ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(538)
http://www.aulavirtual.web.ve
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(539)
http://www.aulavirtual.web.ve
REVISTA CIENTÍFICA
AULA VIRTUAL
Director Editor:
La Revista seriada Científica Arbitrada e Indexada
Aula Virtual, es de acceso abierto y en formato
electrónico; la misma está orientada a la
divulgación de las producciones científicas creadas
por investigadores en diversas áreas del
conocimiento. Su cobertura temática abarca
Tecnología, Ciencias de la Salud, Ciencias
Administrativas, Ciencias Sociales, Ciencias
Jurídicas y Políticas, Ciencias Exactas y otras áreas
afines. Su publicación es CONTINUA, indexada y
arbitrada por especialistas en el área, bajo la
modalidad de doble ciego. Se reciben las
producciones tipo: Artículo Científico en las
diferentes modalidades cualitativas y cuantitativas,
Avances Investigativos, Ensayos, Reseñas
Bibliográficas, Ponencias o publicaciones
derivada de eventos, y cualquier otro tipo de
investigación orientada al tratamiento y
profundización de la información de los campos de
estudios de las diferentes ciencias. La Revista Aula
Virtual, busca fomentar la divulgación del
conocimiento científico y el pensamiento crítico
reflexivo en el ámbito investigativo.
• Dra. Leidy Hernández PhD.
• Dr. Fernando Bárbara
Consejo Asesor:
• MSc. Manuel Mujica
• MSc. Wilman Briceño
• Dra. Harizmar Izquierdo
• Dr. José Gregorio Sánchez
Revista Científica Arbitrada de
Fundación Aula Virtual
Email: revista@aulavirtual.web.ve
URL: http://aulavirtual.web.ve/revista
ISSN:
Depósito Legal:
País:
Año de Inicio:
Periodicidad:
Sistema de Arbitraje:
Licencia:
Volumen:
Número:
Año:
Período:
Dirección Fiscal:
2665-0398
LA2020000026
Venezuela
2020
Continua
Revisión por pares. “Doble Ciego”
Creative Commons CC BY NC ND
7
14
2026
Enero 2026 - Junio 2026 (continua)
Av. Libertador, Arca del Norte, Nro.
52D, Barquisimeto estado Lara,
Venezuela, C.P. 3001
Generando Conocimiento
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(540)
http://www.aulavirtual.web.ve
INTELIGENCIA ARTIFICIAL Y PERCEPCIÓN DE CULPABILIDAD EN DELITOS
INFORMÁTICOS: UNA REVISIÓN SISTEMÁTICA DE SUS IMPLICANCIAS JUDICIALES
ARTIFICIAL INTELLIGENCE AND THE PERCEPTION OF GUILT IN CYBERCRIMES: A
SYSTEMATIC REVIEW OF ITS LEGAL IMPLICATIONS
Tipo de Publicación: Articulo Científico
Recibido: 21/01/2026
Aceptado: 22/02/2026
Publicado: 30/03/2026
Código Único AV: e668
Páginas: 1(538-557)
DOI: https://doi.org/10.5281/zenodo.19334270
Autor:
Liz Tereza Palacios Esteban
Abogada
Magister en Derecho Penal
https://orcid.org/0009-0007-6863-7269
E-mail: lpalaciosest@ucvvirtual.edu.pe
Afiliación: Universidad César Vallejo
País: República del Perú
Resumen
La incorporación progresiva de herramientas de inteligencia artificial (IA) en
los sistemas judiciales, especialmente en el abordaje de delitos informáticos, ha
generado transformaciones sustantivas en la forma en que se produce, valora y
decide la evidencia digital, planteando desafíos relevantes para la percepción de
culpabilidad y la legitimidad del juicio penal. En este contexto, el objetivo de
este artículo es analizar cómo la implementación de herramientas de IA afecta
la percepción de culpabilidad en delitos informáticos dentro de los procesos
judiciales, considerando sus efectos cognitivos, probatorios, éticos y jurídicos.
Para ello, se desarrolló un artículo de revisión sistemática aplicando el método
PRISMA, siguiendo un enfoque metodológico riguroso que permitió identificar,
seleccionar y analizar estudios recientes publicados en revistas científicas
indexadas, con énfasis en investigaciones empíricas, experimentales y
normativas vinculadas al uso de IA en la justicia penal. Los resultados
evidencian que la IA influye significativamente en la percepción de culpabilidad
mediante mecanismos como la automatización decisional, el anclaje
algorítmico, la deferencia a la autoridad técnica y la presencia de sesgos
derivados de los datos y del diseño de los sistemas. Asimismo, se identificó que
la falta de explicabilidad y control humano incrementa el riesgo de distorsionar
principios fundamentales como la presunción de inocencia. En conclusión, el
estudio demuestra que la IA no constituye una herramienta neutral en el ámbito
judicial, por lo que su implementación exige marcos regulatorios, explicabilidad
algorítmica y supervisión humana efectiva para garantizar una justicia penal
compatible con el Estado de derecho.
Palabras Clave
Inteligencia artificial, percepción de culpabilidad,
delitos informáticos, sesgo algorítmico, procesos
judiciales
Abstract
The progressive incorporation of artificial intelligence (AI) tools into judicial
systems, especially in addressing cybercrimes, has generated substantial
transformations in how digital evidence is produced, assessed, and decided,
posing significant challenges to the perception of guilt and the legitimacy of
criminal trials. In this context, the objective of this article is to analyze how the
implementation of AI tools affects the perception of guilt in cybercrimes within
judicial processes, considering their cognitive, evidentiary, ethical, and legal
effects. To this end, a systematic review article was developed applying the
PRISMA method, following a rigorous methodological approach that allowed
for the identification, selection, and analysis of recent studies published in
indexed scientific journals, with an emphasis on empirical, experimental, and
normative research related to the use of AI in criminal justice. The results show
that AI significantly influences the perception of guilt through mechanisms such
as automated decision-making, algorithmic anchoring, deference to technical
authority, and the presence of biases stemming from data and system design.
Furthermore, the study identified that the lack of explainability and human
oversight increases the risk of distorting fundamental principles such as the
presumption of innocence. In conclusion, the study demonstrates that AI is not
a neutral tool in the judicial sphere, and therefore its implementation requires
regulatory frameworks, algorithmic explainability, and effective human
supervision to guarantee criminal justice compatible with the rule of law.
