ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(301)
http://www.aulavirtual.web.ve
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (julio 2026 - diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(302)
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
15
2026
Julio 2026 – Diciembre 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: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(303)
http://www.aulavirtual.web.ve
INTELIGENCIA ARTIFICIAL, AUTONOMÍA DECISIONAL Y PENSAMIENTO CRÍTICO EN
LA EDUCACIÓN SUPERIOR: EVIDENCIA DE UNA REVISIÓN SISTEMÁTICA
ARTIFICIAL INTELLIGENCE, DECISION-MAKING AUTONOMY, AND CRITICAL
THINKING IN HIGHER EDUCATION: EVIDENCE FROM A SYSTEMATIC REVIEW
Tipo de Publicación: Artículo Científico
Área del Conocimiento: Ciencias Sociales y
Aplicadas
Recibido: 30/06/2026
Aceptado: 31/07/2026
Publicado: 01/08/2026
Código Único AV: e817
Páginas: 1(301-332)
DOI: https://doi.org/10.5281/zenodo.21748168
Autores:
Lester Froilan Salinas Ordoñez
Licenciado en Educación Historia y Geografía
Doctor en Administración de la Educación
https://orcid.org/0000-0002-5726-909X
E-mail: lsalinas@unheval.edu.pe
Afiliación: Universidad Nacional Hermilio Valdizán
País: República del Perú
Adela Sipion Rengifo
Bachiller en Ciencias de la Educación
Maestro en Educación, mención Investigación y
Docencia Superior
https://orcid.org/0000-0001-5265-3503
E-mail: marciadela17@gmail.com
Afiliación: Universidad Nacional Hermilio Valdizán
País: República del Perú
Marcia Paola Ortega Sipion
Contador Público
https://orcid.org/0009-0005-4599-172X
E-mail: mortegas@unheval.edu.pe
Afiliación: Universidad Nacional Hermilio Valdizán
País: República del Perú
Liliana Leandro Zuñiga
Licenciado en Educación Lengua y Literatura
Maestra en Ciencias de la Educación, mención en
Docencia en Educación Superior e Investigación
https://orcid.org/0009-0005-7750-9766
E-mail: Lleandro@unheval.edu.pe
Afiliación: Universidad Nacional Hermilio Valdizán
País: República del Perú
Resumen
La incorporación de inteligencia artificial en educación superior ha generado
oportunidades de personalización, retroalimentación y apoyo al aprendizaje, pero
preocupaciones sobre la dependencia tecnológica y sus efectos en las capacidades
cognitivas superiores. Este estudio tuvo como objetivo analizar los efectos de la
dependencia tecnológica de la IA sobre el desarrollo del pensamiento crítico y la
autonomía en la toma de decisiones de los estudiantes en entornos académicos. Se realizó
una revisión sistemática de la literatura siguiendo las directrices PRISMA, mediante una
búsqueda en Scopus y la aplicación de criterios de inclusión y exclusión para identificar
investigaciones sobre IA, pensamiento crítico, autonomía, toma de decisiones y
dependencia tecnológica en educación superior. Se incorporaron 73 artículos, cuyos
hallazgos fueron organizados en cuatro ejes: efectos sobre el pensamiento crítico, efectos
sobre la autonomía decisional, factores moderadores y estrategias de mitigación. Los
resultados evidenciaron que la IA puede mejorar la eficiencia, la personalización, la
generación de alternativas y la retroalimentación; sin embargo, cuando sustituye la
comprensión, el análisis, la verificación y la decisión final, favorece el aprendizaje
superficial, la sobreconfianza, la reducción de la autoeficacia y la pérdida de autonomía
cognitiva. Se identificó que la alfabetización en IA, la mediación docente, los
conocimientos previos, el diseño de tareas, la claridad normativa y la retirada progresiva
del apoyo moderan estos efectos. Se concluye que la IA fortalece las competencias
decisionales solo cuando funciona como andamiaje y no como sustituto del razonamiento,
por lo que su integración debe preservar la responsabilidad cognitiva y decisional del
estudiante.
Palabras
Clave
Dependencia tecnológica, inteligencia artificial, pensamiento
crítico, autonomía decisional, educación superior.
Abstract
The incorporation of artificial intelligence into higher education has created opportunities
for personalized learning, feedback, and academic support, while raising concerns about
technological dependence and its effects on higher-order cognitive abilities. This study
aimed to analyze the effects of technological dependence on AI on the development of
critical thinking and autonomy in students’ decision-making within academic
environments. A systematic literature review was conducted following PRISMA
guidelines, using a Scopus search and predefined inclusion and exclusion criteria to
identify research on AI, critical thinking, autonomy, decision-making, and technological
dependence in higher education. Seventy-three articles were included, and their findings
were organized into four analytical dimensions: effects on critical thinking, effects on
decisional autonomy, moderating factors, and mitigation strategies. The results showed
that AI can improve efficiency, personalization, generation of alternatives, and feedback;
however, when it replaces comprehension, analysis, verification, and final decision-
making, it promotes superficial learning, overconfidence, reduced self-efficacy, and loss
of cognitive autonomy. AI literacy, teacher mediation, prior knowledge, task design,
regulatory clarity, and gradual withdrawal of support were identified as key factors
moderating these effects. The review concludes that AI strengthens decisional
competencies only when it operates as scaffolding rather than as a substitute for
reasoning. Accordingly, its educational integration should preserve students’ cognitive
responsibility, authorship, independent judgment, and control over the final decision,
ensuring that technological support expands rather than displaces the human capacities
required for reflective, autonomous, and ethically responsible learning. Future research
should assess long-term skill retention through longitudinal, experimental, and discipline-
specific studies in educational contexts.
Keywords
Technological dependence, artificial intelligence, critical
thinking, decision-making autonomy, higher education.
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(304)
http://www.aulavirtual.web.ve
Introducción
La incorporación de la inteligencia artificial
(IA) en los escenarios educativos ha suscitado un
debate creciente en torno a sus posibles
repercusiones sobre las capacidades cognitivas del
estudiantado. Desde esta perspectiva, Echeverría et
al. (2024) sostienen que existe una tensión entre las
posibilidades de personalización del aprendizaje
proporcionadas por estas tecnologías y los riesgos
derivados de su utilización excesiva. Una
dependencia constante podría limitar la disposición
de los estudiantes para reflexionar con profundidad,
formular juicios propios y desarrollar procesos de
razonamiento autónomo.
Bajo una orientación semejante, Carrión et al.
(2024) conciben la dependencia tecnológica de la IA
como un constructo asociado con la disminución de
la autonomía para aprender y con el debilitamiento
de las capacidades necesarias para resolver
problemas. Los resultados de su análisis de
regresión revelaron que una mayor dependencia de
estas herramientas predice de manera negativa el
rendimiento académico. Este hallazgo permite
advertir que el empleo indiscriminado de sistemas
automatizados no solo afecta la forma en que los
estudiantes acceden al conocimiento, sino también
la manera en que procesan la información y afrontan
las exigencias propias de su formación.
Aunado a ello, Zamora et al. (2024) advierten
que la dependencia excesiva de la IA en la
educación podría distanciar al alumnado de
competencias esenciales como el pensamiento
crítico, la resolución de problemas y la
comunicación interpersonal. Tal planteamiento
reafirma la necesidad de promover un equilibrio
entre el aprovechamiento de las herramientas
tecnológicas y el fortalecimiento de las capacidades
humanas indispensables para el aprendizaje
autónomo.
Diversos estudios recientes han aportado
evidencia empírica sobre la influencia de la IA en el
desarrollo del pensamiento crítico y la autonomía
para tomar decisiones. Estigarribia y Velázquez
(2024) examinaron la relación entre el pensamiento
crítico y la inteligencia artificial en la docencia
universitaria virtual. Sus resultados mostraron que,
aunque las tecnologías emergentes aplicadas a la
educación presentan una expansión considerable,
todavía no han alcanzado un grado suficiente de
madurez para consolidarse como recursos
orientados al fortalecimiento del pensamiento
crítico.
En otro ámbito formativo, Selman-Álvarez et
al. (2023) analizaron el estado de la inteligencia
artificial aplicada a la simulación médica. Los
autores identificaron que una utilización
excesivamente dependiente puede obstaculizar la
adquisición de competencias relevantes para la
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(305)
http://www.aulavirtual.web.ve
educación médica, entre ellas el razonamiento
crítico, la resolución de situaciones problemáticas y
la comunicación verbal. Este resultado adquiere
especial importancia debido a que la formación
médica exige que el estudiante interprete
información compleja, valore alternativas y adopte
decisiones sustentadas en criterios científicos y
éticos.
De manera convergente, Jesús (2024)
examinó la influencia de la IA en estudiantes
universitarios mexicanos. El estudio evidenció que
estas tecnologías comienzan a sustituir
determinadas funciones del razonamiento humano
vinculadas con el análisis intuitivo, la creatividad y
el pensamiento crítico durante la resolución de
problemas. Además, se observó un incremento
progresivo de la dependencia de sistemas
automatizados para adoptar decisiones académicas.
En consecuencia, el uso recurrente de la IA podría
desplazar la participación activa del estudiante en
procesos intelectuales que deberían ser
desarrollados durante su formación universitaria.
Pese a los avances registrados, la literatura
aún presenta vacíos relevantes que justifican el
desarrollo de la presente investigación. Torres et al.
(2023) señalan que resulta necesario diseñar
actividades académicas destinadas a ejercitar el
pensamiento crítico y la creatividad en contextos
donde se emplean herramientas de IA. Entre estas
estrategias se encuentran los debates, el análisis de
problemas complejos, los casos prácticos y las
simulaciones. Los autores también consideran que
la transformación educativa impulsada por la IA
requiere directrices claras y coherentes con los
códigos éticos y las políticas institucionales de
integridad académica.
Desde una perspectiva complementaria,
Piedra-Castro et al. (2024) identifican barreras
relacionadas con la insuficiencia de infraestructura
tecnológica y la resistencia al cambio por parte de
algunos educadores. Aunque la IA ofrece
oportunidades para diversificar los procesos de
enseñanza, su incorporación continúa condicionada
por desigualdades de acceso, limitaciones
institucionales y dificultades en la capacitación
docente. Los investigadores destacan, además, la
necesidad de establecer marcos éticos y regulatorios
sólidos que protejan la privacidad de los datos
estudiantiles y garanticen condiciones equitativas
para el uso de estas tecnologías.
En continuidad con este planteamiento, Ruano
et al. (2024) sostienen que la implementación de la
IA debe acompañarse de una reflexión crítica sobre
el equilibrio entre la intervención tecnológica y la
participación humana. En este escenario, el
profesorado conserva una función central no solo
como mediador del conocimiento, sino también
como orientador de procesos que favorezcan el
pensamiento crítico, la resolución de problemas y la
toma responsable de decisiones. Esta consideración
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(306)
http://www.aulavirtual.web.ve
pone de manifiesto la ausencia de marcos
pedagógicos integrales capaces de regular la
dependencia tecnológica y delimitar el papel que
corresponde a la IA dentro de los entornos
académicos.
En términos generales, las investigaciones
disponibles han examinado los beneficios y riesgos
de la IA en la educación. Sin embargo, persiste una
comprensión fragmentada acerca de los efectos
específicos de la dependencia tecnológica sobre el
pensamiento crítico y la autonomía decisional.
Buena parte de los estudios aborda estas variables
de manera separada o se concentra en las
posibilidades operativas de las herramientas
digitales. Por ello, resulta necesario integrar la
evidencia existente para determinar cómo el uso
dependiente de la IA puede modificar los procesos
de razonamiento, valoración y decisión
desarrollados por los estudiantes.
A la luz de los vacíos identificados, el presente
artículo de revisión sistemática tiene como objetivo
analizar la evidencia científica sobre los efectos de
la dependencia tecnológica de la inteligencia
artificial en el desarrollo del pensamiento crítico y
la autonomía para la toma de decisiones de los
estudiantes en entornos académicos.
Metodología
La presente investigación adoptó un diseño de
revisión sistemática siguiendo las directrices
PRISMA 2020 (Preferred Reporting Items for
Systematic Reviews and Meta-Analyses), las cuales
constituyen un protocolo estandarizado que
garantiza transparencia y rigor en la identificación,
cribado y análisis de la literatura relevante.
