Propuesta de investigación: Retos en la integración de la AI Generativa en el ámbito de la educación superior: Una revisión sistemática de la literatura

 

 

Retos en la integración de la AI Generativa en el ámbito de la educación superior: Una revisión sistemática de la literatura

Autor: Mario Quiroz Martinez

Tipo de investigación:
Investigación documental

 

 

 

 

2. Capítulo I: Planteamiento del Problema

2.1 Problema General

·         Descripción del Problema: Las instituciones educativas enfrentan el reto de adaptarse a la rápida evolución tecnológica y de integrar la IA Gen para mejorar la eficiencia educativa y personalizar el aprendizaje. La falta de adopción de tecnologías emergentes puede limitar la capacidad de estas instituciones para responder a las necesidades de los estudiantes y docentes, afectando la calidad y relevancia de la educación.

·         Contexto: La investigación se enmarca en un entorno global donde la digitalización y la IA están remodelando todos los sectores, incluido el educativo. Las universidades líderes como Arizona State University y la Universidad de Toronto han comenzado a implementar soluciones de IA para mejorar la enseñanza, pero persisten desafíos éticos y de implementación.

Formulación del Problema: ¿Cómo puede la implementación de IA generativa en la educación superior mejorar los procesos educativos y enfrentar los retos éticos y operacionales?

2.2 Problemas Específicos

·         ¿Cuáles son las áreas más afectadas por la falta de integración tecnológica?

·         ¿Qué impactos tienen las herramientas de IA en la personalización y eficiencia del aprendizaje?

·         ¿Cómo se pueden mitigar los riesgos éticos y de privacidad asociados con la IA en la educación?

2.3 Objetivos

Objetivo General:

·         Analizar el impacto de la implementación de la IA Gen en la transformación de los métodos educativos y administrativos en la educación superior.

Objetivos Específicos:

·         Identificar las aplicaciones de la IA Gen en los procesos de enseñanza y aprendizaje.

·         Evaluar los riesgos éticos y las preocupaciones sobre la privacidad de los datos.

·         Proponer marcos éticos y políticas de gobernanza para su integración responsable.

2.4 Justificación

·         Trascendencia: La IA Gen puede revolucionar el acceso a la educación personalizada, mejorando los resultados de aprendizaje y la eficiencia operativa en universidades.

·         Magnitud: Se enfoca en las principales universidades que lideran la adopción de tecnología, como la Universidad de Toronto, y en cómo sus estrategias pueden replicarse.

·         Vulnerabilidad: La falta de regulación y gobernanza ética puede exacerbar desigualdades y riesgos de privacidad.

·         Factibilidad: Existen suficientes estudios e interés académico para abordar estos retos y proponer soluciones viables.

2.5 Descripción Técnica

La aplicación de IA Gen en la educación permite la creación de sistemas de tutoría adaptativa, la generación automática de contenido educativo y herramientas de evaluación. Estas aplicaciones mejoran la calidad de la enseñanza, optimizan la carga de trabajo de los docentes y personalizan la experiencia educativa, fomentando una mayor autonomía en los estudiantes.

3. Capítulo II: Marco Teórico

3.1 Antecedentes

·         Estudios recientes han documentado el uso de IA en la personalización del aprendizaje y la evaluación de estudiantes, resaltando tanto sus beneficios como los desafíos éticos.

3.2 Bases Teóricas

·         Las teorías de aprendizaje adaptativo y los modelos de innovación educativa son fundamentales para entender cómo la IA puede integrarse de forma efectiva.

3.3 Términos Básicos

·         Definiciones como "IA Generativa", "aprendizaje personalizado", y "gobernanza ética".

4. Capítulo III: Metodología

La metodología para la revisión sistemática de la literatura (SRL) sobre la implementación de la IA generativa en la educación superior seguirá un enfoque mixto, combinando métodos cualitativos y cuantitativos para una visión integral. Se aplicará la SLR siguiendo las directrices PRISMA para un proceso estructurado. Se definirán preguntas de investigación y se consultarán bases de datos académicas como Web of Science y Scopus, con criterios de inclusión/exclusión rigurosos. Se codificarán los datos en categorías temáticas y se evaluará la calidad con herramientas como CASP. El análisis incluirá contenido y metaanálisis, asegurando triangulación y síntesis narrativa para identificar hallazgos y brechas.

5. Capítulo IV: Cronograma de Actividades

El cronograma propuesto para la revisión sistemática de la literatura sobre la implementación de la IA Gen en la educación superior abarca el desarrollo de la investigación desde la planificación inicial hasta la presentación de los resultados finales. Las actividades se distribuyen en entregas quincenales, con plazos claros para cada etapa del proyecto.

