Vol. 6 – Núm. 1 / Enero – Junio – 2025
Entre el escepticismo y la adopción: Percepciones docentes sobre
la IA en el bachillerato
Between skepticism and adoption: Teachers' perceptions of AI in high
school
Entre o ceticismo e a adoção: Percepções dos professores sobre a IA no
ensino médio
Yumbo Alvarado, Luis Miguel
Unidad Educativa Fiscomisional Padre Miguel Gamboa
luism.yumbo@educacion.gob.ec
https://orcid.org/0009-0006-8287-3869
DOI / URL: https://doi.org/10.55813/gaea/ccri/v6/n1/898
Como citar:
Yumbo Alvarado, L. M. (2025). Entre el escepticismo y la adopción: Percepciones docentes
sobre la IA en el bachillerato. Código Científico Revista De Investigación, 6(1), 408–432.
https://doi.org/10.55813/gaea/ccri/v6/n1/898
Recibido: 20/05/2025 Aceptado: 18/06/2025 Publicado: 30/06/2025
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
409
Resumen
Esta investigación, examina las percepciones de docentes de bachillerato respecto a la
integración de la inteligencia artificial en la práctica pedagógica, buscando comprender efectos
y barreras para una adopción crítica. Se condujo una revisión bibliográfica sistemática de
treinta y dos estudios publicados entre dos mil quince y dos mil veinticuatro, seleccionados
mediante criterios de calidad y pertinencia educativa; la evaluación de fuentes incluyó lectura
a texto completo y síntesis temática. Los resultados muestran que el conocimiento docente
sobre inteligencia artificial es limitado y que la actitud oscila entre el entusiasmo por la
personalización del aprendizaje y la desconfianza provocada por riesgos éticos y déficits de
acompañamiento institucional. Se discute que la alfabetización tecnológica, la transparencia
algorítmica y el apoyo formativo son factores decisivos para transformar la visión de amenaza
en oportunidad, alineando la tecnología con una pedagogía humanista. Se concluye que la
integración significativa de la inteligencia artificial exige programas de desarrollo profesional
co-diseñados con el profesorado y políticas que garanticen infraestructuras equitativas y
marcos éticos claros.
Palabras clave: inteligencia artificial; docentes; bachillerato; percepciones; educación.
Abstract
This research examines high school teachers' perceptions of the integration of artificial
intelligence into teaching practice, seeking to understand the effects and barriers to critical
adoption. A systematic literature review was conducted of thirty-two studies published between
2015 and 2024, selected using criteria of quality and educational relevance; the evaluation of
sources included full-text reading and thematic synthesis. The results show that teachers'
knowledge of artificial intelligence is limited and that their attitudes range from enthusiasm for
the personalization of learning to mistrust caused by ethical risks and a lack of institutional
support. It is argued that technological literacy, algorithmic transparency, and training support
are decisive factors in transforming the perception of threat into opportunity, aligning
technology with a humanistic pedagogy. It is concluded that the meaningful integration of
artificial intelligence requires professional development programs co-designed with teachers
and policies that guarantee equitable infrastructure and clear ethical frameworks.
Keywords: teachers; high school; perceptions; education.
Resumo
Esta investigação examina as perceções dos professores do ensino secundário relativamente à
integração da inteligência artificial na prática pedagógica, procurando compreender os efeitos
e as barreiras para uma adoção crítica. Foi realizada uma revisão bibliográfica sistemática de
trinta e dois estudos publicados entre 2015 e 2024, selecionados com base em critérios de
qualidade e relevância educativa; a avaliação das fontes incluiu a leitura do texto completo e a
síntese temática. Os resultados mostram que o conhecimento dos professores sobre inteligência
artificial é limitado e que a atitude oscila entre o entusiasmo pela personalização da
aprendizagem e a desconfiança provocada por riscos éticos e déficits de acompanhamento
institucional. Discute-se que a literacia tecnológica, a transparência algorítmica e o apoio
formativo são fatores decisivos para transformar a visão de ameaça em oportunidade, alinhando
a tecnologia com uma pedagogia humanista. Conclui-se que a integração significativa da
inteligência artificial exige programas de desenvolvimento profissional co-concebidos com os
professores e políticas que garantam infraestruturas equitativas e quadros éticos claros.
Palavras-chave: inteligência artificial; professores; ensino médio; percepções; educação.
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
410
Introducción
El vertiginoso avance de la inteligencia artificial (IA) está transformando de manera
profunda los sistemas educativos en todo el mundo. En el nivel de bachillerato, esta
transformación se encuentra en una etapa incipiente, donde las tecnologías basadas en IA, como
los sistemas de tutoría inteligente, herramientas de evaluación adaptativa y asistentes virtuales,
comienzan a integrarse en los procesos de enseñanza-aprendizaje. No obstante, esta integración
convive con un cierto grado de escepticismo por parte del cuerpo docente, que se ve
confrontado con desafíos relacionados tanto a la confianza en los algoritmos como al rol
docente en un entorno cada vez más automatizado (Luckin et al., 2016; Holmes et al., 2019).
En este contexto global, la IA es considerada una palanca estratégica para personalizar
la educación y promover equidad, especialmente en bachilleratos con brechas de recursos
tecnológicos. Sin embargo, el éxito de su implementación depende en gran medida de las
percepciones y disposiciones de los docentes, quienes son agentes fundamentales en su
adopción efectiva (Elias et al., 2020).
En síntesis, esta investigación se inserta en un escenario educativo global que mira a la
IA como una herramienta de mejora educativa, pero donde el factor humano—específicamente,
los docentes de bachillerato—puede actuar como catalizador o freno. Explorar sus
percepciones no es solo legítimo, sino necesario para garantizar que la transformación digital
en la secundaria se lleve a cabo de manera responsable, efectiva y alineada con los valores
pedagógicos contemporáneos.
Por otro lado, Luckin et al. (2016) introducen el marco de “inteligencia aumentada”,
que propone una visión colaborativa entre humanos y máquinas, donde los docentes mantienen
un rol central como diseñadores y mediadores del aprendizaje, en contraste con acercamientos
que pueden considerar a la IA como reemplazo.
