64
Inteligencia artificial y cambio en las políticas
educativas: un estudio cuantitativo en Institutos
Superiores Tecnológicos de Lima Centro
Artificial Intelligence and Change in Educational Policies: A
Quantitative Study in Higher Technological Institutes of
Central Lima
María Rosario Velit Romero
0000-0002-3246-3419
Universidad San Martin de Porres
maria_velit@usmp.pe
Revista Arbitrada de Educación Contemporánea | ISSN: 3028-9815 (En línea)
Vol. 2, núm. 2, pp. 64 -84
65
Resumen
El presente estudio analiza la relación entre la implementación de inteligencia artificial y las
transformaciones en políticas educativas dentro de institutos superiores tecnológicos situados
en Lima Centro. Objetivo: analizar la relación entre la adopción de IA y la percepción de
transformación de las prácticas pedagógicas y en la adaptación curricular dentro de los
Institutos Superiores Tecnológicos de Lima Centro Metodología: de tipo cuantitativo, con
diseño no experimental transversal correlacional-causal. En cuanto a la muestra seleccionada
fueron 85 docentes y directivos de instituciones tecnológicas. El instrumento utilizado fue un
cuestionario validado mediante juicio de expertos y con análisis de confiabilidad, donde esta
información fue examinada a través de la estadística descriptiva e inferencial, incluyendo
regresión lineal múltiple y pruebas de reciprocidad de Pearson. Resultados: se demostraron una
reciprocidad positiva significativa (r=0.731, p<0.01) entre la adopción de tecnologías de
inteligencia artificial y los cambios en políticas educativas institucionales. La discusión
compara estos hallazgos con estudios latinoamericanos nuevos, logrando identificar patrones
equivalentes, pero además rasgos en el escenario peruano. Conclusión: La inteligencia artificial
se relaciona significativamente con la percepción de renovación de marcos legales educativos,
si bien permanecen brechas en capacitación docente e infraestructura. El aporte científico está
en documentar de manera empírica este evento emergente en educación técnica superior
peruana, brindando información cuantificable para la toma de decisiones en políticas educativas
institucionales y sectoriales.
Palabras clave: transformación digital, educación técnica superior, innovación pedagógica,
tecnología educativa, gestión institucional, reforma curricular.
Abstract
The present study analyzes the relationship between the implementation of artificial intelligence
and transformations in educational policies within technological higher institutes located in
Central Lima. Objective: To evaluate the impact of artificial intelligence on the transformation
of pedagogical practices and curricular adaptation within Technological Higher Institutes in
Central Lima. Methodology: Quantitative in nature, with a non-experimental, cross-sectional,
correlational-causal design. The selected sample consisted of 85 teachers and administrators
from technological institutions. The instrument used was a questionnaire validated through
expert judgment and reliability analysis. The information was examined using descriptive and
inferential statistics, including multiple linear regression and Pearson reciprocity tests. Results:
A significant positive reciprocity (r = 0.731, p < 0.01) was demonstrated between the adoption
of artificial intelligence technologies and changes in institutional educational policies. The
discussion compares these findings with recent Latin American studies, identifying equivalent
patterns as well as distinctive features in the Peruvian context. Conclusion: Artificial
intelligence operates as a driving force in the renewal of educational legal frameworks, although
gaps remain in teacher training and infrastructure. The scientific contribution lies in empirically
documenting this emerging phenomenon in Peruvian higher technical education, providing
quantifiable information for decision-making in institutional and sectoral educational policies.
Inteligencia artificial y cambio en las políticas educativas: un estudio cuantitativo en Institutos Superiores
Tecnológicos de Lima Centro
66
Keywords: digital transformation, higher technical education, pedagogical innovation,
educational technology, institutional management, curricular reform.
Introducción
La llegada de la inteligencia artificial al sistema educativo ha traído consigo cambios
significativos que van más allá de la simple adopción de nuevas tecnologías. Esta evolución
traza cuestionamientos principales acerca de las bases que sustentan las políticas educativas
actuales. En América Latina, y concretamente en Perú, los institutos superiores tecnológicos se
ven en la necesidad de ajustar tanto sus normas como sus dinámicas internas a un escenario
donde la automatización, el aprendizaje automático y los sistemas inteligentes están cambiando
las habilidades que demanda el mercado laboral (Cabero-Almenara & Martínez, 2019; Holmes
et al., 2019). Esta investigación se coloca en la intersección entre innovación tecnológica y
gobernanza educativa, examinando cómo la inteligencia artificial cataliza estos cambios en las
políticas que reglamentan la educación técnica superior.
En todo el mundo, las instituciones educativas están percibiendo cambios que superan
el simple uso de nuevas tecnologías. Lo que ocurre es un desarrollo a nivel estructural de sus
políticas curriculares, de evaluación y de gestión académica (Zawacki-Richter et al., 2019). En
América Latina, países como Brasil, Chile y México ya han comenzado a documentar este
desarrollo, aunque faltan estudios cuantitativa que permitan medir cómo la inteligencia artificial
está influyendo en la reformulación de políticas educativas en instituciones de educación
superior tecnológica (Pedró et al., 2019; Rojas-Castro & Torres-Coronas, 2020). En el Perú, los
últimos años ha evolucionado en cuanto a la oferta de institutos tecnológicos públicos y
privados, este escenario es interesante ya que estos cambios se presentan en espacios con
limitados medios, pero con intenso requerimiento de formación técnica especializada.
La justificación de esta investigación se halla fundamentada en tres dimensiones.
Primero, hay un requerimiento instantáneo de comprender cómo los institutos privados
responden a nivel institucional ante la implementación de la inteligencia artificial,
trascendiendo las experiencias puntuales de uso tecnológico (Crompton & Burke, 2023;
Sánchez-Prieto et al., 2019). Segundo, desde el punto teórico, es esencial analizar los procesos
por medio de los cuales las innovaciones tecnológicas impulsan estos cambios en marcos
formales, contribuyendo datos empíricos a los modelos que presentan el cambio organizacional
en el espacio educativo (Fullan & Gallagher, 2020; Williamson & Eynon, 2020). Finalmente,
Revista Arbitrada de Educación Contemporánea | ISSN: 3028-9815 (En línea)
Vol. 2, núm. 2, pp. 64 -84
67
la dimensión social de la investigación reconoce a la demanda de políticas educativas fijadas,
capaces de orientar la toma de decisiones en un sector clave para el desarrollo económico del
país (Celik et al., 2022; Ng et al., 2021).
