South American Research Journal, 4(2), 5-15  
https://www.sa-rj.net//index.php/sarj/article/view/57  
the pedagogical and administrative advantages of AI, and the  
main barriers to its adoption in the educational field. The  
analysis revealed that teachers value AI primarily for its  
ability to personalize learning and optimize administrative  
tasks; however, they also express ethical concerns about  
privacy and equity, as well as technical limitations related to  
infrastructure and insufficient training. Among the most  
prominent challenges are the lack of technical skills and  
skepticism toward technology in certain educational contexts.  
Although AI offers significant potential to enhance education,  
its success depends on a balanced integration that respects the  
teacher's role and promotes ethical and equitable  
implementation. This review highlights the need for  
educational policies that support continuous training and  
promote equal access to AI technologies.  
Inteligencia artificial en la educación:  
Revisión sistemática de perspectivas,  
beneficios y desafíos en la práctica  
docente  
Artificial  
Intelligence  
in  
Education:  
Systematic Review of Perspectives, Benefits  
and Challenges in Teaching Practice  
Ruth Peñafiel-Jurado1 , Nelly Márquez-Márquez1 , Isabel  
Guamán-Villa1  
1
Unidad Educativa Miguel Moreno Ordóñez, cantón Cuenca,  
Keywords: artificial intelligence, teaching practice,  
systematic review, personalized learning, ethical challenges.  
provincia del Azuay, Ecuador.  
Recibido: 15 de octubre de 2024 - Aceptado: 2 de diciembre de  
INTRODUCCIÓN  
2
024 - Publicado: 17 de diciembre de 2024.  
La inteligencia artificial (IA) ha emergido en la última  
década como una tecnología transformadora en múltiples  
sectores, incluyendo el educativo. En el contexto de la  
educación, la IA ofrece oportunidades significativas para  
RESUMEN  
El objetivo de esta revisión sistemática es analizar las  
mejorar la enseñanza y el aprendizaje mediante la  
perspectivas, beneficios y desafíos percibidos por los  
docentes respecto al uso de la inteligencia artificial (IA) en la  
educación entre 2020 y 2024. Se utilizó el modelo PRISMA  
para seleccionar un total de 53 estudios que cumplen con los  
criterios de inclusión. Los datos fueron extraídos y evaluados  
para sintetizar las percepciones de los docentes, las ventajas  
pedagógicas y administrativas de la IA, así como las  
principales barreras para su adopción en el ámbito educativo.  
El análisis reveló que los docentes valoran la IA  
principalmente por su capacidad de personalizar el  
aprendizaje y optimizar tareas administrativas, aunque  
también expresan preocupaciones éticas sobre privacidad y  
equidad, así como limitaciones técnicas relacionadas con  
infraestructura y capacitación insuficiente. Entre los desafíos  
más destacados se encuentran la falta de competencias  
técnicas y el escepticismo hacia la tecnología en algunos  
contextos educativos. Aunque la IA ofrece un potencial  
significativo para mejorar la educación, su éxito depende de  
una integración equilibrada que respete el rol del docente y  
promueva una implementación ética y equitativa. Esta  
revisión resalta la necesidad de políticas educativas que  
apoyen la formación continua y promuevan un acceso  
igualitario a las tecnologías de IA.  
automatización de procesos, la personalización de la  
instrucción y el apoyo a la toma de decisiones pedagógicas  
(Chounta et al., 2021; Kim y Kim, 2022). Las herramientas  
de IA, tales como sistemas de tutores inteligentes,  
plataformas de aprendizaje adaptativo, y aplicaciones de  
análisis de datos educativos, han comenzado a redefinir el rol  
del docente y las estrategias pedagógicas en las aulas. Sin  
embargo, el uso de IA en la educación también plantea  
desafíos importantes, que abarcan desde preocupaciones  
éticas y privacidad de datos hasta la resistencia de los  
docentes a incorporar nuevas tecnologías debido a una falta  
de preparación y formación (Celik, 2023; Pratama et al.,  
2023).  
Esta revisión sistemática busca sintetizar las  
investigaciones recientes sobre las percepciones de los  
docentes, los beneficios y los desafíos del uso de la IA en la  
educación. Los estudios incluidos abarcan el período 2020-  
2024, una etapa caracterizada por la masificación de  
plataformas de IA amigables para el público, como ChatGPT,  
lanzado en noviembre de 2022, que marcó un hito en la  
accesibilidad de chatbots avanzados y desató un auge global  
en su uso educativo. Estas plataformas han facilitado el  
acceso de los docentes a la IA mediante interfaces sencillas,  
permitiéndoles implementar esta tecnología sin necesidad de  
conocimientos especializados en programación o análisis de  
datos.  
Palabras clave: inteligencia artificial, práctica docente,  
revisión sistemática, personalización del aprendizaje,  
desafíos éticos.  
Visto de esta forma, el docente no se enfrenta  
directamente a la IA, sino a sus aplicaciones prácticas, como  
los chatbots, los cuales se presentan como herramientas que  
simplifican tareas complejas. Sin embargo, para el docente,  
que no suele ser un programador o experto en IA, el  
funcionamiento interno de estos sistemas permanece como  
una caja negra, generando respuestas automatizadas cuya  
lógica subyacente es opaca. Esta percepción influye en la  
confianza y en las estrategias de integración de la IA en el  
aula. A través de un análisis sistemático de la literatura, este  
ABSTRACT  
The objective of this systematic review is to analyze  
teachers' perspectives, benefits, and perceived challenges in  
the implementation of artificial intelligence (AI) in education  
from 2020 to 2024. The PRISMA model was used to select a  
total of 53 studies that met the inclusion criteria. Data were  
extracted and evaluated to synthesize teachers' perceptions,  
https://doi.org/10.5281/zenodo.14507789  
5
South American Research Journal, 4(2), 5-15  
https://www.sa-rj.net//index.php/sarj/article/view/57  
artículo examina cómo los docentes perciben estas  
tecnologías, los beneficios específicos que observan en su  
implementación y los obstáculos que enfrentan al adoptarlas.  
La relevancia de este trabajo radica en la necesidad de  
contar con un panorama claro y actualizado sobre el impacto  
de la IA en la práctica docente. Comprender las percepciones  
y experiencias de los docentes es fundamental para diseñar  
políticas y programas de capacitación que les permitan  
maximizar los beneficios de la IA y abordar sus desafíos. A  
su vez, los hallazgos de esta revisión pueden orientar a los  
investigadores y desarrolladores de IA educativa en la  
creación de herramientas que respondan a las necesidades  
específicas del aula.  
pensar de forma independiente, subrayando la necesidad de  
un equilibrio entre la interacción humano-máquina.  
Evidencian la literatura un consenso sobre el impacto  
positivo de la IA en la personalización del aprendizaje y la  
optimización administrativa. Sin embargo, las limitaciones  
éticas, técnicas y pedagógicas subrayan la importancia de  
investigaciones continuas y políticas integradoras para  
garantizar una implementación efectiva y equitativa en  
diversos contextos educativos. Esta revisión de la literatura  
constituye un marco sólido para contextualizar los hallazgos  
de esta revisión sistemática y su contribución al conocimiento  
actual en la intersección entre la IA y la educación.  