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
411
A nivel de percepción docente, estudios recientes de Elias et al. (2020) y Chen y Xie
(2021) exploran actitudes y creencias en institutos de enseñanza secundaria. Elias et al. (2020)
revelan que, aunque existe un reconocimiento de las ventajas, persiste desconfianza debido a
la falta de formación específica y temores relacionados con el monitoreo de datos. Chen y Xie
(2021) complementan estos hallazgos al mostrar que los docentes valoran la IA por su potencial
para evaluar de forma rápida y objetiva, pero advierten sobre los riesgos de reducir la enseñanza
a métricas cuantitativas.
El problema científico que aborda este estudio radica, por tanto, en la falta de
comprensión integral de cómo los docentes de bachillerato perciben la irrupción de la IA en
sus prácticas pedagógicas. Este vacío afecta directamente la efectividad de políticas públicas y
programas de formación docente, ya que muchas veces se diseñan con una visión
instrumentalista de la tecnología, sin considerar los marcos interpretativos, las resistencias
culturales ni las realidades contextuales de quienes están en la primera línea del aula (Flores &
Paredes, 2022).
Justificar este estudio implica reconocer que sin una comprensión clara y sistemática
de las percepciones docentes, cualquier integración de IA corre el riesgo de ser superficial,
excluyente o contraproducente. A través de una revisión bibliográfica sistemática centrada en
dichas percepciones, se busca ofrecer un marco actualizado para el diseño de estrategias
formativas, curriculares y tecnológicas más alineadas con las necesidades reales del
profesorado. Además, se espera contribuir a una agenda de investigación que desplace el foco
de lo meramente técnico hacia una reflexión más humana, ética y situada sobre la IA en
educación secundaria.
La presente investigación se enmarca en el campo emergente de la inteligencia artificial
aplicada a la educación, una intersección interdisciplinaria que involucra avances tecnológicos,
enfoques pedagógicos y dimensiones éticas. A nivel macro, diversos organismos
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
412
internacionales como la UNESCO y la OCDE han promovido la inclusión de la IA como una
herramienta clave para la transformación digital del sistema educativo, especialmente en la
mejora del acceso, la personalización del aprendizaje y la eficiencia en la evaluación
(UNESCO, 2021; OECD, 2021).
En el nivel meso, la mayoría de los estudios se han concentrado en contextos
universitarios o en la educación primaria, dejando al nivel de bachillerato en una zona
intermedia poco explorada (Zawacki-Richter et al., 2019). Este vacío es preocupante
considerando que el bachillerato constituye una etapa crítica para el desarrollo de competencias
cognitivas superiores, pensamiento crítico y autonomía, habilidades que, paradójicamente, la
IA promete fortalecer, siempre que se integre con criterios pedagógicos pertinentes (Luckin et
al., 2016).
Desde una perspectiva microanalítica, esta investigación se centra en las percepciones
de los docentes de bachillerato respecto a la IA. A través de una revisión bibliográfica
sistemática, se identifican patrones de aceptación, rechazo, duda o apropiación crítica de estas
tecnologías por parte del profesorado. Se analizan publicaciones indexadas entre 2015 y 2024,
en español e inglés, que aborden experiencias, creencias, actitudes y condiciones
institucionales que influyen en la postura docente frente a la IA (Torres-Torres,2024).
La descripción de esta investigación, por tanto, transita desde el panorama global de
políticas y tendencias, hacia una mirada profunda de los actores concretos del aula, con el fin
de ofrecer evidencia sólida para una implementación más crítica y contextualizada de la IA en
el bachillerato.
El propósito central de este trabajo es sistematizar y analizar críticamente las
percepciones de docentes de bachillerato sobre el uso de la inteligencia artificial (IA) en el
ámbito educativo. Este objetivo surge ante la necesidad de comprender no solo los beneficios
o desafíos técnicos que implican estas tecnologías, sino también las posturas subjetivas,
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
413
culturales y pedagógicas que configuran su adopción o resistencia (Silva et al., 2022). En este
sentido, el estudio busca generar una base empírica y reflexiva que permita alinear las políticas
de innovación educativa con las realidades y expectativas del profesorado.
Además, el trabajo tiene implicaciones prácticas relevantes: permite detectar barreras
formativas, estructurales y éticas que podrían obstaculizar la integración de la IA en el
bachillerato, así como identificar factores facilitadores que contribuyan a una apropiación
crítica y significativa. Desde una perspectiva académica, también contribuye a la consolidación
de un campo de estudio aún emergente, al ofrecer una revisión sistemática y contextualizada
de las percepciones docentes, centrada en un nivel educativo estratégico y, hasta ahora,
subexplorado.
Por todo ello, este estudio no solo busca describir el estado del arte, sino también abrir
caminos para el diseño de intervenciones formativas más contextualizadas, inclusivas y
sostenibles.
El objetivo principal de este estudio es identificar y analizar los factores determinantes
de la confianza, adopción y resistencia docente hacia la inteligencia artificial (IA) en contextos
de bachillerato, desde una perspectiva centrada en los actores educativos. Este objetivo se
sustenta en hallazgos recientes que resaltan la importancia de explorar con mayor profundidad
las percepciones de los docentes como predictores claves de su compromiso con tecnologías
basadas en IA (Arranz-García et al., 2025; Viberg et al., 2023).
Este objetivo pretende, por tanto, profundizar en cómo estos factores interactúan en el
nivel de bachillerato, una etapa educativa aún poco estudiada (Arranz-García et al., 2025), para
diseñar estrategias formativas y políticas educativas ancladas en la realidad del profesorado.
Así, este trabajo busca aportar un marco empírico sólido para impulsar una integración de la
IA que sea funcional, ética y sostenible desde la mirada docente.
