Artículo Original

Carmen Rosa Jauregui Minchán ¹*

 jaureguicar@ucvvirtual.edu.pe

 https://orcid.org/0009-0003-3595-9940

Nolberto Arnildo Leyva Aguilar ¹

 nleyvaa@ucvvirtual.edu.pe

 https://orcid.org/0000-0002-3697-7361

¹Universidad César Vallejo, Trujillo, Perú.

*Autor para correspondencia: Carmen Rosa Jáuregui Minchán, e-mail: jaureguicar@ucvvirtual.edu.pe

Resumen:

La inteligencia artificial generativa ha cambiado el enfoque para producir recursos educativos digitales. Este artículo presenta una revisión sistemática de la literatura que examina 25 estudios publicados entre el 2021 y 2026, indexados en Scopus, Web of Science, SciELO, normativas internacionales y peruanas, con base en el método PRISMA. Se evidenció una paradoja en el Perú: la Ley N.º 31814, el D.S. N.º 115-2025-PCM, ENIA 2026-2030 están en línea con lo que la UNESCO ha recomendado sobre la ética de la inteligencia artificial. Sin embargo, esto apenas se evidencia en las aulas. Del análisis de las investigaciones seleccionadas se identificó tres obstáculos clave: la formación docente resultó insuficiente en el 88% de los casos; se registraron brechas reales en infraestructura y conectividad (72%); y la mayoría de las escuelas careció de políticas éticas claras sobre el uso de estas herramientas (76%). Los autores concluyeron que la inteligencia artificial generativa resultó útil para diseñar recursos digitales únicamente cuando existió mediación docente, cuando los estudiantes contaron con alfabetización digital y pensamiento crítico, y cuando las instituciones establecieron políticas y estándares que aseguraron equidad y transparencia.

Palabras clave: Inteligencia artificial generativa, Recursos educativos digitales, Educación.

Abstract:

Generative artificial intelligence is reshaping the way digital educational resources are produced. This article presents a systematic review examining 25 studies published between 2021 and 2026, indexed in Scopus, Web of Science, SciELO, and international and Peruvian regulatory frameworks, following the PRISMA method. A paradox was identified in Peru: Law No. 31814, Supreme Decree No. 115-2025-PCM, and the ENIA 2026–2030 strategy is aligned with UNESCO's recommendations on artificial intelligence ethics. However, this alignment has barely been reflected in classroom practice. From the analysis of the selected research identified three key barriers: teacher training proved insufficient in 88% of cases; significant gaps in infrastructure and connectivity were recorded in 72% of cases; and the majority of schools lacked clear ethical policies regarding the use of these tools, representing 76% of cases. The authors concluded that generative artificial intelligence proved useful for designing digital resources only when teacher mediation was present, when students demonstrated digital literacy and critical thinking skills, and when institutions established policies and standards ensuring equity and transparency.

Keywords: Generative artificial intelligence, Digital educational resources, Education.

Recibido: 25 de abril del 2026

Aceptado: 2 de julio del 2026

Introducción

La inteligencia artificial generativa en los últimos años ha tenido un gran impacto. Desde el lanzamiento público del ChatGTP a finales de 2022, la creación automatizada de textos, imágenes, con la elaboración de resúmenes, esquemas, planes de clase para maestros y apoyo en diversas tareas a los estudiantes, actualmente se ha convertido en una herramienta de uso cotidiano en las acciones educativas (García-Peñalvo, 2024). Durante la escolarización, tiene tal importancia en el contexto secundario, ya que ha sido un momento para que los niños pequeños piensen fuera de lo común, enfrenten factores de estrés y planifiquen. Pero, como se observa, no es tan simple. En Perú, una narrativa tecnológica choca con una realidad muy desigual. Según la UNESCO (2025) en su publicación Perú: Evaluación el estadio de preparación de la inteligencia artificial, se menciona que en las ciudades el 82.5 por ciento de la población tiene acceso a Internet y en las zonas rurales ese número cae al 54 por ciento.

