CoChat
Sign Up
Cited by 99Artificial Intelligence in EducationIntelligent Tutoring Systems and Adaptive LearningArtificial Intelligence in Healthcare and Education

Una revisión sistemática del uso de la inteligencia artificial en la educación

Open access
Bolaño-García, Matilde, Duarte-Acosta, Nixon·2023·Revista Colombiana de Cirugía
DOI 10.30944/20117582.2365
Open this paper in CoChat — free accountOpen PDF

Abstract

Introducción. El uso de la inteligencia artificial (IA) en la educación ha sido objeto de una creciente atención en los últimos años. La IA se ha utilizado para mejorar la personalización del aprendizaje, la retroalimentación y la evaluación de los estudiantes. Sin embargo, también hay desafíos y limitaciones asociados. El objetivo de este trabajo fue identificar las principales tendencias y áreas de aplicación de la inteligencia artificial en la educación, así como analizar los beneficios y limitaciones de su uso en este ámbito. Métodos. Se llevó a cabo una revisión sistemática que exploró el empleo de la inteligencia artificial en el ámbito educativo. Esta revisión siguió una metodología de investigación basada en la búsqueda de literatura, compuesta por cinco etapas. La investigación se realizó utilizando Scopus como fuente de consulta primaria y se empleó la herramienta VOSviewer para analizar los resultados obtenidos. Resultados. Se encontraron numerosos estudios que investigan el uso de la IA en la educación. Los resultados sugieren que la IA puede mejorar significativamente la personalización del aprendizaje, proporcionando recomendaciones de actividades y retroalimentación adaptadas a las necesidades individuales de cada estudiante. Conclusiones. A pesar de las ventajas del uso de la IA en la educación, también hay desafíos y limitaciones que deben abordarse, como la calidad de los datos utilizados por la IA, la necesidad de capacitación para educadores y estudiantes, y las preocupaciones sobre la privacidad y la seguridad de los datos de los estudiantes. Es importante seguir evaluando los efectos del uso de la IA en la educación para garantizar su uso efectivo y responsable.

The claims and statistics of this paper haven’t been checked yet.

Run the check — free, no account needed. It reads the open-access text and checks the sources it cites.

A few free checks a day · papers already verified open instantly · results are public

Integrity signals

Registry

Crossref · 10.30944/20117582.2365

Cites

4 of 4 references verified0 citation errors · 0 not checkable

Statistics

Claims the paper makes

The claims and statistics of this paper haven’t been checked yet.

Run the check — free, no account needed. It reads the open-access text and checks the sources it cites.

A few free checks a day · papers already verified open instantly · results are public

Claims other papers make about this one

Each is checked against this paper’s own text: does it say what the citing paper says it does?

  • En instituciones como la UNAM (México) y la Universidad de Chile, plataformas con IA han logrado automatizar hasta el 70% de las evaluaciones formativas, aunque persisten desafíos en la retroalimentación de competencias creativas.

    “En instituciones como la UNAM (México) y la Universidad de Chile, plataformas con IA han logrado automatizar hasta el 70% de las evaluaciones formativas [13], aunque persisten desafíos en la retroalimentación de competencias creativas [5, 9].”

    From Avances, Retos Éticos y Perspectivas de la Inteligencia Artificial (IA) en la Educación de América Latina (2025) · cites this paper as [13]

    La sección «Relevancia de la personalización del aprendizaje» afirma que la IA puede automatizar tareas de evaluación, lo que respalda la idea general de la cita [13]. Sin embargo, nuestra copia no identifica a la UNAM ni a la Universidad de Chile, ni aporta la cifra del 70% o un resultado específico sobre evaluaciones formativas (búsquedas: «UNAM Universidad de Chile 70% evaluaciones formativas» y «70% automatización evaluaciones formativas»). La afirmación posterior sobre competencias creativas lleva otras citas y no se atribuye a esta fuente. (LLM, conf=0.86)

    Experimental — accuracy not yet measured

Self-check

Percentages, sums and reported differences re-computed from the paper’s own numbers.

