Impacto axiológico y normativo de la inteligencia artificial generativa en las Maestrías de la Universidad Nacional Rosario Castellanos
DOI:
https://doi.org/10.63688/8kekdh63Palabras clave:
inteligencia artificial generativa, posgrado, axiología, normatividad institucional, métodos mixtosResumen
Introducción: la incorporación de la inteligencia artificial generativa (en adelante IAG) a la formación de posgrado ha rebasado la capacidad regulatoria de las instituciones; el estudio evaluó su impacto axiológico y normativo en los siete programas de maestría de la Universidad Nacional Rosario Castellanos (en adelante UNRC), para fundamentar los elementos de un marco ético-regulatorio institucional. Metodología: se adoptó un enfoque mixto sustentado en el pragmatismo, con diseño explicativo secuencial, no experimental y transversal; la fase cuantitativa (semestre 2025-1, marzo-julio de 2025) aplicó un cuestionario en línea de 17 ítems tipo Likert (α = .894; subescala de disposición favorable, α = .906) a 61 participantes por autoselección voluntaria, y la cualitativa (semestre 2026-1, marzo-julio de 2026) comprendió cuatro entrevistas semiestructuradas analizadas con ATLAS.ti. Resultados: la prueba t no reveló diferencias por género; el personal docente presentó medias descriptivamente superiores al estudiantado, si bien ningún contraste conservó la significación tras el análisis de sensibilidad no paramétrico y el ajuste por comparaciones múltiples; la exigencia de lineamientos se asoció positivamente con la disposición a aprender sobre la IAG (ρ = .254, p = .048) y negativamente con la preocupación por su avance (ρ = −.293, p = .022); el análisis temático produjo diez categorías y cuatro inquietudes axiológicas recurrentes. Conclusiones: los resultados, de carácter exploratorio, sugieren que la demanda de normatividad específica se asocia con la adopción informada más que con el temor tecnológico; la comunidad participante demanda criterios de uso responsable, alfabetización digital específica y una regulación que delimite sin prohibir.
Referencias
Aguirre-Aguilar, G., Esquivel-Gámez, I., Navarro, R. E. y Veytia-Buchelli, M. G. (2024). La IA en el desarrollo de competencias investigativas en el posgrado. Alteridad, 19(2), 162-172. https://doi.org/10.17163/alt.v19n2.2024.01
Alamin, F., y Sauri, S. (2024). Education in the era of artificial intelligence: Axiological study. Progres Pendidikan, 5(2), 146–150. https://doi.org/10.29303/prospek.v5i2.423
Bellomo, S. (2023). Inteligencia artificial en educación superior. Journal of Ethics in Higher Education, (3), 87–114. https://doi.org/10.26034/fr.jehe.2023.4626
Brosig-Rodríguez, M. A., Rodríguez-Garza, B. N., y Cantú-Mata, J. L. (2024). Afecto y cognición: Modelando la conducta estudiantil hacia la inteligencia artificial en maestrías. Vinculatégica EFAN, 10(6), 1057. https://doi.org/10.29105/vtga10.6-1057
Callon, M. (1986). Some elements of a sociology of translation: Domestication of the scallops and the fishermen of St Brieuc Bay. En J. Law (Ed.), Power, action and belief: A new sociology of knowledge? (pp. 196–233). Routledge & Kegan Paul.
Creswell, J. W., y Plano Clark, V. L. (2018). Designing and conducting mixed methods research (3.ª ed.). SAGE.
Cronbach, L. J. (1951). Coefficient alpha and the internal structure of tests. Psychometrika, 16(3), 297–334. https://doi.org/10.1007/BF02310555
Denzin, N. K. (2012). Triangulation 2.0. Journal of Mixed Methods Research, 6(2), 80–88. https://doi.org/10.1177/1558689812437186
Elkhatat, A. M., Elsaid, K., y Almeer, S. (2023). Evaluating the efficacy of AI content detection tools in differentiating between human and AI-generated text. International Journal for Educational Integrity, 19(1), 17. https://doi.org/10.1007/s40979-023-00140-5
Engeström, Y. (2001). Expansive learning at work: Toward an activity theoretical reconceptualization. Journal of Education and Work, 14(1), 133–156. https://doi.org/10.1080/13639080020028747
Fang, X., y Cai, Y. (2025). Research of ethical adoption of college students' learning applications of generative artificial intelligence. Journal of Computer Assisted Learning, 41(6), e70146. https://doi.org/10.1111/jcal.70146
Ferguson, B., Baldwin, A., Harvey, C. and Henderson, A. (2025), Navigating Quality and Innovation: Actor-Network Theory and Hybrid Assemblages in Midwifery Practice, Implications of Maternity Early Warning Tools and Artificial Intelligence. Nursing Inquiry, 32: e70001. https://doi.org/10.1111/nin.70001
Fetters, M. D., Curry, L. A., y Creswell, J. W. (2013). Achieving integration in mixed methods designs: Principles and practices. Health Services Research, 48(6pt2), 2134–2156. https://doi.org/10.1111/1475-6773.12117
George, D., y Mallery, P. (2003). SPSS for Windows step by step: A simple guide and reference. 11.0 update (4.ª ed.). Allyn & Bacon.