Objetivo  
Estado del arte  
El objetivo principal de esta revisión es analizar, de  
manera sistemática, las perspectivas de los docentes sobre el  
uso de la IA en la educación, los beneficios que perciben en  
su implementación y los desafíos que enfrentan. Esta revisión  
aborda específicamente las siguientes preguntas de  
investigación:  
La investigación sobre inteligencia artificial en la  
educación (AIEd) ha experimentado un crecimiento  
significativo en las últimas dos décadas. Este avance refleja  
su potencial para personalizar el aprendizaje, optimizar tareas  
administrativas y transformar prácticas pedagógicas. Según la  
revisión de Chen et al. (2020), las tecnologías de IA, como  
sistemas de tutoría inteligente y chatbots, han sido  
fundamentales para facilitar la enseñanza personalizada y  
automatizar funciones administrativas, mejorando la calidad  
del aprendizaje.  
Un mapeo de la evolución del conocimiento en la AIEd  
destaca el papel central de tecnologías como el procesamiento  
de lenguaje natural, la minería de datos educativos y el  
aprendizaje profundo, según la revisión bibliográfica de Feng  
y Law (2021). Estas técnicas se han aplicado extensivamente  
en el diseño de aprendizaje personalizado, evaluaciones  
adaptativas y sistemas de tutoría inteligentes, áreas clave en  
la transformación de la educación.  
Las revisiones sistemáticas también subrayan la  
necesidad de evaluar críticamente los desafíos éticos y  
prácticos en la implementación de la IA. Zawacki-Richter et  
al. (2019) señalan que los riesgos éticos, como el sesgo  
algorítmico y la falta de transparencia, limitan la adopción de  
estas tecnologías en contextos educativos, especialmente en  
educación superior.  
En el contexto de la educación temprana, Crescenzi-  
Lanna (2022) destaca que, aunque las aplicaciones de IA  
tienen un impacto positivo en la enseñanza, existen  
preocupaciones sobre la privacidad de los datos y los efectos  
en la interacción humana en entornos educativos. Esto  
refuerza la necesidad de enfoques éticos y pedagógicos en el  
diseño e implementación de sistemas de IA en educación  
infantil.  
¿Cuáles son las percepciones y actitudes de los  
docentes hacia el uso de la IA en la educación?  
¿Qué beneficios de la IA se reportan en la práctica  
docente?  
¿Cuáles son los desafíos en la implementación de la  
IA en el ámbito educativo?  
METODOLOGÍA  
La presente revisión sistemática se llevó a cabo  
empleando el marco PRISMA (Preferred Reporting Items for  
Systematic Reviews and Meta-Analyses), reconocido por su  
rigor en estudios de síntesis de literatura. Para garantizar la  
pertinencia y actualidad de los hallazgos, se establecieron  
criterios de inclusión que restringieron la selección a estudios  
publicados entre 2020 y 2024. Este periodo se eligió debido  
al aumento de publicaciones sobre IA aplicada a la educación  
en los últimos años, lo cual se considera una respuesta al  
avance acelerado de las tecnologías digitales y su integración  
en el entorno educativo. Los estudios debían abordar  
directamente la implementación, beneficios, desafíos o  
perspectivas de los docentes sobre el uso de IA en contextos  
educativos, desde niveles escolares hasta superiores, con  
énfasis en aplicaciones pedagógicas. Asimismo, sólo se  
incluyeron investigaciones de revistas científicas indexadas,  
con el fin de asegurar un estándar elevado de calidad y  
confiabilidad. Los estudios publicados antes de 2020, al igual  
que aquellos que se centraran exclusivamente en el desarrollo  
técnico de la IA sin una conexión directa con su uso  
pedagógico.  
Por otro lado, Talan (2021) realizó un estudio  
bibliométrico que identifica las tendencias en la AIEd,  
destacando que la mayoría de las investigaciones se  
concentran en países como Estados Unidos, Reino Unido y  
Taiwán. Este análisis resalta la importancia de enfoques  
interdisciplinares que incluyan perspectivas pedagógicas,  
éticas y tecnológicas para abordar las limitaciones en el  
acceso y la adopción de estas herramientas.  
En el ámbito de la educación en habilidades del siglo  
XXI, Trisnawati et al. (2023) argumentan que la IA tiene el  
potencial de mejorar competencias como el pensamiento  
crítico y la colaboración. Sin embargo, advierten que su uso  
excesivo podría reducir la capacidad de los estudiantes para  
La estrategia de búsqueda se diseñó de forma rigurosa  
para abarcar una amplia variedad de bases de datos  
académicas reconocidas en el ámbito educativo  
y
tecnológico, incluyendo Scopus, ERIC, Web of Science,  
Scielo y Redalyc. Para garantizar la exhaustividad y precisión  
de los resultados, se utilizaron fórmulas de búsqueda  
estructuradas que combinaron términos clave relevantes  
mediante operadores booleanos. Estas fórmulas incluyeron  
combinaciones específicas como artificial intelligence in  
education AND “teachers’ perspectives on AI” OR AI  
https://doi.org/10.5281/zenodo.14507789  
6
South American Research Journal, 4(2), 5-15  
https://www.sa-rj.net//index.php/sarj/article/view/57  
challenges in education. Además, se emplearon variaciones  
en los términos clave para abordar sinónimos y conceptos  
relacionados, como AI in teachingOR educational  
impacts of AI, dependiendo de los campos de búsqueda  
disponibles en cada base de datos.  
Cada fórmula de búsqueda se ajustó para adaptarse a las  
funcionalidades específicas de las diferentes base de datos,  
respetando su sintaxis y orden. Por ejemplo, en bases como  
Scopus y Web of Science, se priorizó el uso de conectores  
como AND, OR y paréntesis para estructurar consultas  
complejas, mientras que en bases regionales como Scielo o  
Redalyc, se simplificaron las búsquedas con frases exactas  
para capturar publicaciones relevantes en español. Asimismo,  
se incluyeron filtros de campo como título”, “resumen y  
La búsqueda inicial arrojó un total de 418 artículos  
potenciales. Para garantizar la relevancia temática, se  
aplicaron filtros adicionales por idioma, limitando los  
resultados a publicaciones en inglés y español, los cuales  
representaban los idiomas manejados por el equipo de  
revisión. Este enfoque multilingüe permitió captar  
investigaciones de diversas regiones, ampliando el alcance  
geográfico, pero asegurando la consistencia idiomática para  
la interpretación y el análisis detallado de los textos.  
Finalmente, las fórmulas de búsqueda y los criterios  
específicos fueron documentados en su totalidad para  
asegurar replicabilidad y transparencia en la metodología,  
permitiendo a futuros investigadores reproducir el proceso o  
adaptarlo a nuevos enfoques investigativos (Figura 1).  
palabras clavepara optimizar la relevancia de los  
resultados.  
Figura 1. Diagrama de flujo PRISMA  
El proceso de selección de estudios siguió las cuatro  
etapas que establece el marco PRISMA: identificación,  
cribado, elegibilidad e inclusión. En la primera etapa, se  
identificaron 418 estudios potenciales mediante los términos  
de búsqueda previamente mencionados. Posteriormente, se  
eliminaron 145 estudios duplicados y se procedió al cribado  
de los 273 restantes, revisando sus títulos y resúmenes para  
determinar su alineación con los objetivos de la revisión. Esta  
https://doi.org/10.5281/zenodo.14507789  
7
South American Research Journal, 4(2), 5-15  
https://www.sa-rj.net//index.php/sarj/article/view/57  
fase permitió descartar estudios que no abordaban  
específicamente la IA en educación, revisiones sistemáticas y  
meta-análisis, o que, si bien mencionaban el tema, se  
enfocaban en áreas ajenas a la práctica docente, como el  
diseño de algoritmos o el análisis de grandes volúmenes de  
datos educativos sin una aplicación práctica en el aula. Al  
finalizar el cribado, se obtuvieron 113 estudios que avanzaron  
a la etapa de elegibilidad. En esta tercera fase, se revisaron  
los textos completos de los estudios para verificar que  
cumplieran con los criterios de inclusión de manera  
exhaustiva, dejando un total de 53 estudios para la inclusión  
final y el análisis profundo de sus hallazgos.  