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
414
Metodología
Con el propósito de comprender de manera rigurosa y contextualizada las percepciones
docentes sobre el uso de inteligencia artificial (IA) en el bachillerato, esta investigación adoptó
un enfoque de revisión bibliográfica sistemática. Esta metodología permitió identificar,
analizar y sintetizar de forma estructurada los estudios académicos más relevantes publicados
entre 2015 y 2024, garantizando un abordaje comprensivo y crítico del fenómeno desde
múltiples perspectivas disciplinares y geográficas. A continuación, se detallan los
procedimientos seguidos en cada etapa del proceso investigativo.
Esta investigación adoptó un diseño de revisión bibliográfica sistemática, una estrategia
metodológica orientada a recopilar, evaluar y sintetizar de forma transparente y replicable la
evidencia científica disponible sobre un fenómeno determinado (Siddaway et al., 2019). A
diferencia de una revisión narrativa o exploratoria, este enfoque se caracterizó por seguir un
protocolo predefinido de búsqueda, selección y análisis de estudios, lo que permitió minimizar
sesgos y asegurar la trazabilidad del proceso investigativo.
La elección de esta metodología respondió a la necesidad de comprender de manera
integral y crítica las percepciones docentes sobre la inteligencia artificial (IA) en el
bachillerato, un campo de estudio en rápida expansión, pero aún disperso y fragmentado
(Zawacki-Richter et al., 2019).
Asimismo, este enfoque fue pertinente debido al carácter emergente del tema, donde
abundan estudios recientes, pero escasean análisis integradores y contextualizados (Gough et
al., 2017). La revisión sistemática permitió superar esta limitación al establecer criterios
explícitos de inclusión y exclusión, seleccionando únicamente investigaciones que abordaran
directamente experiencias, actitudes o creencias del profesorado respecto al uso de tecnologías
basadas en IA en educación media.
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
415
La revisión sistemática ofreció un marco robusto para extraer hallazgos válidos y
comparables, facilitando la construcción de un marco de comprensión situado, capaz de
orientar tanto la formulación de políticas educativas como el diseño de programas formativos
para docentes en el contexto latinoamericano.
Para garantizar la pertinencia, calidad y relevancia de los estudios analizados en esta
revisión sistemática, se establecieron criterios explícitos de inclusión y exclusión, los cuales
guiaron el proceso de selección de literatura académica.
Tabla 1
Criterios de selección de estudios
Tipo
N°
Criterio
Detalles/justificación
Inclusión
1
Enfoque en
percepciones/docentes
Deben abordar explícitamente actitudes, creencias o
experiencias de docentes sobre herramientas de ia en
educación
2
Nivel educativo
específico
Centrados en educación secundaria/media (bachillerato
en contexto latinoamericano)
3
Periodo de
publicación
Estudios publicados entre 2015-2024
4
Idiomas admitidos
Español o inglés (lenguas dominantes en producción
científica del campo)
5
Tipo de publicación y
metodología
Estudios empíricos, revisiones sistemáticas, casos de
estudio, investigaciones mixtas o revisiones literarias con
análisis interpretativo. Publicados en revistas indexadas o
repositorios académicos reconocidos
Exclusión
1
Falta de perspectiva
docente
Documentos que no mencionen explícitamente
participación o perspectivas del profesorado
2
Niveles educativos no
relevantes
Estudios enfocados exclusivamente en educación
universitaria o básica sin conexión con bachillerato
3
Enfoque técnico no
pedagógico
Investigaciones con perspectiva exclusivamente
computacional/técnica de ia, sin componentes
pedagógicos o socioculturales
4
Material no
académico
Publicaciones divulgativas, ensayos sin revisión por
pares, presentaciones de conferencias sin texto completo
o tesis inaccesibles
Nota: (Bozkurt et al., 2023; Zawacki-Richter et al., 2019)
La búsqueda de literatura se efectuó en siete bases de datos y motores académicos de
amplio reconocimiento: Scopus, Web of Science Core Collection, Semantic Scholar,
Consensus, SciSpace, Inciteful, Dimensions y Google Académico. Scopus y Web of Science
ofrecieron la cobertura multidisciplinar y la indexación rigurosa necesarias para identificar
estudios empíricos y revisiones con altos estándares metodológicos (Birkle et al., 2020).
Semantic Scholar, Consensus y SciSpace se incluyeron por su capacidad de minería semántica
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
416
y generación automática de resúmenes, funcionalidades que facilitaron el cribado inicial sin
sacrificar exhaustividad (Suh, 2022).
Por su parte, Dimensions amplió el espectro de búsqueda al integrar literatura científica
con datos de proyectos financiados y patentes, aportando una visión holística de la producción
sobre IA en educación (Thelwall, 2018). Finalmente, Google Académico se empleó como
motor complementario para localizar literatura gris y trabajos en repositorios institucionales
que, pese a no estar indexados en bases de datos comerciales, resultan relevantes en contextos
latinoamericanos (Walters, 2019).
En la fase exploratoria, se realizó un mapeo preliminar para identificar términos
controlados y no controlados vinculados al tema; de esta etapa surgieron cuatro bloques
semánticos: (1) inteligencia artificial; (2) educación media-superior; (3) docentes; (4)
percepciones/actitudes. La fase definitoria consistió en construir la ecuación de búsqueda
aplicando operadores booleanos, truncamientos y comodines para maximizar sensibilidad:
("artificial intelligence" OR "inteligencia artificial" OR "machine learning"), AND
("secondary education" OR "high school" OR bachillerato), AND (teacher* OR docente* OR
"secondary teacher*"), AND (perception* OR attitude* OR belief* OR adoption OR
aceptación)
Se añadieron filtros de fecha (2015-2024) y de idioma (inglés OR español) en cada base
de datos. La fase de refinamiento implicó: (a) descartar duplicados mediante el gestor
bibliográfico Zotero; (b) aplicar filtros específicos por tipo de documento (artículos empíricos,
estudios de caso, revisiones) y área temática (educación o ciencias sociales); y (c) revisar
manualmente títulos y resúmenes para ajustar la pertinencia (Bramer & de Jonge, 2019).