Esta diferencia tiene una influencia directa en las oportunidades disponibles para que maestros y estudiantes operen tecnologías digitales sofisticadas. Además, tuvo lugar una alta brecha de género en las carreras de ciencia y tecnología, lo que ha restringido el diseño y la utilización de los sistemas (INEI, 2023 citado en UNESCO, 2025). El estado peruano ha reaccionado con una arquitectura legal que, en papel, es una de las más holísticas de la región. La Ley N.º 31814 (Congreso de la República del Perú, 2023) y su reglamento (Decreto Supremo N.º 115-2025-PCM); ello produce un sistema de gobernanza basado en el riesgo: clasifica los usos de la inteligencia artificial e incluso prohíbe usos específicos, como la vigilancia masiva o la manipulación del comportamiento.

También se aprueba la Estrategia Nacional de Inteligencia Artificial 2026-2030 (ENIA), que en el Eje 2 establece un marco nacional con una base de datos de datos y modelos para estimular la innovación (PCM, 2025). Sin embargo, el propio análisis de impacto señaló que la protección de los derechos humanos frente a la inteligencia artificial ha sido deficiente, y los índices internacionales sitúan a Perú por debajo de los puntos de referencia (PCM, 2025). A pesar de estas leyes, las brechas entre lo que está escrito en el papel y lo que se practica en las escuelas siguen siendo amplias, según estudios.

Alfarwan (2025) y Jauhiainen & Garagorry (2024) argumentan que parece haber una investigación limitada sobre las aplicaciones reales de la inteligencia artificial generativa en la educación secundaria. La mayor parte ha quedado en encuestas de percepción, no en uso real. Por otro lado, en América Latina, Contreras et al. (2025) en México y Ramírez et al. (2026) en Ecuador, confirman que la integración exitosa falla a través de barreras estructurales, la formación docente y una aplicación superficial de esas tecnologías. Espejo (2024) señala un punto importante: el 95% de los docentes ha creído que sus estudiantes saben más sobre tecnología que ellos y solo uno de cada cuatro ha empleado inteligencia artificial generativa en sus aulas.

Crear recursos digitales a través de medios de inteligencia artificial generativa representaba un área prometedora, pero también arriesgada. Las metodologías participativas como el co-diseño de microcontenidos, demuestran que se puede promover el pensamiento computacional y la motivación de los estudiantes (Manrique-Losada et al., 2026). La inteligencia artificial se convierte en un mero “generador de tareas” sin apoyo crítico, sin embargo, el efecto según Quintero et al. (2025) es la dependencia cognitiva, no el aprendizaje real.

La teoría del aprendizaje multimedia de Mayer (2002) sugiere que, para aprender, los estudiantes deben poder integrar palabras e imágenes de manera significativa y no sobrecargar su mente, y la inteligencia artificial puede ayudar a hacer eso, pero también puede hacer lo contrario si se usa incorrectamente. El conectivismo de Siemens citado por Mufungizi (2024) advierte que aprender a navegar por redes de información es una de las habilidades más básicas y necesarias, la inteligencia artificial puede representar otro nodo en esa red, pero no desplaza la búsqueda, evaluación y creación de los estudiantes e investigadores. Ante esta paradoja de leyes elevadas y la pobre implementación, en este artículo se plantea una pregunta concreta: ¿cuáles son las oportunidades clave, brechas y amenazas regulatorias, pedagógicas y éticas, en la inteligencia artificial generativa para la generación de recursos digitales en la educación secundaria?

Materiales y métodos

La investigación utilizó un diseño teórico de revisión sistemática de literatura, con una perspectiva cualitativa y descriptiva, con la selección de información, su análisis y luego sintetiza la evidencia científica en diversas publicaciones sobre la implementación de la inteligencia artificial generativa en el ámbito educativo.

Dos grupos de teorías (Searle, 1980) y los recursos educativos digitales (Mayer, 2002) sustentaron el análisis. Según la Prueba de Turing (1950) una máquina era inteligente si podía comunicarse de manera humana. Aunque hoy en día ese criterio generó mucho debate, todavía ayuda a determinar si sistemas como ChatGPT o Gemini producen respuestas coherentes y confiables.

Empleó la metodología PRISMA para garantizar rigor, evitar réplicas y sesgo en las publicaciones, el proceso se realizó en cuatro fases: identificación, cribado, elegibilidad e inclusión.