Keywords
Artificial intelligence, perception of guilt, cybercrime,
algorithmic bias, judicial processes
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(541)
http://www.aulavirtual.web.ve
Introducción
La intersección entre la Inteligencia Artificial
(IA) y el derecho ha suscitado un creciente interés
académico, especialmente en el ámbito de los
delitos informáticos. A medida que las tecnologías
digitales avanzan y se integran progresivamente en
los procesos judiciales, emergen interrogantes
fundamentales sobre el impacto de estas
herramientas en la percepción de culpabilidad
dentro de los escenarios jurídicos. La IA,
particularmente mediante sus aplicaciones en el
análisis de datos y en los sistemas de apoyo a la toma
de decisiones automatizadas, ha sido concebida para
optimizar la eficiencia del sistema de justicia; sin
embargo, su incidencia en la subjetividad asociada
a la atribución de culpabilidad y en la equidad de los
juicios ha generado un debate académico cada vez
más intenso (Kirsanova et al., 2021).
Uno de los desafíos más relevantes radica en
comprender de qué manera la implementación de la
IA puede modificar la percepción de culpabilidad en
los delitos cibernéticos. Esta cuestión adquiere
especial relevancia en un contexto en el que la
evidencia digital desempeña un rol central en los
procesos judiciales y en el que los sistemas basados
en IA pueden influir en la valoración de dicha
evidencia (Hani et al., 2024). Diversos estudios han
señalado que, conforme se incorporan herramientas
de IA en los procesos de decisión legal, estas pueden
incidir de manera significativa en la forma en que se
interpreta y determina la culpabilidad, lo que plantea
importantes preocupaciones de carácter ético y
jurídico (Zeadally et al., 2020).
Asimismo, resulta imprescindible reconocer
que la aplicación de la IA en el ámbito judicial no se
encuentra exenta de riesgos. El desarrollo de
algoritmos con capacidad para influir en decisiones
relacionadas con la culpabilidad plantea
interrogantes sustanciales sobre la transparencia, la
trazabilidad y la responsabilidad institucional
(Kerimkhulle et al., 2023). Los sistemas de justicia
deben garantizar no solo la eficiencia procesal, sino
también la justicia material y la equidad, lo que
exige un análisis crítico de los efectos que la
automatización puede tener sobre los principios
jurídicos fundamentales. Este escenario se ve
agravado por la creciente complejidad de los delitos
informáticos, cuya naturaleza digital dificulta su
rastreo, investigación y procesamiento. En
consecuencia, resulta fundamental examinar de qué
manera estas tecnologías no solo asisten a los
operadores y las operadoras del sistema judicial,
sino también cómo podrían, de forma no
intencional, afectar la equidad en la atribución de
culpabilidad.
En los últimos años, han surgido diversas
investigaciones orientadas a analizar la relación
entre la IA y la percepción de culpabilidad en los
delitos informáticos dentro de los procesos
judiciales. A continuación, se destacan algunos
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(542)
http://www.aulavirtual.web.ve
estudios relevantes que han contribuido de manera
significativa al desarrollo del conocimiento en esta
área.
En primer lugar, el estudio de Shaligar et al.
(2024) examina las aplicaciones de la IA en la
generación, gestión y utilización de documentos
digitales y evidencia electrónica en litigios civiles y
penales. Los autores señalan que estas herramientas
pueden fortalecer la transparencia y la eficacia en la
presentación probatoria, lo que podría incidir en la
percepción de culpabilidad al aportar evidencias
más consistentes y fiables en sede judicial.
De igual manera, Pristanskov et al., (2023)
analizan el rol de la IA como un enfoque innovador
para la aplicación de conocimientos especializados
en la investigación y resolución de delitos
cibernéticos. En su estudio, destacan que la
adopción de algoritmos basados en IA no solo puede
acelerar los procesos investigativos, sino también
transformar la manera en que se construyen y
perciben la culpa y la responsabilidad penal,
aportando una perspectiva clave para comprender su
impacto en la justicia penal contemporánea.
Por su parte, Franguloiu (2024) propone una
serie de principios orientadores para la utilización
de la IA en el poder judicial, a partir de las
consideraciones éticas y jurídicas contenidas en la
Carta Europea de Ética. Este trabajo resulta
especialmente relevante en relación con la
percepción de culpabilidad, al subrayar la necesidad
de que el uso de la IA en las decisiones judiciales se
sustente en principios éticos sólidos y en el respeto
de los valores fundamentales del derecho.
Finalmente, el estudio de Sessa et al., (2024)
analiza las aplicaciones actuales de la IA en el
ámbito de la genética forense, ofreciendo ejemplos
concretos de cómo estas tecnologías han
transformado la resolución de casos penales. Si bien
su enfoque se centra en el ámbito forense, sus
hallazgos tienen implicancias relevantes para la
percepción de culpabilidad, en la medida en que la
precisión y eficacia de los sistemas de IA pueden
influir en la vinculación entre personas imputadas y
hechos delictivos.
En conjunto, estas investigaciones evidencian
avances significativos en la comprensión de cómo la
IA está reconfigurando el análisis de la culpabilidad
en los delitos informáticos, proporcionando un
marco contextual indispensable para el desarrollo
del presente artículo de revisión sistemática. A
medida que el campo continúa expandiéndose,
surgen nuevos interrogantes y desafíos vinculados a
los límites éticos y jurídicos del uso de la IA en el
sistema de justicia penal, consolidándose como un
ámbito de estudio prioritario y de alta actualidad en
la criminología contemporánea.
La creciente implementación de herramientas
de IA en el ámbito judicial, particularmente en el
contexto de los delitos informáticos, ha
intensificado los debates en torno a sus
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(543)
http://www.aulavirtual.web.ve
repercusiones sobre la percepción de culpabilidad.
Si bien existe un volumen considerable de literatura
relacionada con la ciberseguridad y la aplicación de
la IA, se identifican vacíos relevantes que justifican
la realización de un análisis sistemático en este
campo.
Un primer vacío se vincula con la escasez de
estudios que examinen de manera específica cómo
las herramientas de IA pueden modificar las
percepciones de culpabilidad. La mayoría de las
investigaciones se ha concentrado en las
capacidades técnicas de estos sistemas para el
procesamiento de datos, mientras que son limitados
los trabajos que analizan su influencia en la
interpretación de la evidencia y, en consecuencia, en
la determinación de la culpabilidad dentro del
proceso judicial (Hahn et al., 2022). Una evaluación
integral de este impacto resulta indispensable para
comprender las implicancias de la automatización
en los juicios penales y para prevenir decisiones
sesgadas derivadas del uso acrítico de la tecnología.
Un segundo vacío corresponde a la
insuficiente problematización de las implicancias
éticas y normativas asociadas al uso de la IA en el
sistema judicial. La incorporación de algoritmos
puede introducir sesgos que afecten la imparcialidad
judicial, generando desigualdades en la percepción
de culpabilidad (Shakeel et al., 2025). Aunque el
sesgo algorítmico ha sido ampliamente estudiado en
otros ámbitos, su incidencia específica en la justicia
penal continúa siendo un campo poco desarrollado.