La extracción de datos se realizó mediante una ficha  
estructurada que permitió capturar y organizar la información  
clave de cada estudio seleccionado. Esta ficha incluyó  
detalles como el autor y año de publicación, el objetivo  
principal de la investigación, la metodología empleada (ya  
fuera cualitativa, cuantitativa o mixta), y los hallazgos  
principales en relación con la implementación de la IA en  
contextos educativos. Asimismo, se prestó atención a las  
limitaciones reconocidas por los propios autores, como el  
tamaño de la muestra, el contexto geográfico, y la  
generalización de los resultados, lo cual facilitó una  
interpretación crítica de los hallazgos. Esta etapa de  
extracción sistemática se realizó de forma minuciosa,  
permitiendo organizar los datos de manera homogénea y  
proporcionando una base sólida para el análisis comparativo  
de las distintas investigaciones.  
focales para explorar experiencias y percepciones subjetivas,  
incluidos retos éticos y pedagógicos.  
Tabla 1. Países que presentan investigaciones sobre el uso y  
percepciones de la IA entre docentes  
N° de  
estudios  
País  
Autores  
Kim y Kim (2022), Antonenko y  
Abramowitz (2023), Lee y Perret (2022),  
Williams et al. (2021), Wood et al. (2021),  
Ottenbreit-Leftwich et al. (2023), Kaplan-  
Rakowski et al. (2023)  
Estados  
Unidos  
7
Yau et al. (2023), Chiu et al. (2022), Chiu  
Hong Kong  
España  
4
4
(2021), Wang y Cheng (2021)  
Leoste et al. (2021), Dúo et al. (2023), De  
Vega-Martín et al. (2022), Delgado de  
Frutos et al. (2024)  
Tobar et al. (2024), Morocho Cevallos et  
al. (2023), Apolo et al. (2024), Jara (2024)  
Ecuador  
4
An et al. (2023), Qin et al. (2020), Wang  
et al. (2023)  
China  
3
3
Gocen y Aydemir (2020), Sabuncuoglu  
Turquía  
(2020), Hopcan et al. (2024)  
Lindner y Berges (2023), Zhang et al.  
(2023)  
Alemania  
India  
2
2
Para evaluar la calidad metodológica de los estudios, se  
utilizó la guía CASP (Critical Appraisal Skills Programme),  
que ofrece un enfoque riguroso para analizar la validez y  
aplicabilidad de investigaciones cualitativas y cuantitativas.  
Cada estudio fue evaluado en cuanto a la claridad y  
coherencia de su diseño, la transparencia en el proceso de  
recolección y análisis de datos, y la adecuación de las  
conclusiones en función de los datos presentados. Además, se  
prestó especial atención a la posible presencia de sesgos, tanto  
en la selección de la muestra como en la interpretación de los  
resultados.  
Joshi et al. (2021), Kashive et al. (2020)  
Al Darayseh (2023), ElSayary (2023)  
Emiratos  
Árabes  
Unidos  
2
Sumakul et al. (2022), Pratama et al.  
(2023)  
Indonesia  
2
2
2
2
Cukurova et al. (2019), Kaplan-Rakowski  
et al. (2023)  
Reino Unido  
Corea del  
Sur  
Choi et al. (2022), Yang (2022)  
RESULTADOS  
Nazaretsky et al. (2022), Nazaretsky et al.  
Israel  
(2021)  
Descripción general de los estudios  
Bulgaria,  
Grecia, Italia,  
Rumanía  
1
Polak et al. (2022)  
La muestra final de 53 estudios sobre la implementación  
de la IA en la educación abarca un período entre 2020 y 2024,  
cubriendo una diversidad geográfica notable, con  
investigaciones provenientes de América del Norte, Europa,  
Asia y América Latina. Los países más representados en estos  
estudios incluyen Estados Unidos, China y países europeos,  
como Alemania y el Reino Unido (Tabla 1). Sin embargo,  
también destacan aportaciones de regiones emergentes en el  
campo de la IA educativa, como el Medio Oriente (Emiratos  
Árabes Unidos) y África (Nigeria), lo cual sugiere un interés  
global en la adopción y estudio de la IA en distintos contextos  
educativos y socioeconómicos.  
La mayoría de los estudios (39%) utiliza metodologías  
cuantitativas, como encuestas estructuradas y análisis  
estadísticos avanzados, para medir factores como la  
aceptación, predisposición y autoeficacia en el uso de la  
inteligencia artificial (IA) en la educación (Tabla 2). Los  
enfoques cualitativos (35%) emplean entrevistas y grupos  
Estonia  
Suecia  
1
1
1
1
1
1
1
1
1
1
Chounta et al. (2021)  
McGrath et al. (2023)  
Ayanwale et al. (2022)  
Henry et al. (2021)  
Nigeria  
Bélgica  
Tailandia  
México  
África  
Boonmoh et al. (2021)  
Salas-Rueda et al. (2022)  
Sanusi et al. (2022)  
Palestina  
Grecia  
Abdelmoneim et al. (2024)  
Mystakidis y Christopoulos (2022)  
Sosa et al. (2024)  
Paraguay  
https://doi.org/10.5281/zenodo.14507789  
8
South American Research Journal, 4(2), 5-15  
https://www.sa-rj.net//index.php/sarj/article/view/57  
Un 18% opta por metodologías mixtas que combinan  
datos cuantitativos y cualitativos, mientras que un 8% se basa  
en diseños iterativos como la investigación basada en diseño  
analizan su impacto en áreas STEM y en la enseñanza de  
idiomas, donde la IA apoya a los docentes en la  
personalización de tareas y el andamiaje de contenidos  
complejos (Kim y Kim, 2022; An et al., 2023).  
(
DBR) para desarrollar currículos relacionados con la IA.  
Esta diversidad metodológica refleja un interés por integrar  
análisis objetivos y subjetivos que permitan abordar tanto los  
impactos prácticos como los desafíos contextuales de la IA en  
entornos educativos.  
En términos de objetivos, la mayoría de los estudios  
exploran dos líneas principales: (1) las percepciones y  
actitudes de los docentes hacia la IA como herramienta  
educativa y (2) los factores que facilitan o dificultan su  
implementación en el aula. Algunos estudios destacan por  
enfocarse en contextos específicos, como la educación STEM  
Sin embargo, una proporción significativa de docentes  
manifiesta preocupaciones sobre la ética y la equidad en el  
uso de la IA. Estas inquietudes se centran en el riesgo de sesgo  
en los algoritmos y en la dependencia tecnológica, que podría  
desplazar la función docente hacia tareas más técnicas. Esta  
tensión entre el entusiasmo por la IA y las preocupaciones  
éticas es particularmente evidente en estudios realizados en  
contextos de educación superior y en países con regulaciones  
tecnológicas avanzadas, como Estados Unidos y Europa  
(McGrath et al., 2023; Nazaretsky et al., 2022).  