Giraldo, J. A., Uribe-Tirado, A., y Vallejo-Echavarría, J. C. (2024). Datificación en contextos educativos. Entre subjetivación y ética. REICE. Revista Iberoamericana sobre Calidad, Eficacia y Cambio en Educación, 22(2), 007. https://doi.org/10.15366/reice2024.22.2.007
Johnson, R. B., y Onwuegbuzie, A. J. (2004). Mixed methods research: A research paradigm whose time has come. Educational Researcher, 33(7), 14–26. https://doi.org/10.3102/0013189X033007014
King, A. (2024). Disassembling the actant: A valediction to actor-network theory. Journal of Classical Sociology, 24(3), 272–294. https://doi.org/10.1177/1468795x231186010
Liang, W., Yuksekgonul, M., Mao, Y., Wu, E., y Zou, J. (2023). GPT detectors are biased against non-native English writers. Patterns, 4(7), 100779. https://doi.org/10.1016/j.patter.2023.100779
Morgan, D. L. (2007). Paradigms lost and pragmatism regained: Methodological implications of combining qualitative and quantitative methods. Journal of Mixed Methods Research, 1(1), 48–76. https://doi.org/10.1177/1558689806292462
Moya, B. A., y Eaton, S. E. (2023). Examining recommendations for artificial intelligence use with integrity from a scholarship of teaching and learning lens. RELIEVE, 29(2), art. M1. https://doi.org/10.30827/relieve.v29i2.29295
Pérez-Ugena Coromina, M. (2024). Sesgo de género (en IA). EUNOMÍA. Revista en Cultura de la Legalidad, 26, 311-330. https://doi.org/10.20318/eunomia.2024.8515
Perkins, M., Roe, J., Postma, D., McGaughran, J., y Hickerson, D. (2024). Detection of GPT-4 generated text in higher education: Combining academic judgement and software to identify generative AI tool misuse. Journal of Academic Ethics, 22(1), 89–113. https://doi.org/10.1007/s10805-023-09492-6
Rivera, C., Sánchez, J., y Rojas, M. (2024). Uso de inteligencia artificial en educación superior y sus implicancias éticas. Mapeo sistemático de literatura. Hachetetepé. Revista Científica de Educación y Comunicación, (28), 1105. https://doi.org/10.25267/hachetetepe.2024.i28.1105
Rogers, E. M. (2003). Diffusion of innovations (5.ª ed.). Free Press.
Ruvalcaba-Gómez, E. A. (2025). Systematic and axiological capacities in artificial intelligence applied in the public sector. Public Policy and Administration, 40(2), 351–371. https://doi.org/10.1177/09520767231170321
Sperling, K., Stenliden, L., Nissen, J., y Heintz, F. (2022). Still w(AI)ting for the automation of teaching: An exploration of machine learning in Swedish primary education using actor-network theory. European Journal of Education, 57(4), 584–600. https://doi.org/10.1111/ejed.12526
UNESCO. (2021). Recommendation on the ethics of artificial intelligence. Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura. https://unesdoc.unesco.org/ark:/48223/pf0000381137
Vacarelu, M. (2023). Artificial intelligence and higher education legal limits. En Artificial intelligence in higher education and scientific research (pp. 15–33). Springer. https://doi.org/10.1007/978-981-19-8641-3_2
Vicente Rodrigo, T. A., Yesseña Jacqueline, R. A., Shirley Viviana, Z. R., y Rafael Alejandro, S. M. (2024). Integración de la inteligencia artificial en la enseñanza universitaria para optimizar el proceso de aprendizaje. Magazine de las Ciencias: Revista de Investigación e Innovación, 9(2), 68–94. https://doi.org/10.33262/rmc.v9i2.3104
Weber-Wulff, D., Anohina-Naumeca, A., Bjelobaba, S., Foltýnek, T., Guerrero-Dib, J., Popoola, O., Šigut, P., y Waddington, L. (2023). Testing of detection tools for AI-generated text. International Journal for Educational Integrity, 19(1), 26. https://doi.org/10.1007/s40979-023-00146-z
Yan, Y., Liu, H., y Chau, T. (2025). A systematic review of AI ethics in education: Challenges, policy gaps, and future directions. Journal of Global Information Management, 33(1), 1–50. https://doi.org/10.4018/jgim.386381
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Bernardo Corona Domínguez, Salvador González Flores, María Carmen Alonso Núñez (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
El artículo se distribuye bajo la Licencia Creative Commons Atribución 4.0 . Salvo que se indique lo contrario, el material publicado asociado se distribuye bajo la misma licencia.