Identificación, se buscaron cadenas para las bases de datos de Scopus, Web of Science y SciELO: (“Generative AI” OR “Inteligencia Artificial Generativa”) AND (“digital resources” OR “recursos educativos digitales” OR “microlearning”) AND (“secondary education” OR “educación secundaria” OR “bachillerato”). Segundo, se consultaron fuentes oficiales del Estado peruano (www.gob.pe), UNESCO y la OCDE para leyes y políticas. Se aceptaron artículos de revistas empíricas (cualitativos, cuantitativos o mixtos), revisiones sistemáticas y literatura sobre regulaciones en español, inglés o portugués publicados entre 2021 y 2026 (siempre que abordaran: (a) la aplicación de inteligencia artificial generativa para crear recursos digitales, (b) su aplicación en la educación o formación docente, y (c) sus facetas éticas, pedagógicas o de implementación).

Cribado, se descartaron editoriales, cartas al editor e investigaciones sobre inteligencia artificial predictiva o educación superior, no relacionadas con la educación. La búsqueda inicialmente condujo a 320 registros (Scopus=187, WoS=98, SciELO=35). Después de eliminar 78 duplicados, se revisaron 242 registros por título y resumen; 167 fueron descartados porque no cumplían con los criterios originales de elegibilidad.

Inclusión, de los otros 75 documentos, solo se pudieron recuperar 50 textos; pero 25 fueron examinados en texto completo. Los últimos 25 documentos se incluyeron en la revisión sistemática, por contar con respaldo estadístico, instrumentos que dan consistencia interna, niveles de significancia concluyentes, además contar con información alineada a políticas educativas. Participaron en la revisión dos investigadores y un consultor experto.

Para la revisión sistemática de la literatura se usó el diagrama de flujo Prisma (ver figura 1). En el análisis, se sintetizó los artículos en Excel y se siguió la organización sistemática de Mendeley, para etiquetar y extraer los datos. Esta herramienta incluyó codificación temática que permite que los hallazgos se agruparan en categorías pre-generadas (marco regulatorio, tipos de recursos disponibles, barreras, impacto en competencias) y emergentes. Luego, la información empírica se triangula con los marcos regulatorios de la Ley N° 31814 (PCM, 2023), D.S. N° 115-2025 (PCM, 2025), Estrategia Nacional de Inteligencia Artificial 2026-2030 (PCM, 2025) y las directrices éticas de la UNESCO (2021 y 2025).

Fig 1. Flujograma Prisma para la revisión sistemática de la literatura.

Resultados y discusión

La identificación de cuatro categorías temáticas a través del análisis de los 25 documentos incluye; (1) Marco regulatorio peruano: un marco temprano pero prometedor; (2) Usos y categorías de material digital y herramientas de Inteligencia artificial generativa; (3) Barreras críticas para la integración efectiva en el Perú; y (4) Impacto en el desarrollo de competencias.

El marco regulatorio peruano: del análisis de la literatura se confirma la existencia de una de las legislaciones más completas sobre inteligencia artificial en la región hasta la fecha y su uso en Perú. La regulación de la Ley N° 31814 (Congreso de la República del Perú, 2023) y el D.S. N° 115-2025-PCM (PCM, 2025) establecen en la gobernanza mediante la gestión de riesgos y la categorización del uso de la inteligencia artificial de manera amplia, desde aceptable hasta prohibida. Tales usos resultan regulados contra ciertos aspectos de clasificación, incluido la manipulación subliminal del comportamiento, la vigilancia masiva sin base legal y la categorización biométrica con fines discriminatorios. Este método, se inspira en la Regulación Europea de Inteligencia Artificial y coloca al Perú en un papel de vanguardia en América Latina, al haber creado ciertas garantías para la salvaguarda de los derechos humanos frente a posibles abusos tecnológicos.

Esta visión se realiza mediante cuatro ejes estratégicos articulados por la Estrategia Nacional de Inteligencia Artificial 2026-2030 (ENIA, 2025) aprobada por la Resolución Ministerial N° 152-2026-PCM. Se enfatiza el Eje 3, Marco ético y regulatorio de la inteligencia artificial; fomenta la aceptación de la Norma Técnica Peruana NTP-ISO/IEC 42001 sobre sistemas de gestión de inteligencia artificial. Esta norma, consistente con estándares globales, establece demandas para una administración ética, transparente y auditable para las instituciones públicas que trabajaban con o desarrollaban inteligencia artificial; con un avance de manera firme y directa hacia una cultura institucional de responsabilidad algorítmica. Aunque ese marco legal está respaldado, la UNESCO (2025) advierte que la implementación como política de infraestructura y las obligaciones de formación docente han sido insuficientes. Además, la falta de correspondencia entre lo que se consideraba la norma y lo que se hace en el aula continúa siendo el principal obstáculo para la transformación, ello impide que el instrumento legal tiene un impacto real en la práctica de las aulas y acciones educativas. Esa desconexión constituye uno de los mayores desafíos que el Estado peruano tiene que abordar en los años siguientes si espera que sus leyes resulten más que promesas de buena voluntad.