The self-check needs the paper’s full text.

Cites

Flagged first, then by citations

Research works printed but not linked: 36

  1. Mcmurtrie B. How artificial intelligence is changing teaching. The chronicle of higher education. 2018. p. 1-7. Fecha de consulta: 15 de abril de 2023. Disponible. en: https://scholar.google.com/scholar?hl=es&as_sd- t=0%2C5&q=How+artificial+intelligence+is+changin- g+teaching.&btnG=
  2. Johnson L, Adams-Becker S, Estrada V, Freeman A. NMC horizon report: 2015 Museum edition. Austin, Texas: The New Media Consortium; 2015. Fecha de consulta: 14 de abril de 2023. Disponible en: https://www.learntechlib.org/p/182009/
  3. Yampolskiy RV, ed. Artificial intelligence safety and security. 1st edition. New York: Chapman y Hall/CRC; 2018. https://doi.org/10.1201/9781351251389 · DOI
  4. Bittencourt I, Costa E, Silva M, Soares E. A computa- tional model for developing semantic web-based edu- cational systems. Knowl Based Syst. 2009;22:302-15. https://doi.org/10.1016/j.knosys.2009.02.012 · DOI
  5. Bull S, Kay J. SMILI: A framework for interfaces to lear- ning data in open learner models, learning analytics and related fields. Int J Artif Intell Educ. 2016;26:293- 331. https://doi.org/10.1007/s40593-015-0090-8 · DOI
  6. Chen X, Xie H, Zou D, Hwang GJ. Application and theory gaps during the rise of artificial intelligence in educa- tion. Computers and Education: Artificial Intelligence. 2020;1:100002. https://doi.org/10.1016/j.caeai.2020.100002 · DOI · Paper page
  7. Costa EB, Fonseca B, Santana MA, Ferreira de Araújo F, Rego J. Evaluating the effectiveness of educational data mining techniques for early prediction of students' academic failure in introductory programming cour- ses. Computers in Human Behavior. 2017;73:247-56. https://doi.org/10.1016/j.chb.2017.01.047 · DOI
  8. Dzikovska M, Steinhauser N, Farrow E, Moore J, Cam- pbell G. BEETLE II: Deep natural language understan- ding and automatic feedback generation for intelligent tutoring in basic electricity and electronics. Int J Artif Intell Educ. 2014;24:284-32. https://doi.org/10.1007/s40593-014-0017-9 · DOI
  9. Kandlhofer M, Steinbauer G, Hirschmugl-Gaisch S, Hu- ber P. Artificial intelligence and computer science in education: From kindergarten to university. 2016 IEEE Frontiers in Education Conference (FIE), Erie, PA, USA, 2016, pp. 1-9. https://doi.org/10.1109/FIE.2016.7757570 · DOI · Paper page
  10. Kay J, Reimann P, Diebold E, Kummerfeld B. MOOCs: So many learners, so much potential. IEEE Intelligent Systems. 2013;28:70-7. https://doi.org/10.1109/MIS.2013.66. · DOI
  11. D'Mello SK, Graesser AC. Multimodal semi-automated affect detection from conversational cues, gross body language, and facial features. User Model User-Adap Inter. 2010;20:147-87. https://doi.org/10.1007/s11257-010-9074-4. · DOI · Paper page
  12. Vanlehn K, Lynch C, Schulze K, Shapiro JA, Shelby R, et al. The Andes physics tutoring system: Lessons learned. Int J Artif Intell Educ. 2005;15:147-204. https://doi.org/10.1016/j.artint.2005.04.001. · DOI
  13. Tasnim N, Paul MK, Sattar AHMS. Identification of Drop Out Students Using Educational Data Mining. 2019 In- ternational Conference on Electrical, Computer and Communication Engineering (ECCE). Cox'sBazar, Ban- gladesh; 2019, pp. 1-5. https://doi.org/10.1109/ECACE.2019.8679385. · DOI
  14. Parra-Sánchez JS. Potencialidades de la inteligencia artificial en educación superior: Un enfoque desde la personalización. Revista Tecnológica-Educativa Docen- tes 2.0. 2022;14:19-27. https://doi.org/10.37843/rted.v14i1.296. · DOI
  15. Aparicio-Gómez WO. La inteligencia artificial y su inci- dencia en la educación: Transformando el aprendizaje para el siglo XXI. RIPIE Revista Internacional de Peda- gogía e Innovación Educativa. 2023;3:217-29. https://doi.org/10.51660/ripie.v3i2.133. · DOI
  16. Arabit-García J, García-Tudela PA, Prendes-Espinosa MP. Uso de tecnologías avanzadas para la educación científica. RIEOEI Revista Iberoamericana de Educa- ción. 2021;87:173-94. https://doi.org/10.35362/rie8714591. · DOI
  17. Saleem F, Ullah Z, Fakieh B, Kateb F. Intelligent deci- sion support system for predicting student's e-lear- ning performance using ensemble machine learning. Mathematics. 2021;9:2078. https://doi.org/10.3390/math9172078 · DOI