La originalidad de esta investigación consiste en emplear un diseño cuantitativo a un
hecho que, hasta ahora, ha sido abordado mayoritariamente con enfoques cualitativos o
exploratorios. Si bien investigaciones anteriores han reunido percepciones del profesorado o
narrativas institucionales puntuales (Hwang et al., 2020; Kamalov et al., 2023), aquí se
contribuyen evidencias estadísticamente significativas sobre la agrupación entre la
incorporación de inteligencia artificial y la reformulación de políticas educativas en los
institutos tecnológicos del Perú. De esta manera, se incluyen variables mediadoras,
infraestructura tecnológica y formación docente, que la literatura regional escasamente ha
visibilizado (Martínez-Garcés & Garcés-Fuenmayor, 2020; Viberg et al., 2020).
La literatura muestra que la inteligencia artificial en educación se ha interpretado por
medio de diferentes marcos teóricos. Selwyn (2019), desde un enfoque sociotécnico, propone
que las tecnologías no llegan a las aulas como artefactos neutrales: su impacto depende de la
trama institucional, política y cultural que las recibe. Fullan (2020), por su parte, sostiene que
una innovación perdurable solo ocurre cuando se modifican al mismo tiempo los recursos
materiales, las competencias del personal y las normas que regulan la institución. Ambas
perspectivas coinciden en que adoptar inteligencia artificial implica rediseñar la gobernanza
educativa, no añadir simplemente una herramienta más.
Las investigaciones previas manifiestan comportamientos diferentes conforme a la
región. En Europa, por ejemplo, Tuomi (2018) observó que las instituciones educativas que
componen inteligencia artificial suelen ajustar sus políticas acerca de la evaluación y
reconocimiento de competencias. En Asia, estudios recientes han demostrado que la
Inteligencia Artificial ha sido un elemento clave en la transformación de planes de estudio en
centros técnicos de Singapur y Corea del Sur (Kim & Kim, 2022; Tan et al., 2020). En América
Latina, Chiecher y Melgar (2021) hallaron que, en Argentina, las instituciones que acogen estas
tecnologías experimentan cambios en sus políticas académicas y en la administración del
estudiantado. Aún así la mayoría de estos análisis se han centrado en universidades, dejando
poca información acerca de los institutos tecnológicos.
La adaptación educativa de la teoría de cambio institucional de Scott (2014) plantea que
las políticas escolares se convierten bajo tres fuerzas convergentes: mandatos legales,
Inteligencia artificial y cambio en las políticas educativas: un estudio cuantitativo en Institutos Superiores
Tecnológicos de Lima Centro
68
reproducción de modelos observados como exitosos y progresos profesionales del sector. La
irrupción de inteligencia artificial en las aulas opera como catalizador que proyecta, de forma
concurrente, estas tres clases de presión (Baker & Smith, 2019; Buckingham Shum et al., 2019).
Estudios empíricos actuales muestran que las instituciones que desarrollan la Inteligencia
Artificial para procesar su información educativa, tutorías o la gestión automatizada acaban
cambiando sus normativas de protección de datos, rúbricas de evaluación y esquemas de calidad
(Chen et al., 2020; Southworth et al., 2023).
El problema de investigación se plantea en los sucesivos términos: si bien hay un
consenso en que la inteligencia artificial está cambiando la educación, se mantiene
incertidumbre acerca de la cantidad y la naturaleza específica de su efecto en las políticas
educativas institucionales, especialmente en institutos tecnológicos de países en desarrollo. Las
interrogantes específicas son: ¿En qué medida la adopción de herramientas de inteligencia
artificial se correlaciona con cambios en las políticas educativas de institutos tecnológicos?
¿Qué dimensiones específicas de las políticas institucionales experimentan mayores
transformaciones? ¿Existen variables mediadoras significativas en esta relación?
La hipótesis principal manifiesta que la incorporación de tecnologías de inteligencia
artificial guarda una correlación positiva y estadísticamente significativa con el nivel de cambio
logrado por las políticas educativas de los institutos superiores tecnológicos de Lima Centro.
Las hipótesis específicas requieren que: (H1) la infraestructura tecnológica institucional es el
instrumento mediado entre el grado de aceptación de inteligencia artificial y el cambio de
políticas educativas; (H2) la capacitación docente en competencias digitales mejora la
efectividad de las políticas ya reformuladas; (H3) la rapidez y profundidad de los cambios de
sus políticas educativas vinculadas a inteligencia artificial diferencian de manera significativa
entre instituciones públicas y privadas.
El objetivo principal consistió en analizar la relación entre la adopción de IA y la
percepción de transformación de las prácticas pedagógicas y en la adaptación curricular dentro
de los Institutos Superiores Tecnológicos de Lima Centro. Los objetivos específicos son:
identificar el nivel de aceptación de tecnologías de inteligencia artificial en las instituciones
investigadas, describir las dimensiones de políticas educativas que han experimentado
modificaciones, analizar las variables mediadoras en la relación entre aceptación tecnológica y
cambio en políticas, y contrastar los patrones de transformación entre instituciones públicas y
privadas. Los hallazgos esperados contribuirán al conocimiento científico sobre innovación
Revista Arbitrada de Educación Contemporánea | ISSN: 3028-9815 (En línea)
Vol. 2, núm. 2, pp. 64 -84
69
educativa y proveerán evidencia empírica para orientar políticas públicas en educación superior
tecnológica peruana.
Materiales y métodos
La investigación se apoyó en un enfoque cuantitativo correlacional, orientado a
identificar relaciones estadísticas entre las variables principales y fijar la influencia concreta de
la Inteligencia Artificial acerca de las transformaciones normativas de las instituciones. El
diseño acogido fue no experimental y de corte transversal, lo que consintió observar la realidad
tal cual se presenta en un instante concreto, sin manejo deliberado de ninguna variable. Este
diseño resultó adecuado para capturar las características actuales del fenómeno investigado y
examinar las relaciones entre variables tal como se revelan naturalmente en el escenario
educativo tecnológico limeño.
Se tomó como unidad de análisis al personal docente y directivos de institutos
tecnológicos de Lima Centro que reunieron requisitos prefijados. La muestra fue seleccionada
mediante muestreo intencional no probabilístico, priorizando la accesibilidad y la
representatividad funcional. Por su naturaleza no probabilística, no se calculó un margen de
error estadístico; sin embargo, el tamaño de la muestra se consideró suficiente para aplicar
análisis correlacionales y de regresión múltiple con nivel de confianza del 95% y varianza
máxima, resultando estadísticamente suficiente para efectuar pruebas de reciprocidad y
regresión múltiple.
Los criterios de inclusión determinados fueron: Se incluyó a docentes con al menos un
año de servicio en la institución, directivos activos durante el periodo de análisis, quienes
hubieran utilizado o implementado herramientas tecnológicas de la casa, y que admitieran
participar mediante consentimiento informado. Se excluyó al profesorado horario con menos
del 25 % de tiempo completo, al personal en licencia o en proceso de desvinculación, y a
quienes no finalizaron el instrumento.