Respecto al uso y categorías de material digital y herramientas de inteligencia artificial generativa, de la literatura revisada (Alfarwan, 2025; Manrique-Losada et al., 2026; Tripathi et al., 2025) se encuentra que los recursos más usados son: textuales (planes, rúbricas, guías de trabajo), visuales (infografías, presentaciones, cómics) y audiovisuales (microvideos, tutoriales con avatares). Análisis que se presenta en la tabla 1.

Tabla 1. Tipología de recursos digitales, herramientas de Inteligencia artificial generativa.

La otra categoría de análisis del estudio resulta las barreras críticas para la integración efectiva en el Perú, donde se estructura en tres categorías, encontrándose que el 88% de estudios tienen barreras de formación y competencia docente, el 76% de estudios revelan barreras de carácter ético y gobernanza institucional y el 72% de estudios revelan barreras de infraestructura y conectividad, resultados que se presentan en la tabla 2.

Tabla 2. Barreras críticas para la integración efectiva de la Inteligencia artificial generativa en la educación

Impacto en el desarrollo de competencias. La evidencia también muestra que la capacidad de la inteligencia artificial generativa ha influenciado en las competencias cognitivas de los estudiantes. Si hay mediación intencional del docente en el uso guiado, se facilita el pensamiento crítico, así como la creatividad (Matos, 2025; Ramírez et al., 2026). Los enfoques participativos, a través del co-diseño de microcontenidos, contribuyen al pensamiento computacional, la motivación y el aprendizaje colaborativo (Manrique-Losada et al., 2026). Actividades con elementos de inteligencia artificial generativa: juegos educativos, presentaciones interactivas, además, fomentan un aprendizaje más dinámico en términos del docente como facilitador.

De hecho, el uso intensivo, acrítico y no regulado conduce a la dependencia cognitiva, al procesamiento superficial de la información, y a violaciones de la integridad académica (García de Blanes et al., 2025; Tripathi et al., 2025). Los estudiantes probablemente no pueden analizar lo mismo que un generador de tareas si han empleado inteligencia artificial generativa sin apoyo pedagógico (Del Pilar González et al., 2025). Ello muestra la necesidad de requerir de una planificación instruccional sensible y reflexiva, acorde a la tecnología innovadora con el desarrollo de habilidades.

Discusión

Los hallazgos muestran que el país (Perú) cuenta con normas de inteligencia artificial que regulan su aplicación en el ámbito educativo, pero existen factores limitantes para su aplicabilidad, entre ellos: falta de infraestructura, docentes que no han sido capacitados, niños que usan esas aplicaciones sin control y utilidad que favorezca su desarrollo concordante con lo que plantean en otros países de América Latina (Contreras et al., 2025; Ramírez et al., 2026). Este choque entre la norma y la práctica puede constituir la mayor barrera para que la inteligencia artificial generativa se utilizara en el aula. Sin embargo, tal como lo plantean Alfarwan (2025) y Jauhiainen & Garagorry (2024) no hay investigaciones concluyentes sobre la aplicabilidad en educación secundaria.

Según la UNESCO (2025), la Ley N° 31814 (Congreso de la República del Perú, 2023) y ENIA 2026-2030 (PCM, 2025) ubican a Perú en la posición de “adoptador temprano”, afirmación a nivel normativo, en la práctica la mayoría de las escuelas no cuentan con normas claras y la inversión en infraestructura, particularmente en las áreas rurales. Un dato interesante encontrado es que el gobierno de Chile, lidera en América Latina, la implementación y uso en las acciones educativas de la inteligencia artificial generativa (Ministerio de Educación, 2025).