La búsqueda se realizó exclusivamente en la
base de datos Scopus, dado que constituye la base
de datos más utilizada en investigaciones sobre IA
en educación superior y ofrece una cobertura amplia
de publicaciones científicas validadas y replicables.
La fórmula booleana empleada fue la siguiente:
(( "artificial intelligence" OR "AI" OR "machine
learning" OR "generative AI" ) AND ("critical
thinking" OR "autonomous learning" OR "decision
making" OR "cognitive autonomy") AND
("technological dependence" OR "over-
reliance" OR "technology dependency") AND
("higher
education" OR "university" OR "academic" OR "st
udents"))
Para guiar la revisión sistemática, se
formularon las siguientes preguntas de
investigación: PI1: ¿Qué evidencia reporta la
literatura científica sobre los efectos de la
dependencia tecnológica de la IA en el desarrollo
del pensamiento crítico de los estudiantes en
entornos académicos? PI2: ¿De qué manera la
dependencia de herramientas de IA afecta la
autonomía en la toma de decisiones de los
estudiantes universitarios? PI3: ¿Qué factores
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(307)
http://www.aulavirtual.web.ve
pedagógicos e institucionales moderan la relación
entre dependencia tecnológica de la IA y el deterioro
de competencias cognitivas superiores? PI4: ¿Qué
estrategias pedagógicas han sido propuestas en la
literatura para mitigar los efectos negativos de la
dependencia tecnológica de la IA sobre el
pensamiento crítico y la autonomía decisional?
La estrategia de búsqueda se fundamentó en la
combinación de palabras clave específicas
derivadas del objetivo de investigación. Las
palabras clave principales incluyeron: "artificial
intelligence," "critical thinking," "technological
dependence," "over-reliance," "decision making,"
"cognitive autonomy," "higher education" y
"students"
Criterios de inclusión
Criterios de exclusión
Artículos científicos y
revisiones por pares de los
años 2025 - 2026.
Opiniones, editoriales,
conferencias y literatura gris.
Publicaciones en inglés o
español.
Estudios técnicos sin
enfoque educativo.
Estudios sobre IA,
pensamiento crítico,
autonomía o dependencia
tecnológica.
Investigaciones en población
no universitaria.
Contexto de educación
superior.
Estudios duplicados.
Texto completo disponible.
Artículos sin texto completo
o datos suficientes.
Tabla 1. Criterios de inclusión y exclusión
Figura 1. Flujograma del método PRISMA
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(308)
http://www.aulavirtual.web.ve
Resultados
Patrón analítico
Artículos que aportan evidencia
Efecto sobre el pensamiento
crítico
Condiciones que explican el
efecto
Síntesis
Sustitución del
esfuerzo cognitivo
Abubakar et al. (2025); Ala et al. (2025);
Awashreh (2025); Budiyono et al. (2025);
Cutillas et al. (2025); Hamsiah et al. (2026);
Jannah et al. (2026); Melisa et al. (2025);
Nguyen (2025); Rahman et al. (2025); Smit
et al. (2025); Suliman (2026)
El uso de IA para generar
directamente respuestas,
argumentos o productos reduce
análisis, lectura reflexiva,
elaboración personal y resolución
independiente.
Empleo de la IA como producto
final; baja autorregulación;
presión académica; tareas
fácilmente automatizables;
escaso seguimiento del proceso.
El deterioro cognitivo no depende
de la presencia de IA, sino de que
esta sustituya las fases de
comprensión, análisis, evaluación y
creación que debería ejecutar el
estudiante.
Aceptación
acrítica y
sobreconfianza
AlBannai (2025); Athanassopoulos et al.
(2026); Dong et al. (2025); Jogezai et al.
(2025); Khan et al. (2025); Németh et al.
(2026); Qadhi et al. (2026); Sarkar et al.
(2026); Ta et al. (2026); Triyanto y
Handayani (2025); Tsiligkiris et al. (2026);
Uppal y Hajian (2025)
La confianza en respuestas
fluidas, rápidas o aparentemente
objetivas disminuye la
comprobación de datos,
argumentos, fuentes y
recomendaciones.
Alta utilidad percibida; baja
alfabetización en IA;
conocimientos disciplinares
insuficientes; familiaridad
tecnológica confundida con
capacidad crítica.
La confianza tecnológica se
convierte en dependencia cuando
supera la capacidad real del
estudiante para detectar errores,
sesgos, omisiones o información
fabricada.
Mejora formal sin
profundidad
cognitiva
Agrati et al. (2026); Alqahtani et al. (2026);
Alzubi et al. (2025); He y Kang (2025); Jung
et al. (2025); Khan et al. (2025); Li y Tekwa
(2025); Mai (2026); Nhan et al. (2025); Pan
(2025); Wang et al. (2026)
La IA mejora gramática,
estructura, fluidez, traducción y
presentación, pero estas mejoras
no garantizan análisis,
originalidad ni pensamiento
argumentativo.
Aceptación automática de
correcciones; intervención
temprana de la IA; ausencia de
borradores propios; evaluación
centrada únicamente en el
producto.
La calidad formal puede ocultar una
reducción de la participación
intelectual; un producto más
correcto no implica que el
estudiante haya comprendido,
evaluado o construido su contenido.
Aprendizaje
superficial y
desempeño
aparente
Gambo et al. (2026); Kurniawan y Hendratno
(2025); Le et al. (2025); Rahman et al.
(2025); Silor y Silor (2025); Uppal y Hajian
(2025); Vieriu y Petrea (2025)
La percepción de utilidad,
confianza o mejora del
rendimiento puede coexistir con
menor comprensión conceptual y
escaso desarrollo de habilidades
superiores.
Indicadores basados en
satisfacción o autopercepción;
retroalimentación inmediata;
resúmenes automatizados;
ausencia de tareas sin IA.
La eficiencia y la confianza son
indicadores insuficientes para inferir
desarrollo cognitivo; deben
contrastarse con desempeño
autónomo, transferencia y capacidad
de explicación.
Activación crítica
mediante contraste
y verificación
Derakhshan y Taghizadeh (2025); King y
Lopour (2025); Melisa et al. (2025); Pan
(2025); Sun et al. (2026); Wan et al. (2025);
Xu (2025); Zakaria et al. (2025); Zhang
(2025); Zhou y Fang (2025)
La IA fortalece análisis y
evaluación cuando sus resultados
se comparan con fuentes,
soluciones propias, métodos
manuales o criterios disciplinares.
Verificación obligatoria;
comparación humano–IA;
explicación de discrepancias;
evaluación de errores, sesgos y
supuestos.
La IA desarrolla pensamiento crítico
cuando sus productos se convierten
en objetos de cuestionamiento, no
cuando son tratados como
respuestas definitivas.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
http://www.aulavirtual.web.ve
Patrón analítico
Artículos que aportan evidencia
Efecto sobre el pensamiento
crítico
Condiciones que explican el
efecto
Síntesis
Aprendizaje
auténtico y
experiencial
Alghazo et al. (2025); Cunningham et al.
(2026); Hu et al. (2026); Irish et al. (2025);
King y Lopour (2025); Li (2025); Saroha
(2025); Ta et al. (2026); Wan et al. (2025);
Zhao et al. (2025a); Zhou y Fang (2025)
Las simulaciones, casos
profesionales, diseño de juegos y
tareas comunitarias favorecen
transferencia, análisis contextual y
evaluación de consecuencias.
Problemas reales; necesidad de
justificar decisiones; validación
técnica o social; responsabilidad
frente a usuarios o escenarios
profesionales.
La autenticidad reduce el uso pasivo
porque obliga al estudiante a
comprobar si la propuesta de IA
resulta viable, segura, ética y
pertinente en un contexto concreto.
Andamiaje
dialógico y
socrático
Alshehri et al. (2025); Harun et al. (2026);
Kurniawan y Hendratno (2025); Sun et al.
(2026); Xu (2025); Zhao et al. (2025b)
La IA puede promover
razonamiento cuando formula
preguntas, ofrece pistas
progresivas y sostiene ciclos de
reflexión y revisión.
Respuestas no directas;
interacción guiada; límites a la
generación completa; discusión
docente y entre pares.
El formato de interacción es
determinante: la pregunta
orientadora conserva el esfuerzo
cognitivo, mientras la solución
inmediata favorece la dependencia.
Efecto
condicionado por
conocimientos
previos
Cunningham et al. (2026); Dong et al.
(2025); Jung et al. (2025); Li y Tekwa
(2025); Rahman et al. (2025); Sarkar et al.
(2026); Ta et al. (2026); Wang et al. (2025);
Zhou y Fang (2025)
Los estudiantes con mayor
dominio disciplinar detectan
mejor errores y limitaciones;
quienes poseen bases insuficientes
presentan mayor riesgo de
aceptación ciega.
Competencia inicial, experiencia
profesional, dominio lingüístico,
formación clínica o técnica.
La IA no compensa
automáticamente la ausencia de
conocimientos fundamentales,
porque evaluar sus resultados exige
criterios que deben desarrollarse
previamente.
Tabla 2. IA y pensamiento critico
Patrón analítico
Artículos que aportan evidencia
Efecto sobre la autonomía
Tipo de autonomía
resultante
Síntesis
Independencia
operativa sin
autonomía cognitiva
Abubakar et al. (2025); Ala et al.
(2025); Alqahtani et al. (2026);
Athanassopoulos et al. (2026);
Awashreh (2025); Vieriu y Petrea
(2025); Ugli et al. (2025)
La IA permite avanzar con menor
ayuda humana, pero puede asumir la
selección, elaboración o validación de
las respuestas.
Autonomía operativa
o funcional.
Trabajar de manera independiente del
docente no equivale a decidir
autónomamente si el estudiante depende de
la IA para producir y evaluar el contenido.
Delegación del juicio y
de la decisión final
AlBannai (2025); Dong et al. (2025);
Hu et al. (2026); Li (2025); Németh et
al. (2026); Saroha (2025); Ta et al.
(2026); Zhao et al. (2025a)
La dependencia puede trasladar al
sistema decisiones académicas, clínicas
o técnicas que requieren
responsabilidad humana.
Autonomía asistida
con riesgo de
delegación
decisional.
La autonomía se pierde cuando la
recomendación automatizada deja de ser
evidencia consultiva y se convierte en
autoridad final.
Reducción de la
autoeficacia y
Budiyono et al. (2025); Jannah et al.
(2026); Jung et al. (2025); Khan et al.
El uso prolongado puede generar
incomodidad, ansiedad o baja
Autonomía
decreciente o
La dependencia se consolida cuando la
mejora inmediata impide internalizar
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(310)
http://www.aulavirtual.web.ve
Patrón analítico
Artículos que aportan evidencia
Efecto sobre la autonomía
Tipo de autonomía
resultante
Síntesis
capacidad para actuar
sin IA
(2025); Li y Tekwa (2025); Mai
(2026); Suliman (2026)
confianza para escribir, revisar o
resolver tareas sin asistencia.
dependencia
maladaptativa.
habilidades y el estudiante atribuye su
desempeño a la herramienta, no a su propia
competencia.
Autonomía creativa
condicionada
Alzubi et al. (2025); Harun et al.
(2026); Nguyen y Kasahara (2025);
Solteo (2025); Wang et al. (2026)
La IA amplía estilos, imágenes, ideas y
alternativas, pero puede homogeneizar
decisiones o sustituir la voz personal.
Autonomía creativa
condicionada por la
autoría humana.
La autonomía se conserva cuando el
estudiante dirige, selecciona y transforma;
disminuye cuando adopta el primer
resultado generado como producto final.
Aprendizaje autónomo
adaptativo
Kalra et al. (2026); Wang et al. (2025);
Wangdi y Shimray (2025); Silor y Silor
(2025)
Los sistemas adaptativos permiten
controlar el ritmo y recibir recursos
personalizados, pero pueden determinar
excesivamente el itinerario y las
respuestas.
Autonomía guiada
por algoritmos.
La personalización favorece independencia
cuando ofrece apoyo temporal; genera
dependencia cuando el sistema decide
permanentemente qué, cómo y cuándo
aprender.