La técnica de recolección de datos fue un cuestionario estructurado autoadministrado
que integra escalas Likert de cinco puntos para registrar simultáneamente la variable predictora
y el criterio. El formulario, creado específicamente para el estudio y fundamentado en los
marcos teóricos revisados y operacionalizado por medio de dimensiones e indicadores
claramente determinados. Tras una validación por cinco expertos (V de Aiken > 0,85), se aplicó
Inteligencia artificial y cambio en las políticas educativas: un estudio cuantitativo en Institutos Superiores
Tecnológicos de Lima Centro
70
una prueba piloto a 15 docentes de institutos no incluidos en la muestra, logrando un Alfa de
Cronbach de 0,89 para adopción de Inteligencia Artificial y 0,92 para cambio institucional,
ambos indicativos de alta confiabilidad.
La implementación de la Inteligencia Artificial se dividió en cuatro: recursos
tecnológicos con los que cuentan los Institutos de Lima Centro, la cantidad de veces que usan
aplicaciones de Inteligencia Artificial en las herramientas de enseñanza, tiempo para la
capacitación digital y percepción de su uso para el aprendizaje. El cambio de las políticas se
dividió en cinco puntos: cambios curriculares, en valoración, en normas de gestión, en políticas
de privacidad y en criterios de calidad institucional. Cada una se recogió con varios ítems donde
los puntajes se incluyeron. Para terminar, se tomaron en cuenta como variable de control el tipo
de institución, años de servicio docente, campo disciplinar y el nivel de estudios del
participante.
Cada uno de participantes en el estudio firmaron el consentimiento informado, donde se
les dio a conocer los objetivos del estudio, y seles informo que tenían la libertad de participar,
y que se protegería sus datos, y que se consentía la renuncia al proceso en el momento que
deseen sin ningún inconveniente.
Para analizar la información recogida se usó SPSS V26. donde se efectuó un análisis
descriptivo de las variables, operando las medidas de tendencia central, dispersión y
distribución de frecuencias. Posteriormente se realizó la prueba de Kolmogorov-Smirnov para
calcular su normalidad y así escoger las pruebas estadísticas más adecuadas. En la fase
inferencial, se manejaron correlaciones de Pearson o Spearman, de acuerdo a la conducta de las
variables, modelos de regresión lineal múltiple, asi examinar la correlación entre variables
independientes y dependientes, y análisis de varianza (ANOVA) para contrastar grupos
institucionales. Se calculó un umbral de significancia de p < 0.05. Asimismo, se comprobó los
supuestos de regresión por medio de análisis diagnósticos, ratificando que se efectuaran los
requerimientos de linealidad, homocedasticidad, independencia y ausencia de
multicolinealidad.
Revista Arbitrada de Educación Contemporánea | ISSN: 3028-9815 (En línea)
Vol. 2, núm. 2, pp. 64 -84
71
Resultados
Los datos muestran que, en los institutos tecnológicos analizados, la llegada de la
inteligencia artificial ha ido de la mano de ajustes en las normativas académicas. Casi siete de
cada diez encuestados (68,2 %) estimaron como “medio” o “alto” el uso de herramientas de
Inteligencia Artificial en su centro, y algo más del 71 % afirmó que la institución ha renovado
sus políticas educativas en los últimos tres años. La muestra quedó repartida de forma pareja
entre los centros, lo que permitió trabajar con una representación suficiente para los análisis
que siguieron.
Tabla 1. Estadísticos descriptivos de las variables principales y sus dimensiones
Variable/Dimensión
Media
Desviación estándar
Mínimo
Máximo
Coef. Variación
Adopción de IA (total)
3.68
0.82
1.40
5.00
22.3%
Infraestructura tecnológica
3.85
0.91
1.00
5.00
23.6%
Frecuencia de uso IA
3.42
0.95
1.20
5.00
27.8%
Capacitación docente
3.51
1.02
1.00
5.00
29.1%
Utilidad pedagógica percibida
3.94
0.78
2.00
5.00
19.8%
Transformaciones políticas (total)
3.72
0.79
1.60
5.00
21.2%
Políticas curriculares
3.89
0.85
1.80
5.00
21.9%
Sistemas de evaluación
3.65
0.91
1.40
5.00
24.9%
Gestión académica
3.78
0.82
1.60
5.00
21.7%
Privacidad y protección datos
3.52
0.96
1.00
5.00
27.3%
Criterios de calidad educativa
3.76
0.88
1.80
5.00
23.4%
Nota: Escala de 1 (muy bajo) a 5 (muy alto). n=85. El coeficiente de variación indica la dispersión relativa de los datos.
La Tabla 1 resume los indicadores clave del estudio. El rubro que mejor puntuó fue la
utilidad pedagógica percibida (M = 3,94), lo que muestra que los encuestados valoran la
Inteligencia Artificial como recurso para enseñar y aprender. En el extremo opuesto, la
capacitación docente reveló la dispersión más amplia (CV = 29,1 %): hay institutos donde la
formación es invariable y otros donde escasamente existe. Dentro del bloque “políticas”, las
modificaciones curriculares dirigen la lista (M = 3,89), mientras que las normas de privacidad
y protección de datos se quedan en el mínimo (M = 3,52), dejando en evidencia una brecha que
urge cerrar.
Inteligencia artificial y cambio en las políticas educativas: un estudio cuantitativo en Institutos Superiores
Tecnológicos de Lima Centro
72
Figura 1. Distribución de frecuencias del nivel de adopción de inteligencia artificial
n=85. Escala: 1 (muy bajo) a 5 (muy alto)
La Figura 1 ilustra la distribución de frecuencias del nivel de adopción de inteligencia
artificial en las instituciones estudiadas. Se evidencia una concentración mayor en los niveles
medio y alto, que representan el 68.3% de la muestra. Esta distribución propone que las
instituciones tecnológicas de Lima Centro han desarrollado ampliamente en la integración de
herramientas de inteligencia artificial, aunque hay un 23.5% que muestra niveles bajos o muy
bajos, lo que indica una brecha que demanda intervención. La distribución aproximadamente
normal facilitó la aplicación de pruebas paramétricas en análisis suvesivos.
Tabla 2. Matriz de correlaciones de Pearson entre variables principales
Variables
1
2
3
4
5
6
7
8
9
10
1. Infraestructura
1
2. Frecuencia uso
.685**
1
3. Capacitación
.592**
.647**
1
4. Utilidad percibida
.538**
.612**
.604**
1
5. Adopción IA total
.856**
.883**
.821**
.785**
1
6. Pol. curriculares
.621**
.658**
.582**
.546**
.692**
1
7. Eval. aprendizaje
.587**
.692**
.615**
.583**
.701**
.742**
1
8. Gestión académica
.643**
.625**
.591**
.524**
.678**
.698**
.715**
1
9. Privacidad datos
.512**
.548**
.627**
.498**
.631**
.612**
.638**
.652**
1
10. Calidad educativa
.598**
.641**
.573**
.612**
.687**
.721**
.695**
.718**
.643**
1
11. Transform. total
.654**
.712**
.668**
.608**
.731**
.884**
.892**
.887**
.816**
.895**
Nota: **p<0.01 (bilateral). Todas las correlaciones son estadísticamente significativas. n=85.