El tercer vacío se relaciona con la necesidad
de adoptar un enfoque sistemático que articule la
investigación empírica con la teoría jurídica. Si bien
algunas investigaciones sugieren que la IA puede
transformar tanto la recopilación y el análisis de
datos como los procesos de atribución de
culpabilidad, aún se carece de un marco teórico
integrador que permita orientar de manera coherente
la aplicación de estas tecnologías en los procesos
judiciales (Akinrinola et al., 2024).
Estos vacíos fundamentan el objetivo está
orientado a analizar cómo la implementación de
herramientas de IA afecta la percepción de
culpabilidad en los delitos informáticos dentro de
los procesos judiciales.
Metodología
La revisión sistemática se desarrolló mediante
el método PRISMA (Preferred Reporting Items for
Systematic Reviews and Meta-Analyses). Para ello,
se utilizó una fórmula booleana. La fórmula es la
siguiente: ("artificial intelligence" OR AI) AND
("perception of culpability" OR "guilt perception")
AND ("cybercrime" OR "cyber offenses") AND
("judicial processes" OR "legal processes").
Esta estrategia de búsqueda se aplicará en la
base de datos Scopus, que es reconocida por su vasta
colección de literatura científica y su cobertura de
estudios relevantes. Para guiar la revisión, se
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(544)
http://www.aulavirtual.web.ve
formulan cinco preguntas de investigación que
orientarán el análisis sistemático:
1. ¿Qué impacto tiene la implementación de
herramientas de IA en la percepción de
culpabilidad en procesos judiciales de delitos
informáticos?
2. ¿Cómo se presentan los sesgos algorítmicos en
la evaluación de culpabilidad en el contexto de
la IA?
3. ¿Cuáles son las implicaciones éticas y legales
del uso de IA en juicios relacionados con delitos
cibernéticos?
4. ¿De qué manera influyen las percepciones
sociales sobre la IA en la interpretación de
culpabilidad en el ámbito judicial?
5. ¿Qué estrategias se pueden implementar para
mitigar el sesgo y mejorar la equidad en la
aplicación de herramientas de IA en los procesos
judiciales?
Los criterios de inclusión de la presente
revisión sistemática se establecerán de la siguiente
manera:
1. Artículos científicos sometidos a revisión por
pares.
2. Publicaciones que aborden de forma explícita la
relación entre la IA y la percepción de
culpabilidad en el contexto de los delitos
informáticos.
3. Estudios que analicen la aplicación de dichas
tecnologías en los procesos judiciales. Se
priorizarán aquellos trabajos que presenten
hallazgos empíricos o análisis críticos
relacionados con la implementación y los
efectos de las herramientas de IA en el ámbito
jurídico.
De manera complementaria, se definirán
criterios de exclusión con el propósito de asegurar
la calidad metodológica y la pertinencia temática de
la revisión. Estos criterios comprenderán:
1. Estudios que no guarden una relación directa
con la IA y la atribución de culpabilidad.
2. Investigaciones que no aporten evidencia
sustantiva o que se limiten a desarrollos
puramente conceptuales sin aplicación práctica.
3. Materiales de divulgación, comentarios u
opiniones que no hayan sido sometidos a un
proceso de evaluación por pares.
4. Trabajos que carezcan de datos relevantes o que
no se circunscriban al ámbito judicial.
La aplicación de estos criterios metodológicos
proporcionará un marco sólido para alcanzar el
objetivo de analizar cómo la implementación de
herramientas de IA influye en la percepción de
culpabilidad en los delitos informáticos dentro de
los procesos judiciales. De este modo, se contribuirá
a una comprensión integral de este fenómeno y de
sus implicancias en el sistema de justicia penal.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
http://www.aulavirtual.web.ve
Figura 1. Identificación de estudios que utilizan el método prismático
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(546)
http://www.aulavirtual.web.ve
Resultados
Autor
Herramienta IA
analizada
Población /
Muestra
Dimensión relevante
para culpabilidad
Principales hallazgos
Contribución a la pregunta de
investigación
Reedy (2023)
IA aplicada a
evidencia digital
forense
Casos judiciales y
peritos forenses
Sesgo cognitivo y
credibilidad probatoria
La IA puede reproducir sesgos
humanos y generar dificultades
explicativas ante el juez, afectando la
valoración de la prueba digital
Evidencia que la IA influye
indirectamente en la percepción de
culpabilidad al reforzar la autoridad
técnica de la prueba digital
Javed & Li (2025)
Sistemas de IA en
adjudicación judicial
Datos judiciales
(2019–2023)
Reducción /
reproducción del sesgo
judicial
La IA reduce sesgos en el mediano y
largo plazo, pero en el corto plazo
puede generar efectos ambiguos
Aporta evidencia empírica sobre
cómo la IA puede modificar la
percepción de culpabilidad según
horizonte temporal
Fazel et al.,
(2022)
OxRec (algoritmo de
evaluación de
riesgo)
Personas
procesadas
penalmente
Influencia algorítmica
en decisiones
judiciales
Los jueces tienden a confiar en
puntajes de riesgo, lo que puede
afectar la severidad percibida de la
conducta
Evidencia que la IA puede
intensificar la percepción de
peligrosidad y culpabilidad en
delitos tecnológicos
Hefetz (2025)
IA en análisis
forense
Expertos forenses y
sistemas judiciales
Sesgo humano–IA y
deferencia algorítmica
La subordinación al output
algorítmico debilita el juicio crítico
humano
Demuestra cómo la IA puede
reforzar percepciones de
culpabilidad por automatización
cognitiva
Olawade et al.,
(2025)
IA en salud mental
forense
Evaluaciones
forenses
Riesgo, peligrosidad y
responsabilidad penal
Los algoritmos influyen en
evaluaciones que inciden
directamente en decisiones judiciales
Vincula IA con construcción técnica
de culpabilidad y riesgo penal
Giroux et al.,
(2022)
Sistemas
automatizados de
decisión
Consumidores
(experimentos
controlados)
Culpa moral y
deshumanización
La interacción con IA reduce la
percepción de culpa
Aporta base teórica extrapolable a
jueces que interactúan con IA en
procesos penales
Ghasemaghaei &
Kordzadeh (2024)
Algoritmos de
recomendación
Decisores humanos
Disminución de culpa
por obediencia
algorítmica
Las decisiones discriminatorias
inducidas por IA no generan culpa
percibida
Evidencia directa de desplazamiento
de responsabilidad que afecta la
