandes y tan tempranos registran sobre todo asistencia a nivel de tarea más que aprendizaje duradero, así que una estimación agrupada dominada por estudios cortos debería leerse como un límite superior de lo que sostendrá una implementación real. Las revisiones que agrupan resultados deberían, por tanto, registrar la duración de la intervención junto al tamaño del efecto, porque la duración es uno de los pocos moderadores que se ha mantenido en estas síntesis.

Fortalezas y limitaciones

Fortalezas:

• Síntesis eficiente de una literatura amplia y fragmentada
• El metaanálisis produce estimaciones del efecto agrupadas, aumenta la potencia estadística y detecta moderadores y heterogeneidad
• Los protocolos sistemáticos mejoran la transparencia y la reproducibilidad frente a las revisiones narrativas
• Esenciales para la práctica basada en la evidencia y para identificar lagunas de investigación

Limitaciones:

• Basura entra, basura sale — la síntesis es solo tan buena como la calidad de los estudios incluidos; diseños primarios débiles producen conclusiones agrupadas débiles
• Sesgo de publicación — los resultados nulos o negativos se publican menos, lo que infla los efectos agrupados
• Heterogeneidad — diseños, medidas de resultado y sistemas de IA variados dificultan el agrupamiento directo y pueden socavar el significado de un único tamaño del efecto. El metaanálisis sobre la escritura con IA generativa lo hace concreto: una ventaja agrupada grande y estadísticamente significativa venía acompañada de una heterogeneidad entre estudios tan extrema que el intervalo de predicción para una nueva implementación seguía cruzando el cero, lo que significa que un despliegue nuevo podría plausiblemente no aportar ningún beneficio. La dirección del promedio era robusta; su magnitud no lo era, y por eso el intervalo de predicción, y no solo la estimación agrupada, debería informar una decisión de adopción. La heterogeneidad no resuelta también puede venir del lado del resultado y no del diseño: el metaanálisis sobre alfabetización en IA en K-12 encontró un I2 = 94,68% que ningún moderador explicaba y lo atribuyó a la ausencia de una medida acordada de la alfabetización en IA, con los 16 estudios mezclando resultados cognitivos y afectivos bajo una misma etiqueta. La heterogeneidad impulsada tanto por lo que se midió como por lo que se hizo no puede resolverse mediante el agrupamiento.
• Obsolescencia rápida — el panorama de herramientas de IA cambia deprisa, así que las revisiones pueden quedar desfasadas con rapidez
• Restricciones de alcance — las búsquedas en una sola base de datos o solo en inglés pueden pasar por alto trabajo relevante.(A systematic review of AI-powered collaborative learning in higher education: Trends and outcomes from the last decade)(Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness)

La metainvestigación advierte de que la base de síntesis de la IAED es actualmente débil. Un conjunto creciente de críticas documenta que los tamaños del efecto de la IA que titulan el campo —sobre todo los de los primeros metaanálisis— están inflados por el sesgo de publicación, la incoherencia de constructo y los atajos metodológicos. Bartoš et al. (2026), al meta-analizar 1.840 tamaños del efecto de 67 metaanálisis, estiman el efecto de la IA ajustado por sesgo de publicación en aproximadamente un tercio de la magnitud reportada (DME ≈ 0,196), con una heterogeneidad extrema. O'Neill (2026) audita 14 metaanálisis de alto impacto sobre IAED y encuentra que ninguno tenía un constructo coherente, una evaluación válida del sesgo de publicación ni una heterogeneidad resuelta; doce trataron tamaños del efecto dependientes como independientes. Weidlich et al. (2025) muestran que la mayoría de las comparaciones primarias carecen de un tratamiento, un control y una medida de aprendizaje bien definidos. Esto significa que quien lee debería tratar los tamaños del efecto agrupados de la IAED como límites superiores hasta que mejore la calidad de la síntesis; véase Limitaciones de la investigación en IAED para el análisis completo.