Autonomía fortalecida
por elaboración previa
Agrati et al. (2026); King y Lopour
(2025); Li y Tekwa (2025); Nhan et al.
(2025); Wan et al. (2025); Zhang
(2025)
La autonomía aumenta cuando el
estudiante produce una propuesta
inicial y utiliza la IA para revisar,
comparar o ampliar.
Autonomía reflexiva
y asistida.
La intervención posterior de la IA preserva
la ideación, planificación y decisión del
estudiante, reservando a la herramienta
funciones complementarias.
Autonomía mediante
comparación y
justificación
He y Kang (2025); Pan (2025);
Tsiligkiris et al. (2026); Xu (2025);
Zakaria et al. (2025); Zhou y Fang
(2025)
Comparar versiones, métodos o
recomendaciones obliga al estudiante a
seleccionar y defender una alternativa.
Autonomía
decisional crítica.
La toma de decisiones se fortalece cuando
la elección final debe justificarse con
criterios disciplinares y no con la
preferencia automática por la IA.
Autonomía en
simulaciones y
problemas auténticos
Cunningham et al. (2026); Hu et al.
(2026); Li (2025); Saroha (2025); Ta et
al. (2026); Wan et al. (2025); Zhao et
al. (2025a); Zhou y Fang (2025)
La IA amplía las oportunidades de
practicar decisiones sin riesgos reales,
pero exige validación técnica, clínica,
empresarial o social.
Autonomía situada,
profesional o
experiencial.
Las simulaciones fortalecen la autonomía
cuando el estudiante interpreta el escenario
y asume la decisión; la debilitan cuando
sigue mecánicamente la recomendación
automatizada.
Autorregulación y
control de la
dependencia
Hamsiah et al. (2026); Jannah et al.
(2026); Suliman (2026); Tsiligkiris et
al. (2026); Uppal y Hajian (2025)
La planificación, supervisión del uso y
gestión del tiempo determinan si la IA
apoya o sustituye la autonomía.
Autonomía
autorregulada.
La autonomía no implica rechazar la IA,
sino controlar su finalidad, intensidad y
momento, conservando la responsabilidad
sobre el proceso y el resultado.
Tabla 3. IA y autonomía decisional
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
http://www.aulavirtual.web.ve
Factor
moderador
Artículos que lo respaldan
Forma en que modera la
dependencia
Competencia
protegida
Síntesis
Alfabetización
crítica en IA
Ala et al. (2025); Alasgarova y Rzayev (2025);
Almutairi et al. (2026); Athanassopoulos et al. (2026);
Cunningham et al. (2026); Dong et al. (2025); Harun et
al. (2026); Hu et al. (2026); Khan et al. (2025); Kohnke
et al. (2026); Melisa et al. (2025); Nguyen (2025);
Zakaria et al. (2025)
Permite reconocer errores,
sesgos, alucinaciones, límites,
opacidad y usos inadecuados.
Pensamiento crítico,
autorregulación y
juicio ético.
La alfabetización convierte al usuario
de IA en evaluador de sus resultados y
reduce la aceptación basada
únicamente en fluidez o rapidez.
Mediación y
competencia
docente
Agrati et al. (2026); Ala et al. (2025); Alasgarova y
Rzayev (2025); Alshehri et al. (2025); Haroud y Saqri
(2025); Irish et al. (2025); Joshi (2026); Lakhe Shrestha
et al. (2025); Xu (2025); Zhao et al. (2025b)
El docente contextualiza,
corrige, limita y transforma el
uso técnico en una experiencia
pedagógica.
Pensamiento crítico,
autonomía y
transferencia.
La mediación docente es el principal
límite frente a la conversión de la IA
en autoridad educativa autónoma.
Diseño de tareas y
evaluaciones
Ala et al. (2025); Agrati et al. (2026); Cutillas et al.
(2025); Hamsiah et al. (2026); Mai (2026); Pan (2025);
Rahman et al. (2025); Sun et al. (2026); Zhang (2025);
Zhou y Fang (2025)
Las tareas abiertas,
contextualizadas, procesuales y
reflexivas mantienen la
actividad cognitiva.
Análisis,
metacognición y
resolución de
problemas.
El diseño pedagógico explica mejor
los resultados que la frecuencia de uso:
una tarea automatizable fomenta
dependencia; una tarea que exige
justificarla la reduce.
Políticas y
gobernanza
institucional
Abubakar et al. (2025); AlBannai (2025); Almutairi et
al. (2026); Awashreh (2025); Kohnke et al. (2026);
Németh et al. (2026); Qadhi et al. (2026); Smit et al.
(2025); Tsiligkiris et al. (2026); Zhao et al. (2025b)
Define usos permitidos,
divulgación, privacidad,
responsabilidad y mecanismos
de supervisión.
Integridad, autonomía
y responsabilidad
académica.
Las políticas moderan la dependencia
cuando son claras, conocidas y
aplicadas; su existencia formal resulta
insuficiente sin formación y
seguimiento.
Conocimientos
previos y dominio
disciplinar
Cunningham et al. (2026); Dong et al. (2025); Jung et
al. (2025); Li y Tekwa (2025); Rahman et al. (2025);
Sarkar et al. (2026); Ta et al. (2026); Wang et al.
(2025); Zhou y Fang (2025)
Proporciona criterios para
reconocer errores, evaluar
alternativas y rechazar
recomendaciones.
Juicio técnico, clínico,
lingüístico o
profesional.
Cuanto menor es el dominio previo,
mayor es el riesgo de tratar una
respuesta plausible como correcta.
Momento y
secuencia de
intervención
Li y Tekwa (2025); Nhan et al. (2025); Wan et al.
(2025); Zhang (2025); Zhao et al. (2025a)
El uso posterior a la
planificación y producción
propia reduce la sustitución
cognitiva.
Autoría, autoeficacia
y autonomía.
La IA es más formativa cuando
interviene después de que el estudiante
haya elaborado una solución inicial.
Intensidad,
duración y
finalidad del uso
Budiyono et al. (2025); Jannah et al. (2026); Silor y
Silor (2025); Suliman (2026); Uppal y Hajian (2025)
El uso prolongado o
constitutivo puede producir
pérdida acumulativa de
habilidades y confianza.
Retención de
competencias y
autorregulación.
La frecuencia por sí sola no define
dependencia; resulta decisivo si la
herramienta apoya o reemplaza
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(312)
http://www.aulavirtual.web.ve
Factor
moderador
Artículos que lo respaldan
Forma en que modera la
dependencia
Competencia
protegida
Síntesis
procesos centrales durante periodos
prolongados.
Autenticidad y
contexto
profesional
Cunningham et al. (2026); Hu et al. (2026); Irish et al.
(2025); King y Lopour (2025); Li (2025); Saroha
(2025); Ta et al. (2026); Wan et al. (2025); Zhao et al.
(2025a); Zhou y Fang (2025)
Los escenarios reales obligan a
considerar viabilidad, usuarios,
riesgos y consecuencias.
Transferencia, juicio
profesional y
competencia
decisional.
Los contextos auténticos limitan la
aceptación pasiva porque la respuesta
debe funcionar fuera del entorno
textual de la IA.
Interacción
humana y
colaboración
Alzubi et al. (2025); Haroud y Saqri (2025); Mai
(2026); Pan (2025); Solteo (2025); Suliman (2026);
Wan et al. (2025); Zakaria et al. (2025)
El diálogo con docentes, pares
y usuarios aporta contraste,
contexto y negociación de
significados.
Argumentación,
creatividad y
autonomía relacional.
La interacción humana reduce la
homogeneización y evita que la IA se
convierta en la única fuente de
retroalimentación o validación.
Conciencia ética y
autoría
Abubakar et al. (2025); Hamsiah et al. (2026); Jannah et
al. (2026); Nguyen (2025); Qadhi et al. (2026); Smit et
al. (2025); Triyanto y Handayani (2025)
Refuerza la responsabilidad
sobre contenidos, decisiones y
consecuencias.
Juicio ético,
integridad y agencia
epistémica.
La dependencia disminuye cuando el
estudiante reconoce que la
responsabilidad por la respuesta final
no puede trasladarse al sistema.
Tipo de interacción
con la IA
Derakhshan y Taghizadeh (2025); Gambo et al. (2026);
Harun et al. (2026); King y Lopour (2025); Sun et al.
(2026); Xu (2025)
El uso exploratorio, socrático o
de depuración mantiene el
razonamiento; la generación
completa lo sustituye.
Pensamiento crítico y
resolución de
problemas.
La forma de interacción resulta más
determinante que la herramienta:
preguntar, contrastar y corregir genera
mejores efectos que solicitar productos
terminados.
Apoyo
institucional,
acceso y equidad
Alghazo et al. (2025); Almutairi et al. (2026); Awashreh
(2025); Kalra et al. (2026); Lakhe Shrestha et al. (2025);
Li (2025); Liu et al. (2026); Nguyen (2025)
La infraestructura,
capacitación y disponibilidad
condicionan la integración y
sus riesgos.
Acceso equitativo y
desarrollo de
competencias.
La dependencia no es exclusivamente
individual; también surge de
instituciones que incorporan IA sin
recursos, formación o criterios
compartidos.
Tabla 4. Factores moderadores
Estrategia
Artículos que la proponen o respaldan
Mecanismo de mitigación
Competencia
Síntesis
Producción inicial sin
IA
Li y Tekwa (2025); Nhan et al. (2025); Solteo
(2025); Wan et al. (2025); Zhang (2025); Zhao et
al. (2025a)
Exige que el estudiante planifique,
formule ideas o produzca una
solución antes de consultar la
herramienta.
Autoría, autonomía y
pensamiento crítico.
La elaboración previa impide que la
IA determine desde el inicio el
contenido, estructura o decisión.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
http://www.aulavirtual.web.ve
Estrategia
Artículos que la proponen o respaldan
Mecanismo de mitigación
Competencia
Síntesis
Comparación humana–
IA
He y Kang (2025); King y Lopour (2025);
Melisa et al. (2025); Pan (2025); Zakaria et al.
(2025); Zhang (2025); Zhao et al. (2025a); Zhou
y Fang (2025)
Contrasta respuestas de IA con
soluciones propias, fuentes
científicas o métodos manuales.
Evaluación, juicio
disciplinar y toma de
decisiones.
La comparación transforma las
discrepancias en oportunidades para
explicar, corregir y justificar.
Verificación
obligatoria de
contenidos
Abubakar et al. (2025); AlBannai (2025);
Cunningham et al. (2026); Dong et al. (2025);
Jogezai et al. (2025); Melisa et al. (2025); Qadhi
et al. (2026); Triyanto y Handayani (2025)
Exige comprobar datos, referencias,
cálculos, afirmaciones y
recomendaciones antes de
utilizarlos.
Pensamiento crítico,
precisión e integridad.
La verificación mantiene al
estudiante como responsable de la
validez del resultado.
Evaluaciones centradas
en el proceso
Almutairi et al. (2026); Cutillas et al. (2025);
Hamsiah et al. (2026); Nguyen (2025); Qadhi et
al. (2026); Smit et al. (2025); Zhou y Fang
(2025)
Valora borradores, prompts,
revisiones, decisiones, fuentes y
justificaciones.
Metacognición, autoría
y responsabilidad.
Evaluar el proceso impide que un
producto automatizado oculte la
ausencia de aprendizaje.
Reflexión sobre el uso
de IA
Budiyono et al. (2025); Harun et al. (2026); King
y Lopour (2025); Melisa et al. (2025); Wan et al.
(2025); Zhang (2025)
Solicita explicar cuándo la IA
ayudó, falló o sustituyó el
razonamiento.
Autorregulación y
conciencia de
dependencia.
La reflexión permite identificar
patrones de delegación que no son
visibles en el producto final.
Alfabetización crítica
y ética
Abubakar et al. (2025); Ala et al. (2025);
Athanassopoulos et al. (2026); Cunningham et
al. (2026); Dong et al. (2025); Kohnke et al.
(2026); Németh et al. (2026); Nguyen (2025);
Zakaria et al. (2025)
Forma en sesgos, alucinaciones,
privacidad, atribución, transparencia
y límites.