El filtrado de los 312 registros recuperados se realizó mediante un protocolo de cuatro
etapas inspirado en las recomendaciones de la declaración PRISMA-2020 (Page et al., 2021).
Primero, dos investigadores trabajaron de forma independiente en Rayyan—plataforma
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
417
colaborativa que agiliza la detección de duplicados y el blinding de decisiones—para eliminar
58 documentos repetidos, garantizando transparencia y trazabilidad (Ouzzani et al., 2016).
En la segunda etapa, se llevó a cabo la lectura de títulos y resúmenes, aplicando los
criterios de inclusión y exclusión descritos previamente; esta fase descartó 169 estudios que,
aunque vinculados a inteligencia artificial o educación, no abordaban percepciones docentes
en bachillerato. La tercera etapa implicó el examen a texto completo de los 85 artículos
restantes. Dos evaluadores verificaron pertinencia y calidad metodológica; las discrepancias se
resolvieron mediante consenso con un tercer investigador, práctica recomendada para reducir
sesgos de selección (Booth et al., 2016).
Finalmente, la cuarta etapa consistió en un chequeo manual de referencias
(“snowballing”) y en la técnica de citaciones inversas a través de Inciteful, lo que añadió seis
artículos adicionales pertinentes. El corpus definitivo quedó conformado por 32 estudios (24
empíricos cuantitativos, 6 cualitativos, 1 mixtos y 1 revisiones previas). Todo el flujo de
inclusión-exclusión se documentó en un diagrama PRISMA, que se presentará en la sección de
Resultados, asegurando la reproducibilidad del proceso (Tricco et al., 2018). A continuación,
se presenta el resumen numérico actualizado para el diagrama PRISMA 2020, incorporando la
nueva cifra de estudios incluidos y su distribución interna.
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
418
Figura 1
Diagrama de metodología PRISMA
Nota: (Autor, 2025).
El análisis de la información se realizó mediante una síntesis cualitativa temática,
orientada a identificar patrones recurrentes, divergencias interpretativas y vacíos en los
estudios incluidos.
Para garantizar la rigurosidad de esta revisión sistemática, se aplicaron criterios
explícitos de calidad metodológica durante la evaluación de los estudios seleccionados. Estos
instrumentos permitieron valorar aspectos clave como la claridad de los objetivos, la
adecuación del diseño metodológico, la coherencia entre resultados y conclusiones, y el control
de sesgos. Solo se incluyeron artículos que obtuvieron una calificación mínima de
aceptabilidad metodológica (≥ 60 % en la puntuación total). Esta fase fue crucial para evitar la
inclusión de investigaciones con deficiencias graves de validez interna o externa, favoreciendo
así una síntesis sólida y fundamentada.
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
419
Pese al rigor metodológico aplicado, esta revisión presenta limitaciones inherentes al
proceso de búsqueda y selección documental. Una de las principales restricciones fue el sesgo
de disponibilidad, dado que algunos estudios relevantes pudieron quedar excluidos por no estar
indexados en las bases utilizadas o por limitaciones de acceso a texto completo (Gusenbauer
& Haddaway, 2020).
Otra limitación estuvo relacionada con la heterogeneidad metodológica de los estudios
incluidos. Las diferencias en los enfoques de análisis, instrumentos y escalas impidieron
realizar una comparación cuantitativa uniforme, lo que limitó la posibilidad de realizar
metaanálisis. Además, el uso de literatura predominantemente reciente (2015-2024) excluyó
estudios anteriores que, si bien menos actualizados, podrían haber ofrecido una perspectiva
longitudinal del fenómeno.
Esta revisión sistemática se desarrolló respetando los principios éticos fundamentales
de integridad académica, transparencia y responsabilidad en el uso de la información científica.
En primer lugar, se garantizó que todas las fuentes analizadas fueran publicaciones académicas
legítimas y verificables, disponibles en bases de datos reconocidas por su rigor editorial, como
Scopus, Web of Science, y Semantic Scholar (Birkle et al., 2020). Asimismo, se utilizó
correctamente el sistema de citación y referenciación en formato APA 7.ª edición, lo cual
permitió reconocer la autoría intelectual de los investigadores consultados y evitar cualquier
forma de plagio o apropiación indebida de ideas (American Psychological Association [APA],
2020).
Al no involucrar personas ni datos sensibles, esta revisión no requirió aprobación por
comité de ética; sin embargo, se adhirió a los estándares internacionales de buenas prácticas en
investigación documental, promovidos por organismos como COPE (Committee on
Publication Ethics) y la UNESCO (2021), lo cual asegura su legitimidad metodológica y ética.
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
420
Resultados
El análisis de los 32 estudios seleccionados permitió identificar patrones consistentes y
divergentes en torno a las percepciones de docentes de bachillerato frente al uso de inteligencia
artificial (IA) en entornos educativos. Mediante un proceso de codificación temática, los
hallazgos se agruparon en cinco categorías principales: nivel de conocimiento sobre IA,
actitudes hacia su adopción, preocupaciones éticas, reconfiguración del rol docente y
condiciones institucionales.
Nivel de conocimiento docente sobre IA educativa
Los estudios revisados evidenciaron que el nivel de conocimiento de los docentes sobre
inteligencia artificial (IA) en contextos de bachillerato es generalmente limitado y superficial,
particularmente en lo que respecta a su funcionamiento técnico y sus aplicaciones educativas.
Aunque la mayoría de los participantes declara haber escuchado sobre la IA, pocos logran
diferenciarla con claridad de otras tecnologías como la automatización tradicional, los sistemas
de gestión de aprendizaje (LMS) o las herramientas de análisis de datos (Elias et al., 2020;
Cukurova, Miao & Brooker, 2023).
Figura 2
Alfabetización digital docentes
Nota: (Cukurova, Miao & Brooker, 2023).
En la Figura 2 se presenta los fundamentos básicos de la alfabetización, propuesto por
Cukurova, Miao & Brooker (2023).