  18. Vásquez SM. Rendimiento académico y patrones de aprendizaje en estudiantes de ingeniería. Ingeniería y Universidad. 2009;13:105-136.
  19. Magallanes-Ronquillo KK, Plúas-Pérez LR, Aguas-Veloz JF, Freire-Solís RL. La inteligencia artificial aplicada en la innovación educativa en el proceso de enseñanza y aprendizaje. LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades. 2023;4:1597-1613. https://doi.org/10.56712/latam.v4i2.706. · DOI
  20. Porayska-Pomsta K, Mavrikis M, D'Mello S, Conati C, Baker RSJ. Knowledge elicitation methods for affect modelling in education. International Journal of Arti- ficial Intelligence in Education. 2013;22:107-40. https://doi.org/10.3233/JAI-130032. · DOI
  21. VanLehn K, Lynch C, Schulze K, Shapiro JA, Shelby R, Taylor L, et al. The Andes physics tutoring system: Les- sons learned. International Journal of Artificial Intelli- gence in Education. 2005;15:147-204.
  22. Norman-Acevedo E. La inteligencia artificial en la educación: una herramienta valiosa para los tutores virtuales universitarios y profesores universitarios. Panorama. 2023;17:1-9.
  23. Ordelin-Font JL. El uso de la inteligencia artificial en la mediación: ¿quimera o realidad?. Revista IUS. 2021;15:357-82. https://doi.org/10.35487/rius.v15i48.2021.707. · DOI
  24. Giró-Gracia X, Sancho-Gil JM. La inteligencia artificial en la educación: Big data, cajas negras y solucionismo tecnológico. Revista Latinoamericana de Tecnología Educativa -RELATEC. 2022;21:129-45. https://doi.org/10.17398/1695-288X.21.1.129 · DOI
  25. Quirós-Vargas J. Revisión, recopilación y síntesis del articulado sobre la inteligencia artificial, educación su- perior sus fortalezas y amenazas. Revista Académica Institucional. 2022;3:35-61.
  26. Flores-Vivar JM, García-Peñalvo FJ. Reflexiones sobre la ética, potencialidades y retos de la inteligencia ar- tificial en el marco de la educación de calidad (ODS4). Comunicar. 2023;31:37-47. https://doi.org/10.3916/C74-2023-03 · DOI
  27. Roll I, Wylie R. Evolution and revolution in artifi- cial intelligence in education. Int J Artif Intell Educ. 2016;26:582-99. https://doi.org/10.1007/s40593-016-0110-3 · DOI · Paper page
  28. Mirchi N, Bissonnette V, Yilmaz R, Ledwos N, Winkler- Schwartz A, Del Maestro RF. The virtual operative as- sistant: An explainable artificial intelligence tool for simulation-based training in surgery and medicine. PLoS ONE. 2020;15:e0229596. https://doi.org/10.1371/journal.pone.0229596 · DOI · Paper page
  29. Hwang GJ, Xie H, Wah BW, Gašević D. Vision, challenges, roles and research issues of artificial intelligence in education. Comput Educ: Artif Intell. 2020;1:100001. https://doi.org/10.1016/j.caeai.2020.100001 · DOI · Paper page
  30. Timms MJ. Letting artificial intelligence in education out of the box: Educational cobots and smart class- rooms. Int J Artif Intell Educ. 2016;26:701-12. https://doi.org/10.1007/s40593-016-0095-y · DOI
  31. Dimitrova V. STyLE-OLM: Interactive open learner mo- delling. Int J Artif Intell Educ. 2003;13:35-78.
  32. McLaren BM, Scheuer O, Mikšátko J. Supporting collabo- rative learning and e-discussions using artificial intelli- gence techniques. Int J Artif Intell Educ. 2010;20:1-46. https://doi.org/10.3233/JAI-2010-0001 · DOI
  33. Zouaq A, Nkambou R. Building domain ontologies from text for educational purposes. IEEE Transactions on Learning Technologies. 2008;1:49-62. https://doi.org/10.1109/TLT.2008.12 · DOI
  34. Rosé CP, Ferschke O. Technology support for discus- sion based learning: From computer supported colla- borative learning to the future of massive open online courses. Int J Artif Intell Educ. 2016;26:660-78. https://doi.org/10.1007/s40593-016-0107-y · DOI
  35. Ocaña-Fernández Y, Valenzuela-Fernández LA, Ga- rro-Aburto LL. Inteligencia artificial y sus implica- ciones en la educación superior. Propós. represent. 2019;7:536-68. http://dx.doi.org/10.20511/pyr2019.v7n2.274 · DOI · Paper page
  36. Múnera-Duque A. Inteligencia artificial y cirugía. Rev Colomb Cir. 2023;38:231-2. https://doi.org/10.30944/20117582.2341 · DOI