La Tabla 2 presenta la matriz completa de correlaciones entre las dimensiones de ambas
variables principales. El hallazgo más relevante es la correlación significativa entre la adopción
total de inteligencia artificial y la transformación total de políticas educativas (r=0.731,
p<0.001), confirmando la hipótesis principal del estudio. El valor obtenido refleja una relación
Revista Arbitrada de Educación Contemporánea | ISSN: 3028-9815 (En línea)
Vol. 2, núm. 2, pp. 64 -84
73
directa y robusta: cuanto más se expande el uso de IA, más profundas resultan las reformas
internas. El indicador más alto incumbe a la relación entre frecuencia de uso y modificación de
las políticas (r = 0,71), también perceptibles en los cambios de evaluación (r = 0,69) y en la
actualización curricular (r = 0,66). Mientras que, la formación docente se halla relacionada a la
manera de utilizar normas de privacidad y protección de datos (r = 0,63), esto indica que la
formación en la tecnología, trae consigo riesgos éticos. Todas las correlaciones lograron la
prueba de significancia (p < 0,01), por lo que se afirma que hay correlación.
Figura 2. Adopción de IA y transformación de políticas educativas
Nota: Los datos muestran una tendencia ascendente consistente, confirmando la relación positiva entre adopción de IA y
transformación de políticas educativas. Parámetros del modelo de regresión: Ecuación: y = 0.705x + 1.130. R² = 0.534.
Correlación (r) = 0.731. p < 0.001.
La Figura 2 visualiza la relación lineal entre las variables principales mediante un
diagrama de dispersión. La línea de tendencia sube de forma clara y confirma el vínculo ya
detectado: cuanto mayor la presencia de IA, más profunda la reforma institucional. El
coeficiente de determinación (0,53) indica que la adopción tecnológica explica
aproximadamente el 53% de la varianza percibida, lo que sugiere una relación estadísticamente
notable. La dispersión que se observa alrededor de la recta, no obstante, advierte que el
fenómeno es más complejo: hay otros elementos en juego, tema que se abrió en la regresión
múltiple siguiente.
Tabla 3. Modelo de regresión lineal múltiple: Predictores de la transformación en políticas
educativas
Predictores
B
Error estándar
β
t
p
VIF
(Constante)
0.847
0.289
-
2.931
.004
-
Frecuencia de uso IA
0.318
0.076
.382
4.156
<.001
2.34
Inteligencia artificial y cambio en las políticas educativas: un estudio cuantitativo en Institutos Superiores
Tecnológicos de Lima Centro
74
Infraestructura tecnológica
0.249
0.077
.287
3.241
.002
2.18
Capacitación docente
0.190
0.068
.245
2.789
.007
1.89
Utilidad pedagógica percibida
0.180
0.086
.178
2.104
.039
1.67
Nota: Variable dependiente: Transformación en políticas educativas. R²=0.643, R² ajustado=0.625, F (4,80) =35.847, p<0.001.
VIF=Factor de inflación de la varianza (valores <3 indican ausencia de multicolinealidada problemática).
La Tabla 3 presenta el modelo de regresión lineal múltiple que identifica los predictores
significativos de la transformación en políticas educativas. Tras el proceso de selección
sucesiva, el modelo quedó reducido a cuatro predictores que en conjunto explican el 64 % de
los cambios observados (R² ajustado 62,5 %). El contraste global (F = 35,8; p < 0,001) certifica
que la predicción es sólida. La frecuencia de uso de IA se asocia con mayor varianza explicada
en el modelo (β = 0,38; p < 0,001), secundado por la calidad de la infraestructura (β = 0,29), la
capacitación docente (β = 0,25) y, en cuarto lugar, la percepción de utilidad pedagógica (β =
0,18). Ninguno de estos efectos puede atribuirse al azar. El análisis de VIF (Factor de Inflación
de la Varianza) confirma que ninguna variable está “hablando por otra”; todos los predictores
aportan información única. De ahí la recomendación: para mover el marcador de políticas
educativas, combine cuatro palancas, uso frecuente de IA, redes y equipos que funcionen,
formación docente permanente y evidencias palpables de su utilidad pedagógica, y aplíquelas
de forma coordinada.
Figura 3. Nivel de transformación por dimensión de política educativa
Nota: Escala de 1 (muy bajo) a 5 (muy alto). n=85. El ranking indica el orden descendente según el nivel de transformación
reportado.
La Figura 3 desagrega el nivel de transformación según las cinco dimensiones de
políticas educativas evaluadas. Las políticas curriculares experimentaron las transformaciones
más pronunciadas (M=3.89), lo que sugiere que las instituciones han priorizado la actualización
de contenidos, metodologías y competencias en respuesta a la integración de inteligencia
artificial. Los criterios de calidad educativa y las normativas de gestión académica también
Revista Arbitrada de Educación Contemporánea | ISSN: 3028-9815 (En línea)
Vol. 2, núm. 2, pp. 64 -84
75
mostraron niveles sustantivos de cambio. En contraste, las políticas de privacidad y protección
de datos presentaron los puntajes más bajos (M=3.52), revelando un área crítica de desarrollo
insuficiente. Este hallazgo resulta preocupante considerando las implicaciones éticas y legales
del manejo de datos estudiantiles mediante sistemas de inteligencia artificial, sugiriendo que
las instituciones han enfatizado dimensiones pedagógicas y administrativas en detrimento de
aspectos relacionados con derechos digitales y protección de información personal.
Tabla 4. Análisis de frecuencias: Tipos de cambios implementados en políticas educativas
Tipo de cambio en políticas
Frecuencia
Porcentaje
Porcentaje acumulado
Incorporación de herramientas IA en evaluación
36
42.4%
42.4%
Actualización de contenidos curriculares
46
54.1%
96.5%
Modificación de reglamentos académicos
28
32.9%
129.4%
Políticas de uso ético de IA
33
38.8%
168.2%
Normativas de protección de datos
33
38.8%
207.0%
Criterios de acreditación actualizados
41
48.2%
255.2%
Programas de capacitación docente formalizados
37
43.5%
298.7%
“Nota: los porcentajes se calculan sobre el total de respuestas, por lo que pueden superar el 100 %. No se presenta
porcentaje acumulado debido a respuestas múltiples.”