atribución de culpabilidad
Agudo et al.,
(2024)
IA en procesos
judiciales (human-
in-the-loop)
Participantes
evaluando
acusados
Automatización y
sesgo decisional
La IA incorrecta reduce la precisión
del juicio humano
Demuestra que la IA puede
distorsionar la valoración de
culpabilidad cuando se introduce
antes del juicio humano
Tabla 1. Impacto en la implementación de las herramientas de IA
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
http://www.aulavirtual.web.ve
Autor
Sistema o IA
analizada
Tipo de sesgo identificado
Dimensión de
culpabilidad
Principales hallazgos
Impacto en percepción de
culpabilidad
Wu & Lin
(2025)
Sistema “206” (IA
judicial)
Anclaje algorítmico,
evitación de responsabilidad
Evaluación judicial y
fiscal
La IA refuerza decisiones previas y
reduce participación del acusado
Incrementa percepción de
culpabilidad por anclaje
Thamizh Mani
et al., (2025)
ML en lingüística
forense
Sesgo de datos, opacidad
algorítmica
Atribución de autoría
ML supera a análisis humano, pero
introduce sesgos no interpretables
Riesgo de sobrevaloración
probatoria
Agudo et al.,
(2024)
IA de apoyo
decisional
Automation bias
Juicio de
culpabilidad
La IA errónea reduce precisión
humana si se presenta antes del juicio
Distorsiona culpabilidad
percibida
Chuan et al.,
(2024)
XAI – explanation
by example
Sesgo por datasets no
inclusivos
Percepción de
justicia/fairness
XAI aumenta conciencia de sesgo,
pero puede inducir confianza indebida
Modula percepción de
culpabilidad
Barsekh-Onji et
al., (2025)
IA en gobernanza
pública
Sesgo estructural y de
entrenamiento
Decisión
administrativa
Falta de XAI afecta equidad y control
humano
Impacto indirecto en
culpabilidad institucional
Tabla 2. Sesgos algorítmicos en la evaluación
Autor
IA / técnica empleada
Datos / muestra
Hallazgos relevantes sobre culpabilidad
/ decisión judicial
Implicaciones éticas y legales
identificadas
Kong et al.,
(2025)
Grafo heterogéneo de
conocimiento jurídico;
aprendizaje iterativo para
predicción de decisiones
penales
Dataset CAIL 2018 con
más de 1.5 millones de
casos penales
La IA mejora la predicción de resultados
judiciales y la correspondencia entre
hechos y normas, lo que puede influir
indirectamente en la anticipación de
culpabilidad
Riesgos asociados a la automatización
del razonamiento judicial y necesidad
de explicabilidad para evitar decisiones
opacas que afecten el debido proceso
Peng & Lei
(2024)
Modelo BERT aplicado a
textos judiciales para
predicción de cargos y penas
218,120 sentencias
penales; submuestras
específicas para duración
de pena
Alta precisión en la predicción de cargos
y sentencias, lo que puede reforzar
percepciones previas de culpabilidad
antes del juicio
Potencial afectación a la presunción de
inocencia si las predicciones
algorítmicas se utilizan como referencia
decisoria
Han et al.,
(2024)
Sistema LegalAsst con
representaciones estructuradas
y árboles de decisión
explicables
Casos judiciales
estructurados para
asistencia a jueces
La trazabilidad del razonamiento
algorítmico mejora la comprensión del
proceso de determinación de culpabilidad
Refuerza principios de transparencia,
explicabilidad y control humano como
garantías esenciales del debido proceso
Herrera-Tapias
& Hernández
Guzmán (2025)
IA generativa (ChatGPT)
aplicada como apoyo en la
motivación judicial
Análisis de sentencias
constitucionales y uso
real de IA por jueces
El uso no controlado de IA puede
introducir errores que afecten la
valoración de culpabilidad
Se enfatiza la responsabilidad exclusiva
del juez humano, la motivación
suficiente de las resoluciones y la
protección del debido proceso
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(548)
http://www.aulavirtual.web.ve
Autor
IA / técnica empleada
Datos / muestra
Hallazgos relevantes sobre culpabilidad
/ decisión judicial
Implicaciones éticas y legales
identificadas
Hefetz (2023)
Algoritmos de aprendizaje
automático en ciencias forenses
Evidencia forense
analizada mediante
sistemas automatizados
La confianza excesiva en resultados
algorítmicos puede condicionar la
percepción de culpabilidad
Riesgo de violación del derecho de
defensa, impugnación probatoria y
admisibilidad de evidencia algorítmica
Wang & Ma
(2022)
Support Vector Machine y
Random Forest para predicción
delictiva
Casos delictivos y
encuesta a 238
participantes
La predicción de conductas delictivas
puede influir en valoraciones anticipadas
de culpabilidad
Problemas de estigmatización, sesgos y
legitimidad normativa en el uso de IA
predictiva
Naik et al.,
(2022)
Modelos generales de IA y
aprendizaje automático
Revisión conceptual de
aplicaciones de IA
Identifica riesgos transversales en
decisiones automatizadas que afectan
derechos fundamentales
Problemas de privacidad, sesgo
algorítmico, ciberseguridad y ausencia
de marcos regulatorios claros
Tabla 3. Implicancias éticas y legales del uso de la IA
Autor
Tipo de IA
analizada
Ámbito judicial /
decisional
Dimensión de
percepción social
Hallazgos relevantes sobre
culpabilidad
Implicaciones éticas y legales
Engle et al., (2025)
Tecnologías digitales
asociadas al
cibercrimen
Evaluación social de
delitos
Percepción de
gravedad del delito
Los delitos informáticos son
percibidos como menos graves que
los delitos físicos, lo que atenúa la
atribución de culpabilidad
Riesgo de subvaloración del
daño y de respuestas penales
desproporcionadas
Herrera-Tapias &
Hernández Guzmán
(2025)
IA generativa (GPT,
LLMs)
Decisión judicial
constitucional
Confianza y
legitimidad
institucional
La percepción de culpabilidad solo se
considera válida cuando la IA
cumple un rol auxiliar y no decisorio
Salvaguarda del debido proceso
y exigencia de transparencia
algorítmica
Contini et al., (2024)
Sistemas predictivos
e IA generativa
Deliberación penal
Emoción, empatía y
cognición judicial
La IA reduce la complejidad
emotivo-cognitiva necesaria para
interpretar la culpabilidad
Riesgo de deshumanización del
juicio penal
Javed & Li (2025)
IA analítica y
predictiva
Adjudicación
judicial
Percepción de sesgo y
justicia
La IA puede reducir sesgos
estructurales a largo plazo, aunque
genera desconfianza inicial en la
valoración de culpabilidad
Necesidad de regulación para
prevenir sesgos algorítmicos
Agudo et al., (2024)
Sistemas
automatizados con
human-in-the-loop
Juicios
experimentales
sobre culpabilidad