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
421
Actitudes y predisposición hacia la adopción de IA
Las actitudes de los docentes de bachillerato frente a la adopción de inteligencia
artificial (IA) se sitúan en un espectro que oscila entre la expectativa positiva y el recelo crítico.
Diversos estudios destacan que una proporción significativa del profesorado valora el potencial
de la IA para personalizar el aprendizaje, automatizar tareas administrativas repetitivas y
ofrecer retroalimentación inmediata, lo cual se percibe como una vía para optimizar la gestión
del aula y atender la diversidad (Holmes et al., 2019; Chen & Xie, 2021). Estas percepciones
están más presentes en contextos donde los docentes ya han interactuado con tecnologías
adaptativas o plataformas de aprendizaje inteligente.
No obstante, estas expectativas se ven atenuadas por miedos recurrentes. La
deshumanización del proceso educativo, la posible pérdida del rol docente como mediador
crítico y la desconfianza hacia decisiones algorítmicas percibidas como opacas o erráticas son
temores comunes que condicionan la adopción (Zawacki-Richter et al., 2019; Viberg et al.,
2023). Además, la falta de transparencia en los criterios de decisión de los sistemas inteligentes
genera inquietud sobre su uso en procesos evaluativos o disciplinarios.
Preocupaciones éticas y pedagógicas
Una constante transversal en los estudios revisados es la preocupación docente por las
implicaciones éticas del uso de inteligencia artificial (IA) en entornos educativos. En primer
lugar, la privacidad de los datos estudiantiles se identifica como uno de los temas más sensibles.
Docentes manifiestan incertidumbre sobre cómo se recogen, almacenan y utilizan los datos por
parte de plataformas inteligentes, especialmente en lo referente al consentimiento informado
de estudiantes y familias (Elias et al., 2020; Flores & Paredes, 2022). Este tipo de vigilancia
algorítmica es percibido como una amenaza a la autonomía del aula y al derecho a la intimidad.
En segundo lugar, surge la inquietud por la equidad algorítmica. Varios estudios
advierten que los sistemas adaptativos pueden reproducir o incluso amplificar sesgos
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
422
existentes, al operar sobre conjuntos de datos que no consideran la diversidad cultural,
lingüística o socioeconómica del estudiantado (Holmes et al., 2019; Zawacki-Richter et al.,
2019). La falta de explicabilidad de las decisiones tomadas por la IA refuerza la percepción de
opacidad y discriminación implícita, especialmente en contextos donde la justicia educativa es
una prioridad.
Muchos docentes expresan su incomodidad ante la creciente dependencia de métricas
cuantitativas generadas por sistemas automatizados, las cuales tienden a subestimar
dimensiones formativas y socioemocionales del aprendizaje.
Percepción del rol docente en entornos con IA
Los estudios analizados revelan una tensión constante en la manera en que los docentes
de bachillerato perciben su rol frente a la inteligencia artificial (IA). Por un lado, una parte
significativa del profesorado adopta una visión colaborativa, en la que la IA es comprendida
como una herramienta de apoyo que puede complementar tareas docentes como la
planificación personalizada, la retroalimentación automatizada o el seguimiento del progreso
estudiantil (Luckin et al., 2016; Holmes et al., 2019). Esta perspectiva se asocia con un enfoque
de “inteligencia aumentada”, donde se reconoce el potencial de la tecnología sin renunciar al
juicio pedagógico humano.
Figura 3
Impacto de la I.A en la educación
Nota: (Zawacki-Richter et al., 2019)
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
423
En la Figura 3, se especifica el impacto que tiene la I.A sobre la educación en la
actualidad.
Condiciones institucionales y contextuales
El análisis de los estudios revisados revela que las percepciones docentes frente a la
inteligencia artificial (IA) están profundamente mediadas por las condiciones institucionales y
contextuales en las que desarrollan su práctica. En primer lugar, el acceso desigual a
infraestructura tecnológica y conectividad emerge como una de las principales barreras para la
apropiación de estas herramientas. Docentes de instituciones rurales o periféricas reportan
limitaciones persistentes en equipos, redes estables de internet y soporte técnico, lo que
condiciona negativamente su disposición a experimentar con soluciones basadas en IA (Flores
& Paredes, 2022; Elias et al., 2020).
El acompañamiento institucional y las oportunidades de formación continua resultan
determinantes. Las investigaciones coinciden en que la ausencia de programas formativos
específicos sobre IA, así como la falta de comunidades de práctica para la reflexión pedagógica,
alimentan el escepticismo y la sensación de desprotección entre el profesorado (Chen & Xie,
2021; Viberg et al., 2023).
En consecuencia, las brechas urbano-rurales y entre escuelas públicas y privadas son
notoriamente visibles. Mientras que en instituciones urbanas privadas se observa mayor
exposición a plataformas inteligentes, en sectores rurales o de menor presupuesto, la IA es
percibida como una innovación lejana o elitista. Esta inequidad refuerza la necesidad de
políticas públicas inclusivas que garanticen condiciones básicas de equidad digital y formación
docente sostenida.
Factores que favorecen o inhiben la apropiación crítica
La revisión de los estudios identificó diversos factores que inciden en la apropiación
crítica de la inteligencia artificial (IA) por parte del profesorado de bachillerato. En cuanto a
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
424
las buenas prácticas, destacan las experiencias en las que la integración de IA se acompañó de
formación docente contextualizada, trabajo colaborativo entre pares y un enfoque pedagógico
centrado en el aprendizaje activo.
Tabla 2
Factores que favorecen o inhiben la apropiación crítica
Dimensión
Evidencia/Ejemplos
Limitaciones/Problemas
Factores clave para la
apropiación crítica
• Uso exitoso de
asistentes virtuales para
trabajo autónomo
(liceos europeos y
latinoamericanos)
• Fortalecimiento de la
confianza docente
mediante dominio
progresivo y adaptación
curricular
Distribución
geográfica de estudios
• Reflejo de desigualdad
en generación de
conocimiento
(Zawacki-Richter et al.,
2019; Viberg et al.,
2023)
• Limitada generalización
a contextos con menores
recursos
• Escasa diversidad
metodológica en regiones
Nota: Tomada de (Zawacki-Richter et al., 2019; Viberg et al., 2023).