Pensamiento crítico,
juicio ético e
integridad.
La alfabetización efectiva integra
capacidades técnicas, disciplinares
y éticas, no solo formulación de
prompts.
Simulaciones con
decisión humana
Hu et al. (2026); Li (2025); Saroha (2025); Ta et
al. (2026); Zhao et al. (2025a); Zhou y Fang
(2025); Liu et al. (2026)
La IA presenta escenarios, pero el
estudiante interpreta, justifica y
asume la decisión final.
Competencia
decisional y juicio
profesional.
La simulación es formativa cuando
permite practicar decisiones sin
transferir la responsabilidad al
algoritmo.
Retroalimentación
híbrida
Agrati et al. (2026); Haroud y Saqri (2025); Jung
et al. (2025); Le et al. (2025); Nhan et al. (2025);
Pan (2025); Suliman (2026); Ugli et al. (2025)
Combina rapidez automatizada con
revisión docente, entre pares o
contextual.
Reflexión, creatividad
y autonomía.
La retroalimentación humana aporta
contexto, sensibilidad cultural y
orientación que la IA no garantiza.
Tareas auténticas y
contextualizadas
Cutillas et al. (2025); Irish et al. (2025); King y
Lopour (2025); Solteo (2025); Wan et al. (2025);
Zhao et al. (2025a); Zhou y Fang (2025)
Vincula el producto con usuarios,
problemas reales o estándares
profesionales.
Transferencia,
resolución de
problemas y juicio
aplicado.
La autenticidad dificulta la
aceptación de respuestas genéricas
y obliga a evaluar su viabilidad.
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(314)
http://www.aulavirtual.web.ve
Estrategia
Artículos que la proponen o respaldan
Mecanismo de mitigación
Competencia
Síntesis
Uso de IA en fases
exploratorias
Ala et al. (2025); AlBannai (2025); Alzubi et al.
(2025); Harun et al. (2026); Mai (2026); Wan et
al. (2025)
Restringe la IA a lluvia de ideas,
preguntas, organización o prototipos
iniciales.
Creatividad y
autonomía decisional.
La herramienta amplía alternativas,
pero la selección, elaboración y
producción final permanecen bajo
control humano.
Alternancia de tareas
con y sin IA
Budiyono et al. (2025); Jung et al. (2025); Sarkar
et al. (2026); Silor y Silor (2025); Uppal y
Hajian (2025)
Mantiene espacios regulares de
desempeño independiente.
Retención de
habilidades y
autoeficacia.
Las tareas sin asistencia permiten
verificar si el aprendizaje
permanece cuando desaparece la
herramienta.
Andamiaje socrático y
pistas progresivas
Alshehri et al. (2025); Sun et al. (2026); Xu
(2025)
Sustituye respuestas completas por
preguntas, pistas y ciclos de
investigación.
Pensamiento crítico y
resolución de
problemas.
El mejor apoyo no elimina la
dificultad, sino que orienta al
estudiante para superarla.
Retirada progresiva del
apoyo
Jannah et al. (2026); Kalra et al. (2026); Li y
Tekwa (2025); Silor y Silor (2025); Wangdi y
Shimray (2025); Zhao et al. (2025b)
Reduce gradualmente ayudas,
resúmenes o recomendaciones
conforme mejora la competencia.
Autonomía y
aprendizaje sostenible.
Un andamiaje es efectivo cuando
conduce a menor dependencia, no
cuando se vuelve permanente.
Políticas claras y
declaración de uso
Abubakar et al. (2025); Almutairi et al. (2026);
Nguyen (2025); Qadhi et al. (2026); Smit et al.
(2025); Triyanto y Handayani (2025); Tsiligkiris
et al. (2026)
Define usos permitidos, grado de
intervención, atribución y
responsabilidad.
Integridad,
transparencia y autoría.
Las reglas reducen ambigüedad y
permiten distinguir apoyo legítimo
de sustitución intelectual.
Capacitación docente
continua
Agrati et al. (2026); Alghazo et al. (2025);
Alasgarova y Rzayev (2025); Irish et al. (2025);
Joshi (2026); Lakhe Shrestha et al. (2025); Liu et
al. (2026); Zhao et al. (2025b)
Desarrolla criterios para seleccionar
herramientas, diseñar tareas y
supervisar resultados.
Mediación pedagógica
y juicio profesional.
La integración responsable requiere
formación continua,
contextualizada y articulada con las
exigencias de cada disciplina.
Seguimiento de
indicadores de
dependencia
Jannah et al. (2026); Rahman et al. (2025);
Sarkar et al. (2026); Uppal y Hajian (2025);
Wang et al. (2025)
Evalúa ansiedad sin IA,
procrastinación, intensidad de uso,
pérdida de habilidades y diferencias
entre confianza y desempeño.
Autorregulación y
prevención del
deterioro.
La dependencia debe medirse
mediante cambios conductuales y
cognitivos, no únicamente por
frecuencia de uso.
Interacción
colaborativa y revisión
entre pares
Alzubi et al. (2025); Jannah et al. (2026); Mai
(2026); Pan (2025); Solteo (2025); Suliman
(2026); Zakaria et al. (2025)
Introduce diálogo, contraste,
defensa de ideas y negociación de
significados.
Argumentación,
creatividad y
autonomía relacional.
La colaboración humana evita que
la IA se convierta en la única fuente
de validación.
Tabla 5. Estrategias de mitigación
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(315)
http://www.aulavirtual.web.ve
Discusión de los resultados
Los resultados de esta revisión sistemática
evidencian que la dependencia tecnológica de la
inteligencia artificial no ejerce un efecto homogéneo
sobre el pensamiento crítico ni sobre la autonomía
decisional de los estudiantes. La evidencia
examinada permite sostener que el factor
determinante no es únicamente la frecuencia con la
que se utilizan estas herramientas, sino el grado en
que su empleo sustituye procesos cognitivos que
deberían permanecer bajo el control del estudiante,
entre ellos la comprensión, la formulación de
alternativas, la valoración de evidencias, la
argumentación y la decisión final. Desde esta
perspectiva, la IA puede desempeñar una función de
ampliación cognitiva cuando proporciona
información, retroalimentación, escenarios o
posibles soluciones que posteriormente son
examinados por el estudiante. Sin embargo, se
convierte en un factor de deterioro cuando genera
directamente el razonamiento o el producto
académico que correspondería construir de manera
autónoma. Esta interpretación responde al objetivo
del estudio, puesto que demuestra que la
dependencia tecnológica afecta negativamente el
pensamiento crítico y la autonomía, principalmente
mediante la sustitución del esfuerzo cognitivo, la
aceptación acrítica de resultados y la delegación del
juicio.
El primer resultado principal se relaciona con
la sustitución del esfuerzo cognitivo. La revisión
permitió identificar que el empleo de la IA para
generar respuestas, argumentos, códigos,
traducciones o productos académicos completos
puede disminuir la lectura reflexiva, la elaboración
personal y la resolución independiente de
problemas. Este hallazgo converge con Abubakar et
al. (2025), quienes encontraron que la
sobredependencia de la IA predice consecuencias
negativas para el aprendizaje y que tales efectos
disminuyen cuando existen conciencia ética y
políticas institucionales claramente definidas. En
una dirección semejante, Budiyono et al. (2025)
muestran que el uso prolongado de asistentes de
escritura puede debilitar la generación
independiente de ideas, la conservación de
habilidades y la construcción de una voz propia.
Hamsiah et al. (2026) también advierten que la
eficiencia proporcionada por ChatGPT podría
reducir la denominada lucha cognitiva, necesaria
para argumentar, revisar y asumir la autoría del
texto.
Esta convergencia permite interpretar la
dependencia como una modalidad de descarga
cognitiva que deja de ser adaptativa cuando
sustituye operaciones esenciales del aprendizaje. No
toda reducción de la carga mental resulta
perjudicial, debido a que la automatización de tareas
rutinarias puede liberar recursos para el desarrollo
de actividades intelectuales de mayor complejidad.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(316)
http://www.aulavirtual.web.ve
Zhao et al. (2025a), por ejemplo, encontraron que
Togal AI redujo sustancialmente el tiempo
requerido para realizar estimaciones y mejoró la
precisión de los cálculos. Tales beneficios
permitirían dedicar una mayor atención al análisis
de costos, riesgos y órdenes de cambio. Pese a ello,
los autores también señalan que esta ventaja podría
perder relevancia pedagógica si el estudiante deja de
dominar los procedimientos manuales que sustentan
la estimación. En consecuencia, la diferencia entre
apoyo y dependencia reside en el destino del
esfuerzo liberado. Cuando dicho esfuerzo se
redirige hacia el análisis, la reflexión y la adopción
de decisiones complejas, la IA amplía la cognición;
por el contrario, cuando se utiliza únicamente para
finalizar una tarea con mayor rapidez, puede reducir
las oportunidades reales de aprendizaje.
El segundo resultado se refiere a la aceptación
acrítica y a la sobreconfianza en las respuestas
automatizadas. Los estudios examinados muestran
que la fluidez textual, la rapidez y la aparente
objetividad de la IA pueden inducir a los estudiantes
a confundir la plausibilidad de una respuesta con su
validez. Esta tendencia coincide con AlBannai
(2025), quien identificó diferencias entre los
estudiantes que verificaban las respuestas
proporcionadas por ChatGPT y aquellos que
empleaban la herramienta como un atajo cognitivo
durante la resolución de problemas empresariales.
De modo semejante, Sarkar et al. (2026) observaron
que la familiaridad tecnológica de los estudiantes de
ingeniería no garantizaba una capacidad equivalente
para detectar errores lingüísticos o académicos, lo
que generaba una modalidad de sobreconfianza.
Németh et al. (2026) encontraron una tensión
comparable en la educación médica y odontológica.
Aunque la mayoría de los participantes reconocía
beneficios para el aprendizaje, una proporción
considerable advertía una posible reducción del
pensamiento crítico y un mayor riesgo de
sobredependencia.
Estos resultados convergen con la literatura
que sostiene que la dependencia se intensifica
cuando el estudiante carece de conocimientos
suficientes para valorar la calidad de la respuesta. Ta
et al. (2026) señalan que los estudiantes de medicina
que se encuentran en las primeras etapas de
formación pueden ser especialmente vulnerables,
debido a que todavía no poseen la experiencia
clínica necesaria para reconocer diagnósticos o
recomendaciones inseguras. Cunningham et al.
(2026) describen una situación similar en ingeniería
química, donde una solución técnicamente plausible
puede ser aceptada a pesar de contradecir principios
fundamentales de la disciplina. En consecuencia, los
conocimientos previos no solo facilitan el uso de la
IA, sino que constituyen una condición de seguridad
cognitiva. Este hallazgo permite cuestionar la idea
de que la inteligencia artificial puede compensar,
por sí sola, las deficiencias formativas. Cuanto
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(317)
http://www.aulavirtual.web.ve
menor sea el dominio disciplinar del estudiante,
mayor será la necesidad de mediación, contraste y
verificación.
El tercer resultado indica que la mejora formal
de un producto académico no equivale
necesariamente a una mayor profundidad cognitiva.
Los asistentes de escritura, traducción y
retroalimentación pueden optimizar la gramática, la
estructura, la fluidez y la presentación. No obstante,
estas ventajas pueden coexistir con una menor
originalidad, una argumentación limitada o una
comprensión superficial. Agrati et al. (2026)
muestran que las herramientas de escritura asistida
son valoradas por su capacidad para mejorar los
componentes formales de los textos, aunque el
profesorado expresa preocupación por la
autenticidad y el grado de reflexión de los
estudiantes. Khan et al. (2025) encontraron que
ChatGPT favorecía la fluidez y la confianza de los
estudiantes de inglés como lengua extranjera. Sin
embargo, la dependencia de la corrección
automatizada podía reducir la autoedición y el
compromiso cognitivo. Mai (2026) reportó que los
estudiantes asistidos por ChatGPT mejoraban
inicialmente la estructura y la expresión escrita,
mientras que la enseñanza acompañada de
mediación docente producía mayores niveles de
originalidad y profundidad argumentativa.