Automatización y
obediencia cognitiva
El apoyo algorítmico erróneo
incrementa errores en la atribución
de culpabilidad
Riesgo de automatización
acrítica del juicio humano
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
http://www.aulavirtual.web.ve
Autor
Tipo de IA
analizada
Ámbito judicial /
decisional
Dimensión de
percepción social
Hallazgos relevantes sobre
culpabilidad
Implicaciones éticas y legales
Ghasemaghaei &
Kordzadeh (2024)
Algoritmos de
recomendación
Toma de decisiones
normativas
Confianza y
desplazamiento de
responsabilidad
Las decisiones injustas inducidas por
IA no generan culpa percibida en los
decisores
Dilución de la responsabilidad
ética y jurídica
Miazek & Bocian
(2025)
IA decisional
Juicio moral y de
equidad
Sesgo egocéntrico y
moralidad
La IA es percibida como más justa
que los humanos cuando no existe
interés personal
Distorsión de la percepción de
imparcialidad algorítmica
Noriega (2020)
IA aplicada a
interrogatorios
Investigación penal
Confianza,
cooperación y sesgo
La IA puede reducir confesiones
falsas al minimizar sesgos humanos
Riesgos éticos en la obtención
de autoincriminaciones
Tabla 4. Percepciones sociales sobre la IA
Autor
Tipo de IA /
Herramienta
Contexto de aplicación
judicial
Tipo de sesgo
identificado
Estrategias de mitigación del
sesgo
Aportes a la equidad y
percepción de culpabilidad
Borba et al.,
(2024)
Sistemas
algorítmicos de toma
de decisiones
automatizadas
Uso de IA en decisiones
judiciales, administrativas y
cuasi-judiciales con
impacto en derechos
Sesgo discriminatorio
derivado de datos
históricos y opacidad
algorítmica
Regulación legal, evaluaciones
de impacto algorítmico,
mejora de calidad y diversidad
de datos, control institucional
Refuerza la legitimidad de las
decisiones judiciales asistidas
por IA al reducir arbitrariedad y
discriminación
Sovrano et al.,
(2025)
LLMs (ChatGPT) y
herramientas de
compliance
(DoXpert)
Apoyo a decisiones
jurídicas bajo marcos
regulatorios (AI Act)
Sesgo por alucinaciones,
opacidad y falta de
trazabilidad
Supervisión humana
obligatoria, documentación
técnica estructurada, control
ex ante y ex post
Reduce el riesgo de atribuciones
erróneas de culpabilidad al
exigir control humano efectivo
Hastings Blow
et al., (2025)
Modelos generativos
por difusión (Tab-
DDPM)
Sistemas predictivos
utilizados en justicia penal
(ej. evaluación de riesgo
tipo COMPAS)
Sesgo estadístico por datos
desbalanceados y sobre-
representación de grupos
Generación de datos sintéticos,
balanceo de muestras, métricas
de fairness
Disminuye desigualdades en
predicciones que influyen en la
percepción de culpabilidad
Herrera-Tapias
& Hernández
Guzmán (2025)
LLMs (GPTs)
Uso de IA como apoyo en
decisiones judiciales
constitucionales
Sesgo por errores
semánticos y alucinaciones
jurídicas
Uso auxiliar de IA, motivación
judicial humana, control
argumentativo
Protege el debido proceso y
evita que la culpabilidad sea
determinada por errores
algorítmicos
Yuan et al.,
(2026)
Framework multi-
agente con grafos
legales (MAGLJP)
Predicción de sentencias
con múltiples imputados
Sesgo por simplificación
excesiva y falta de
contextualización jurídica
Integración de conocimiento
jurídico, razonamiento
explicable, grafos causales
Mejora la individualización de
la culpabilidad y reduce
automatismos injustos
Cavus et al.,
(2025)
Deep Learning +
XAI (RCN)
Predicción de reincidencia
en justicia penal
Sesgo por desbalance de
clases y opacidad del
modelo
SMOTE, clustering, SHAP,
explicabilidad del modelo
Fortalece la percepción de
justicia al transparentar factores
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(550)
http://www.aulavirtual.web.ve
Autor
Tipo de IA /
Herramienta
Contexto de aplicación
judicial
Tipo de sesgo
identificado
Estrategias de mitigación del
sesgo
Aportes a la equidad y
percepción de culpabilidad
que influyen en decisiones
penales
Cirillo et al.,
(2020)
IA predictiva, NLP,
Big Data y XAI
Aplicación indirecta al
ámbito judicial en
decisiones automatizadas de
alto impacto
Sesgo estructural,
histórico, de
representación y
algorítmico
Fairness algorítmica, XAI,
datasets balanceados, gestión
responsable de variables
sensibles
Aporta marco conceptual para
evitar discriminación y reforzar
la legitimidad de decisiones
judiciales asistidas por IA
Ferrara et al.,
(2024)
Machine Learning
fairness-aware
(MLOps)
Desarrollo de sistemas de
IA utilizados en contextos
judiciales y cuasi-judiciales
Sesgo por diseño,
prioridades
organizacionales y falta de
integración de equidad
Fairness en todo el ciclo
MLOps, métricas de equidad,
testing y auditorías
algorítmicas
Mejora la confianza pública y
reduce el riesgo de culpabilidad
injusta derivada de sistemas mal
diseñados
Tabla 5. Estrategias de implementación para mitigar el sesgo
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(551)
http://www.aulavirtual.web.ve
Discusión de resultados
Los resultados de la presente revisión
sistemática evidencian que la implementación de
herramientas de IA (IA) en los procesos judiciales
vinculados con delitos informáticos incide de
manera directa e indirecta en la percepción de
culpabilidad. Esta incidencia se manifiesta
principalmente a través de mecanismos como la
autoridad técnica, el anclaje algorítmico, el
desplazamiento de la responsabilidad decisional y la
automatización cognitiva. Tales hallazgos
responden de manera consistente al objetivo del
estudio, al demostrar que la IA no opera como un
instrumento neutral, sino como un agente cognitivo
que reconfigura la valoración de la prueba y el juicio
de culpabilidad dentro del proceso penal.
Uno de los principales resultados identifica
que la aplicación de la IA en el análisis de evidencia
digital y forense tiende a reforzar la credibilidad
probatoria, lo que incrementa la percepción de
culpabilidad de la persona imputada. Este hallazgo
converge con lo señalado por Reedy (2023) y Hefetz
(2025), quienes sostienen que la sofisticación
técnica de los sistemas algorítmicos genera una
deferencia excesiva por parte de juezas, jueces,
peritas y peritos, debilitando el escrutinio crítico de
la prueba. De manera concordante, Fazel et al.,
(2022) evidencian que los puntajes de riesgo
algorítmico influyen en la severidad percibida de la
conducta, intensificando la atribución de
peligrosidad y culpabilidad.