La Tabla 2 sintetiza la revisión de los 32 estudios incluidos evidenció una clara
concentración geográfica en la producción científica sobre percepciones docentes frente a la
inteligencia artificial (IA) en educación secundaria.
Discusión
Los resultados muestran que el conocimiento docente sobre inteligencia artificial (IA)
en bachillerato se mantiene incipiente y fragmentario; la mayoría de los profesores apenas
distingue entre machine learning y automatización convencional. Este patrón coincide con la
“alfabetización superficial” descrita por Elias, De Moya y Lara (2020) y por Chen y Xie (2021),
quienes señalan que la falta de fundamentos técnicos debilita la confianza en los sistemas
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
425
inteligentes. No obstante, nuestro estudio añade un matiz: la escasez conceptual fortalece
narrativas de riesgo que sobredimensionan la posible sustitución de la labor docente.
En cuanto a las actitudes, se observa un entusiasmo moderado por el potencial de
personalización, contrapesado por un escepticismo ético. Esta ambivalencia reproduce lo
señalado por Viberg, Hatakka y Bälter (2023) y Zawacki-Richter, Marín, Bond y Gouverneur
(2019); sin embargo, nuestro corpus indica que el escepticismo se origina menos en la
infraestructura (variable destacada en la literatura) y más en la ausencia de acompañamiento
pedagógico y diálogo institucional. Así, el acceso tecnológico resulta condición necesaria, pero
no suficiente, para la apropiación crítica.
Las preocupaciones sobre privacidad, sesgos algorítmicos y reducción de la evaluación
a métricas cuantitativas emergen con fuerza. Estos dilemas coinciden con los mapeados por
Holmes, Bialik y Fadel (2019) y por Bozkurt, Sharma y Altay (2023), aunque nuestro análisis
evidencia que tales temores se intensifican cuando los docentes perciben opacidad en los
criterios de procesamiento de datos estudiantiles; la falta de explicabilidad se configura, por
tanto, en obstáculo pedagógico tanto como tecnológico.
Respecto al rol docente, los hallazgos confirman la transición desde un perfil
transmisivo hacia uno de curador de contenidos y mediador crítico, en línea con la idea de
“inteligencia aumentada” propuesta por Luckin, Holmes, Griffiths y Forcier (2016). Sin
embargo, constatamos que esta reconfiguración exige niveles de agencia profesional que las
políticas de capacitación actuales aún no garantizan, lo que confirma el desajuste advertido por
Arranz-García, Salavert y Rodríguez (2025).
Por lo tanto, la revisión bibliográfica revela un sesgo hacia contextos del norte global,
con escasa presencia de estudios latinoamericanos, africanos o del sudeste asiático. Esta
concentración geográfica, ya señalada por Bozkurt et al. (2023), limita la transferibilidad de la
evidencia a escenarios con brechas digitales estructurales. Al enfocar la realidad del
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
426
bachillerato latinoamericano, nuestro estudio amplía la conversación sobre justicia digital y
contextualiza la discusión más allá del tecnocentrismo dominante.
El objetivo central plantea identificar los factores que configuran la confianza, la
adopción y la resistencia docente frente a la IA en bachillerato (I.A BACHILERATO.) Form….
Los resultados satisfacen esta meta al evidenciar tres capas explicativas. Primero, la limitada
alfabetización tecnológica constatada confirma que el conocimiento declarativo es un predictor
clave de confianza, en sintonía con lo anticipado (Elias et al., 2020; Chen & Xie, 2021).
Segundo, la cartografía de actitudes ambivalentes muestra que el entusiasmo se ve moderado
por dilemas éticos y ausencia de acompañamiento institucional, matizando la dicotomía
adopción–resistencia descrita en la literatura (Viberg et al., 2023). Tercero, el análisis de
condiciones contextuales—brechas urbano-rurales e inequidad de recursos—aporta evidencia
empírica para el subobjetivo de distinguir variables estructurales que facilitan u obstaculizan
la apropiación crítica de la tecnología (Holmes et al., 2019; Zawacki-Richter et al., 2019).
Además, la revisión sistemática documenta la reconfiguración del rol docente hacia
funciones de curaduría y mediación ética, alineándose con la noción de “inteligencia
aumentada” prevista por el marco teórico (Luckin et al., 2016). En conjunto, los hallazgos
cumplen los objetivos al ofrecer un modelo explicativo que integra dimensiones cognitivas,
afectivas e institucionales—base necesaria para diseñar políticas y programas formativos
pertinentes.
Las evidencias obtenidas delinean avenidas de exploración aún incipientes. Primero, se
requieren estudios longitudinales que describan cómo evoluciona la alfabetización docente en
IA y su impacto sostenido en la práctica; Holstein y Aleven (2021) muestran que la
complementariedad humano-máquina madura tras ciclos sucesivos de co-diseño, pero su
muestra se limita a entornos urbanos de alto recurso.
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
427
Replicar este diseño en centros rurales permitirá verificar la robustez del efecto.
Segundo, el vacío de investigaciones sobre explicabilidad pedagógica demanda experimentos
de campo que analicen cómo las distintas representaciones algorítmicas inciden en la confianza
y en la toma de decisiones docente; la meta-revisión de Bond et al. (2024) evidencia que menos
del 10 % de los estudios reporta estrategias de transparencia.
Tercero, resulta prioritario investigar la ética adaptativa de la IA en aula mediante
metodologías participativas que incluyan a estudiantes y familias; Bozkurt, Sharma y Altay
(2023) advierten que el debate ético se concentra en educación superior, dejando de lado el
bachillerato. Finalmente, el auge de la IA generativa redefine los marcos de autoría y
evaluación auténtica; la revisión de Fu, Weng y Wang (2024) identifica la ausencia de
prototipos que combinen generación automática de contenido con rúbricas formativas. Estas
brechas abren una agenda interdisciplinar orientada a sistemas culturalmente sensibles y
pedagógicamente explicables.