(
ciencia, tecnología, ingeniería y matemáticas) y la enseñanza  
de idiomas, donde la IA se emplea para personalizar y mejorar  
el aprendizaje de competencias técnicas y lingüísticas.  
También se identifican enfoques particulares en torno a la  
equidad y ética en el uso de IA, especialmente en estudios  
procedentes de Europa y Estados Unidos, lo cual indica una  
preocupación por los impactos sociales y éticos de la IA en la  
educación.  
Tabla 3. Perspectivas de los docentes sobre la IA en educación  
Categoría de  
percepción  
Características  
Estudios  
Docentes ven la IA como  
una herramienta que  
facilita la personalización  
del aprendizaje y el apoyo  
administrativo.  
Kim y Kim (2022);  
Sumakul et al.  
(2022)  
Optimismo y  
potencial  
Tabla 2. Diseños, métodos, instrumentos y muestras de la literatura  
científica  
Preocupaciones  
éticas y de  
equidad  
Temores sobre sesgos,  
dependencia tecnológica y  
pérdida del rol docente.  
McGrath et al.  
(2023); Nazaretsky  
et al. (2022)  
Diseño  
Métodos  
Instrumento  
Muestra  
%
-
-
-
Descriptivo  
Experimental  
Correlacional  
-Encuestas en línea  
-Escalas Likert  
-Cuestionarios  
Docentes con enfoques  
constructivistas muestran  
mayor aceptación, mientras  
que los transmisivos son  
más escépticos.  
3  3164 39%  
Influencia de  
creencias  
Pedagógicas  
Choi et al. (2022);  
Yau et al. (2023)  
-Análisis  
-
-
-
Entrevistas  
Preguntas abiertas  
Grupos focales  
temático  
Análisis del  
discurso  
5 276  
8 800  
35%  
18%  
8%  
-
La falta de competencias  
digitales limita la adopción  
de la IA; se destaca la  
necesidad de formación  
continua.  
Al Darayseh  
Necesidad de  
capacitación y  
apoyo  
(2023); Antonenko  
y Abramowitz  
(2023); Lindner y  
Berges (2023)  
-Encuestas  
-Secuencial  
-Explicativo  
-Exploratorio  
estructuradas  
Entrevistas  
-
semiestructuradas  
Disparidades en acceso a  
tecnología y apoyo  
institucional limitan la  
integración de IA en  
algunos contextos.  
-Pruebas  
-Pruebas Pre/Post  
-Observaciones  
-Retroalimentación de  
participantes  
Desigualdades  
regionales  
Sanusi et al. (2022);  
Apolo et al. (2024)  
iterativas  
Desarrollo  
curricular  
~
18  
-
Esta muestra ofrece una visión general completa sobre  
las tendencias actuales en el uso de IA en el ámbito educativo,  
destacando tanto los enfoques metodológicos predominantes  
como las áreas temáticas y regionales de mayor interés en los  
últimos cinco años.  
Las diferencias en la adopción y percepción de la  
IA también reflejan las creencias pedagógicas de los  
docentes. Aquellos con enfoques constructivistas  
muestran una mayor predisposición a integrar IA como  
herramienta pedagógica, mientras que los docentes con  
visiones más transmisivas presentan una resistencia  
debido a la percepción de la IA como un reemplazo de  
su rol en el aula (Choi et al., 2022). Adicionalmente,  
los niveles de aceptación de la IA están estrechamente  
vinculados a factores como la autoeficacia y la  
familiaridad tecnológica, lo cual subraya la necesidad  
de programas de desarrollo profesional específicos que  
mejoren las competencias tecnológicas de los docentes  
(Al Darayseh, 2023; Antonenko y Abramowitz, 2023).  
Perspectivas de los docentes sobre la IA  
El análisis de las percepciones de los docentes revela  
una amplia gama de actitudes hacia la IA en el ámbito  
educativo, marcadas por la diversidad en las creencias  
pedagógicas, el nivel de familiaridad con la tecnología y el  
contexto de aplicación (Tabla 3). En términos generales, los  
docentes reconocen el potencial de la IA para mejorar la  
enseñanza y facilitar el aprendizaje personalizado. Esta  
percepción se encuentra especialmente en los estudios que  
https://doi.org/10.5281/zenodo.14507789  
9
South American Research Journal, 4(2), 5-15  
https://www.sa-rj.net//index.php/sarj/article/view/57  
Beneficios de la IA en la práctica docente  
áreas como la escritura científica y el desarrollo de  
habilidades de pensamiento crítico (Kim y Kim, 2022;  
McGrath et al., 2023). Este soporte contribuye a fortalecer la  
La implementación de la IA en el ámbito educativo ha  
sido percibida como una herramienta valiosa para la  
personalización y eficiencia de los procesos de enseñanza y  
aprendizaje. En los estudios revisados (Tabla 4), los  
beneficios de la IA en la educación se agrupan en tres áreas  
principales: el aprendizaje personalizado, el apoyo en tareas  
administrativas y el andamiaje en contenidos complejos.  
Tabla 4. Beneficios de la IA en la práctica docente  
comprensión de temas avanzados  
y
a
desarrollar  
competencias cognitivas superiores en los estudiantes. No  
obstante, algunos docentes destacan la necesidad de  
equilibrar este soporte automatizado con la guía humana para  
evitar una dependencia excesiva de las herramientas  
tecnológicas.  
Desafíos en la implementación de la IA  
Categoría  
Descripción  
Estudios  
La implementación de la IA en la educación enfrenta  
varios desafíos, que van desde la falta de capacitación docente  
hasta preocupaciones éticas y limitaciones técnicas. Estos  
obstáculos reflejan tanto el nivel de preparación del  
profesorado como la complejidad de los entornos  
tecnológicos y normativos en los que se inserta la IA (Tabla  
5).  
La IA permite adaptar  
contenidos y métodos al perfil (2022); Sumakul  
individual de cada estudiante,  
mejorando su motivación y  
efectividad del aprendizaje.  
Kim y Kim  
Aprendizaje  
personalizado  
et al. (2022);  
Pratama et al.  
(2023)  
Tabla 5. Desafíos en la implementación de la IA en la educación  
Herramientas de IA  
automatizan tareas como la  
evaluación y la planificación,  
liberando tiempo para  
Nazaretsky et al.  
(2022); ElSayary  
(2023)  
Apoyo en tareas  
administrativas  
Desafío  
Descripción  
Estudios  
actividades pedagógicas.  
Docentes carecen de  
competencias técnicas y  
pedagógicas para usar IA,  
limitando su integración  
efectiva.  
Chounta et al.  
(2021); Polak et  
al. (2022)  
Falta de  
capacitación  
La IA facilita el acceso a  
conocimientos avanzados  
mediante modelos de  
razonamiento y ejemplos  
individualizados.  
Andamiaje en  
contenidos  
complejos  
Kim y Kim  
(2022); McGrath  
et al. (2023)  
Temores sobre privacidad,  
equidad y sesgo en algoritmos  
de IA, que podrían perpetuar  
desigualdades.  
McGrath et al.  