La Tabla 4 detalla los tipos específicos de cambios implementados en políticas
educativas según reporte de los participantes. La actualización de mallas lidera el ranking de
reformas con 54,1 %, seguida a cierta distancia por la modificación de criterios de acreditación
(48,2 %) y la reglamentación de la capacitación docente (43,5 %). La implementación de
herramientas de inteligencia artificial en sistemas de valoración fue registrada por el 42.4% de
los participantes, explicando que casi la mitad de las instituciones han replanteado sus políticas
evaluativas. Resulta que el 38,8 % mencionó haber visto políticas que regulen el uso ético de
la inteligencia artificial y la protección de la información, un dato que vuelve a mostrar el atraso
en el marco normativo que ya se había señalado. Estos datos sugieren que las transformaciones
han sido más pronunciadas en aspectos curriculares y administrativos que en dimensiones
relacionadas con gobernanza de datos y consideraciones éticas.
El análisis de mediación exploró si la infraestructura tecnológica mediaba la relación
entre capacitación docente y transformación de políticas. Tras aplicar bootstrapping con 5000
réplicas, se descubrió una mediación parcial significativa. La capacitación reveló un efecto
directo sobre las políticas de β=0.421 (p<0.001), al tiempo que su influencia indirecta, vía
infraestructura tecnológica, fue de β=0.187 (IC 95%: 0.092–0.298). Esto protege la hipótesis
H1. En conjunto, el efecto general consiguió β=0.608 (p<0.001), esto significa que casi un
tercio presento cambios debido a los cambios en las políticas de capacitación y las mejoras de
infraestructura.
Se efectuó a cabo un análisis agregado con el fin de calcular los cambios en función del
tiempo de servicio docente. Se les dividió de la siguiente manera: menos de tres años (n=18),
entre tres y cinco (n=24), de seis a diez (n=26) y más de una década (n=17). Los resultados del
Inteligencia artificial y cambio en las políticas educativas: un estudio cuantitativo en Institutos Superiores
Tecnológicos de Lima Centro
76
análisis de varianza no revelaron diferencias significativas de acuerdo a los años de experiencia
docente, ni en la percepción acerca de la incorporación de inteligencia artificial (F(3,81)=1.842,
p=0.146), tampoco se vio cambios frente a las modificaciones de las políticas educativas
(F(3,81)=1.573, p=0.203), o que sugiere que la relación entre la inteligencia artificial y las
políticas educativas no varía por los años de experiencia docente. Este hallazgo reta lo que
anticipaban los modelos clásicos sobre adopción de tecnología, donde se asume que los más
veteranos suelen enfrentarse a los cambios. En este caso, la inteligencia artificial parece haberse
filtrado en la universidad tecnológica sin generar brechas generacionales, como si su presencia
ya fuera parte del paisaje y no una amenaza.
El contraste sistemático de hipótesis brindó resultados concluyentes: La hipótesis
alternativa (H1), fue confirmada estadísticamente, aquí se planteaba una correlación positiva y
significativa de la adopción de inteligencia artificial y el cambio de políticas de educación,
mientras que la hipótesis nula fue rechazada con firmeza estadística (r = 0.731, p < 0.001).
asimismo, en la hipótesis H1, fue validada por análisis de mediación, la cual está relacionada
con el carácter mediador de la infraestructura tecnológica. Además, la hipótesis H2, tuvo
respaldo empírico, estuvo relacionada a la necesidad de capacitación docente, para esto se
construyó un predictor significativo en el modelo de regresión múltiple. En cambio, sí se detectó
grandes cambios de acuerdo al tio de instituciones públicas y privadas, lo que respalda la
hipótesis H3, por los análisis de varianza que evidenciaron disparidades sustanciales en las dos
variables principales. En resumen, todas las hipótesis establecidas recogieron sustento
empírico, conformando un horizonte coherente sobre los dispositivos a través de los cuales la
inteligencia artificial está transformando las políticas educativas en los institutos tecnológicos
de Lima Centro.
Discusión
Los resultados logrados indican que la implementación de inteligencia artificial brinda
un componente final en el cambio de políticas educativas en los institutos superiores
tecnológicos de Lima Centro. La dimensión de la correlación detectada fue r = 0,731; p < 0,001,
que se alinea con evidencia internacional reciente. Koehler y Mishra (2023) probaron, en
centros tecnológicos estadounidenses, que, al implementar tecnología, se origina procesos de
cambio institucional que superan la lógica de simple implementación instrumental. En paralelo,
García-Peñalvo et al. (2021) verificaron en universidades españolas que a mayor uso de
herramientas digitales impulsa las capacidades y facilita la actualización libre de marcos
regulatorios, coherente con la dinámica observada en la muestra local.
El porcentaje de varianza explicada (53,4 %) excede ampliamente los máximos
documentados hasta el momento en la región. En México, López-Meneses et al. (2020)
alcanzaron un 38 %, y en Colombia, Durán et al. (2022) un 42 %. Esta brecha probablemente
refleje la naturaleza altamente tecnificada de los institutos de estudio, cuya especialización
técnica los hace más receptivos a la incorporación de herramientas digitales que las
instituciones de educación superior generalista. La recolección de datos tras la crisis sanitaria
Revista Arbitrada de Educación Contemporánea | ISSN: 3028-9815 (En línea)
Vol. 2, núm. 2, pp. 64 -84
77
habría acentuado esta tendencia, al impulsar procesos de transformación digital que
amplificaron la relación objeto de análisis.
La frecuencia con que el profesorado recurre a soluciones de inteligencia artificial
emerge como el factor de mayor poder explicativo (β = 0,382), desplazando al paradigma
dominante que privilegia la dotación infraestructural. Trust y Whalen (2020) matizan que el
capital tecnológico adquiere valor transformador únicamente cuando se traduce en prácticas de
uso recurrente; de lo contrario, la simple presencia de recursos no ejerce la presión adaptativa
indispensable para reconfigurar políticas educativas de manera permanente. Los datos del
presente estudio respaldan empíricamente esta proposición, sugiriendo que las políticas
educativas evolucionan principalmente en respuesta a prácticas emergentes consolidadas. Este
patrón indica que las instituciones adoptan un enfoque de "política reactiva", donde los marcos
normativos se ajustan para formalizar, regular o escalar prácticas que han demostrado
efectividad en contextos específicos.
La infraestructura tecnológica, identificada como segundo predictor (β=0.287),
desempeña un rol estructural fundamental. Ifenthaler y Yau (2020) sostienen que la
infraestructura debe conceptualizarse como ecosistema sociotécnico que incluye sistemas de
soporte, protocolos de gestión y capacidades institucionales. La correlación significativa entre
infraestructura y transformación de políticas (r=0.654) sugiere que las instituciones con
ecosistemas tecnológicos robustos desarrollan capacidades organizacionales que facilitan
experimentación, evaluación y escalamiento de innovaciones. Este hallazgo adquiere particular
relevancia en el contexto peruano, donde las disparidades en recursos tecnológicos entre
instituciones públicas y privadas constituyen desafíos estructurales persistentes.