Este patrón también aparece en el estudio de
Li y Tekwa (2025), quienes demuestran que el
momento en el que interviene la IA modifica sus
efectos. Cuando la herramienta se emplea después
de la planificación y del borrador inicial, favorece la
revisión y permite mantener la autoría intelectual
del estudiante. En cambio, cuando participa desde
las primeras etapas de producción, aumenta el riesgo
de que el usuario pierda el control sobre el
contenido. La divergencia entre los beneficios
formales y el desarrollo del pensamiento crítico
puede explicarse, por tanto, por la posición que
ocupa la IA dentro del proceso académico. Una
intervención posterior puede complementar el
razonamiento ya elaborado; una intervención
temprana podría sustituirlo. Este resultado cuestiona
las evaluaciones centradas exclusivamente en la
calidad final del producto, puesto que un texto
correctamente escrito no permite determinar cuánto
análisis, deliberación o reflexión fue realizado
realmente por el estudiante.
El cuarto resultado principal muestra que la
utilidad percibida, la confianza y la satisfacción no
constituyen indicadores suficientes de desarrollo
cognitivo. Gambo et al. (2026) encontraron que los
estudiantes valoraban ChatGPT como un recurso
útil para depurar código y comprender la sintaxis.
No obstante, estas percepciones no se asociaban
necesariamente con mejores calificaciones. Uppal y
Hajian (2025) identificaron que la dependencia de
ChatGPT se relacionaba con la procrastinación, lo
que pone de manifiesto que una herramienta
considerada útil puede afectar negativamente la
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(318)
http://www.aulavirtual.web.ve
autorregulación. Rahman et al. (2025) observaron
que la IA mejoraba habilidades vinculadas con
recordar, comprender y aplicar, aunque no generaba
progresos equivalentes en capacidades superiores
como analizar, evaluar y crear. En conjunto, estos
hallazgos muestran que el desempeño inmediato y
la percepción de competencia pueden encubrir
modalidades de aprendizaje superficial.
La comparación con Wangdi y Shimray
(2025) permite matizar este resultado. ReadTheory
mejoró el disfrute y la comprensión lectora de los
estudiantes universitarios. Sin embargo, el
predominio de preguntas de opción múltiple y las
explicaciones limitadas restringieron las
oportunidades para argumentar y elaborar
respuestas abiertas. En este caso, la IA fue eficaz
para fortalecer la comprensión y mantener la
motivación, aunque su arquitectura pedagógica no
garantizó el desarrollo de un pensamiento crítico
avanzado. Por consiguiente, las diferencias entre los
estudios no deben interpretarse como
contradicciones, sino como evidencia de que los
efectos dependen de la habilidad evaluada. La IA
puede mejorar competencias básicas o intermedias
sin producir, de forma automática, capacidades
cognitivas de orden superior.
En contraste con los riesgos identificados, la
revisión también demuestra que la IA puede
fortalecer el pensamiento crítico cuando sus
resultados son tratados como objetos de análisis y
no como respuestas definitivas. King y Lopour
(2025) encontraron que los estudiantes
desarrollaban mayor cautela y capacidad para
identificar errores cuando debían comprobar las
respuestas de ChatGPT mediante literatura
científica. Zhou y Fang (2025) diseñaron una
actividad de analítica empresarial en la que los
estudiantes comparaban resultados generados por
IA con cálculos manuales realizados en Excel. Los
participantes con rendimiento medio y alto
mostraron una mayor reflexión sobre la
confiabilidad, el sesgo y la necesidad de supervisión
humana. Zhang (2025) propuso una secuencia
semejante en cursos de bases de datos. Primero se
elaboraba una solución independiente y luego se
contrastaba con la respuesta generada por la IA.
Estas experiencias convergen con Melisa et al.
(2025) y Zakaria et al. (2025), cuyas revisiones
concluyen que la inteligencia artificial potencia el
pensamiento crítico cuando se emplea para criticar,
comparar, corregir y evaluar.
Este resultado sugiere que el valor pedagógico
de la IA aumenta cuando existe fricción cognitiva.
La respuesta automatizada no debería ser aceptada
inmediatamente, sino contrastada con
discrepancias, fuentes alternativas y criterios
disciplinares. Sun et al. (2026) aportan evidencia
especialmente relevante al comparar respuestas
directas con un enfoque socrático. Mientras las
soluciones completas promovían procesos
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(319)
http://www.aulavirtual.web.ve
superficiales de ensayo y error, las preguntas
progresivas generaban ciclos de reflexión,
depuración y construcción de soluciones. La
diferencia no se encontraba en el modelo utilizado,
sino en la modalidad de interacción. Esto confirma
que una IA diseñada como interlocutor o andamiaje
puede favorecer el razonamiento, mientras que una
herramienta configurada como solucionador
automático incrementa el riesgo de dependencia.
En cuanto a la autonomía decisional, la
revisión permite diferenciar la independencia
operativa de la autonomía cognitiva. Los estudiantes
pueden trabajar con menor asistencia docente,
recibir retroalimentación inmediata y avanzar a su
propio ritmo. No obstante, podrían seguir
dependiendo de la IA para seleccionar, formular y
validar las respuestas. Ala et al. (2025) describen
este efecto dual en la educación superior virtual. La
IA generativa facilita el aprendizaje personalizado y
la investigación independiente, pero también puede
producir complacencia y pérdida de
responsabilidad. He y Kang (2025) encontraron una
situación semejante en estudiantes de traducción,
quienes se beneficiaban de la práctica autónoma,
aunque la sobredependencia podía reducir su
capacidad para valorar matices lingüísticos y
culturales. Kalra et al. (2026) muestran que los
sistemas personalizados favorecen el control del
ritmo de aprendizaje, pero también pueden convertir
la formación en una trayectoria excesivamente
determinada por recomendaciones algorítmicas.
En atención a ello, la autonomía no debe
definirse únicamente como la capacidad para
trabajar sin la presencia inmediata del profesor.
Existe autonomía cognitiva cuando el estudiante
conserva el control sobre la formulación del
problema, la evaluación de alternativas y la decisión
final. La IA puede producir una autonomía aparente:
el estudiante completa la tarea por cuenta propia,
pero el razonamiento central procede del sistema.
Esta interpretación coincide con Jannah et al.
(2026), quienes diferencian la dependencia
adaptativa de la dependencia maladaptativa. La
primera mejora el desempeño sin desplazar la
autoría, mientras que la segunda genera
incomodidad, baja autoeficacia y dificultades para
actuar sin asistencia tecnológica. Budiyono et al.
(2025) y Jung et al. (2025) también muestran que la
dependencia prolongada puede debilitar la
confianza necesaria para escribir, analizar o revisar
de manera independiente.
Los estudios sobre simulaciones y tareas
auténticas ofrecen una perspectiva más favorable.
Hu et al. (2026), Ta et al. (2026) y Saroha (2025)
sostienen que las simulaciones clínicas asistidas por
IA permiten practicar diagnósticos y decisiones sin
generar riesgos para pacientes reales. Zhao et al.
(2025a) identificaron beneficios comparables en la
estimación aplicada al sector de la construcción,
mientras que Wan et al. (2025) demostraron que el
diseño de juegos financieros para una comunidad
exigía adaptar y validar los contenidos producidos
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(320)
http://www.aulavirtual.web.ve
por la herramienta. Zhou y Fang (2025) integraron
la IA generativa en una simulación de decisiones
empresariales que requería contrastar análisis,
interpretar resultados y considerar problemas
relacionados con la privacidad y los sesgos. Estos
estudios convergen en que la simulación fortalece la
competencia decisional cuando la IA genera el
escenario o aporta información, pero el estudiante
interpreta, justifica y asume la decisión. La
simulación pierde valor formativo cuando el
algoritmo proporciona la respuesta definitiva.
Los factores moderadores identificados
explican una parte considerable de las diferencias
observadas entre los estudios. La alfabetización en
IA, la mediación docente, el diseño de las tareas, los
conocimientos previos y las políticas institucionales
aparecen como los factores más consistentes.
Abubakar et al. (2025) aportan evidencia
cuantitativa al mostrar que la conciencia ética y las
políticas institucionales reducen los efectos
negativos de la sobredependencia. Tsiligkiris et al.
(2026) también encontraron que la disponibilidad de
orientaciones institucionales se relacionaba con
mejores prácticas de verificación. Pese a ello, Smit
et al. (2025) advierten que las normas ambiguas
pueden producir riesgos morales, debido a que
facilitan la racionalización de usos no declarados o
sustitutivos. La convergencia entre estos estudios
indica que no basta con aprobar políticas
institucionales. Estas deben ser comprensibles,
aplicables y acompañarse de procesos formativos.
La mediación docente cumple una función
igualmente decisiva. Alasgarova y Rzayev (2025),
Joshi (2026), Lakhe Shrestha et al. (2025) y Zhao et
al. (2025b) coinciden en que el profesorado necesita
integrar conocimientos tecnológicos, pedagógicos,
disciplinares y éticos. La capacitación meramente
instrumental puede aumentar el uso de estas
herramientas, pero no garantiza que las actividades
promuevan autonomía o pensamiento crítico. La
función docente se desplaza de la simple
transmisión de información hacia el diseño de
situaciones de aprendizaje, la supervisión del
razonamiento y la orientación ética. Esta
transformación también explica por qué la
interacción humana continúa siendo necesaria. La
IA proporciona rapidez y personalización, mientras
que los docentes y compañeros aportan contexto,
diálogo, sensibilidad cultural y responsabilidad
sobre las decisiones.
Las estrategias de mitigación identificadas
son coherentes con estos resultados. La elaboración
inicial sin asistencia tecnológica, la comparación
entre respuestas humanas y automatizadas, la
verificación obligatoria, las evaluaciones centradas
en el proceso, la retroalimentación híbrida y la
retirada progresiva del apoyo permiten preservar el
control cognitivo del estudiante. Li y Tekwa (2025),
Wan et al. (2025), Zhang (2025) y Zhao et al.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(321)
http://www.aulavirtual.web.ve
(2025a) respaldan una secuencia en la que el
estudiante resuelve primero la tarea y utiliza la IA
en una fase posterior. Pan (2025), Zhou y Fang
(2025), así como King y Lopour (2025), muestran
que la comparación entre fuentes, compañeros,
métodos manuales y respuestas automatizadas
favorece la adopción razonada de decisiones. Estas
estrategias convergen con el enfoque de andamiaje,
según el cual la IA debería proporcionar una ayuda
temporal orientada al desarrollo de competencias,
en lugar de convertirse en una condición
permanente para actuar.
La presente revisión presenta varias
limitaciones que deben considerarse al interpretar
sus hallazgos. En primer lugar, la búsqueda se
realizó exclusivamente en Scopus, por lo que
pudieron quedar excluidos estudios indexados en
Web of Science, ERIC, PubMed, IEEE Xplore u
otras bases especializadas. Esta decisión favoreció
la uniformidad del proceso de búsqueda, aunque
restringió la cobertura de disciplinas como la
informática, la medicina, la ingeniería y la
psicología educativa.
En segundo término, la literatura analizada es
reciente y se concentra principalmente en los años
2025 y 2026. Este rasgo refleja la naturaleza
emergente del campo, pero también evidencia la
escasez de investigaciones longitudinales. En
consecuencia, numerosos estudios describen efectos
inmediatos, percepciones o experiencias iniciales
sin establecer si la dependencia tecnológica
ocasiona pérdidas sostenidas de habilidades a lo
largo del tiempo.
Otra limitación corresponde a la
heterogeneidad metodológica. Se integraron
estudios cuantitativos, cualitativos, mixtos,
revisiones sistemáticas, revisiones de alcance,
experiencias pedagógicas y artículos de reflexión
aplicada. Esta diversidad permitió reconocer
patrones amplios, aunque impidió comparar
tamaños del efecto o establecer relaciones causales
consistentes. Varios estudios recurrieron a
autoinformes, percepciones docentes o niveles de
satisfacción estudiantil, indicadores que no siempre
coinciden con el desempeño objetivo.