Entrega	Fecha de Entrega	Contenido Propuesto
Entrega 1	01/09/2024	Propuesta de trabajo de investigación: carátula, planteamiento del problema, justificación, objetivos generales y específicos.
Entrega 2	15/09/2024	Revisión inicial de la literatura y definición del enfoque metodológico.
Entrega 3	30/09/2024	Elaboración del marco teórico y antecedentes de la investigación.
Entrega 4	15/10/2024	Descripción de la metodología detallada y criterios de selección de estudios.
Entrega 5	30/10/2024	Proceso de recopilación de datos y codificación temática de estudios seleccionados.
Entrega 6	15/11/2024	Análisis de datos cualitativos y cuantitativos, y evaluación de la calidad de los estudios.
Entrega 7	30/11/2024	Redacción de resultados, síntesis narrativa y propuestas de políticas.
Entrega 8	15/12/2024	Presentación del informe final con conclusiones, recomendaciones y propuestas de implementación.

6. Capítulo V: Presupuesto y Recursos

·         Humanos: Expertos en IA y educadores.

·         Materiales: Software de análisis de datos y herramientas de IA.

·         Financieros: Fondos para tecnología y formación.

7. Capítulo VI: Resultados Esperados

·         Identificación de mejores prácticas: Recomendaciones detalladas para la implementación de IA Gen en la educación superior, optimizando procesos educativos y administrativos.

·         Personalización del aprendizaje: Evidencia de cómo la IA Gen mejora la personalización y eficiencia de los procesos de enseñanza y aprendizaje.

·         Evaluación de riesgos éticos: Propuestas de marcos éticos y de gobernanza para el uso responsable de la tecnología.

·         Incremento de competitividad: Posicionamiento de las universidades como líderes en innovación tecnológica.

·         Nuevas líneas de investigación: Identificación de vacíos y áreas para futuros estudios sobre IA en la educación.

·         Publicaciones académicas: Contribuciones a la literatura académica y presentación en foros y conferencias.

·         Formación docente: Propuestas de capacitación continua para docentes en el uso de IA.

·         Políticas de implementación: Estrategias y políticas para la integración ética y transparente de la IA Gen en la educación.

8. Capítulo VI: Referencias Bibliográficas

Bond, M., Khosravi, H., De Laat, M., Bergdahl, N., Negrea, V., Oxley, E., Pham, P., Chong, S. W., & Siemens, G. (2024). A meta systematic review of artificial intelligence in higher education: a call for increased ethics, collaboration, and rigour. In International Journal of Educational Technology in Higher Education (Vol. 21, Issue 1). Springer Science and Business Media Deutschland GmbH. https://doi.org/10.1186/s41239-023-00436-z

Castillo-Martínez, I. M., Flores-Bueno, D., Gómez-Puente, S. M., & Vite-León, V. O. (2024). AI in higher education: a systematic literature review. In Frontiers in Education (Vol. 9). Frontiers Media SA. https://doi.org/10.3389/feduc.2024.1391485

Crompton, H., & Burke, D. (2023). Artificial intelligence in higher education: the state of the field. International Journal of Educational Technology in Higher Education, 20(1). https://doi.org/10.1186/s41239-023-00392-8

Jin, Y., Yan, L., Echeverria, V., Gašević, D., & Martinez-Maldonado, R. (2024). Generative AI in Higher Education: A Global Perspective of Institutional Adoption Policies and Guidelines. http://arxiv.org/abs/2405.11800

Kurtz, G., Amzalag, M., Shaked, N., Zaguri, Y., Kohen-Vacs, D., Gal, E., Zailer, G., & Barak-Medina, E. (2024). Strategies for Integrating Generative AI into Higher Education: Navigating Challenges and Leveraging Opportunities. Education Sciences, 14(5). https://doi.org/10.3390/educsci14050503

Saúde, S., Barros, J. P., & Almeida, I. (2024). Impacts of Generative Artificial Intelligence in Higher Education: Research Trends and Students’ Perceptions. Social Sciences, 13(8). https://doi.org/10.3390/socsci13080410

Viet Khoa, N. (n.d.). The use of generative AI tools in higher education: Ethical and pedagogical principles. https://ssrn.com/abstract=5003394

Wu, C., Zhang, H., & Carroll, J. M. (2024). AI Governance in Higher Education: Case Studies of Guidance at Big Ten Universities. http://arxiv.org/abs/2409.02017

Xia, Q., Weng, X., Ouyang, F., Lin, T. J., & Chiu, T. K. F. (2024). A scoping review on how generative artificial intelligence transforms assessment in higher education. In International Journal of Educational Technology in Higher Education (Vol. 21, Issue 1). Springer Science and Business Media Deutschland GmbH. https://doi.org/10.1186/s41239-024-00468-z

Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education – where are the educators? In International Journal of Educational Technology in Higher Education (Vol. 16, Issue 1). Springer Netherlands. https://doi.org/10.1186/s41239-019-0171-0

Enlace: https://drive.google.com/file/d/1-j6oXaHMJzS9zDI-UQTzSu214w-eZCM7/view?usp=sharing