(2023); Akgun y  
Greenhow  
Preocupaciones  
éticas  
(2022)  
En primer lugar, uno de los beneficios más mencionados  
es la capacidad de la IA para personalizar el aprendizaje,  
adaptando los contenidos y métodos según las necesidades  
individuales de cada estudiante. La IA facilita la creación de  
itinerarios de aprendizaje diferenciados, lo cual es  
particularmente útil en contextos de educación STEM y en la  
enseñanza de idiomas, donde las herramientas de IA pueden  
ofrecer modelos expertos y retroalimentación en tiempo real  
para mejorar las habilidades de los estudiantes (Kim y Kim,  
Falta de infraestructura,  
recursos y conectividad en  
ciertas regiones limita el uso de  
IA en la educación.  
Morocho  
Limitaciones  
técnicas  
Cevallos et al.  
(2023); Sanusi et  
al. (2022)  
Actitudes escépticas hacia la  
IA, basada en percepciones de  
amenaza a la enseñanza y  
deshumanización.  
Joshi et al.  
Resistencia al  
cambio  
(2021); Delgado  
de Frutos et al.  
(2024)  
2
022; Sumakul et al., 2022). Esta personalización ayuda a  
Uno de los desafíos más frecuentes es la falta de  
capacitación docente. La mayoría de los docentes carece de  
las competencias técnicas necesarias para utilizar  
herramientas de IA en el aula, lo cual limita su capacidad para  
integrar esta tecnología de manera efectiva (Chounta et al.,  
mantener la motivación y promueve un aprendizaje más  
significativo y efectivo, al ajustar el ritmo y nivel de  
complejidad del contenido a cada estudiante.  
En segundo lugar, la IA ha mostrado ser un aliado en la  
realización de tareas administrativas. Herramientas como el  
AI-Grader permiten a los docentes automatizar tareas de  
evaluación, lo cual libera tiempo para que estos se enfoquen  
en actividades pedagógicas más complejas (Nazaretsky et al.,  
2
021; Polak et al., 2022). Esto se relaciona directamente con  
la escasez de programas de formación específicos en IA, que  
no solo desarrollen habilidades técnicas sino que también  
aborden aspectos pedagógicos y éticos asociados a la  
tecnología.  
2
022). Esta automatización también contribuye a reducir el  
margen de error y a mejorar la precisión en la evaluación, lo  
cual es un beneficio clave en contextos con altos volúmenes  
de estudiantes o tareas. Además, la IA puede facilitar la  
planificación y organización de clases, ayudando a los  
docentes a diseñar programas y actividades que respondan de  
manera más efectiva a las necesidades del aula (ElSayary,  
Además, existen serias preocupaciones éticas entre los  
docentes, relacionadas principalmente con la privacidad de  
los datos y la equidad en el uso de la IA. Muchos docentes  
temen que la IA pueda comprometer la privacidad de los  
estudiantes y aumentar las desigualdades, al favorecer a  
quienes tienen mejor acceso a la tecnología (McGrath et al.,  
2
023).  
Por último, el andamiaje en contenidos complejos es  
2
023; Akgun y Greenhow, 2022). Estas preocupaciones  
también incluyen el riesgo de sesgo en los algoritmos de IA,  
lo cual podría perpetuar estereotipos y prácticas injustas en el  
aula.  
otro de los beneficios destacados. La IA proporciona modelos  
de razonamiento y ejemplos que permiten a los estudiantes  
abordar temas difíciles con mayor apoyo, especialmente en  
https://doi.org/10.5281/zenodo.14507789  
10  
South American Research Journal, 4(2), 5-15  
https://www.sa-rj.net//index.php/sarj/article/view/57  
Otro desafío destacado son las limitaciones técnicas,  
como la falta de infraestructura y recursos en muchos centros  
educativos. En regiones con menor acceso a tecnología, como  
ciertas zonas de América Latina y África, la falta de  
conectividad y equipos adecuados hace que sea difícil  
implementar herramientas de IA (Morocho-Cevallos et al.,  
regiones o contextos educativos muy particulares, como  
ciertas disciplinas (por ejemplo, STEM) o áreas geográficas  
específicas (ej., Corea del Sur, Nigeria). Esto limita la  
aplicabilidad de los hallazgos a otros contextos educativos,  
tal como señalan Choi et al. (2022) y Al Darayseh (2023).  
Esta limitación es especialmente problemática en  
investigaciones donde los docentes provienen de una sola  
disciplina, lo que reduce la posibilidad de aplicar los  
resultados a docentes de otras áreas.  
2
023; Sanusi et al., 2022). Esto crea una brecha tecnológica  
significativa que limita el potencial de la IA para contribuir a  
la educación inclusiva.  
Finalmente, la resistencia al cambio es un obstáculo  
relevante. Algunos docentes, especialmente aquellos con  
enfoques pedagógicos más tradicionales, muestran una  
actitud escéptica hacia la IA, viéndola como una amenaza a  
su rol en el aula. Esta resistencia se basa en la creencia de que  
la tecnología puede deshumanizar la enseñanza y reemplazar  
la interacción directa entre docentes y estudiantes (Joshi et al.,  
La generalización limitada también se ve afectada por el  
uso de métodos autoinformados y encuestas en línea, los  
cuales, aunque útiles para recolectar datos rápidamente,  
pueden introducir sesgos significativos en los resultados.  
Estudios como el de Jara (2024) dependen de datos  
autorreportados, lo que puede influir en la precisión de las  
percepciones registradas, especialmente en relación con la  
aceptación y comprensión de la IA.  
2
021; Delgado de Frutos et al., 2024).  
Estos desafíos subrayan la necesidad de un enfoque  
Por último, existe una falta de diversidad en las  
herramientas de IA investigadas. Algunos estudios se enfocan  
en una sola herramienta o en un único tipo de tecnología, lo  
que limita la comprensión de la IA en su conjunto en el  
ámbito educativo. Por ejemplo, Nazaretsky et al. (2022)  
estudian exclusivamente el AI-Grader en el contexto de la  
biología, lo cual restringe la aplicabilidad de los resultados a  
otras áreas o tipos de IA.  
integral para la adopción de IA en la educación, que incluya  
formación continua, soporte técnico, medidas de seguridad y  
transparencia, y estrategias para abordar las inquietudes éticas  
y culturales.  
Limitaciones de los estudios  
La revisión de los estudios sobre la implementación de  
la IA en educación revela varias limitaciones que afectan la  
representatividad y generalización de los resultados (Tabla 6).  
En primer lugar, el tamaño de muestra reducido es una  
limitación común en múltiples estudios. Investigaciones  
como las de Chounta et al. (2021) y Nazaretsky et al. (2022)  
presentan muestras pequeñas en relación con el total de  
docentes, lo cual restringe la capacidad de extrapolar sus  
hallazgos a poblaciones más amplias. Este problema se  
agrava en estudios realizados en contextos específicos, como  
en Turquía o Emiratos Árabes Unidos, donde el tamaño de la  
muestra es insuficiente para representar la diversidad de  
experiencias educativas en estos países.  
Estas limitaciones resaltan la necesidad de  
investigaciones futuras con muestras más representativas,  
metodologías que incluyan diversidad geográfica  
y
disciplinar, y el estudio de una gama más amplia de  
herramientas de IA para obtener conclusiones más robustas y  
generalizables sobre su impacto en el ámbito educativo.  