También se identificaron diferencias en la
conceptualización de las variables. Los términos
dependencia, sobreutilización, descarga cognitiva,
sobreconfianza y autonomía fueron definidos y
medidos de distintas maneras. Esta falta de
uniformidad pudo ocasionar la integración de
fenómenos estrechamente relacionados, pero no
necesariamente equivalentes.
Debe reconocerse, además, una limitación
contextual. Aunque los criterios metodológicos
priorizaron la educación superior, algunos estudios
incluidos parcialmente examinaron estudiantes de
educación secundaria, futuros docentes o
percepciones del profesorado. Tales investigaciones
aportaron información transferible sobre los
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(322)
http://www.aulavirtual.web.ve
mecanismos de dependencia y las estrategias
pedagógicas, aunque redujeron la homogeneidad de
la población analizada.
Del mismo modo, la representación
geográfica fue desigual. Predominaron
investigaciones realizadas en Asia, Europa, Estados
Unidos y contextos vinculados con la enseñanza del
inglés. Por tal motivo, la generalización de los
resultados hacia universidades latinoamericanas,
rurales o con infraestructura tecnológica limitada
debe efectuarse con cautela.
Finalmente, no fue posible realizar un
metaanálisis debido a la diversidad de diseños,
instrumentos y resultados. En numerosos estudios,
el pensamiento crítico y la autonomía fueron
inferidos a partir de percepciones, producción
escrita, resolución de problemas o autorregulación,
en lugar de ser evaluados mediante instrumentos
estandarizados. La rápida evolución de las
herramientas de IA también dificulta separar los
efectos de un modelo específico de aquellos
derivados del diseño pedagógico. Una intervención
basada en una versión determinada de ChatGPT,
DeepSeek o un sistema adaptativo podría perder
vigencia tecnológica, aunque los principios
pedagógicos examinados mantengan su relevancia.
Las investigaciones futuras deberían
desarrollar estudios longitudinales que permitan
examinar si la utilización sostenida de IA produce
pérdida, conservación o transferencia de
habilidades. Resulta necesario comparar el
desempeño de los estudiantes durante actividades
asistidas y no asistidas, especialmente en tareas que
requieran argumentación, resolución de problemas
y adopción de decisiones contextualizadas. Estos
diseños permitirían diferenciar la mejora del
producto, el aprendizaje efectivo y la dependencia
funcional.
También se requiere la elaboración y
validación de instrumentos destinados a medir la
dependencia tecnológica en contextos educativos.
Las futuras investigaciones deberían diferenciar la
frecuencia de uso, la sobreconfianza, la ansiedad
ante la ausencia de IA, la pérdida de autoeficacia, la
delegación cognitiva y la dificultad para transferir
habilidades. Esta delimitación permitiría establecer
cuándo la utilización es adaptativa y en qué
momento se convierte en dependencia
maladaptativa.
De igual forma, sería pertinente incorporar
mediciones conductuales, registros de interacción,
análisis de instrucciones o prompts, seguimiento de
revisiones y pruebas de desempeño autónomo. La
integración de estas evidencias reduciría la
dependencia de los autoinformes y ofrecería una
comprensión más precisa de los procesos cognitivos
desarrollados durante la interacción con la IA.
En el ámbito de las simulaciones académicas,
futuras investigaciones deberían comparar
diferentes modalidades de integración: IA que
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(323)
http://www.aulavirtual.web.ve
proporciona respuestas completas, IA socrática,
sistemas que generan escenarios, retroalimentación
híbrida y simulaciones con retirada progresiva del
apoyo. La variable principal no debería limitarse a
la precisión final, sino incorporar la calidad del
razonamiento, la cantidad de alternativas
examinadas, la justificación de las decisiones, la
detección de errores y la capacidad para transferir lo
aprendido a nuevos escenarios.
También sería necesario analizar las
diferencias entre disciplinas, dado que las
consecuencias de una respuesta incorrecta no son
equivalentes en escritura, contabilidad, ingeniería,
medicina o educación. El nivel de riesgo, la
necesidad de conocimientos previos y el grado de
supervisión humana pueden variar
considerablemente según el campo profesional.
Por último, las investigaciones deberían
ampliar la representación de universidades
latinoamericanas y de contextos caracterizados por
un acceso tecnológico desigual. Resulta relevante
estudiar cómo la infraestructura, la capacitación
docente, las políticas institucionales y las
condiciones socioeconómicas influyen en el
desarrollo de la dependencia. Asimismo, convendría
evaluar experimentalmente estrategias como la
producción inicial sin IA, la verificación
obligatoria, la comparación humano-IA y las
evaluaciones centradas en el proceso. Aunque la
evidencia disponible permite recomendarlas,
todavía son escasos los estudios que comparan
sistemáticamente su eficacia.
En síntesis, la revisión demuestra que la
dependencia tecnológica de la IA puede debilitar el
pensamiento crítico y la autonomía decisional
cuando sustituye la construcción de argumentos, la
valoración de alternativas y la responsabilidad sobre
la decisión final. Pese a ello, la inteligencia artificial
también puede fortalecer estas competencias cuando
se integra como andamiaje, interlocutor socrático,
generador de escenarios o fuente provisional de
información sometida a contraste.
El problema central no consiste, por tanto, en
decidir entre utilizar o excluir la IA, sino en diseñar
entornos académicos donde la herramienta amplíe
las capacidades del estudiante sin desplazar su
agencia cognitiva. Bajo esta consideración, el valor
educativo de la IA dependerá menos de sus
posibilidades técnicas que de la forma en que sea
incorporada en las tareas, evaluaciones y procesos
de mediación pedagógica.
Conclusiones
La revisión sistemática permitió establecer
que la dependencia tecnológica de la inteligencia
artificial produjo efectos diferenciados sobre el
pensamiento crítico y la autonomía decisional de los
estudiantes. Los hallazgos evidenciaron que la IA
mejoró la eficiencia, la personalización del
aprendizaje, la retroalimentación, la generación de
alternativas y la resolución de determinadas tareas.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(324)
http://www.aulavirtual.web.ve
No obstante, estos beneficios coexistieron con una
disminución del esfuerzo cognitivo, una mayor
aceptación acrítica de respuestas automatizadas y
una menor capacidad para actuar sin asistencia
tecnológica. El hallazgo central radicó en que el
impacto de la IA no dependió exclusivamente de la
frecuencia de uso, sino de la función que asumió
dentro del proceso formativo. Cuando la
herramienta complementó la búsqueda de
información, el contraste de fuentes, la simulación y
la revisión, contribuyó al fortalecimiento de
competencias cognitivas superiores. En cambio,
cuando sustituyó la comprensión, la evaluación de
evidencias y la decisión final, favoreció la
dependencia y el debilitamiento del razonamiento
autónomo.
En correspondencia con el objetivo de
analizar los efectos de la dependencia tecnológica
de la IA sobre el pensamiento crítico y la autonomía
en la toma de decisiones dentro de los entornos
académicos, se concluyó que dicha dependencia
afectó negativamente ambas competencias cuando
los estudiantes delegaron en la herramienta la
formulación de argumentos, la valoración de
evidencias, la selección de alternativas y la
justificación de sus respuestas. En tales
circunstancias, la autonomía adquirió un carácter
meramente operativo, debido a que los estudiantes
lograron completar las actividades con menor
intervención humana, pero continuaron
dependiendo del sistema para producir, validar o
decidir. En sentido contrario, la autonomía
cognitiva se conservó cuando el estudiante mantuvo
el control sobre la delimitación del problema,
cuestionó los resultados generados, contrastó
fuentes y asumió la responsabilidad de la decisión
final.
En su condición de revisión sistemática, el
estudio integró evidencia procedente de
investigaciones con diseños metodológicos,
contextos disciplinares y modalidades de aplicación
de la IA diversas. Esta amplitud hizo posible
reconocer patrones comunes y factores
moderadores, entre los cuales destacaron la
alfabetización crítica en IA, la mediación docente,
los conocimientos previos, el diseño de las tareas, la
claridad de las políticas institucionales y el
momento en que intervino la herramienta. La
síntesis evidenció que estos factores determinaron si
la IA operó como un andamiaje cognitivo o como
un sustituto del razonamiento. Del mismo modo, las
estrategias más consistentes para reducir la
dependencia fueron la elaboración inicial sin IA, la
comparación entre soluciones humanas y
automatizadas, la verificación obligatoria, las
evaluaciones centradas en el proceso, la
retroalimentación híbrida y la retirada progresiva
del apoyo tecnológico.
Las implicaciones derivadas de los resultados
mostraron que la incorporación educativa de la IA
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(325)
http://www.aulavirtual.web.ve
debió orientarse hacia la ampliación de las
capacidades humanas y no hacia la automatización
integral del aprendizaje. Los hallazgos permitieron
sostener que las instituciones educativas debían
promover diseños pedagógicos en los cuales la
herramienta planteara escenarios, ofreciera
información provisional o proporcionara
retroalimentación, mientras el estudiante conservara
la interpretación, la justificación y la
responsabilidad sobre la decisión final. Por
consiguiente, la calidad de la integración
tecnológica no residió únicamente en la
disponibilidad de la IA, sino en la manera en que fue
incorporada en las actividades, los procesos de
evaluación y las dinámicas de acompañamiento
docente.
Por último, se determinó que las
investigaciones futuras debían profundizar en la
distinción entre uso adaptativo y dependencia
maladaptativa mediante estudios longitudinales y
experimentales. También resultó necesario
comparar el desempeño de los estudiantes con y sin
asistencia tecnológica, así como utilizar
instrumentos validados para medir el pensamiento
crítico, la autonomía, la sobreconfianza y la posible
pérdida de habilidades. De igual manera, se
identificó la necesidad de ampliar la evidencia en
contextos latinoamericanos y de evaluar
específicamente la eficacia de las simulaciones
académicas asistidas por IA para desarrollar
competencias decisionales duraderas, transferibles y
sostenibles.
Referencias
Abubakar, S., Jeilani, A., & Yusuf, M. (2025). The
role of over-reliance on AI in the negative
consequences of student learning: The
moderating effects of ethical concerns and
institutional policies. Cogent Education, 12(1),
Article 2591503. Documento en línea.
Disponible
https://doi.org/10.1080/2331186X.2025.259150
3
Agrati, L. S., Vinci, V., Beri, A., & Berardi, P.
(2026). Use of AI-assisted writing tools for
student self-assessment at school: Survey on
teachers’ perceptions and practices. Frontiers in
Education, 11, Article 1701597. Documento en
línea. Disponible
https://doi.org/10.3389/feduc.2026.1701597
Ala, M., Shahid, S., Mahmud, S., Mohyuddin, S., &
Kaur, K. (2025). Perceived influence of GenAI
on student engagement in online higher
education. Journal of Applied Learning &
Teaching, 8(2), 67–80. Documento en línea.
Disponible
https://doi.org/10.37074/jalt.2025.8.2.16
Alasgarova, R., & Rzayev, J. (2025). The
implications of artificial intelligence for teacher
agency and teacher-student relationships through
the Technology Acceptance Model.
International Journal of Technology in
Education and Science, 9(3), 450–473.
Documento en línea. Disponible
https://doi.org/10.46328/ijtes.645
AlBannai, N. A. (2025). From classroom to
boardroom: Ethical and cognitive challenges of
ChatGPT use among DBA students in business
problem-solving. The International Journal of
Management Education, 23, Article 101254.
Documento en línea. Disponible
https://doi.org/10.1016/j.ijme.2025.101254
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(326)
http://www.aulavirtual.web.ve
Alghazo, M., Ahmed, V., Bahroun, Z., & Saboor, S.
(2025). Generative AI in mechanical engineering
education: Enablers, challenges, and
implementation pathways. Sustainability,
17(23), Article 10817. Documento en línea.
Disponible https://doi.org/10.3390/su172310817
Almutairi, A. F., Pils, J., Muhammad, N., & Khan,
S. (2026). AI ethics bylaws for academia:
Teaching, learning, and assessment. Societies,
16(4), Article 106. Documento en línea.
Disponible https://doi.org/10.3390/soc16040106
Alqahtani, N., Alshammari, K. K., Jamshed, M., &
Karim, M. R. (2026). From pedagogy to
research: Exploring ChatGPT’s transformative
role in Saudi EFL educational innovation and
scientific research. World Journal of English
Language, 16(4), 234–245. Documento en línea.
