DOI: https://doi.org/10.56712/latam.v7i4.6303  
La inteligencia artificial y su incidencia en los procesos de  
innovación en educación superior: un análisis bibliométrico  
Artificial intelligence and its impact on innovation processes in higher  
education: a bibliometric analysis  
Jorge Izaguirre Olmedo  
joizaguirreol@uide.edu.ec  
https://orcid.org/0000-0001-5178-8641  
Universidad Internacional del Ecuador  
Guayaquil – Ecuador  
Artículo recibido: 20 de marzo de 2026. Aceptado para publicación: 05 de agosto de 2026.  
Conflictos de Interés: Ninguno que declarar.  
Resumen  
La inteligencia artificial (IA) es un motor clave de innovación en la educación superior, aunque el  
acelerado aumento de publicaciones dificulta identificar tendencias consolidadas. El objetivo de este  
estudio es identificar los factores relacionados con la incidencia de la IA en los procesos de innovación  
universitaria mediante un análisis bibliométrico. Metodológicamente, bajo las directrices PRISMA  
2020, se analizó cuantitativamente una muestra final de 1.468 artículos científicos de la base de datos  
Scopus (periodo 2021-2026) en el área de Ciencias Sociales utilizando el software VOSviewer. Los  
resultados revelaron la configuración de cinco clústeres temáticos principales, destacando la  
innovación pedagógica basada en modelos de lenguaje, la adopción institucional y gobernanza  
tecnológica, y la experimentación dentro de la educación médica. Se concluye que la IA actúa como  
un catalizador multidimensional estratégico; sin embargo, la actual fragmentación temática de la  
literatura exige transitar hacia modelos de innovación abierta, marcos regulatorios éticos que mitiguen  
sesgos algorítmicos y programas integrales de desarrollo profesional docente.  
Palabras clave: inteligencia artificial, innovación educativa, educación superior, bibliometría,  
VOSviewer  
Abstract  
Artificial intelligence (AI) is a key driver of innovation in higher education, although the rapid increase  
in publications makes it difficult to identify consolidated trends. The objective of this study is to identify  
the factors related to the impact of AI on university innovation processes through a bibliometric  
analysis. Methodologically, following the PRISMA 2020 guidelines, a final sample of 1,468 scientific  
articles from the Scopus database (2021–2026 period) in the Social Sciences was quantitatively  
analyzed using VOSviewer software. The results revealed the configuration of five main thematic  
clusters, highlighting language model-based pedagogical innovation, institutional adoption and  
technological governance, and experimentation within medical education. It is concluded that AI acts  
as a strategic, multidimensional catalyst; however, the current thematic fragmentation of the literature  
demands a transition toward open innovation models, ethical regulatory frameworks that mitigate  
algorithmic biases, and comprehensive teacher professional development programs.  
Keywords: artificial intelligence, educational innovation, higher education, bibliometrics,  
VOSviewer  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, agosto, 2026, Volumen VII, Número 4 p 1245.  
Todo el contenido de LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades,  
publicado en este sitio está disponibles bajo Licencia Creative Commons.  
Cómo citar: Izaguirre Olmedo, J. (2026). La inteligencia artificial y su incidencia en los procesos de  
innovación en educación superior: un análisis bibliométrico. LATAM Revista Latinoamericana de  
Ciencias Sociales y Humanidades 7 (4), 1245 – 1258. https://doi.org/10.56712/latam.v7i4.6303  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, agosto, 2026, Volumen VII, Número 4 p 1246.  
INTRODUCCIÓN  
La educación superior atraviesa una metamorfosis global impulsada por la digitalización acelerada y  
las exigencias de las Generaciones Z y Alpha, quienes demandan inmediatez, interactividad y  
aplicabilidad directa en sus procesos de aprendizaje. Esta realidad obliga a replantear el modelo  
educativo tradicional y convierte a la optimización e innovación en una necesidad estratégica (Strimel  
et al., 2026).  
Las universidades ya no compiten solamente por la calidad académica de sus docentes, sino  
principalmente por su capacidad para generar retención y engagement estudiantil en un entorno cada  
vez más exigente (Pakala & Guniganti, 2026). En mercados saturados, donde múltiples universidades  
compiten por un número finito de estudiantes, los factores diferenciadores tradicionales como  
infraestructura extensiva o número de programas, se han convertido en comodines (Wai & Tran, 2022).  
La presencialidad ya no se justifica por sí sola; debe respaldarse con experiencias de alto valor que  
generan conexión emocional y resultados profesionales tangibles. Innovar en metodologías que  
trascienden las barreras físicas permite a instituciones medianas o compactas competir de igual a  
igual, e incluso superar, a universidades con campus masivos (Abolina et al., 2026).  
Al priorizar la calidad de la experiencia estudiantil, la flexibilidad híbrida y la aplicabilidad real del  
conocimiento, no solo se fortalece la retención y el engagement, sino que consolida una propuesta  
educativa ágil, sostenible y alineada con las demandas del siglo XXI ((Wai & Tran, 2022).  
La integración de la IA en las instituciones de educación superior se ha convertido en un motor  
fundamental para la transformación de actividades principales como la enseñanza, el aprendizaje y la  
investigación (Núñez-Canal et al., 2026). Esta tecnología no se percibe únicamente como una  
herramienta técnica, sino como un impulsor de innovación social capaz de democratizar el acceso a la  
información y apoyar rutas de aprendizaje individualizadas (Tbaishat & Elfadel, 2026). En particular, la  
IA generativa permite la creación de experiencias de aprendizaje más significativas e inclusivas,  
permitiendo a usuarios con pocos conocimientos de programación realizar tareas complejas de  
automatización (García-Morales, 2026).  