DISCUSIÓN DE RESULTADOS  
El análisis de las percepciones de los docentes sobre la  
inteligencia artificial (IA) en el ámbito educativo pone de  
manifiesto una valoración generalmente positiva hacia su  
potencial, especialmente en términos de personalización del  
aprendizaje  
y apoyo administrativo. Estos hallazgos  
Tabla 6. Limitaciones de los estudios sobre IA en educación  
coinciden con investigaciones previas, como las de Chen et  
al. (2020), que documentaron cómo los sistemas inteligentes  
en educación permiten la adaptación del contenido en tiempo  
real, optimizando los procesos de enseñanza-aprendizaje y  
mejorando la retención de conocimientos en áreas clave como  
ciencias y matemáticas. Además, Polak et al. (2022)  
destacaron una actitud favorable entre los docentes hacia la  
enseñanza de competencias digitales mediante herramientas  
de IA, aunque también señalaron limitaciones en habilidades  
técnicas avanzadas, lo que subraya la necesidad de  
capacitación adicional.  
Tipo de  
limitación  
Descripción  
Estudios  
Las muestras pequeñas  
limitan la generalización de  
los hallazgos a poblaciones  
más amplias.  
Chounta et al.  
(2021);  
Nazaretsky et al.  
(2022)  
Tamaño de  
muestra reducido  
Estudios limitados a una  
región o disciplina específica  
restringen la aplicabilidad de  
los resultados.  
Choi et al.  
Falta de  
representatividad  
(2022); Al  
Darayseh (2023)  
Sin embargo, junto a los beneficios percibidos, surgen  
dilemas éticos fundamentales que requieren mayor atención.  
Los docentes expresan preocupaciones sobre el sesgo  
inherente en los algoritmos de IA, la privacidad de los datos  
estudiantiles y la dependencia tecnológica. Estos dilemas no  
solo afectan la aceptación de la IA, sino que podrían delimitar  
lo que es socialmente permitido y éticamente aceptado dentro  
del ámbito educativo. Ahmad et al. (2021) resaltaron que los  
algoritmos de IA pueden perpetuar desigualdades si no se  
gestionan adecuadamente, lo que plantea serios riesgos para  
la equidad educativa. Este tipo de sesgo podría desincentivar  
a docentes y comunidades educativas de adoptar la IA,  
Uso de métodos  
autoinformados y encuestas  
en línea que pueden  
introducir sesgos en los  
resultados.  
Jara (2024);  
Apolo et al.  
(2024)  
Generalización  
limitada  
Foco en una sola herramienta  
de IA limita la comprensión  
de su uso en diferentes  
Nazaretsky et al.  
Diversidad de  
herramientas  
(
(
2022); Celik  
2023)  
contextos y disciplinas.  
Otro obstáculo es la falta de representatividad  
geográfica y disciplinar. Muchos estudios se centran en  
https://doi.org/10.5281/zenodo.14507789  
11  
South American Research Journal, 4(2), 5-15  
https://www.sa-rj.net//index.php/sarj/article/view/57  
especialmente en contextos donde la justicia y la igualdad son  
valores centrales.  
Limitaciones del estudio  
En este sentido, la ética puede constituirse tanto en un  
límite regulador, como en punto de partida para nuevas  
investigaciones prospectivas. La inclusión de marcos éticos  
claros en la implementación de la IA puede ayudar a construir  
confianza entre los docentes, orientándolos hacia usos  
responsables y sostenibles. Estos marcos deben abordar  
preguntas clave: ¿Qué tipo de datos es aceptable recolectar?  
Eta revisión bibliográfica, aunque exhaustiva en el  
análisis de estudios recientes sobre IA en la educación,  
presenta algunas limitaciones inherentes al proceso de  
selección y al alcance de los artículos incluidos. En primer  
lugar, la revisión se restringió a estudios publicados entre  
2020 y 2024, lo que podría haber excluido investigaciones  
relevantes previas que aporten antecedentes o tendencias a  
largo plazo en el uso de IA educativa. Además, aunque se  
utilizó una estrategia de búsqueda rigurosa, algunos artículos  
pueden no haber sido considerados si no estaban indexados  
en las bases de datos revisadas. Otra limitación es la  
dependencia de estudios con metodologías variadas y, en  
¿Cómo se garantiza la transparencia en los procesos de toma  
de decisiones de la IA? Y, sobre todo, ¿qué mecanismos  
pueden implementarse para evitar la amplificación de  
desigualdades existentes? Este enfoque prospectivo, a más de  
fortalecer la confianza en la tecnología, podría servir como  
modelo para otras áreas donde la IA está siendo integrada.  
Por otro lado, la diversidad en las creencias pedagógicas  
de los docentes también influye significativamente en su  
disposición para adoptar estas tecnologías. Los docentes con  
orientaciones constructivistas ven la IA como una  
herramienta complementaria que permite la co-creación del  
conocimiento y fomenta el pensamiento crítico. Goksel y  
Bozkurt (2019) enfatizan que esta percepción constructivista  
facilita la integración de la IA, mientras que docentes con  
enfoques más tradicionales pueden verla como una amenaza  
para el papel humano en el aula. Este contraste subraya la  
importancia de abordar estas diferencias a través de  
programas de desarrollo profesional que, además de enseñar  
competencias técnicas, contextualicen la IA dentro de marcos  
pedagógicos inclusivos.  
Los beneficios administrativos de la IA también son  
destacados, especialmente en la automatización de tareas  
como la evaluación y la planificación, lo que permite a los  
docentes dedicar más tiempo a actividades pedagógicas  
estratégicas. Ahmad et al. (2022) señalaron que herramientas  
como el análisis de aprendizaje y los sistemas de evaluación  
automatizados optimizan la gestión del tiempo, al tiempo que  
contribuyen a mejorar la calidad educativa al ofrecer  
retroalimentación más precisa y en tiempo real. Sin embargo,  
esta optimización administrativa debe ser equilibrada con la  
necesidad de mantener la centralidad de los docentes en la  
toma de decisiones pedagógicas.  
A pesar de estas ventajas, los desafíos relacionados con  
la capacitación docente y las limitaciones técnicas en  
contextos específicos representan barreras significativas.  
Zawacki-Richter et al. (2019) destacaron una desconexión  
persistente entre el desarrollo de tecnologías de IA y la  
preparación pedagógica de los docentes para utilizarlas, lo  
que refuerza la necesidad de diseñar programas de formación  
que integren tanto aspectos técnicos como éticos. Estos  
programas no solo podrían resolver las limitaciones actuales,  
sino que además fortalecerían la confianza de los docentes en  
la IA como herramienta educativa.  
Aunque las percepciones de los docentes hacia la IA son  
mayoritariamente positivas, los dilemas éticos y los desafíos  
prácticos asociados a su adopción no pueden ser ignorados.  
La ética no solo debe verse como un límite que restringe el  
uso de la IA, sino como una guía para su implementación  
responsable. Este enfoque podría establecer las bases para  
una adopción más equitativa y efectiva de la IA en educación,  
convirtiendo los dilemas actuales en oportunidades para  
fortalecer tanto la práctica docente como la confianza en estas  
algunos casos, muestras pequeñas  
geográficamente específicos, lo cual  
y
contextos  
limita la  
representatividad de los hallazgos. Finalmente, esta revisión  
está sujeta a la interpretación de los resultados según las  
categorías establecidas, lo que podría introducir un sesgo en  
la síntesis de hallazgos debido a la subjetividad en la  
clasificación y agrupación de las investigaciones.  