Disponible
https://doi.org/10.5430/wjel.v16n4p234
Alshamy, A., Al-Harthi, A. S. A., & Abdullah, S.
(2025). Perceptions of generative AI tools in
higher education: Insights from students and
academics at Sultan Qaboos University.
Education Sciences, 15(4), Article 501.
Documento en línea. Disponible
https://doi.org/10.3390/educsci15040501
Alshehri, O. A. O., Tashtoush, M. A., Alsubaie, F.
B. S. M., Rahmath, M., Khasawneh, M. A., &
Abdellatif, M. S. (2025). The impact of artificial
intelligence on cognitive skills development
among undergraduate students. Journal of
Statistics Applications & Probability, 14(6),
909–920. Documento en línea. Disponible
https://doi.org/10.18576/jsap/140627
Alzubi, A. A. F., Nazim, M., & Alyami, N. (2025).
Do AI-generative tools kill or nurture creativity
in EFL teaching and learning? Education and
Information Technologies, 30, 15147–15184.
Documento en línea. Disponible
https://doi.org/10.1007/s10639-025-13409-8
Athanassopoulos, S., Tzavara, A., Aravantinos, S.,
Lavidas, K., Komis, V., & Papadakis, S. (2026).
Teacher education students’ practices, benefits,
and challenges in the use of generative AI tools
in higher education. Education Sciences, 16(2),
Article 228. Documento en línea. Disponible
https://doi.org/10.3390/educsci16020228
Awashreh, R. (2025). Be aware: Navigating
challenges in AI-driven higher education. The
International Journal of Interdisciplinary
Educational Studies, 20(1), 203–218.
Documento en línea. Disponible
https://doi.org/10.18848/2327-
011X/CGP/v20i01/203-218
Budiyono, H., Marzuki, Pudjaningsih, W., Prastio,
B., & Maulidina, A. (2025). Exploring long-term
impact of AI writing tools on independent
writing skills: A case study of Indonesian
language education students. International
Journal of Information and Education
Technology, 15(5), 1003–1013. Documento en
línea. Disponible
https://doi.org/10.18178/ijiet.2025.15.5.2306
Carrión, M. del C. L., Romero, J. A., Aguilera, D.
S., & Romero, A. Y. (2024). Consecuencias de la
Dependencia de la Inteligencia Artificial en
Habilidades Críticas y Aprendizaje Autónomo en
los Estudiantes. Ciencia Latina Revista
Científica Multidisciplinar, 8(2), 2368–2382.
Documento en línea. Disponible
https://doi.org/10.37811/cl_rcm.v8i2.10678
Cunningham, E., Kings, I., Robbins, P., & Keith, M.
J. (2026). Integrating generative artificial
intelligence into chemical engineering education:
Staff and student perspectives. Education for
Chemical Engineers, 55, Article 100503.
Documento en línea. Disponible
https://doi.org/10.1016/j.ece.2026.100503
Cutillas, A. L., Balili, E. E., Jr., Rellin, E. C., Remo,
M. H., Quindala, E. S., & Bacalso, F. D. (2025).
Analyzing alternative academic assessments in
universities with cheat-proofing behaviors and
instructor-formulated mechanics in an AI-
dependent setting. Environment and Social
Psychology, 10(5), Article 3265. Documento en
línea. Disponible
https://doi.org/10.59429/esp.v10i5.3265
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(327)
http://www.aulavirtual.web.ve
Derakhshan, A., & Taghizadeh, M. S. (2025). Does
artificial intelligence (AI) nurture or hinder
language learners’ higher-order think skills
(HOTS)? A phenomenological study on L2
learners’ perspectives and lived experiences.
International Journal of Applied Linguistics.
Advance online publication. Documento en
línea. Disponible
https://doi.org/10.1111/ijal.12824
Dong, C., Aw, D. C. W., Lee, D. W. C., Low, S. C.,
& Yan, C. C. (2025). Generative AI in
healthcare: Insights from health professions
educators and students. International Medical
Education, 4(2), Article 11. Documento en línea.
Disponible https://doi.org/10.3390/ime4020011
Echeverría, B. A. V., Arellano, L., Portocarrero, N.
Y. A., & Palomino, J. E. E. (2024). El papel de la
inteligencia artificial en la formación del
pensamiento crítico en las nuevas generaciones.
Arandu Utic, 11(2), 2021–2034. Documento en
línea. Disponible
https://doi.org/10.69639/arandu.v11i2.391
Estigarribia, M. I. C. de, & Velázquez, R. E. (2024).
Inteligencia artificial y pensamiento crítico en
ambientes virtuales de aprendizaje. Arandu Utic,
11(1), 64–76. Documento en línea. Disponible
https://doi.org/10.69639/arandu.v11i1.178
Gambo, O., Onifade, O. J., Olanrewaju-Smart, W.,
Abuya, O. J., Salawu, R. E., Massenon, R., &
Gambo, I. (2026). Impact of ChatGPT on
learning outcomes and performance of students
in computer programming courses: A mixed-
method approach. Discover Education, 5, Article
164. Documento en línea. Disponible
https://doi.org/10.1007/s44217-026-01142-4
Griche, M. S., & Bennis, M. (2026). Generative
artificial intelligence integration in foreign
language education in higher education: A
systematic literature review. Technology in
Language Teaching & Learning, 8, Article
102827. Documento en línea. Disponible
https://doi.org/10.29140/tltl.2026.102827
Hamsiah, A., Rizal, A., & Malik, A. R. (2026).
ChatGPT use in higher education writing and its
relationship with critical thinking autonomy
struggle and authorship. Discover Education, 5,
Article 580. Documento en línea. Disponible
https://doi.org/10.1007/s44217-026-01627-2
Haroud, S., & Saqri, N. (2025). Generative AI in
higher education: Teachers’ and students’
perspectives on support, replacement, and digital
literacy. Education Sciences, 15(4), Article 396.
Documento en línea. Disponible
https://doi.org/10.3390/educsci15040396
Harun, N. A. N., Syed, M. A. M., Abdullah, F., &
Aziz, N. A. A. (2026). Classroom reflections on
AI-assisted creativity in design education. SOTL
in the South, 10(1), 133–141. Documento en
línea. Disponible
https://doi.org/10.36615/f66j8309
He, X., & Kang, M. S. (2025). The application of
ChatGPT in Chinese MTI students’ autonomous
learning. Arab World English Journal, Special
Issue on Artificial Intelligence, 176–192.
Documento en línea. Disponible
https://doi.org/10.24093/awej/AI.10
Hu, Z., Qiu, C., Wang, A., Xu, S., Ye, J., Zou, J.,
Liu, S., Yuan, W., & Lv, J. (2026). Student
voices: Synergising artificial and human
intelligence in health science education. BMC
Medical Education, 26, Article 185. Documento
en línea. Disponible
https://doi.org/10.1186/s12909-025-08545-1
Irish, A. L., Gazica, M. W., & Becerra, V. (2025).
A qualitative descriptive analysis on generative
artificial intelligence: Bridging the gap in
pedagogy to prepare students for the workplace.
Discover Education, 4, Article 48. Documento en
línea. Disponible
https://doi.org/10.1007/s44217-025-00435-4
Jamaluddin Z, W., Supriadi, N., & Suherman, S.
(2025). Creative AI in education: The role of
technological dependence, motivation, and
student participation. Revista de Estudios e
Investigación en Psicología y Educación, 12(2).
Documento en línea. Disponible
https://doi.org/10.17979/reipe.2025.12.2.11997
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(328)
http://www.aulavirtual.web.ve
Jannah, S. M., Putro, N. H. P. S., Andriyanti, E.,
Hidayat, N., Mokay, M. M., Rahmawati, R. N.,
Nursalam, Suprianti, G. A. P., & Safa, B. S. S.
(2026). Students’ voices on artificial
intelligence: Uncovering the dependency
paradox in academic writing. Human Behavior
and Emerging Technologies, 2026, Article
7738557. Documento en línea. Disponible
https://doi.org/10.1155/hbe2/7738557
Jesús, M. de. (2024). Influencia de la Inteligencia
Artificial en el ámbito educativo. Vinculatégica
Efan, 10(6), 122–140. Documento en línea.
Disponible https://doi.org/10.29105/vtga10.6-
1039
Jogezai, N. A., Baloch, F. A., Jaffar, M., & Khilji,
G. (2025). Generative AI in higher education:
University faculty perspectives on opportunities
and challenges. Turkish Online Journal of
Distance Education, 26(3), 128–143.
Joshi, S. C. (2026). Exploring intelligent-TPACK
among university teachers: A two-phase mixed-
methods study. Journal of Computers in
Education. Advance online publication.
Documento en línea. Disponible
https://doi.org/10.1007/s40692-026-00395-0
Jung, J., Joo, S., Park, H., & Han, I. (2025).
Challenges of integrating ChatGPT into EFL
writing: An activity theory framework. In
Proceedings of the International Conference of
the Learning Sciences 2025 (pp. 2777–2779).
International Society of the Learning Sciences.
Kalra, R., Siribud, S., & Donsomsakulkij, W.
(2026). Enhancing academic outcomes: The role
of AI-driven personalized learning in Thai higher
education. LEARN Journal: Language
Education and Acquisition Research Network,
19(1), 119–140. Documento en línea. Disponible
https://doi.org/10.70730/FLKU5081
Khan, R., Qamar, M. T., Ansari, M. S., & Yasmeen,
J. (2025). Enhancing or impairing? Exploring
Indian EFL learners’ academic writing narratives
with ChatGPT. Cogent Education, 12(1), Article
2514329. Documento en línea. Disponible
https://doi.org/10.1080/2331186X.2025.251432
9
King, C. E., & Lopour, B. A. (2025). Fostering
critical thinking during use of generative AI: A
novel learning module for ideation in biomedical
engineering design. Biomedical Engineering
Education, 5, 397–413. Documento en línea.
Disponible https://doi.org/10.1007/s43683-025-
00192-8
Kohnke, L., Zou, D., Lai, C., & Gu, M. M. (2026).
Preparing pre-service teachers for responsible
generative AI use: Curriculum implications for
ethics, privacy, and AI literacy. Computers and
Education: Artificial Intelligence, 10, Article
100617. Documento en línea. Disponible
https://doi.org/10.1016/j.caeai.2026.100617
Kurniawan, C., & Hendratno, S. P. (2025).
Analyzing the impact of AI text generators on
learning styles, technological dependency, and
critical thinking among accounting students.
International Journal of Information and
Education Technology, 15(11), 2465–2475.
Documento en línea. Disponible
https://doi.org/10.18178/ijiet.2025.15.11.2442
Lakhe Shrestha, B. L., Dahal, N., Hasan, M. K.,
Paudel, S., & Kapar, H. (2025). Generative AI on
professional development: A narrative inquiry
using TPACK framework. Frontiers in
Education, 10, Article 1550773. Documento en
línea. Disponible
https://doi.org/10.3389/feduc.2025.1550773
Le, H., Shen, Y., Li, Z., Xia, M., Tang, L., Li, X.,
Jia, J., Wang, Q., Gašević, D., & Fan, Y. (2025).
Breaking human dominance: Investigating
learners’ preferences for learning feedback from
generative AI and human tutors. British Journal
of Educational Technology, 56(5), 1758–1783.
Documento en línea. Disponible
https://doi.org/10.1111/bjet.13614
Li, H. (2025). AI foundations in China’s medical
physiology education: Pedagogical practices and
systemic challenges. Advances in Medical
Education and Practice, 16, 1439–1453.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(329)
http://www.aulavirtual.web.ve
Documento en línea. Disponible
https://doi.org/10.2147/AMEP.S532951
Li, M., & Tekwa, K. (2025). Timing AI intervention
in the writing process for low proficiency
learners: Relationship with motivation, self-
efficacy, and performance. European Journal of
Psychology of Education, 40, Article 120.