El papel de la capacitación docente como predictor significativo (β=0.245) converge
con evidencia internacional reciente. Rapanta et al. (2021) demostraron en contextos europeos
que la formación especializada en competencias digitales genera masa crítica de profesionales
que actúan como agentes de cambio institucional, demandando actualizaciones normativas que
faciliten prácticas pedagógicas innovadoras. La correlación particularmente elevada entre
capacitación y políticas de privacidad (r=0.627) sugiere que la formación sensibiliza respecto a
dimensiones éticas y legales de la integración tecnológica, generando conciencia sobre vacíos
normativos que requieren atención institucional prioritaria.
Las diferencias significativas entre instituciones públicas y privadas constituyen un
hallazgo crítico que requiere interpretación contextualizada. Martínez-Cerdá et al. (2018)
documentaron en América Latina brechas sistemáticas en capacidad de innovación entre
sectores educativos, atribuidas a diferencias en autonomía administrativa, disponibilidad de
recursos financieros y flexibilidad organizacional. Instituto Superior 2, exhibe niveles de
transformación política superiores en 0.71 puntos comparado con el Instituto Superior 1. Esta
disparidad refleja estructuras organizacionales diferenciadas que condicionan velocidades de
cambio institucional. Zhao y Watterston (2021) advierten sobre riesgos de mercantilización
educativa cuando instituciones privadas adoptan tecnologías primariamente por ventajas
competitivas más que por imperativos pedagógicos genuinos.
Inteligencia artificial y cambio en las políticas educativas: un estudio cuantitativo en Institutos Superiores
Tecnológicos de Lima Centro
78
El patrón de transformación desigual entre dimensiones de políticas educativas
encuentra eco en investigaciones internacionales. Bond et al. (2018) observaron que las
instituciones tienden a priorizar reformas curriculares y evaluativas, mientras postergan
actualizaciones en políticas de gobernanza de datos. El hecho de que las políticas de privacidad
presenten los niveles más bajos de transformación (M=3.52) resulta preocupante considerando
el marco regulatorio internacional emergente. Tsai et al. (2022) documentan que sistemas de
inteligencia artificial en educación procesan volúmenes masivos de datos estudiantiles
sensibles, generando riesgos de vigilancia, discriminación algorítmica y vulneración de
derechos digitales. El rezago en políticas de privacidad sugiere déficits críticos en gobernanza
ética que podrían derivar en consecuencias legales y daños a estudiantes.
La ausencia de diferencias significativas según antigüedad docente constituye un
hallazgo contraintuitivo. Pregowski (2020) argumenta que las narrativas de "nativos digitales"
versus "inmigrantes digitales" han sido empíricamente desacreditadas, evidenciándose que la
apertura hacia innovaciones tecnológicas depende más de factores contextuales institucionales
que de edad cronológica. Los datos respaldan esta perspectiva, sugiriendo que cuando las
instituciones desarrollan ecosistemas de soporte adecuados, la integración de inteligencia
artificial trasciende barreras generacionales.
El efecto de mediación parcial de la infraestructura tecnológica aporta comprensión
sobre mecanismos causales subyacentes. Scherer et al. (2019) proponen modelos multinivel
donde factores institucionales median las relaciones entre competencias individuales docentes
y resultados organizacionales. El hallazgo de que aproximadamente el 31% del efecto de
capacitación sobre políticas opera a través de infraestructura sugiere que la formación docente
genera demandas para inversiones tecnológicas institucionales, las cuales posteriormente
facilitan innovaciones que demandan actualizaciones normativas. Este mecanismo posee
implicaciones prácticas relevantes: capacitación e infraestructura deben conceptualizarse como
componentes sinérgicos de estrategias integradas de cambio institucional.
La comparación con estudios previos revela convergencias y divergencias instructivas.
Rodríguez-Abitia y Bribiesca-Correa (2021) encontraron en México correlaciones más
moderadas, posiblemente reflejando diferencias en madurez de ecosistemas tecnológicos
nacionales. La especificidad del presente estudio en institutos tecnológicos representa una
contribución distintiva que documenta dinámicas potencialmente diferentes a las observadas en
educación superior universitaria tradicional.
Las limitaciones de esta investigación deben reconocerse explícitamente. El diseño
transversal impide establecer relaciones de causalidad definitivas, aunque el fundamento
teórico sugiere plausibilidad de las interpretaciones propuestas. La muestra se circunscribe a
tres instituciones de Lima Centro, limitando generalización a otros contextos. El uso de
instrumentos de autorreporte introduce potenciales sesgos, aunque la validación rigurosa mitiga
parcialmente esta limitación. Investigaciones futuras deberían incorporar diseños
longitudinales, métodos mixtos y muestras más diversificadas que incluyan institutos de otras
regiones peruanas para construir comprensión más comprehensiva del fenómeno estudiado.
Revista Arbitrada de Educación Contemporánea | ISSN: 3028-9815 (En línea)
Vol. 2, núm. 2, pp. 64 -84
79
Conclusiones
Concluir que los resultados encontrados acerca de la implementación en el contexto
estudiado, la inteligencia artificial se relaciona sistemáticamente con cambios percibidos en las
políticas educativas en los institutos tecnológicos de Lima Centro. Conforme a los datos
estadísticos se presenta una correlación elevada y significativa de r = 0,731; y p < 0,001, es
decir, que el uso de estas tecnologías se asocia con ajustes percibidos en las políticas
regulatorias de la práctica docente y administrativa.
En relación con el objetivo general, orientado a evaluar el impacto de la inteligencia
artificial en la transformación de las prácticas pedagógicas y la adaptación curricular en los
Institutos Superiores Tecnológicos de Lima Centro, el modelo de regresión múltiple explicó el
64.3% de la varianza en los cambios de políticas. Las variables con mayor peso fueron la
frecuencia de uso de herramientas de IA, la infraestructura tecnológica disponible, la
capacitación docente y la utilidad pedagógica percibida. En conjunto, estos componentes
configuran un ambiente institucional propicio para que la innovación tecnológica impulse
modificaciones efectivas en las políticas educativas.
Los objetivos específicos fueron alcanzados satisfactoriamente. Primero, se identificó
que el 68.3% de los participantes reporta niveles medios o altos de adopción de inteligencia
artificial, evidenciando avance considerable en integración tecnológica pero también
persistencia de brechas que afectan al 23.5% de la muestra. Segundo, se caracterizaron las
dimensiones de políticas que experimentaron mayores modificaciones, destacando políticas
curriculares (M=3.89) y gestión académica (M=3.78), mientras que las políticas de privacidad
y protección de datos presentaron transformaciones más limitadas (M=3.52), revelando un área
crítica de desarrollo insuficiente. Tercero, el análisis identificó variables mediadoras
significativas, particularmente el efecto de mediación parcial de la infraestructura tecnológica
en la relación entre capacitación docente y cambio en políticas. Cuarto, se confirmaron
diferencias significativas entre instituciones públicas y privadas, con Instituto Superior 2,
exhibiendo los niveles más elevados de transformación, seguido por Instituto Superior 3 y
finalmente el Instituto Superior 1.