CONCLUSIÓN  
La presente revisión sistemática sobre el uso de la IA en  
la educación permite sintetizar las principales perspectivas,  
beneficios y desafíos percibidos por los docentes en la  
implementación de esta tecnología. Los hallazgos destacan un  
creciente interés en la IA como herramienta educativa que  
facilita el aprendizaje personalizado, optimiza la gestión de  
tareas administrativas y proporciona apoyo en el aprendizaje  
de contenidos complejos. Sin embargo, persisten desafíos  
significativos, como la falta de capacitación docente, las  
preocupaciones éticas sobre privacidad y equidad, las  
limitaciones de infraestructura tecnológica en algunas  
regiones, y la resistencia al cambio por parte de algunos  
educadores.  
Esta revisión subraya la necesidad de desarrollar  
políticas educativas integrales que faciliten el acceso a  
tecnologías de IA y que aborden los aspectos éticos y de  
equidad para crear entornos de aprendizaje inclusivos y  
sostenibles. Asimismo, la importancia de una formación  
continua y específica para docentes es fundamental para  
maximizar el potencial de la IA en la educación y garantizar  
su implementación efectiva y responsable.  
Aunque esta revisión proporciona un análisis  
actualizado, futuras investigaciones deberían ampliar la  
diversidad de contextos y herramientas de IA estudiadas, así  
como considerar muestras más representativas  
y
longitudinales para fortalecer la validez de los hallazgos. En  
última instancia, el éxito de la IA en la educación dependerá  
de una integración equilibrada que respete y complemente el  
papel insustituible del docente en el proceso de enseñanza-  
aprendizaje.  
BIBLIOGRAFÍA  
Abdelmoneim, R., Jebreen, K., Radwan, E. y Kammoun-Rebai, W.  
(2024). Perspectives of teachers on the employ of educational  
artificial intelligence tools in education: The case of the Gaza  
Arenas.  
https://doi.org/10.5281/zenodo.14507789  
12  
South American Research Journal, 4(2), 5-15  
https://www.sa-rj.net//index.php/sarj/article/view/57  
Ahmad, S., Rahmat, M., Mubarik, M., Alam, M. y Hyder, S. (2021).  
Crescenzi-Lanna, L. (2022). Literature review of the reciprocal  
value of artificial and human intelligence in early childhood  
Cukurova, M., Luckin, R. y Kent, C. (2019). Impact of an artificial  
intelligence research frame on the perceived credibility of  
educational research evidence. International Journal of  
De Vega-Martín, A., Pinedo-González, R. y Gutiérrez-Martín, A.  
(2022). Alfabetización mediática e informacional en las  
Escuelas de Imagen y Sonido. Percepciones de profesorado y  
Delgado de Frutos, N., Campo Carrasco, L., Sainz de la Maza, M.,  
y Extabe-Urbieta, J. M. (2024). Aplicación de la Inteligencia  
Artificial (IA) en Educación: Los beneficios y limitaciones de  
la IA percibidos por el profesorado de educación primaria,  
Artificial  
intelligence  
and  
its  
role  
in  
12902.  
Ahmad, S., Alam, M., Rahmat, M., Mubarik, M. y Hyder, S. (2022).  
Academic and administrative role of artificial intelligence in  
1101.  
Akgun, S. y Greenhow, C. (2022). Artificial intelligence in  
Al Darayseh, A. (2023). Acceptance of artificial intelligence in  
teaching science: Science teachers’ perspective. Computers  
An, X., Chai, C. S., Li, Y., Zhou, Y., Shen, X., Zheng, C. y Chen,  
M. (2023). Modeling English teachers’ behavioral intention to  
use artificial intelligence in middle schools. Education and  
educación secundaria  
y
educación superior. Revista  
Antonenko, P. y Abramowitz, B. (2023). In-service teachers’  
mis)conceptions of artificial intelligence in K-12 science  
education. Journal of Research on Technology in Education,  
5(1), 64-78.  
Apolo, D., Estrada, A., Fernández, D. y Mansutti, A. (2024). La  
inteligencia artificial y su aplicabilidad en la educación  
escolarizada ecuatoriana. Boletín Observatorio UNAE, 6, 6-  
51875208.  
Dúo-Terrón, P., Moreno-Guerrero, A., López-Belmonte, J. y Marín-  
Marín, J. (2023). Inteligencia Artificial y Machine Learning  
como recurso educativo desde la perspectiva de docentes en  
distintas etapas educativas no universitarias. RiiTE Revista  
ElSayary, A. (2023). An investigation of teachers' perceptions of  
using ChatGPT as a supporting tool for teaching and learning  
in the digital era. Journal of Computer Assisted Learning.  
(
2
2. Universidad Nacional de Educación del Ecuador (UNAE).  
Ayanwale, M., Sanusi, I., Adelana, O., Aruleba, K. y Oyelere, S.  
2022). Teachers’ readiness and intention to teach artificial  
intelligence in schools. Computers and Education: Artificial  
(
Feng, S. y Law, N. (2021). Mapping artificial intelligence in  
education  
research:  
A
network‐based  
keyword  
analysis. International Journal of Artificial Intelligence in  
Boonmoh, A., Jumpakate, T. y Karpklon, S. (2021). Teachers'  
perceptions and experience in using technology for the  
classroom. Computer-Assisted Language Learning Electronic  
Journal, 22(1), 1-24.  
Celik, I. (2023). Towards Intelligent-TPACK: An empirical study  
on teachers’ professional knowledge to ethically integrate  
artificial intelligence (AI)-based tools into education.  
Ghamrawi, N., Shal, T. y Ghamrawi, N. (2024). Exploring the  
impact of AI on teacher leadership: regressing or expanding?  
Gocen, A. y Aydemir, F. (2020). Artificial intelligence in education  
and schools. Research on Education and Media, 12(1), 14-21.  
https://doi.org/10.2478/rem-2020-0003  
Goksel, N. y Bozkurt, A. (2019). Artificial intelligence in education:  
Current insights and future perspectives. In Handbook of  
Henry, J., Hernalesteen, A. y Collard, A. (2021). Teaching artificial  
intelligence to K-12 through a role-playing game questioning  
Hopcan, S., Türkmen, G. y Polat, E. (2024). Exploring the artificial  
intelligence anxiety and machine learning attitudes of teacher  
Infante, Á. (2023). Percepción de los docentes sobre la inteligencia  
artificial en la educación superior. Scripta Mundi, 2(1), 45-56.  
Computers 107468.  
Chang, C., Schießl, J., Plößl, L., Hofmann, F. y Gläser-Zikuda, M.  
2023). Acceptance of artificial intelligence among pre-  
138,  
(
service teachers: A multigroup analysis. International Journal  
Chen, L., Chen, P. y Lin, Z. (2020). Artificial Intelligence in  
7
Chiu, T. (2021). A holistic approach to the design of artificial  
5
Chiu, T., Meng, H., Chai, C., King, I., Wong, S. y Yam, Y. (2022).  
Creation and evaluation of a pretertiary artificial intelligence  
4
Choi, S., Jang, Y. y Kim, H. (2022). Influence of pedagogical beliefs  
and perceived trust on teachers’ acceptance of educational  
artificial intelligence tools. International Journal of Human-  
Jara-Alcivar, C. (2024). Aplicaciones de inteligencia artificial (IA)  
en el contexto educativo ecuatoriano: retos y desafíos. Revista  
7046-7058.  
910-922.  
Joshi, S., Rambola, R. y Churi, P. (2021). Evaluating Artificial  
Chounta, I., Bardone, E., Raudsep, A. y Pedaste, M. (2021).  