Asimismo, los resultados muestran que los
sesgos algorítmicos, particularmente el automation
bias y el anclaje decisional, distorsionan la
evaluación judicial de la culpabilidad cuando la IA
se introduce en etapas previas al juicio humano. Este
resultado es consistente con Agudo et al., (2024),
quienes demuestran experimentalmente que los
errores algorítmicos reducen la precisión del juicio
humano, y con Wu & Lin (2025), quienes
documentan cómo la utilización de IA en el ámbito
judicial chino refuerza decisiones previas y limita la
participación efectiva de las personas acusadas. No
obstante, Chuan et al., (2024) introducen una
divergencia parcial al evidenciar que los sistemas de
IA explicable (Explainable Artificial Intelligence,
XAI) pueden incrementar la conciencia sobre el
sesgo, aunque dicha explicabilidad no elimina por
completo la confianza indebida en el sistema.
En relación con la percepción social y moral
de la culpabilidad, los resultados indican un
desplazamiento de la responsabilidad desde la
persona decisora humana hacia el sistema
algorítmico. Este hallazgo coincide con lo expuesto
por Giroux et al., (2022) y Ghasemaghaei &
Kordzadeh (2024), quienes evidencian que las
decisiones mediadas por IA generan una menor
atribución de culpa a quienes toman decisiones
humanas, incluso cuando los resultados presentan
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(552)
http://www.aulavirtual.web.ve
efectos discriminatorios. De forma complementaria,
Contini et al., (2024) advierten que la incorporación
de IA puede reducir la dimensión emotivo-cognitiva
del juicio penal, favoreciendo procesos de
deshumanización que afectan la valoración
individualizada de la culpabilidad.
Desde una perspectiva ética y jurídica, los
resultados se alinean con los planteamientos de
Peng & Lei (2024) y Kong et al., (2025), quienes
alertan que los sistemas predictivos de imputación y
sentencia pueden anticipar resultados judiciales y
erosionar el principio de presunción de inocencia.
En contraste, Han et al., (2024) demuestran que los
sistemas explicables y centrados en la persona
humana pueden mitigar parcialmente estos riesgos,
lo que permite explicar las diferencias observadas
entre modelos algorítmicos opacos y enfoques
human-in-the-loop.
El estudio presenta diversas limitaciones. En
primer lugar, la revisión se basa exclusivamente en
literatura científica indexada, lo que podría excluir
experiencias judiciales emergentes o prácticas
institucionales no publicadas en revistas
académicas. En segundo lugar, se observa una
heterogeneidad metodológica significativa entre los
estudios incluidos, que abarca diseños empíricos,
experimentales y conceptuales, lo cual limita la
comparabilidad directa de los resultados. En tercer
lugar, la mayoría de las investigaciones analizadas
se concentran en contextos europeos,
norteamericanos y asiáticos, restringiendo la
generalización de los hallazgos a sistemas judiciales
latinoamericanos. Finalmente, la evidencia empírica
directa basada en juezas y jueces en ejercicio sigue
siendo limitada, predominando estudios
experimentales o escenarios simulados.
A partir de los resultados y las limitaciones
identificadas, se recomienda que futuras
investigaciones desarrollen estudios empíricos de
carácter longitudinal que permitan evaluar cómo la
exposición sostenida a sistemas de IA modifica la
percepción de culpabilidad en juezas, jueces,
fiscales y personas defensoras. Asimismo, resulta
necesario incorporar análisis comparativos entre
distintos sistemas judiciales, especialmente en
contextos latinoamericanos, a fin de evaluar la
transferibilidad de estos hallazgos.
Se sugiere, además, profundizar en el diseño y
la evaluación de modelos algorítmicos explicables y
regulados, analizando su impacto real en la
reducción del sesgo y en la protección efectiva de la
presunción de inocencia. Finalmente, futuras
revisiones deberían integrar de manera sistemática
marcos normativos y constitucionales para evaluar
la compatibilidad entre el uso de la IA, la atribución
de culpabilidad y las garantías del debido proceso.
En conjunto, los resultados confirman que la
implementación de herramientas de IA transforma
la percepción de culpabilidad en los delitos
informáticos, no solo a través de mejoras técnicas,
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(553)
http://www.aulavirtual.web.ve
sino mediante cambios estructurales en la cognición
judicial, la atribución de responsabilidad y la
legitimidad del juicio penal. Ello refuerza la
necesidad de adoptar enfoques regulados,
explicables y centrados en el control humano como
condición indispensable para una justicia penal
compatible con los principios del Estado de derecho.
Conclusiones
Los hallazgos de la presente investigación
evidencian que la incorporación de herramientas de
IA en los procesos judiciales asociados con delitos
informáticos genera efectos significativos en la
percepción de culpabilidad. En particular, se
identifica que la autoridad técnica atribuida a los
sistemas algorítmicos, la automatización de la
valoración probatoria y la presencia de sesgos
algorítmicos influyen de manera determinante en la
forma en que juezas, jueces y otras personas
decisoras interpretan la evidencia digital.
Asimismo, los estudios analizados coinciden
en que la deferencia hacia los resultados producidos
por la IA puede intensificar la atribución de
culpabilidad o, en determinados contextos, diluir la
responsabilidad humana, configurando un cambio
sustancial en la dinámica tradicional del juicio
penal.
En relación con el objetivo de analizar cómo
la implementación de herramientas de IA afecta la
percepción de culpabilidad en delitos informáticos
dentro de los procesos judiciales, los resultados
permiten concluir que dicha implementación no es
neutral.
La IA actúa como un mediador cognitivo que
condiciona la interpretación de la prueba, la
evaluación del riesgo y la anticipación de decisiones
judiciales, lo que puede reforzar percepciones de
culpabilidad incluso antes de que se realice un
análisis exhaustivo e individualizado del caso. Este
efecto se ve acentuado cuando los sistemas carecen
de explicabilidad suficiente o cuando se incorporan
en etapas tempranas del proceso decisorio, lo que
puede afectar principios fundamentales como la
presunción de inocencia y el debido proceso.
El presente trabajo se desarrolló bajo la
modalidad de artículo de revisión sistemática,
siguiendo un enfoque metodológico riguroso que
permitió sintetizar y contrastar evidencia reciente
proveniente de revistas científicas indexadas. Este
diseño metodológico facilitó la identificación de
patrones convergentes y divergentes en la literatura
especializada, así como la integración de enfoques
empíricos, experimentales y normativos, lo que
fortalece la solidez de las conclusiones y su
pertinencia para el debate académico y jurídico en
torno al uso de la IA en la justicia penal.
Finalmente, los resultados subrayan la
necesidad de avanzar hacia modelos de
implementación de la IA que prioricen la
explicabilidad, el control humano efectivo y una
regulación jurídica clara y garantista. Las futuras
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(554)
http://www.aulavirtual.web.ve
investigaciones deberían profundizar en estudios
empíricos con juezas, jueces y demás personas
operadoras del sistema de justicia, incorporar
análisis comparados entre distintos sistemas
jurídicos y evaluar de manera longitudinal los
efectos de la exposición sostenida a herramientas
algorítmicas.