Se determina, además, deficiencias en la capacitación de los docentes. Larenas et al. (2026) y Lucas et al. (2024) confirman que el conocimiento de la inteligencia artificial es lo que más afecta la confianza para usarla con éxito. En contraste a lo anterior, se determina que la mayoría de los docentes aprenden por su cuenta y a través de tutoriales. La Estrategia Nacional de Inteligencia Artificial 2026-2030-ENIA (PCM, 2025) ofrece capacitación, pero se limita a cuatro años de formación, lo que garantiza una creciente disparidad. Además, saber cómo usar la herramienta no resulta suficiente; falta la formación pedagógica y ética. Esta situación continúa manifestándose en el aula y no cambia hasta que aparezca planes concretos que solidifiquen los conocimientos del docente en el uso adecuado.

Los recursos digitales creados por inteligencia artificial no resultan buenos ni malos en sí mismos; dependen del uso dado. Cuando el docente modela los procesos como la metodología de microcontenidos, los estudiantes crean infografías, videos o juegos juntos, las habilidades informáticas y la motivación mejoran (Manrique-Losada et al., 2026). Pero los niños necesitan aprender a pensar, no a copiar, si la inteligencia artificial se empleaba solo para la creación de tareas sin intervención adulta, este problema puede surgir. El docente de educación necesita ser más que un transmisor; debe asumir el rol de curador, árbitro profesional de contenido y garante de normas éticas. La dimensión ética, además, no constituye un elemento accesorio.

La regulación peruana establece una prohibición de usos manifiestamente dañinos, pero en la vida cotidiana se plantean preguntas más complejas: ¿a quién pertenece un recurso elaborado con inteligencia artificial?, ¿cómo se monitoreaban los sesgos en los recursos educativos?, ¿qué tan transparentes son las plataformas que los estudiantes utilizan? La alfabetización digital crítica debe constituir, por tanto, una competencia central, tal como también sostienen Alfaro & Díaz (2024) y la UNESCO (2021). El Catálogo Nacional de Modelos de Inteligencia Artificial de la ENIA (PCM, 2025) representa un buen punto de partida, pero debe complementarse con capacitación en indicaciones éticas y detección de sesgos.

Para responder a la pregunta de investigación, la oportunidad clave radica en el marco regulatorio de vanguardia (Ley N° 31814, ENIA 2026-2030), que allana el camino para metodologías como el co-diseño de microcontenidos. Las brechas resultan profundas: un abismo entre los principios legales y la práctica, la formación limitada de los docentes evidenciada en el 88 por ciento de los estudios, la falta de infraestructura, presente en el 72 por ciento y la ausencia de directrices éticas institucionales, identificada en el 76 por ciento. Ademas, se identifican amenazas de naturaleza pedagógica: la necesidad que el docente actuara como intermediario, ética para garantizar la transparencia y minimizar los sesgos y regulatoria para reducir plazos, financiar la conectividad rural y asegurar programas obligatorios de alfabetización en inteligencia artificial, estos resultados son concordantes con lo afirmado por Del Pilar et al. (2025), sin claridad sobre el camino a seguir, la inteligencia artificial solo exacerba las diferencias.

Conclusiones

Perú cuenta con leyes y estrategias de inteligencia artificial (Ley N° 31814, D.S. N° 115-2025-PCM, ENIA 2026-2030) a la vanguardia de la región según el consejo de la UNESCO. Sin embargo, el uso de inteligencia artificial generativa para generar recursos digitales en las aulas de educación resulta básico, desigual e inadecuado, y se limita en gran medida a la automatización de tareas administrativas y a proporcionar contenido de datos e información básica.

Las tres barreras más relevantes para una integración exitosa resultan: los docentes no están capacitados en las dimensiones pedagógicas y éticas de la Inteligencia Artificial, la infraestructura y conectividad inadecuadas son inadecuados (la desconexión entre áreas urbanas y rurales como un punto de datos clave) y la falta de directrices éticas en la claridad política de las instituciones educativas.

Para reducir la brecha entre la norma y la práctica, se proponen tres acciones: diseñar un programa obligatorio de alfabetización en Inteligencia Artificial a nivel curricular nacional (para docentes), enfocarse en contenido ético y pedagógico; acelerar el plazo con implementación piloto en escuelas focalizadas; y proporcionar guías prácticas y repositorios de indicaciones éticas; con el fin de contribuir a la construcción de un nuevo catálogo de recursos de inteligencia artificial recomendado por la Estrategia Nacional de Inteligencia Artificial 2026-2030.