Exploring teachers’ perceptions of artificial intelligence as a  
tool to support their practice in Estonian K-12 education.  
International Journal of Artificial Intelligence in Education.  
https://doi.org/10.1007/s40593-021-00243-5  
Intelligence in Education for Next Generation. Journal of  
012039.  
Kaplan-Rakowski, R., Grotewold, K., Hartwick, P. y Papin, K.  
(2023). Generative AI and Teachers’ Perspectives on Its  
https://doi.org/10.5281/zenodo.14507789  
13  
South American Research Journal, 4(2), 5-15  
https://www.sa-rj.net//index.php/sarj/article/view/57  
Implementation in Education. Journal of Interactive Learning  
Language Teaching and Science, 5(2), 350-357.  
https://doi.org/10.2656-9914  
Qin, F., Li, K. y Yan, J. (2020). Understanding user trust in artificial  
intelligence-based educational systems: Evidence from China.  
Kashive, N., Powale, L. y Kashive, K. (2020). Understanding user  
perception toward artificial intelligence (AI) enabled e-  
learning. International Journal of Information and Learning  
Educational  
Technology.  
Sabuncuoglu, A. (2020). Designing One Year Curriculum to Teach  
Artificial Intelligence for Middle School. Proceedings of the  
2020 ACM Conference on Innovation and Technology in  
Computer Science Education (ITiCSE '20), June 1519, 2020,  
Kim, J. (2023). Leading teachers' perspective on teacher-AI  
collaboration in education. Education and Information  
Norway.  
Kim, N. y Kim, M. (2022). Teacher’s perceptions of using an  
Salas-Rueda, R., Castañeda-Martínez, R., Eslava-Cervantes, A. y  
Alvarado-Zamorano, C. (2022). Teachers’ perception about  
MOOCs and ICT during the COVID-19 pandemic.  
Sanusi, I., Olaleye, S., Oyelere, S. y Dixon. (2022). Investigating  
learners’ competencies for artificial intelligence education in  
Sanusi, I., Oyelere, S. y Omidiora, J. O. (2022). Exploring teachers'  
preconceptions of teaching machine learning in high school:  
Sosa, P., Jiménez, V. y Riego, A. (2024). El análisis de la percepción  
de los profesores respecto al uso de la inteligencia artificial.  
artificial intelligence-based educational tool for scientific  
7,  
755914.  
Lee, I. y Perret, B. (2022). Preparing high school teachers to  
integrate AI methods into STEM classrooms. Thirty-Sixth  
Leoste, J., Jõgi, L., Õun, T., Pastor, L., San Martín López, J. y  
Grauberg, I. (2021). Perceptions about the future of integrating  
emerging technologies into higher educationThe case of  
Lindner, A. y Berges, M. (2023). Can you explain AI to me?  
Teachers’ pre-concepts about artificial intelligence.  
Proceedings of the 2023 IEEE Global Engineering Education  
Conference (EDUCON). Friedrich-Alexander-Universität  
66-77.  
Germany.  
Sumakul, D., Hamied, F. y Sukyadi, D. (2022). Artificial  
intelligence in EFL classrooms: Friend or foe? LEARN  
Journal: Language Education and Acquisition Research  
McGrath, C., Cerratto Pargman, T., Juth, N. y Palmgren, P. (2023).  
University teachers' perceptions of responsibility and artificial  
intelligence in higher education: An experimental  
philosophical study. Computers and Education: Artificial  
Intelligence, 100139.  
Morocho-Cevallos, R., Cartuche-Gualán, A., Tipan-Llanos, A.,  
Guevara-Guevara, A. Ríos-Quiñónez, M. (2023).  
232-256.  
Talan, T. (2021). Artificial Intelligence in Education: A Bibliometric  
Study. International Journal of Research in Education and  
Tedre, M., Toivonen, T., Kahila, J., Vartiainen, H., Valtonen, T.,  
Jormanainen, I. y Pears, A. (2021). Teaching machine learning  
in K12 classroom: Pedagogical and technological trajectories  
Tobar-Litardo, J., Campos-Arreaga, M., González-Castillo, Y. y  
Tapia-Naranjo, C. (2024). La inteligencia artificial aplicada a  
la gestión educativa y su incidencia en el desarrollo de las  
competencias docentes. Revista Mapa, 9(35), 200216.  
y
Integración de la inteligencia artificial en la educación.  
2
Mystakidis, S. y Christopoulos, A. (2022). Teacher perceptions on  
1
Nazaretsky, T., Ariely, M., Cukurova, M. y Alexandron, G. (2022).  
Teachers' trust in AI-powered educational technology and a  
professional development program to improve it. British  
Journal of Educational Technology, 53(4), 914-931.  
Trisnawati, W., Putra, R. y Balti, L. (2023). The Impact of Artificial  
Intelligent in Education toward 21st Century Skills: A  
Literature Review. PPSDP International Journal of  
Nazaretsky, T., Cukurova, M. y Alexandron, G. (2021). An  
instrument for measuring teachers’ trust in AI-based  
501-513.  
educational  
https://doi.org/10.1145/3506860.3506866  
Ottenbreit-Leftwich, A., Glazewski, K., Jeon, M., Jantaraweragul,  
K., Hmelo-Silver, C., Scribner, A., Lee, S., Mott, B. y Lester,  
J. (2023). Lessons learned for AI education with elementary  
students and teachers. International Journal of Artificial  
technology.  
ACM.  
Wang, T. y Cheng, E. (2021). An investigation of barriers to Hong  
Kong K-12 schools incorporating Artificial Intelligence in  
Wang, X., Li, L., Tan, S., Yang, L. y Lei, J. (2023). Preparing for  
AI-enhanced education: Conceptualizing and empirically  
examining teachers’ AI readiness. Computers in Human  
33,  
267289.  
107798.  
Polak, S., Schiavo, G. y Zancanaro, M. (2022). Teachers’  
perspective on artificial intelligence education: An initial  
investigation. CHI Conference on Human Factors in  
Williams, R., Kaputsos, S. y Breazeal, C. (2021). Teacher  
perspectives on How to Train Your Robot: A middle school  
AI and ethics curriculum. AAAI Conference on Artificial  
Abstracts.  
ACM.  
15678-15686.  
Pratama, M., Sampelolo, R. y Lura, H. (2023). Revolutionizing  
education: Harnessing the power of artificial intelligence for  
personalized learning. Klasikal: Journal of Education,  
Wood, E., Ange, B., Miller, D. (2021). Are we ready to integrate  
artificial intelligence literacy into medical school curriculum:  
Students and faculty survey? Journal of Medical Education  
https://doi.org/10.5281/zenodo.14507789  
14  
South American Research Journal, 4(2), 5-15  
https://www.sa-rj.net//index.php/sarj/article/view/57  
8,  
1-5.  
Yang, J. (2022). Perceptions of preservice teachers on AI chatbots  
in English education. International Journal of Internet,  
14(1),  
44-52.  
Yau, K., Chai, C., Chiu, T., Meng, H., King, I. y Yam, Y. (2023). A  
phenomenographic approach on teacher conceptions of  
teaching Artificial Intelligence (AI) in K-12 schools.  
Zawacki-Richter, O., Marín, V., Bond, M. y Gouverneur, F. (2019).  
Systematic review of research on artificial intelligence  
applications in higher education  
where are the  
https://doi.org/10.5281/zenodo.14507789  
15