• Los estándares de reporte no han seguido el ritmo de la automatización. PRISMA-LLM analiza SciLitBench, un corpus de 888 artículos sobre automatización de revisiones con 14.726 anotaciones, y documenta una tasa de crecimiento cercana al 4,7% mensual junto a una brecha de rendición de cuentas: desde 2023, el 38,0% de los artículos sobre software y productos no reportaron ninguna evaluación, frente al 9,3% de los artículos sobre LLM, y el 52% de las evaluaciones de LLM solo positivas reportaron una preocupación de alto nivel no resuelta. Como los flujos de trabajo con LLM y con software participan ahora en etapas que pueden alterar la base de evidencia, el marco exige divulgar dónde operó la automatización en el flujo de trabajo de la revisión, qué se evaluó y qué limitaciones se comprobaron: una extensión directa del problema de transparencia que las críticas a las revisiones de IAED han documentado para los metaanálisis de efectos sobre el aprendizaje. (PRISMA-LLM: An Empirical Reporting Framework for AI-Assisted Systematic Reviews)

Relación con otros métodos

Dentro del panorama metodológico de la base de conocimiento, el metaanálisis y la revisión sistemática son la familia de la síntesis, que complementa los diseños primarios:

• Los estudios primarios (experimentos, encuestas, trabajo cualitativo, investigación basada en el diseño) generan hallazgos individuales; las revisiones los agregan. Véase Métodos de investigación en AIED.
• El reporte de tamaños del efecto en los estudios primarios (p. ej., los ECA) es lo que hace posible un metaanálisis posterior: las revisiones dependen de estudios que reporten tamaños del efecto comparables y extraíbles.
• La evaluación (Evaluación de la IA en educación, Punto de referencia) valora sistemas individuales; las revisiones valoran la literatura sobre sistemas e intervenciones.
• La medición educativa (Medición educativa, Validez de la evaluación) se ocupa de la calidad de las medidas de resultado que las revisiones agrupan.

Implicaciones para la investigación

1. Reporte tamaños del efecto extraíbles. Para que una literatura sea meta-analizable, los estudios primarios deben reportar tamaños del efecto comparables y un detalle metodológico adecuado: una responsabilidad de todo estudio de IAED.(Métodos de investigación en AIED) Un detalle adecuado incluye el enfoque instruccional: una revisión sistemática de la IA generativa en la educación en programación pudo codificar la pedagogía de menos de la mitad de sus 46 estudios porque 26 nunca describieron lo que hicieron, y el detalle que omiten los autores primarios es el detalle que las síntesis posteriores no pueden recuperar.
2. Siga un protocolo transparente. La búsqueda, el cribado y la valoración guiados por PRISMA hacen que las revisiones sean reproducibles y defendibles.
3. Interprete con cautela los efectos agrupados. Atienda a la heterogeneidad, el sesgo de publicación y la calidad de los estudios incluidos antes de extraer conclusiones firmes.
4. Use las revisiones para fijar la agenda. Las lagunas documentadas por las revisiones (casos de fracaso, entornos laborales, trabajo no en inglés y no indexado, resultados a largo plazo) deberían guiar dónde hace falta nueva investigación primaria.(Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness)
5. Trate los moderadores nulos como hallazgos. Cuando los moderadores resultan nulos y la heterogeneidad sigue siendo alta, eso es evidencia sobre el estado del campo (incoherencia de constructo, reporte escaso del diseño) tanto como sobre la intervención, y pertenece a la narrativa de la síntesis en lugar de descartarse.(The Effects of K-12 Artificial Intelligence Education in Enhancing AI Literacy: A Meta-Analysis)(The Impact of Digital and Artificial Intelligence Technologies on the Improvement of Foreign Language Listening, Speaking, Reading and Writing Skills: A Meta-Analysis)