Estas líneas de investigación permitirán
consolidar un marco teórico y práctico que garantice
que el uso de la IA en el ámbito judicial contribuya
a una justicia penal más equitativa, sin distorsionar
la percepción de culpabilidad ni comprometer los
derechos fundamentales.
Referencias
Agudo, U., Liberal, K. G., Arrese, M., & Matute, H.
(2024). The impact of AI errors in a human-in-
the-loop process. Cognitive Research: Principles
and Implications, 9, 1. Documento en línea.
Disponible https://doi.org/10.1186/s41235-023-
00529-3
Akinrinola, O., Addy, W., Ajayi-Nifise, A.,
Odeyemi, O., & Falaiye, T. (2024). Application
of machine learning in tax prediction: A review
with practical approaches. Global Journal of
Engineering and Technology Advances, 18(2),
102–117. Documento en línea. Disponible
https://doi.org/10.30574/gjeta.2024.18.2.0028
Barsekh-Onji, A., Torres Hernandez, Z., & Cardoso
Espinosa, E. O. (2025). Advancing smart public
administration: Challenges and benefits of
artificial intelligence. Urban Governance, 5,
279–292. Documento en línea. Disponible
https://doi.org/10.1016/j.ugj.2025.06.003
Borba, R. L., de Paula Ferreira, I. E., & Bertucci
Ramos, P. H. (2024). Addressing discriminatory
bias in artificial intelligence systems operated by
companies: An analysis of end-user perspectives.
Technovation, 138, 103118. Documento en
línea. Disponible
https://doi.org/10.1016/j.technovation.2024.103
118
Cavus, M., Benli, M. N., Altuntas, U., Sari, M.,
Ayan, H., & Ugurluoglu, Y. F. (2025).
Transparent and bias-resilient AI framework for
recidivism prediction using deep learning and
clustering techniques in criminal justice. Applied
Soft Computing, 176, 113160. Documento en
línea. Disponible
https://doi.org/10.1016/j.asoc.2025.113160
Chuan, C.-H., Sun, R., Tian, S., & Tsai, W.-H. S.
(2024). Explainable artificial intelligence (XAI)
for facilitating recognition of algorithmic bias:
An experiment from imposed users’
perspectives. Telematics and Informatics, 91,
102135. Documento en línea. Disponible
https://doi.org/10.1016/j.tele.2024.102135
Cirillo, D., Catuara-Solarz, S., Morey, C., Guney,
E., Subirats, L., Mellino, S., Gigante, A.,
Valencia, A., Rementeria, M. J., Santuccione
Chadha, A., & Mavridis, N. (2020). Sex and
gender differences and biases in artificial
intelligence for biomedicine and healthcare. NPJ
Digital Medicine, 3(1), 81. Documento en línea.
Disponible https://doi.org/10.1038/s41746-020-
0288-5
Contini, F., Minissale, A., & Bergman Blix, S.
(2024). Artificial intelligence and real decisions:
Predictive systems and generative AI vs.
emotive-cognitive legal deliberations. Frontiers
in Sociology, 9, 1417766. Documento en línea.
Disponible
https://doi.org/10.3389/fsoc.2024.1417766
Engle, T. A., Maher, C. A., & Nedelec, J. L. (2025).
Sellin and Wolfgang revisited: A partial
replication and expansion considering
cybercrime. Journal of Criminal Justice, 101,
102523. Documento en línea. Disponible
https://doi.org/10.1016/j.jcrimjus.2025.102523
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(555)
http://www.aulavirtual.web.ve
Fazel, S., Fanshawe, T., & Sariaslan, A. (2022).
Towards a more evidence-based risk assessment
for people in the criminal justice system: The
case of OxRec in the Netherlands. European
Journal on Criminal Policy and Research, 28,
397–406. Documento en línea. Disponible
https://doi.org/10.1007/s10610-022-09520-y
Ferrara, C., Sellitto, G., Ferrucci, F., Palomba, F., &
De Lucia, A. (2024). Fairness-aware machine
learning engineering: How far are we? Empirical
Software Engineering, 29(1), 9. Documento en
línea. Disponible
https://doi.org/10.1007/s10664-023-10402-y
Franguloiu, S. (2024). Principles for the use of
artificial intelligence (AI) in the judiciary as
derived from the European Ethics Charter.
Justice Efficiency and Limitations. Series VII –
Social Sciences and Law, 39–46. Documento en
línea. Disponible
https://doi.org/10.31926/but.ssl.2023.16.65.3.5
Ghasemaghaei, M., & Kordzadeh, N. (2024).
Understanding how algorithmic injustice leads to
making discriminatory decisions: An obedience
to authority perspective. Information &
Management, 61, 103921. Documento en línea.
Disponible
https://doi.org/10.1016/j.im.2024.103921
Giroux, M., Kim, J., Lee, J. C., & Park, J. (2022).
Artificial intelligence and declined guilt:
Retailing morality comparison between human
and AI. Journal of Business Ethics, 178, 1027–
1041. Documento en línea. Disponible
https://doi.org/10.1007/s10551-022-05056-7
Hahn, T., Ernsting, J., Winter, N. R., et al., (2022).
An uncertainty-aware, shareable, and transparent
neural network architecture for brain-age
modeling. Science Advances, 8(1), eabg9471.
Documento en línea. Disponible
https://doi.org/10.1126/sciadv.abg9471
Han, W., Shen, J., Liu, Y., et al. (2024). LegalAsst:
Human-centered and AI-empowered machine to
enhance court productivity and legal assistance.
Information Sciences, 679, 121052. Documento
en línea. Disponible
https://doi.org/10.1016/j.ins.2024.121052
Hani, U., Sohaib, O., Khan, M., Aleidi, A., & Islam,
N. (2024). Psychological profiling of hackers via
machine learning toward sustainable
cybersecurity. Frontiers in Computer Science, 6,
1381351. Documento en línea. Disponible
https://doi.org/10.3389/fcomp.2024.1381351
Hastings Blow, C., Qian, L., Gibson, C., Obiomon,
P., & Dong, X. (2025). Data augmentation via
diffusion model to enhance AI fairness. Frontiers
in Artificial Intelligence, 8, 1530397.
Documento en línea. Disponible
https://doi.org/10.3389/frai.2025.1530397
Hefetz, I. (2023). Mapping AI-ethics’ dilemmas in
forensic case work: To trust AI or not? Forensic
Science International, 350, 111807. Documento
en línea. Disponible
https://doi.org/10.1016/j.forsciint.2023.111807
Hefetz, I. (2025). Evaluating bias in forensic
evidence: From expert analysis to AI-based
decision tools. Forensic Science International:
Synergy, 11, 100645. Documento en línea.