La Inteligencia Artificial Generativa demuestra un alto potencial para promover el desarrollo de materiales digitales en la educación, solo que debe emplearse con la capacitación adecuada.

Referencias bibliográficas

Alfaro Salas, H., & Díaz Porras, J. A. (2024). Percepciones del personal docente acerca del uso ético de la inteligencia artificial en su labor educativa. Innovaciones Educativas, 26(41), 63–77. https://doi.org/10.22458/IE.V26I41.4952

Alfarwan, A. (2025). Generative AI use in K-12 education: a systematic review. Frontiers in Education, 10. https://doi.org/10.3389/FEDUC.2025.1647573

Cambo Chisag, N. V., Poaquiza Anchatuña, M. Y., & Jaque Paucar, M. S. (2025). Inteligencia artificial generativa y el desarrollo del pensamiento crítico en estudiantes de educación básica: Generative artificial intelligence and the development of critical thinking in elementary school students. LATAM Revista Latinoamericana De Ciencias Sociales Y Humanidades, 6(6), 1586 – 1598.https://doi.org/10.56712/LATAM.V6I6.4999

Castillo Herrera, M. E. (2023). Impacto de la inteligencia artificial en el proceso de enseñanza y aprendizaje en la educación secundaria. LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, 4(6). https://doi.org/10.56712/LATAM.V4I6.1459

Contreras, H. B., Alfredo, J., & Zapata, R. (2025). El papel de la inteligencia artificial generativa en secundarias: Realidades y desafíos. Revista Iberoamericana de Innovación Científica JA TUAIDA, 2(2), 67–98. https://doi.org/10.59722/RIIC.V2I2.924

Congreso de la República de Perú. (2023, 5 de julio). Ley que promueve el uso de la inteligencia artificial en favor del desarrollo económico y social del país (Ley N.º 31814). Diario Oficial El Peruano, 4-6. https://cdn.www.gob.pe/uploads/document/file/5038703/ley-que-promueve-el-uso-de-la-inteligencia-artificial-en-fav-ley-n-31814.pdf?v=1692895308

Del Pilar González, M., De La Oliva, S., César, U., & Lima, V. (2025). Desafíos y beneficios del uso de inteligencia artificial en docentes de educación secundaria: Revisión sistemática. Revista Tribunal, 5(11), 226–239. https://doi.org/10.59659/REVISTATRIBUNAL.V5I11.153

Espejo Aubá, P. C. (2024). La Inteligencia Artificial en educación: percepciones y saberes de los docentes. European Public & Social Innovation Review, 9, 1–19. https://doi.org/10.31637/EPSIR-2024-898

García de Blanes Sebastián, M., Díaz-Marcos, L., Aguado Tevar, Ó., & Delso Vicente, A. T. (2025). Análisis de las aplicaciones de la Inteligencia Artificial Generativa en sectores estratégicos: Una revisión de literatura. Revista Latina de Comunicación Social, 2025(83), 1–24. https://doi.org/10.4185/RLCS-2025-2466

García-Peñalvo, F. J. (2024). Inteligencia artificial generativa y educación: Un análisis desde múltiples perspectivas. Education in the Knowledge Society (EKS), 25, 1-10. https://doi.org/10.14201/EKS.31942

Jauhiainen, J. S., & Garagorry Guerra, A. (2024). Generative AI and education: dynamic personalization of pupils’ school learning material with ChatGPT. Frontiers in Education, 9. https://doi.org/10.3389/FEDUC.2024.1288723

Larenas Martínez, G. A., Garzón Duque, B. A., Farinango Bonilla, F. A., Pilliza Ávila, R. P., & Vela Espinosa, S. A. (2026). Impacto de la Inteligencia Artificial Generativa en el fortalecimiento de las competencias digitales de los docentes de Bachillerato: Una revisión sistemática. ASCE MAGAZINE, 5(2), 410–430. https://doi.org/10.70577/asce.v5i2.771

Lucas, M., Zhang, Y., Bem-haja, P., & Vicente, P. N. (2024). The interplay between teachers’ trust in artificial intelligence and digital competence. Education and Information Technologies, 29(17), 22991–23010. https://doi.org/10.1007/S10639-024-12772-2