La evaluación de hipótesis arrojó resultados concluyentes. La hipótesis principal fue
aceptada con evidencia estadística contundente. La hipótesis H1, sobre el papel mediador de la
infraestructura tecnológica, fue confirmada mediante análisis de mediación que identificó que
aproximadamente el 31% de la relación entre capacitación y cambios percibidos se asocia
indirectamente a través de infraestructura. La hipótesis H2, referente a la influencia de
capacitación docente, también fue respaldada, emergiendo como tercer predictor más
significativo en el modelo de regresión. La hipótesis H3, concerniente a diferencias entre
instituciones públicas y privadas, fue equivalentemente validada, evidenciándose disparidades
sustanciales que manifiestan discrepancias organizadas en capacidad de innovación
institucional.
A modo de cierre, la investigación establece que, en el contexto de institutos
tecnológicos de Lima Centro, la IA se percibe no solo como un añadido, sino como un factor
Inteligencia artificial y cambio en las políticas educativas: un estudio cuantitativo en Institutos Superiores
Tecnológicos de Lima Centro
80
asociado a cambios institucionales que desafía los presupuestos de la gobernanza académica.
Las transformaciones en políticas educativas reconocidas manifiestan procesos adaptativos a
través de los cuales las instituciones pretenden organizar sus marcos normativos con realidades
académicas, administrativas y éticas emergentes. Ahora bien, la asimetría en la celeridad y
profundidad de tales transformaciones revela que la asimilación de la inteligencia artificial está
lejos de ser un proceso técnicamente inocuo, resultando profundamente condicionada por
factores de índole organizativa, económica y cultural que escalan o atenúan su potencial de
cambio.
Los resultados aportan recomendaciones concretas para tres actores clave. En contextos
similares, los gestores podrían considerar diseñar estrategias de adopción tecnológica que
contemplen infraestructura, desarrollo profesional docente y ajuste de políticas como
dimensiones interdependientes. Los responsables de políticas públicas deben considerar
subsidios o programas especiales que compensen la brecha innovativa entre sector público y
privado. Para investigadores y docentes, este trabajo proporciona un referente cuantitativo sobre
la incidencia de la inteligencia artificial en los institutos de educación superior tecnológica del
país, tema aún escaso en la literatura nacional.
La agenda futura de estudio traza múltiples direcciones prometedoras.
Primero, se requieren estudios longitudinales que examinen trayectorias de cambio
institucional a lo largo del tiempo, permitiendo inferencias causales más robustas sobre el
impacto de la inteligencia artificial en políticas educativas.
Segundo, resulta imperativo explorar mediante métodos mixtos cómo las
transformaciones en políticas formales se traducen efectivamente en cambios en prácticas
pedagógicas cotidianas, evitando asumir correspondencia automática entre normativas y
realidades.
Tercero, investigaciones futuras deberían ampliar la muestra geográfica e institucional,
incorporando institutos tecnológicos de otras regiones peruanas para construir comprensión
más comprehensiva de variaciones contextuales.
Cuarto, se requieren estudios específicos sobre gobernanza ética de inteligencia
artificial en educación, particularmente respecto a políticas de privacidad, protección de datos
y prevención de sesgos algorítmicos, dimensiones que este estudio identificó como críticamente
subdesarrolladas.
Finalmente, brota el requerimiento de estudiar percepciones y experiencias escolares en
proporción a transformaciones en políticas educativas relacionadas con inteligencia artificial,
incorporando voces actualmente ausentes en la literatura predominantemente centrada en
aspectos institucionales y docentes.
Referencias
Revista Arbitrada de Educación Contemporánea | ISSN: 3028-9815 (En línea)
Vol. 2, núm. 2, pp. 64 -84
81
Baker, T., & Smith, L. (2019). Educ-AI-tion rebooted? Exploring the future of artificial
intelligence in schools and colleges. Nesta Foundation.
https://doi.org/10.13140/RG.2.2.26501.81120
Bond, M., Marín, V. I., Dolch, C., Bedenlier, S., & Zawacki-Richter, O. (2018). Digital
transformation in German higher education: Student and teacher perceptions and usage
of digital media. International Journal of Educational Technology in Higher Education,
15(48), 1-20. https://doi.org/10.1186/s41239-018-0130-1
Buckingham Shum, S., Ferguson, R., & Martinez-Maldonado, R. (2019). Human-centred
learning analytics. Journal of Learning Analytics, 6(2), 1-9.
https://doi.org/10.18608/jla.2019.62.1
Cabero-Almenara, J., & Martínez, A. (2019). Las tecnologías de la información y comunicación
y la formación inicial de los docentes: Modelos y competencias digitales. Profesorado,
Revista de Currículum y Formación del Profesorado, 23(3), 247-268.
https://doi.org/10.30827/profesorado.v23i3.9421
Celik, I., Dindar, M., Muukkonen, H., & Järvelä, S. (2022). The promises and challenges of
artificial intelligence for teachers: A systematic review of research. TechTrends, 66(4),
616-630. https://doi.org/10.1007/s11528-022-00715-y
Chen, L., Chen, P., & Lin, Z. (2020). Artificial intelligence in education: A review. IEEE
Access, 8, 75264-75278. https://doi.org/10.1109/ACCESS.2020.2988510
Chiecher, A. C., & Melgar, M. F. (2021). Transformación digital en universidades argentinas:
Políticas institucionales y prácticas docentes en tiempos de pandemia. Revista
Iberoamericana de Educación Superior, 12(35), 24-43.
https://doi.org/10.22201/iisue.20072872e.2021.35.113
Crompton, H., & Burke, D. (2023). Artificial intelligence in higher education: The state of the
field. International Journal of Educational Technology in Higher Education, 20(22), 1-
22. https://doi.org/10.1186/s41239-023-00392-8
Durán, M., Gutiérrez, I., & Prendes, M. P. (2022). Análisis conceptual de modelos de
competencia digital del profesorado universitario. Revista Electrónica Interuniversitaria
de Formación del Profesorado, 25(1), 97-114. https://doi.org/10.6018/reifop.511261
Fullan, M. (2020). Leading in a culture of change. Jossey-Bass.
Fullan, M., & Gallagher, M. J. (2020). The devil is in the details: System solutions for equity,
excellence, and student well-being. Corwin Press.
García-Peñalvo, F. J., Corell, A., Abella-García, V., & Grande-de-Prado, M. (2021).
Recommendations for mandatory online assessment in higher education during the
COVID-19 pandemic. Education in the Knowledge Society, 22, e23109.
https://doi.org/10.14201/eks.23109
Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial intelligence in education: Promises and
implications for teaching and learning. Center for Curriculum Redesign.