La IA generativa en el aprendizaje por escenarios en ciencias de la salud

• Revisión PRISMA 2020 de la IA generativa en el aprendizaje por escenarios en ciencias de la salud. Neto y sus colegas (2026) buscaron sistemáticamente en cinco bases de datos (9 de noviembre de 2025) estudios revisados por pares sobre IA generativa en educación sanitaria basada en escenarios, casos, problemas y simulación, y cribaron 1.151 registros hasta 23 estudios incluidos, valorados con la Herramienta de Valoración de Métodos Mixtos (MMAT). Su síntesis temática reveló seis temas transversales anclados en el diseño de prompts como especificación instruccional y documentó lagunas en la estandarización de la validación, en los diseños longitudinales/comparativos y en la cuantificación de la eficiencia: una plantilla para una revisión sistemática rigurosa de la IA generativa específica de un dominio.

Conceptos conectados

• Interpretar y aplicar la investigación en AIED
• Métodos de investigación en AIED
• ECA
• Evaluación de la IA en educación
• Punto de referencia
• Medición educativa
• Validez de la evaluación
• Mejoras en el aprendizaje
• Evaluación sumativa
• IA en la educación
• Educación superior
• Simulación

Artículos conectados

• Artificial intelligence in interdisciplinary higher education: A systematic review on opportunities, challenges and future directions — Revisión sistemática de la IA en la educación superior interdisciplinar (59 estudios)
• Generative Artificial Intelligence (GAI) in Teaching and Learning Processes at the K-12 Level: A Systematic Review — Revisión sistemática de la IA generativa en la enseñanza y el aprendizaje en K-12 (Marzano 2026)
• Perceptions Of Generative AI in the Global South: A Scoping Review
• Mapping the Integration of AI into Business Education: Insights from a Decade of Research
• Redefining personalized learning in the artificial intelligence era: an updated systematic review from 2019 to 2025 — Redefinir el aprendizaje personalizado: revisión sistemática
• Transforming Nursing Education with Artificial Intelligence: A Systematic Review (2010–2025) — La IA en la educación en enfermería: revisión sistemática
• Integrating Generative Artificial Intelligence into Student Learning: A Systematic Review from a TPACK Perspective — Revisión sistemática de la IA generativa en el aprendizaje del estudiantado desde una perspectiva TPACK
• A meta-analysis of the effect of generative AI on productivity and learning in programming — Metaanálisis del efecto de la IA generativa sobre la productividad y el aprendizaje en programación
• Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness — Primera revisión sistemática de la IA en la educación y la formación profesional
• A systematic review of AI-powered collaborative learning in higher education: Trends and outcomes from the last decade — Revisión sistemática PRISMA del aprendizaje colaborativo impulsado por IA
• Generative AI in Higher Education: A Systematic Review of Opportunities, Challenges, and Pedagogical Innovations (2022–2025) — Revisión sistemática de la IA generativa en la educación superior
• Multimodality and Social Interactions in AI-Enhanced Embodied Robot-Assisted Language Learning: A Meta-Analysis — Metaanálisis del aprendizaje de idiomas asistido por robots corpóreos mejorados con IA
• Comprehensive Review of Intelligent Tutoring Systems — Revisión sistemática exhaustiva de los sistemas de tutoría inteligente
• The cognitive impact of ChatGPT in higher education: A systematic review of critical and creative thinking outcomes — Revisión sistemática de ChatGPT y el pensamiento crítico/creativo
• The Evidence Base on AI in K-12: A 2026 Review — Base de evidencia de la IA en K-12
• AI Literacy Interventions in Education: A Meta-Analysis of Effects and Moderators — Metaanálisis de los efectos de las intervenciones de alfabetización en IA
• Effectiveness of GenAI in Enhancing Writing Performance: A Meta-Analysis — Metaanálisis de la escritura en L2 apoyada por IA generativa: un efecto agrupado grande socavado por una heterogeneidad extrema y un moderador impulsado por la calidad