Cited by

Sorted by citations

Authors
Bolaño-García, M., & Duarte-Acosta, N.
ORCID
Venue
Revista Colombiana de Cirugía
Publisher
Asociación Colombiana de Cirugía
Published
2023-09-15
ISSN
  • 2011-7582 (ISSN-L)
  • 2619-6107
DOI
10.30944/20117582.2365
OpenAlex
W4387712103
Cited by
99
References
4
Citations by year
2026: 40 · 2025: 40 · 2024: 18 · 2023: 1
FWCI
23.23
Type
journal article
Language
es
Open access
Licence
Locations
  • Revista Colombiana de Cirugía (publishedVersion, cc-by-nc-nd)
  • DOAJ (DOAJ: Directory of Open Access Journals) (submittedVersion, cc-by-sa)
Topics
  • Physical Sciences › Computer Science › Information Systems › Artificial Intelligence in Education
  • Physical Sciences › Computer Science › Artificial Intelligence › Intelligent Tutoring Systems and Adaptive Learning
  • Health Sciences › Medicine › Health Informatics › Artificial Intelligence in Healthcare and Education
Keywords
artificial intelligence in education, personalized learning, adaptive feedback, student assessment, educational technology, data privacy, teacher professional development

About these checks

Registry, retraction, Cites and statistics results are computed, not judged, with one exception: a printed reference that no index lists is read once by a model before it counts as a citation error. Claims are extracted by a model and kept only when their quote appears verbatim in the text; each cited source is then checked, with a model’s help, for whether it says what the claim relies on. Those verdicts can be wrong — read the claim’s quote and the cited source before relying on one.

Statistics and arithmetic are recomputed, not judged.

Confidence bands are shown only for fields calibrated on our annotated test set. None is calibrated yet, so no band is shown.

What counts as a claim ›How we measure confidence ›How we check this ›

Are you an author, or do you see a problem with this page? Request a review