Disponible
https://doi.org/10.1016/j.fsisyn.2025.100645
Herrera-Tapias, B. A., & Hernández Guzmán, D.
(2025). Legal hallucinations and the adoption of
artificial intelligence in the judiciary. Procedia
Computer Science, 257, 1184–1189. Documento
en línea. Disponible
https://doi.org/10.1016/j.procs.2025.03.158
Javed, K., & Li, J. (2025). Bias in adjudication:
Investigating the impact of artificial intelligence,
media, financial and legal institutions in pursuit
of social justice. PLOS ONE, 20(1), e0315270.
Documento en línea. Disponible
https://doi.org/10.1371/journal.pone.0315270
Kerimkhulle, S., Dildebayeva, Z., Tokhmetov, A.,
et al. (2023). Fuzzy logic and its application in
the assessment of information security risk of
industrial Internet of Things. Symmetry, 15(10),
1958. Documento en línea. Disponible
https://doi.org/10.3390/sym15101958
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(556)
http://www.aulavirtual.web.ve
Kirsanova, N., Gogoleva, V., Zyabkina, T., &
Semenova, K. (2021). The use of digital
technologies in the administration of justice in
the field of environmental crime. E3S Web of
Conferences, 258, 05035. Documento en línea.
Disponible
https://doi.org/10.1051/e3sconf/202125805035
Kong, Y., Wang, Y.-G., Deng, H., Xiao, Z., &
Zhang, Y. (2025). LF-HGRILF: A law-fact
heterogeneous graph representation and iterative
learning framework for legal judgment
prediction. Knowledge-Based Systems, 327,
114083. Documento en línea. Disponible
https://doi.org/10.1016/j.knosys.2025.114083
Miazek, K., & Bocian, K. (2025). When AI is fairer
than humans: The role of egocentrism in moral
and fairness judgments of AI and human
decisions. Computers in Human Behavior
Reports, 19, 100719. Documento en línea.
Disponible
https://doi.org/10.1016/j.chbr.2025.100719
Naik, N., Hameed, B. M. Z., Shetty, D. K., et al.
(2022). Legal and ethical consideration in
artificial intelligence in healthcare: Who takes
responsibility? Frontiers in Surgery, 9, 862322.
Documento en línea. Disponible
https://doi.org/10.3389/fsurg.2022.862322
Noriega, M. (2020). The application of artificial
intelligence in police interrogations: An analysis
addressing the proposed effect AI has on racial
and gender bias, cooperation, and false
confessions. Futures, 117, 102510. Documento
en línea. Disponible
https://doi.org/10.1016/j.futures.2019.102510
Olawade, D. B., Ayoola, F. I., Ebo, T. O., et al.,
(2025). Artificial intelligence in forensic mental
health: A review of applications and
implications. Journal of Forensic and Legal
Medicine, 113, 102895. Documento en línea.
Disponible
https://doi.org/10.1016/j.jflm.2025.102895
Peng, Y.-T., & Lei, C.-L. (2024). Using
Bidirectional Encoder Representations from
Transformers (BERT) to predict criminal charges
and sentences from Taiwanese court judgments.
PeerJ Computer Science, 10, e1841. Documento
en línea. Disponible
https://doi.org/10.7717/peerj-cs.1841
Pristanskov, V., Kharatishvili, A., & Evstratova, J.
(2023). Artificial intelligence—A new form of
using special knowledge in investigating and
solving cybercrimes. Russian Journal of
Criminology, 17(6), 586–596. Documento en
línea. Disponible
https://doi.org/10.17150/2500-
4255.2023.17(6).586-596
Reedy, P. (2023). Interpol review of digital evidence
for 2019–2022. Forensic Science International:
Synergy, 6, 100313. Documento en línea.
Disponible
https://doi.org/10.1016/j.fsisyn.2022.100313
Sessa, F., Esposito, M., Cocimano, G., et al., (2024).
Artificial intelligence and forensic genetics:
Current applications and future perspectives.
Applied Sciences, 14(5), 2113. Documento en
línea. Disponible
https://doi.org/10.3390/app14052113
Shakeel, A., Sultan, M., Idrees, S., et al., (2025).
Evaluating the application of machine learning
algorithms in predicting disease outcomes and
enhancing diagnostic accuracy in healthcare
systems. IJLSS, 3(5), 50–57. Documento en
línea. Disponible
https://doi.org/10.71000/ddt1bm68
Shaligar, S., Arefnia, T., & Mohammadian Amiri,
M. (2024). Applications of artificial intelligence
in the production and use of digital documents
and electronic evidence as proof in civil and
criminal litigation. Legal Studies in Digital Age,
3(2), 10–30. Documento en línea. Disponible
https://doi.org/10.61838/kman.lsda.3.2.2
Sovrano, F., Hine, E., Anzolut, S., & Bacchelli, A.
(2025). Simplifying software compliance: AI
technologies in drafting technical documentation
for the AI Act. Empirical Software Engineering,
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(557)
http://www.aulavirtual.web.ve
30, 91. Documento en línea. Disponible
https://doi.org/10.1007/s10664-025-10645-x
Thamizh Mani, R., Palimar, V., Pai, M. S., Shwetha,
T. S., & Krishnan, M. N. (2025). An evolution of
forensic linguistics: From manual analysis to
machine learning – A narrative review. Forensic
Science International: Reports, 11, 100417.
Documento en línea. Disponible
https://doi.org/10.1016/j.fsir.2025.100417
Wang, H., & Ma, S. (2022). Preventing crimes
against public health with artificial intelligence
and machine learning capabilities. Socio-
Economic Planning Sciences, 80, 101043.
Documento en línea. Disponible
https://doi.org/10.1016/j.seps.2021.101043
Wu, W., & Lin, X. (2025). Access to technology,
access to justice: China’s artificial intelligence
application in criminal proceedings.
International Journal of Law, Crime and Justice,
81, 100741. Documento en línea. Disponible
https://doi.org/10.1016/j.ijlcj.2025.100741
Yuan, W., Song, K., Jiang, Z., et al., (2026). A
multi-agent framework with legal event logic
graph for multi-defendant legal judgment
prediction. Information Processing &
Management, 63, 104319. Documento en línea.
Disponible
https://doi.org/10.1016/j.ipm.2025.104319
Zeadally, S., Adi, E., Baig, Z., & Khan, I. (2020).
Harnessing artificial intelligence capabilities to
improve cybersecurity. IEEE Access, 8, 23817–
23837. Documento en línea. Disponible
https://doi.org/10.1109/ACCESS.2020.2968045