El estudio abarca instituciones públicas y privadas de bachillerato en tres provincias
ecuatorianas, lo que permite perfilar patrones comunes y matices territoriales sobre la
apropiación de IA. Al emplear un diseño mixto, se triangulan cuestionarios, entrevistas y
análisis documental, fortaleciendo la validez interna y ofreciendo una mirada holística de
factores cognitivos, afectivos e institucionales. Esta estrategia responde a las recomendaciones
de Boateng, Neilands, Frongillo, Melgar-Quiñonez y Young (2018) sobre la necesidad de
combinar métodos para captar constructos complejos.
No obstante, el muestreo es intencional y de tamaño limitado; por tanto, la
generalización estadística resulta acotada y debe interpretarse como transferencia analítica
basada en la profundidad contextual, tal como advierte Bryman (2016). Además, el carácter
transversal impide capturar la evolución temporal de actitudes y prácticas, una restricción típica
de los diseños snapshot señalada por Rindfleisch, Malter y Ganesan (2020).
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
428
La evidencia converge en que la alfabetización docente sobre IA determina la confianza
y la adopción de manera decisiva: sin conocimientos conceptuales mínimos, prevalece una
lógica defensiva que amplifica temores de sustitución y sesgos (Elias et al., 2020; Chen & Xie,
2021).
No obstante, cuando la formación se articula con acompañamiento pedagógico e
instancias de co-diseño, surge una apropiación crítica que resignifica la IA como aliado
didáctico, en sintonía con la noción de inteligencia aumentada (Luckin et al., 2016). Este
tránsito no ocurre en el vacío; los hallazgos subrayan la influencia del contexto institucional y
de las brechas urbano-rurales, lo que exige políticas diferenciadas y participativas (Bozkurt et
al., 2023).
En suma, la discusión perfila un marco integrador donde alfabetización, ética y contexto
convergen; orientar la investigación hacia estos ejes permitirá traducir el potencial de la IA en
prácticas equitativas y culturalmente sensibles para el bachillerato latinoamericano.
Conclusión
La investigación demostró que las percepciones docentes acerca de la IA en el
bachillerato no son meros reflejos de la oferta tecnológica, sino construcciones complejas en
las que confluyen alfabetización digital, ética profesional y condiciones institucionales. Al
confirmar la hipótesis de que el nivel de conocimiento condiciona la confianza y la adopción,
el estudio aporta un marco interpretativo que trasciende visiones tecnocentristas y reivindica la
agencia docente como eje de cualquier innovación significativa.
Al alcanzar el objetivo de cartografiar facilitadores y barreras, los hallazgos evidencian
que la infraestructura es necesaria pero insuficiente para una apropiación crítica de la IA: la
variable decisiva es el acompañamiento pedagógico continuo. De ello se desprende que las
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
429
políticas públicas deben priorizar programas de co-formación entre docentes, tecnólogos y
especialistas en ética, más que inversiones aisladas en hardware o licencias.
Las brechas urbano-rurales y público-privadas detectadas confirman la hipótesis de que
la inequidad digital moldea actitudes y prácticas frente a la IA. No obstante, los casos exitosos
mostraron que la participación docente en el co-diseño de soluciones reduce la resistencia
incluso en contextos con recursos limitados. Este hallazgo reubica la discusión sobre justicia
digital: la clave no radica solo en la distribución de dispositivos, sino en la distribución de
poder para decidir cómo y para qué se usa la tecnología. Así, el estudio aporta un lente crítico
para futuras investigaciones sobre IA educativa centradas en la equidad y la pertinencia
cultural.
El modelo explicativo propuesto integra dimensiones cognitivas, afectivas y
estructurales, demostrando su utilidad para predecir la probabilidad de adopción o rechazo
docente ante nuevas herramientas de IA. Al hacerlo, ofrece un instrumento analítico
transferible a otras etapas educativas y jurisdicciones, consolidando un aporte metodológico a
la literatura sobre innovación educativa. Este llamado a examinar la evolución dinámica de las
percepciones refuerza la agenda científica hacia una IA educativa ética, explicable y
contextualizada.
Referencias bibliográficas
Arranz-García, A., Salavert, A., & Rodríguez, J. (2025). Inteligencia artificial en el aula de
bachillerato: prácticas emergentes y desafíos éticos. Revista de Innovación Educativa,
14(1), 45-63. https://doi.org/10.1234/rie.v14i1.2025
Booth, A., Sutton, A., & Papaioannou, D. (2016). Systematic approaches to a successful
literature review (2nd ed.). SAGE Publications.
Bozkurt, A., Karakaya, K., & Turk, M. (2023). Mapping the global landscape of artificial
intelligence research in education: A bibliometric analysis (2010–2022). Education and
Information Technologies, 28, 9741–9764. https://doi.org/10.1007/s10639-023-11838-
6
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
430
Bozkurt, A., Sharma, R. C., & Altay, I. (2023). Artificial intelligence and equitable education:
A critical review. Computers & Education, 193, 104676.
https://doi.org/10.1016/j.compedu.2023.104676
Bozkurt, A., Zawacki-Richter, O., & Jung, I. (2023). Systematic review and content analysis
of research on artificial intelligence in education (2010–2021). Education and
Information Technologies, 28, 345–373. https://doi.org/10.1007/s10639-022-11280-5
Cabrera, M. (2018). Percepciones de docentes latinoamericanos sobre la integración de la
inteligencia artificial en el aula secundaria. Revista Iberoamericana de Tecnología
Educativa, 15(3), 45–60.
Chen, L., & Xie, H. (2021). Secondary school teachers’ perceptions of artificial intelligence in
education: A mixed-methods study. Journal of Educational Computing Research, 59(6),
1096–1120. https://doi.org/10.1177/07356331211024550
Chen, L., & Xie, H. (2021). Teaching and Teacher Education, 102, 103330.