Manrique-Losada, B., Arango-Vásquez, S. I., & Osorio-Sanabria, M. A. (2026). Metodología participativa para la creación de recursos digitales de microaprendizaje con inteligencia artificial generativa. RIED-Revista Iberoamericana de Educación a Distancia, 29(1), 381–409. https://doi.org/10.5944/RIED.45559

Matos Silvestre, M. del J. (2025). Integración de la Inteligencia Artificial Generativa y el desarrollo de competencias: nueva frontera para la educación secundaria. Revista Científica Horizontes Multidisciplinarios, 2(2), 209–223. https://doi.org/10.65705/RHOMU.V2I2.59

Mayer, R. E. (2002). Multimedia learning. Psychology of Learning and Motivation - Advances in Research and Theory, 41, 85–139. https://doi.org/10.1016/S0079-7421(02)80005-6

Mufungizi, E. M. (2024). El conectivismo digital en los procesos de enseñanza y aprendizaje: principios y aportes pedagógicos. Revista Latinoamericana Ogmios, 4(10), 1–11. https://doi.org/10.53595/RLO.V4.I10.101

Ministerio de Educación. (2025). PotencIA el aprendizaje: IA en educación. Centro de Innovación, Mineduc, https://ciudadaniadigital.mineduc.cl/wp-content/uploads/2025/03/PotencIA-el-aprendizaje-IA-en-educacion.pdf

Presidencia del Consejo de Ministros. (2025, 9 de septiembre). Decreto Supremo que aprueba el Reglamento de la Ley N.º 31814, Ley que promueve el uso de la inteligencia artificial en favor del desarrollo económico y social del país (Decreto Supremo N.º 115-2025-PCM). Diario Oficial El Peruano,4-13. https://www.gob.pe/institucion/pcm/normas-legales/7133522-115-2025-pcm

Presidencia del Consejo de Ministros (PCM). (2025). Estrategia Nacional de Inteligencia Artificial 2026-2030 (Resolución Ministerial N° 152-202PCM), 1-44. https://cdn.www.gob.pe/uploads/document/file/8686097/7190386-propuesta_-estrategia-nacional-de-inteligencia-artificial.pdf?v=1759424094

Quintero, C. B., César, J., & Urrea, H. (2025). La inteligencia artificial generativa como mediadora en la práctica docente: una reflexión crítica sobre sus implicaciones pedagógicas y éticas. TRASCENDERE, 6(2), 93–118. https://doi.org/10.56219/trascendere.v6i2.5327

Ramírez, M. R. S., Campoverde, M. O. R., Belduma, J. A. R., González, N. F. Á., & Valarezo, M. J. V. (2026). Impacto del uso intensivo de inteligencia artificial generativa en el desarrollo del pensamiento crítico en estudiantes de bachillerato. Revista Científica Multidisciplinar G-Nerando, 7(1), 4615 – 4651. https://doi.org/10.66473/RCMG.V7I1.1115

Searle, J. R. (1980). Minds, brains, and programs. Behavioral and Brain Sciences, 3(3), 417–424. https://doi.org/10.1017/S0140525X00005756

Tripathi, T., Sharma, S. R., Singh, V., Bhargava, P., & Raj, C. (2025). Teaching and learning with AI: a qualitative study on K-12 teachers’ use and engagement with artificial intelligence. Frontiers in Education, 10. https://doi.org/10.3389/FEDUC.2025.1651217

Turing, A. M. (1950). Computing machinery and intelligence. Mind, 59(236), 433-460. https://www.cs.mcgill.ca/~dprecup/courses/AI/Materials/turing1950.pdf

UNESCO. (2021). Recomendación sobre la Ética de la Inteligencia Artificial. París: https://unesdoc.unesco.org/ark:/48223/pf0000380455_spa

UNESCO (2025). Perú: evaluación del estadio de preparación de la inteligencia artificial. from https://unesdoc.unesco.org/ark:/48223/pf0000393824

Conflicto de intereses:

Los autores del presente artículo declaran no tener ningún conflicto de intereses (financieros y no financieros).

Contribución de los autores

Universidad & Sociedad publica sus artículos bajo una licencia Creative Commons https://creativecommons.org/licenses/by-nc-nd/4.0/deed.es