Documento en línea. Disponible
https://doi.org/10.1007/s10212-025-01030-9
Liu, Z., Hu, Y., & Zhang, Q. (2026). Harnessing
artificial intelligence for preservice teachers’
development: A scoping review of applications,
benefits, and challenges. Computers and
Education Open, 10, Article 100330. Documento
en línea. Disponible
https://doi.org/10.1016/j.caeo.2026.100330
Mai, H. T. (2026). Evaluating the impact of using
ChatGPT on EFL students’ argumentative skills.
Discover Education, 5, Article 189. Documento
en línea. Disponible
https://doi.org/10.1007/s44217-026-01153-1
Melisa, R., Ashadi, A., Triastuti, A., Hidayati, S.,
Salido, A., Ero, P. E. L., Marlini, C., Zefrin, Z.,
& Fuad, Z. A. (2025). Critical thinking in the age
of AI: A systematic review of AI’s effects on
higher education. Educational Process:
International Journal, 14, Article e2025031.
Documento en línea. Disponible
https://doi.org/10.22521/edupij.2025.14.31
Németh, T., Irandoust, S., & Dávidovics, A. (2026).
AI in medical and dentistry education:
Perspectives from international students,
educators and physicians. BMC Medical
Education, 26, Article 534. Documento en línea.
Disponible https://doi.org/10.1186/s12909-026-
08886-5
Nguyen, K. V. (2025). The use of generative AI
tools in higher education: Ethical and
pedagogical principles. Journal of Academic
Ethics, 23, 1435–1455. Documento en línea.
Disponible https://doi.org/10.1007/s10805-025-
09607-1
Nguyen, T. P., & Kasahara, K. (2025). Exploring
Japanese pre-service teachers’ experiences and
reflections on text-to-image generative AI in art
education. International Journal of Education
Through Art, 21(3), 461–481. Documento en
línea. Disponible
https://doi.org/10.1386/eta_00212_1
Nhan, L. K., Hoa, N. T. M., & Quang, L. V. N.
(2025). Leveraging AI for writing instruction in
EFL classrooms: Opportunities and challenges.
Educational Process: International Journal, 15,
Article e2025158. Documento en línea.
Disponible
https://doi.org/10.22521/edupij.2025.15.158
Page MJ, McKenzie JE, Bossuyt PM, et al. (2020).
The PRISMA 2020 statement: an updated
guideline for reporting systematic reviews. BMJ.
2021;372:n71. Documento en línea. Disponible
https://doi.org/10.1136/bmj.n71
Pan, Y. (2025). Leveraging generative AI powered
rubric-indexed feedback as a formative
assessment strategy for enhancing medical
English education. Discover Computing, 28,
Article 284. Documento en línea. Disponible
https://doi.org/10.1007/s10791-025-09830-9
Piedra-Castro, W. I., Cajamarca-Correa, M. A.,
Burbano-Buñay, E. S., & Moreira-Alcívar, E. F.
(2024). Integración de la inteligencia artificial en
la enseñanza de las Ciencias Sociales en la
educación superior. Journal of Economic and
Social Science Research, 4(3), 105–126.
Documento en línea. Disponible
https://doi.org/10.55813/gaea/jessr/v4/n3/123
Qadhi, S., Alduais, A., Chaaban, Y., & Khraisheh,
M. (2026). Experiences of academics, graduates,
and undergraduates in using generative AI in
research (un)ethically and (ir)responsibly: A
systematic review of qualitative synthesis.
International Information & Library Review,
58(1), 122–144. Documento en línea. Disponible
https://doi.org/10.1080/10572317.2026.2626122
Rahman, G., Almutairi, E. A. A., Almutairi, M., &
Mudhsh, B. A. (2025). The impact of AI-
powered text generation on undergraduate
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(330)
http://www.aulavirtual.web.ve
students’ critical thinking: A study on ChatGPT
usage. Journal of University Teaching &
Learning Practice, 21(6). Documento en línea.
Disponible https://doi.org/10.53761/srkt0510
Ruano, A. C. B., Inca, U. R. G., Carrera, J. E. R.,
Oña, J. E. C., & Guamán, M. B. G. (2024). El
constructivismo y la implementación de la
inteligencia artificial en educación, perspectiva a
mediano plazo. Ciencia Latina Revista Científica
Multidisciplinar, 8(3), 3156–3170. Documento
en línea. Disponible
https://doi.org/10.37811/cl_rcm.v8i3.11539
Sarkar, I., Singh, A. P., Ahmad, Z., & Khan, N. B.
(2026). Decoding dispositions: Attitudes of
Indian engineering students towards AI in the
ESL classroom and its correlation with academic
performance. Journal of Engineering Education
Transformations, 39(Special Issue 2), 416–423.
Saroha, S. (2025). Artificial intelligence in medical
education: Promise, pitfalls, and practical
pathways. Advances in Medical Education and
Practice, 16, 1039–1046. Documento en línea.
Disponible
https://doi.org/10.2147/AMEP.S523255
Selman-Álvarez, R., Figueroa-Fernández, Ú., Cruz-
Mackenna, E., Jarry, C., Escalona, G., Corvetto,
M., & Varas, J. (2023). Inteligencia artificial en
simulación médica: estado actual y proyecciones
futuras. Revista Latinoamericana De Simulación
Clínica, 5(3), 117–122. Documento en línea.
Disponible https://doi.org/10.35366/114035
Silor, A. C., & Silor, F. S. C. (2025). Boosting
reading comprehension through AI-based
learning tools. International Journal of
Learning, Teaching and Educational Research,
24(9), 61–79. Documento en línea. Disponible
https://doi.org/10.26803/ijlter.24.9.4
Smit, M., Wagner, R. F., & Bond-Barnard, T. J.
(2025). Ambiguous regulations for dealing with
AI in higher education can lead to moral hazards
among students. Project Leadership and Society,
6, Article 100187. Documento en línea.
Disponible
https://doi.org/10.1016/j.plas.2025.100187
Solteo, V. Q., Jr. (2025). The impact of AI on
creativity in business conceptualization:
Exploring social and psychological development
in business education. Environment and Social
Psychology, 10(2), Article 3394. Documento en
línea. Disponible
https://doi.org/10.59429/esp.v10i2.3394
Suliman, Z. (2026). Society 5.0’s rise of GenAI and
the impact on critical thinking in DE. Frontiers
in Education, 11, Article 1715468. Documento
en línea. Disponible
https://doi.org/10.3389/feduc.2026.1715468
Sun, D., Zheng, Y., Xu, J., & Yang, Z. (2026). When
generative AI meets Socratic method:
Investigating programming learning dynamics
through behaviours, interaction qualities and
perceptions. Journal of Computer Assisted
Learning, 42, Article e70210. Documento en
línea. Disponible
https://doi.org/10.1002/jcal.70210
Ta, K. T. L., Patel, A., Keller, N., Pandey, S. R., Kc,
A., & Arries, C. (2026). Piloting an AI
introduction program for incoming medical
students: A novel approach to medical education.
Medical Science Educator. Advance online
publication. Documento en línea. Disponible
https://doi.org/10.1007/s40670-026-02782-9
Torres, C. G., González, A. Z., & Hernando, J. L. O.
(2023). El impacto de la inteligencia artificial
generativa en educación superior: una mirada
desde la ética y la integridad académica. Relieve
- Revista Electrónica De Investigación Y
Evaluación Educativa, 29(2). Documento en
línea. Disponible
https://doi.org/10.30827/relieve.v29i2.29134
Triyanto, & Handayani, R. D. (2025). Ethical
considerations in the use of artificial intelligence
(AI) among university students. The New
Educational Review, 80(2), 100–114.
Documento en línea. Disponible
https://doi.org/10.15804/tner.2025.80.2.07
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(331)
http://www.aulavirtual.web.ve
Tsiligkiris, V., Kéri, A., & Bowyer, D. (2026).
Cross-country insights into students’ perceptions
and applications of generative AI in accounting
higher education. Accounting Education.
Advance online publication. Documento en
línea. Disponible
https://doi.org/10.1080/09639284.2026.2688988
Ugli, A. M. B., Kamal, S. S. L. A., & Azamovna, A.
M. (2025). Understanding Uzbekistan University
EFL teachers’ perceptions of ChatGPT: From
benefits to ethical challenges. International
Journal of Information and Education
Technology, 15(2), 246–254. Documento en
línea. Disponible
https://doi.org/10.18178/ijiet.2025.15.2.2238
Uppal, K., & Hajian, S. (2025). Students’
perceptions of ChatGPT in higher education: A
study of academic enhancement, procrastination,
and ethical concerns. European Journal of
Educational Research, 14(1), 199–211.
Documento en línea. Disponible
https://doi.org/10.12973/eu-jer.14.1.199
Vieriu, A. M., & Petrea, G. (2025). The impact of
artificial intelligence (AI) on students’ academic
development. Education Sciences, 15(3), Article
343. Documento en línea. Disponible
https://doi.org/10.3390/educsci15030343
Wan, K., Woo, Y. Y., & Ho, G. T. S. (2025).
Enhancing service-learning through generative
AI: A mixed-methods study on educational game
design in a finance course. Cogent Education,
12(1), Article 2592370. Documento en línea.
Disponible
https://doi.org/10.1080/2331186X.2025.259237
0
Wang, D., Liu, Y., Jing, X., Liu, Q., & Lu, Q.
(2025). Catalyst for future education: An
empirical study on the impact of artificial
intelligence generated content on college
students’ innovation ability and autonomous
learning. Education and Information
Technologies, 30, 9949–9968. Documento en
línea. Disponible
https://doi.org/10.1007/s10639-024-13209-6
Wang, S. B., Wang, S. I.-C., & Liu, E. Z.-F. (2026).
Role of generative AI literary assistants in
enhancing ninth-grade students’ writing
motivation, flow and achievement. Computers
and Education Open, 10, Article 100339.
Documento en línea. Disponible
https://doi.org/10.1016/j.caeo.2026.100339
Wangdi, T., & Shimray, R. (2025). AI-powered
ReadTheory as a self-access learning platform to
enhance EFL learners’ reading enjoyment and
comprehension skills: A posthumanist
perspective. Studies in Self-Access Learning
Journal, 16(2), 437–460. Documento en línea.
Disponible https://doi.org/10.37237/160209
Xu, Y. (2025). Integrating large language models
into EFL classrooms in China: Pedagogical
innovations and critical reflections. Journal of
Applied Learning & Teaching, 8(2), 49–57.
Documento en línea. Disponible
https://doi.org/10.37074/jalt.2025.8.2.2
Zakaria, N. Y. K., Hashim, H., & Jamaludin, K. A.
(2025). Exploring the impact of AI on critical
thinking development in ESL: A systematic
literature review. Arab World English Journal,
Special Issue on Artificial Intelligence, 330–347.
Documento en línea. Disponible
https://doi.org/10.24093/awej/AI.19
Zamora, R. A. E., Paguay, M. P. Y., Chiliguano, N.
M. T., & Cantuña, G. A. M. (2024). La
Revolución Educativa: Un Análisis de la
Implementación de la Inteligencia Artificial por
Docentes en el Siglo XXI. Mediciencias Uta,
8(2), 46–55. Documento en línea. Disponible
https://doi.org/10.31243/mdc.uta.v8i2.2428.202
4
Zhang, X. (2025). Incorporating AI tools into
database classes. Journal of Information Systems
Education, 36(1), 37–52. Documento en línea.
Disponible https://doi.org/10.62273/GKZI2477
Zhao, T., Lin, X., & Na, R. (2025a). Integrating AI
in construction estimation education: A
comparative study of Togal AI and Bluebeam
Revu 20. European Journal of Education, 60,
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(332)
http://www.aulavirtual.web.ve
Article e70287. Documento en línea. Disponible
https://doi.org/10.1111/ejed.70287
Zhao, X., Liu, C., Philippakos, Z., Zahra, F., &
Aydeniz, M. (2025b). Reflections on the merit
and perils of AI in higher education: Five early
adopter’s perspectives. International Journal of
Technology in Education and Science, 9(4), 522–
544. Documento en línea. Disponible
https://doi.org/10.46328/ijtes.648
Zhou, X., & Fang, L. (2025). From collaboration to
critique: Engaging with GenAI to foster critical
thinking in business analytics. Management
Teaching Review. Advance online publication.
Documento en línea. Disponible
https://doi.org/10.1177/23792981251389862