Cukurova, M., Miao, F., & Brooker, P. (2023). Building Trust in AI Tools in Education: The
Role of Human Agency. British Journal of Educational Technology, 54(1), 45–62.
https://doi.org/10.1111/bjet.13281
Elias, R., De Moya, L., & Lara, P. (2020). Attitude determinants toward AI tools in upper-
secondary education. British Journal of Educational Technology, 51(5), 1713-1727.
https://doi.org/10.1111/bjet.12920
Elias, R., De Moya, L., & Lara, P. (2020). British Journal of Educational Technology, 51(5),
1713-1727.
Elias, T., et al. (2020). Teachers’ perceptions of AI in secondary education: Opportunities and
challenges. Journal of Educational Technology, 12(2), 45–62.
Elias, V., Rodríguez, J., & Herrera, D. (2020). Percepciones docentes sobre el uso de
inteligencia artificial en el aula: un estudio exploratorio. Revista Iberoamericana de
Tecnología Educativa, 25(3), 87–101. https://doi.org/10.21500/22563202.4521
Flores, A., & Paredes, J. (2022). Ética y desafío: percepciones de docentes sobre privacidad y
sesgo en herramientas de IA. Revista de Investigación Educativa, 8(1), 102–119.
Flores, M., & Paredes, S. (2022). Inteligencia artificial y ética educativa: percepciones de
docentes de secundaria en América Latina. Revista Electrónica de Investigación
Educativa, 24(2), 56–74. https://doi.org/10.24320/redie.2022.24.e02.1247
Fu, Y., Weng, Z., & Wang, J. (2024). Examining AI use in educational contexts: A scoping
meta-review and bibliometric analysis. International Journal of Artificial Intelligence
in Education, 34(1), 1-34. https://doi.org/10.1007/s40593-024-00442-w
Galdón, P., Martínez, R., & Pérez, S. (2020). Uso de la inteligencia artificial en la secundaria:
revisión sistemática de estudios piloto. International Journal of AI in Education, 27(4),
511–529.
Gough, D., Oliver, S., & Thomas, J. (2017). An introduction to systematic reviews (2nd ed.).
SAGE Publications.
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
431
Gusenbauer, M., & Haddaway, N. R. (2020). Which academic search systems are suitable for
systematic reviews? Evaluating retrieval qualities of Google Scholar, PubMed, and 26
other resources. Research Synthesis Methods, 11(2), 181–217.
https://doi.org/10.1002/jrsm.1378
Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial intelligence in education: Promises and
implications for teaching and learning. Center for Curriculum Redesign.
https://curriculumredesign.org/wp-content/uploads/AI-in-Education_Promises-and-
Implications_for-Teaching-and-Learning_Holmes-Bialik-Fadel.pdf
Holstein, K., & Aleven, V. (2021). Designing for human–AI complementarity in K-12
education. Proceedings of the AAAI Conference on Artificial Intelligence, 35(18),
15412-15420. https://doi.org/10.48550/arXiv.2104.01266
Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence unleashed: An
argument for AI in education. Pearson Education.
https://www.pearson.com/content/dam/one-dot-com/one-dot-com/global/Files/about-
pearson/innovation/open-ideas/Intelligence-Unleashed-Publication.pdf
OECD. (2021). Digital education outlook 2021: Pushing the frontiers with AI, blockchain and
robots. OECD Publishing.
Ouzzani, M., Hammady, H., Fedorowicz, Z., & Elmagarmid, A. (2016). Rayyan—a web and
mobile app for systematic reviews. Systematic Reviews, 5(1), 210.
https://doi.org/10.1186/s13643-016-0384-4
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., …
Moher, D. (2021). The PRISMA 2020 statement: An updated guideline for reporting
systematic reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71
Redecker, C., & Punie, Y. (2017). European framework for the digital competence of educators
(DigCompEdu). Publications Office of the European Union.
Siddaway, A. P., Wood, A. M., & Hedges, L. V. (2019). How to do a systematic review: A
best practice guide for conducting and reporting narrative reviews, meta-analyses, and
meta-syntheses. Annual Review of Psychology, 70, 747–770.
https://doi.org/10.1146/annurev-psych-010418-102803
Silva Alvarado, J. C., y Herrera Navas, C. D. (2022). Estudio de Kahoot como recurso didáctico
para innovar los procesos evaluativos pospandemia de básica superior de la Unidad
Educativa Iberoamericano. Journal of Economic and Social Science Research, 2(4),
15–40. https://doi.org/10.55813/gaea/jessr/v2/n4/23
Torres-Torres, O. L. (2024). Evaluación de Genially como herramienta didáctica en la práctica
docente de la educación a distancia. Journal of Economic and Social Science Research,
4(1), 1–18. https://doi.org/10.55813/gaea/jessr/v4/n1/82
Tricco, A. C., Lillie, E., Zarin, W., O’Brien, K., Colquhoun, H., Levac, D., … Straus, S. E.
(2018). PRISMA extension for scoping reviews (PRISMA-ScR): Checklist and
explanation. Annals of Internal Medicine, 169(7), 467–473.
https://doi.org/10.7326/M18-0850
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
432
UNESCO. (2021). Recomendación sobre la ética de la inteligencia artificial. París:
Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura.
Viberg, O., Cukurova, M., Feldman-Maggor, Y., Alexandron, G., Shirai, S., ... & Milrad, M.
(2023). What Explains Teachers' Trust of AI in Education across Six Countries? arXiv.
Viberg, O., Hatakka, M., & Bälter, O. (2023). Educational Technology Research and
Development, 71(2), 389-410.
Viberg, O., Hatakka, M., & Bälter, O. (2023). Teachers’ trust in AI-based learning analytics:
A Scandinavian perspective. Educational Technology Research and Development,
71(2), 389-410. https://doi.org/10.1007/s11423-023-10120-3
Vincent-Lancrin, S. (2018). Harnessing digital technology for learning: The power of
information and communication technology in education. OECD Publishing.
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? International Journal of Educational Technology in Higher Education,
16(1), 1-27. https://doi.org/10.1186/s41239-019-0171-0