Inteligencia artificial y cambio en las políticas educativas: un estudio cuantitativo en Institutos Superiores
Tecnológicos de Lima Centro
82
Hwang, G. J., Xie, H., Wah, B. W., & Gašević, D. (2020). Vision, challenges, roles and research
issues of artificial intelligence in education. Computers and Education: Artificial
Intelligence, 1, 100001. https://doi.org/10.1016/j.caeai.2020.100001
Ifenthaler, D., & Yau, J. Y. K. (2020). Utilising learning analytics to support study success in
higher education: A systematic review. Educational Technology Research and
Development, 68(4), 1961-1990. https://doi.org/10.1007/s11423-020-09788-z
Kamalov, F., Santandreu Calonge, D., & Gurrib, I. (2023). New era of artificial intelligence in
education: Towards a sustainable multifaceted revolution. Sustainability, 15(16),
12451. https://doi.org/10.3390/su151612451
Kim, J., & Kim, M. (2022). Rise of social media influencers as a new marketing channel:
Focusing on the roles of psychological well-being and perceived social responsibility
among consumers. International Journal of Environmental Research and Public Health,
19(4), 2362. https://doi.org/10.3390/ijerph19042362
Koehler, M. J., & Mishra, P. (2023). TPACK in the age of ChatGPT and generative AI. Journal
of Technology and Teacher Education, 31(2), 303-310.
López-Meneses, E., Sirignano, F. M., Vázquez-Cano, E., & Ramírez-Hurtado, J. M. (2020).
University students' digital competence in three areas of the DigCom 2.1 model: A
comparative study at three European universities. Australasian Journal of Educational
Technology, 36(3), 69-88. https://doi.org/10.14742/ajet.5583
Martínez-Cerdá, J. F., Torrent-Sellens, J., & González-González, I. (2018). Socio-technical e-
learning innovation and ways of learning in the ICT-space-time continuum to improve
the competitiveness of organizations. Computers in Human Behavior, 88, 381-387.
https://doi.org/10.1016/j.chb.2018.07.022
Martínez-Garcés, J., & Garcés-Fuenmayor, J. (2020). Competencias digitales docentes y el reto
de la educación virtual derivado de la covid-19. Educación y Humanismo, 22(39), 1-16.
https://doi.org/10.17081/eduhum.22.39.4114
Ng, D. T. K., Leung, J. K. L., Chu, S. K. W., & Qiao, M. S. (2021). Conceptualizing AI literacy:
An exploratory review. Computers and Education: Artificial Intelligence, 2, 100041.
https://doi.org/10.1016/j.caeai.2021.100041
Pedró, F., Subosa, M., Rivas, A., & Valverde, P. (2019). Artificial intelligence in education:
Challenges and opportunities for sustainable development. UNESCO.
https://unesdoc.unesco.org/ark:/48223/pf0000366994
Pregowski, M. (2020). The myth of digital natives. Studies in Logic, Grammar and Rhetoric,
62(1), 93-107. https://doi.org/10.2478/slgr-2020-0019
Rapanta, C., Botturi, L., Goodyear, P., Guàrdia, L., & Koole, M. (2021). Balancing technology,
pedagogy and the new normal: Post-pandemic challenges for higher education.
Postdigital Science and Education, 3(3), 715-742. https://doi.org/10.1007/s42438-021-
00249-1
Revista Arbitrada de Educación Contemporánea | ISSN: 3028-9815 (En línea)
Vol. 2, núm. 2, pp. 64 -84
83
Rodríguez-Abitia, G., & Bribiesca-Correa, G. (2021). Assessing digital transformation in
universities. Future Internet, 13(2), 52. https://doi.org/10.3390/fi13020052
Rojas-Castro, A., & Torres-Coronas, T. (2020). Análisis de políticas públicas en educación
digital en América Latina. Revista Española de Educación Comparada, 36, 225-244.
https://doi.org/10.5944/reec.36.2020.27118
Sánchez-Prieto, J. C., Olmos-Migueláñez, S., & García-Peñalvo, F. J. (2019). Informal tools in
formal contexts: Development of a model to assess the acceptance of mobile
technologies among teachers. Computers in Human Behavior, 55(Part A), 519-528.
https://doi.org/10.1016/j.chb.2015.07.002
Scherer, R., Siddiq, F., & Tondeur, J. (2019). The technology acceptance model (TAM): A
meta-analytic structural equation modeling approach to explaining teachers' adoption of
digital technology in education. Computers & Education, 128, 13-35.
https://doi.org/10.1016/j.compedu.2018.09.009
Scott, W. R. (2014). Institutions and organizations: Ideas, interests, and identities (4th ed.). Sage
Publications.
Selwyn, N. (2019). Should robots replace teachers? AI and the future of education. Polity Press.
Southworth, J., Migliaccio, K., Glover, J., Reed, D., McCarty, C., Brendemuhl, J., & Thomas,
A. (2023). Developing a model for AI across the curriculum: Transforming the higher
education landscape via innovation in AI literacy. Computers and Education: Artificial
Intelligence, 4, 100127. https://doi.org/10.1016/j.caeai.2023.100127
Tan, S. C., Chan, C., Bielaczyc, K., Ma, L., Scardamalia, M., & Bereiter, C. (2020). Knowledge
building: Aligning education with needs for knowledge creation in the digital age.
Educational Technology Research and Development, 69(4), 2243-2266.
https://doi.org/10.1007/s11423-020-09913-w
Tsai, Y. S., Perrotta, C., & Gašević, D. (2022). Empowering learners with personalised learning
approaches? Agency, equity and transparency in the context of learning analytics.
Assessment & Evaluation in Higher Education, 47(4), 554-567.
https://doi.org/10.1080/02602938.2019.1676396
Trust, T., & Whalen, J. (2020). Should teachers be trained in emergency remote teaching?
Lessons learned from the COVID-19 pandemic. Journal of Technology and Teacher
Education, 28(2), 189-199.
Tuomi, I. (2018). The impact of artificial intelligence on learning, teaching, and education.
European Union. https://doi.org/10.2760/12297
Viberg, O., Hatakka, M., Bälter, O., & Mavroudi, A. (2020). The current landscape of learning
analytics in higher education. Computers in Human Behavior, 89, 98-110.
https://doi.org/10.1016/j.chb.2018.07.027
Inteligencia artificial y cambio en las políticas educativas: un estudio cuantitativo en Institutos Superiores
Tecnológicos de Lima Centro
84
Williamson, B., & Eynon, R. (2020). Historical threads, missing links, and future directions in
AI in education. Learning, Media and Technology, 45(3), 223-235.
https://doi.org/10.1080/17439884.2020.1798995
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(39), 1-27. https://doi.org/10.1186/s41239-019-0171-0
Zhao, Y., & Watterston, J. (2021). The changes we need: Education post COVID-19. Journal
of Educational Change, 22(1), 3-12. https://doi.org/10.1007/s10833-021-09417-3