• The AI Literacy Heptagon: A Structured Approach to AI Literacy in Higher Education — Revisión integradora de la literatura sobre las dimensiones de la alfabetización en IA (guiada por PRISMA)
• Mapping the Scaffolding of Metacognition and Learning by AI Tools in STEM Classrooms: A Bibliometric-Systematic Review — Revisión sistemática de la IA y la metacognición en STEM
• A review of intervention designs of LLM Integration in Undergraduate Computer Science Education — Revisión que informa el diseño de intervenciones con LLM en informática
• Human Autonomy and Sense of Agency in Human-Robot Interaction: A Systematic Literature Review — Revisión de la autonomía y la agencia humanas en la interacción persona-robot
• Rethinking Generative AI Literacy: An Integrative, Developmental, and Dialectical Framework for K-12 Teacher Education — Revisión de la alfabetización en IA generativa en la formación del profesorado
• Toward Convergence in Student-LLM Interactions: A Rapid Scoping Review and Taxonomy for Learning-Oriented Use
• Does Generative Artificial Intelligence Improve Students' Higher-Order Thinking? A Meta-Analysis Based on 29 Experiments and Quasi-Experiments — Metaanálisis de la IA generativa y el pensamiento de orden superior
• A Scoping Review of AI for Sustainability and Sustainable AI in Higher Education — Revisión de alcance de la IA para la sostenibilidad y la IA sostenible (Daniel et al. 2026)
• The Policy Deficit in AI × Social-Emotional Learning Research — El déficit de política en la investigación sobre IA × ASE
• Generative AI in Scenario-Based Healthcare Education: A Systematic Review of Applications, Validation Practices, and Pedagogical Integration — Revisión sistemática de la IA generativa en la educación sanitaria basada en escenarios (Neto et al. 2026)
• Mapping artificial intelligence integration in higher education: A systematic review using the FACETS and SAMR frameworks — Revisión de mapeo que clasifica 22 estudios de integración de IA con FACETS + SAMR; la mayoría se sitúan en Sustitución/Aumento
• 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
• A Systematic Review of Language Educators' Practices and Development with GenAI — Prácticas y desarrollo del profesorado de idiomas con la IA generativa
• Artificial intelligence to help people with dyslexia in education: An interdisciplinary literature review — La IA para ayudar a las personas con dislexia en la educación
• Reinforcement Learning in Education: A Systematic Literature Review
• ChatGPT in Education: An Effect in Search of a Cause — ChatGPT en la educación: un efecto en busca de una causa (crítica de la comparación mediática)
• Effect of Artificial Intelligence on Learning: A Meta-Meta-Analysis — Metametaanálisis: los efectos de la IA ajustados por sesgo son ~1/3 del tamaño reportado
• Presumed Effective: The Manufacturing of an Evidence Base for AI-in-Education Through Flawed Meta-Analysis — Presunto eficaz: auditoría forense de 14 metaanálisis sobre IAED
• Teacher intervention in K-12 AI-based instruction: a systematic review of processes, strategies, and effects — La intervención docente en la instrucción basada en IA en K-12: una revisión sistemática
• The Impact of Digital and Artificial Intelligence Technologies on the Improvement of Foreign Language Listening, Speaking, Reading and Writing Skills: A Meta-Analysis — Metaanálisis de las herramientas digitales y de IA para las destrezas en lenguas extranjeras: el moderador de diseño más que duplica las estimaciones de efecto cuasiexperimentales
• The Impact of Generative Artificial Intelligence on Learning Outcomes in Higher Education: A Meta-Analysis — Metaanálisis de la IA generativa en la educación superior: los efectos de las intervenciones cortas se derrumban a medida que crece la duración
• The Effects of K-12 Artificial Intelligence Education in Enhancing AI Literacy: A Meta-Analysis — Metaanálisis de la educación en IA en K-12: efecto grande con moderadores nulos y heterogeneidad atribuida a la medición
• Mapping Research on Generative Artificial Intelligence for Programming Education: A Systematic Review — Revisión sistemática de la IA generativa en la educación en programación: reporte instruccional escaso en 26 de 46 estudios