Enseñanza Universitaria 5.0: Impacto de la Inteligencia Artificial en la Transformación de la Educación Superior en Perú

Raúl Edgardo Tabra Castillo
Additional contact information
Raúl Edgardo Tabra Castillo: Universidad Ramon Llull, Barcelona, Cataluña, España.

NeuroData, 2026, vol. 3, 174

Abstract: Introducción: La inteligencia artificial (IA) se ha consolidado como una de las tecnologías con mayor impacto en la transformación de la educación superior, impulsando cambios significativos en los procesos de enseñanza, aprendizaje y gestión académica. Su incorporación en las universidades ha favorecido el desarrollo de entornos educativos más flexibles, personalizados e innovadores. Sin embargo, la efectividad de estas herramientas depende de factores relacionados con la formación docente, la infraestructura tecnológica y las condiciones institucionales que facilitan su adopción. En el contexto peruano, la integración de la IA en la enseñanza universitaria presenta avances importantes, aunque persisten desafíos que requieren ser analizados desde la perspectiva de los principales actores educativos. Objetivo: Analizar el impacto de la inteligencia artificial en la transformación de la enseñanza universitaria en el Perú, considerando las percepciones de docentes y estudiantes respecto a su utilización en los procesos de enseñanza y aprendizaje. Métodos: Se desarrolló un estudio con enfoque mixto, de alcance descriptivo y diseño transversal. La fase cualitativa incluyó una revisión documental de 15 investigaciones científicas publicadas entre 2021 y 2025 y la realización de 15 entrevistas semiestructuradas a docentes y directivos universitarios vinculados a procesos de innovación educativa. La fase cuantitativa contempló la aplicación de una encuesta estructurada a una muestra de 300 participantes, integrada por 150 docentes y 150 estudiantes universitarios seleccionados mediante muestreo no probabilístico por conveniencia. Los datos cuantitativos fueron analizados mediante estadística descriptiva, mientras que la información cualitativa fue procesada mediante análisis temático y triangulación metodológica. Resultados: Los resultados evidenciaron una percepción predominantemente positiva sobre la incorporación de la inteligencia artificial en la educación superior. La personalización del aprendizaje fue la dimensión mejor valorada, alcanzando un 78% de aceptación entre los encuestados. Asimismo, el 76% consideró que la IA contribuye a optimizar el tiempo docente y el 74% reconoció la utilidad de los asistentes virtuales para fortalecer la retroalimentación académica. Las entrevistas revelaron que el 93.3% de los participantes identificó beneficios relacionados con la adaptación de contenidos a las necesidades de los estudiantes, mientras que el 86.7% destacó mejoras en la eficiencia de los procesos académicos. Entre las principales limitaciones se identificaron la insuficiente formación docente, las restricciones de infraestructura tecnológica y las preocupaciones éticas vinculadas con la privacidad de los datos y la transparencia algorítmica. Conclusiones: La inteligencia artificial representa una oportunidad significativa para fortalecer la calidad y la innovación de la enseñanza universitaria en el Perú. Sus principales contribuciones se relacionan con la personalización del aprendizaje, la optimización de los procesos académicos y el fortalecimiento de la retroalimentación educativa. No obstante, su implementación efectiva requiere fortalecer la capacitación docente, mejorar la infraestructura tecnológica y establecer políticas institucionales orientadas al uso ético y responsable de estas herramientas. La integración de la inteligencia artificial dentro de los modelos de Enseñanza Universitaria 5.0 demanda una visión estratégica que combine innovación tecnológica, inclusión educativa y desarrollo de competencias digitales.

Keywords: inteligencia artificial; educación superior; enseñanza universitaria 5.0; transformación digital; competencias digitales. (search for similar items in EconPapers)
Date: 2026
References: Add references at CitEc
Citations:

Downloads: (external link)
https://neuro.jogbeditorial.ec/index.php/neuro/article/view/174 Abstract page (text/html)
https://neuro.jogbeditorial.ec/index.php/neuro/article/download/174/96 Full text (application/pdf)

Related works:
This item may be available elsewhere in EconPapers: Search for items with the same title.

Export reference: BibTeX RIS (EndNote, ProCite, RefMan) HTML/Text

Persistent link: https://EconPapers.repec.org/RePEc:cxn:neurod:v:3:y:2026:id:174

DOI: 10.63688/neurodata2026174

Access Statistics for this article

More articles in NeuroData from Editorial JOGB
Bibliographic data for series maintained by Editorial JOGB ().