La innovación pedagógica impulsada por la IA se manifiesta a través de diversos mecanismos técnicos  
y metodológicos. Uno de los mencionados son los sistemas de recomendación y ecosistemas de  
datos. Se están desarrollando mecanismos de innovación basados en la fusión de datos multimodales  
que permiten capturar con precisión el estado y las necesidades del estudiante, identificando riesgos  
académicos de manera temprana (Chen et al., 2026).  
Al respecto de la personalización del aprendizaje, el uso de herramientas de IA permite adaptar los  
materiales educativos a las habilidades de lectura y necesidades específicas de cada alumno (Tbaishat  
& Elfadel, 2026). Así mismo, en disciplinas técnicas como la ingeniería, el uso de IA generativa para  
automatizar tareas en hojas de cálculo mejora la eficiencia computacional y aumenta el compromiso  
del estudiante (García-Morales, 2026).  
La literatura destaca que la innovación educativa no debe limitarse a la dimensión tecnológica, sino  
que requiere un enfoque sistémico que integre parámetros organizacionales, pedagógicos y  
estratégicos (Izaguirre & Rangel, 2026). Este enfoque sistémico facilita la alineación de recursos,  
instructores y procesos, reforzando la intención de adoptar prácticas innovadoras (Kapoula et al.,  
2026).  
Asimismo, se propone un modelo de innovación abierta que fomente la colaboración entre  
instituciones educativas, desarrolladores de tecnología, estudiantes y partes interesadas externas.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, agosto, 2026, Volumen VII, Número 4 p 1247.  
Este enfoque colaborativo es esencial para una transformación pedagógica sostenible y el uso  
responsable de las tecnologías de IA (Abolina et al., 2026).  
La IA desempeña un papel crucial en la educación inclusiva, especialmente para identificar y apoyar a  
estudiantes con discapacidades de aprendizaje, ajustando el contenido y ofreciendo retroalimentación  
multimodal (Zraydi et al., 2026). En el ámbito de la evaluación, la IA ofrece oportunidades para mejorar  
la consistencia y la eficiencia, superando en ocasiones la uniformidad de los evaluadores humanos  
(Alfaleh, 2026).  
Sin embargo, la implementación de estos procesos requiere una gobernanza ética sólida que aborde  
transparencia, equidad y alfabetización en IA. Es imperativo que los procesos de decisión de la IA sean  
transparentes y que se mitiguen los sesgos algorítmicos para garantizar la equidad educativa (Alfaleh,  
2026). Adicionalmente a ello, existe una brecha de competencias compartida entre estudiantes y  
personal académico, lo que subraya la necesidad de programas de desarrollo profesional enfocados  
no solo en la técnica, sino también en la ética y la didáctica (Abolina et al., 2026).  
La relación entre la educación y el comportamiento innovador del estudiante se ve fortalecida por la  
tecnología. Se ha demostrado que la IA generativa modera positivamente la relación entre la educación  
en emprendimiento y el comportamiento innovador de los alumnos, potenciando su capacidad de  
resolución de problemas y creatividad (Rahal et al., 2026). Además, la competencia de los profesores  
en el uso de IA se vincula directamente con su compromiso para mejorar el aprendizaje del estudiante  
y la efectividad institucional (Núñez-Canal et al., 2026).  
En conjunto, la evidencia científica reciente coincide en que la inteligencia artificial constituye un  
catalizador de la innovación en la educación superior al favorecer la personalización del aprendizaje,  
la automatización de procesos académicos, la educación inclusiva, el fortalecimiento de las  
competencias institucionales y la generación de nuevos modelos pedagógicos (Chen et al., 2026;  
Tbaishat & Elfadel, 2026; García-Morales, 2026; Zraydi et al., 2026). Asimismo, los estudios revisados  
muestran que la incorporación de estas tecnologías trasciende la dimensión tecnológica, al involucrar  
factores organizacionales, estratégicos y éticos que condicionan su implementación (Núñez-Canal et  
al., 2026; Abolina et al., 2026; Alfaleh, 2026). Esta convergencia de resultados evidencia la  
consolidación de un campo de investigación en rápida expansión, caracterizado por una creciente  
diversidad temática y metodológica.  
Aunque la literatura reciente evidencia múltiples beneficios derivados de la incorporación de la  
inteligencia artificial en la educación superior, persisten importantes desafíos que limitan su  
implementación efectiva. Diversos estudios advierten que la adopción institucional de estas  
tecnologías suele enfrentarse  
a
restricciones relacionadas con infraestructura tecnológica,  
disponibilidad de datos de calidad, capacitación docente y resistencia al cambio organizacional.  
Asimismo, la velocidad con la que evolucionan las herramientas de IA genera dificultades para el  
diseño de marcos regulatorios y políticas institucionales que garanticen su uso responsable.  
De igual manera, existe un debate académico respecto al equilibrio entre automatización y autonomía  
humana en los procesos educativos. Mientras algunos autores sostienen que la IA favorece la  
personalización y mejora de los resultados de aprendizaje, otros alertan sobre posibles riesgos  
asociados a la dependencia tecnológica, la pérdida de habilidades críticas, los sesgos algorítmicos y  
los problemas de privacidad de los datos. Estas posiciones reflejan que el impacto de la IA en la  
innovación educativa no es uniforme y depende de factores pedagógicos, organizacionales y  
contextuales que aún requieren mayor investigación.  
De igual manera, la irrupción de la inteligencia artificial generativa ha acelerado la producción científica  
y abierto nuevas líneas de investigación relacionadas con el diseño curricular, la tutoría inteligente, la  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, agosto, 2026, Volumen VII, Número 4 p 1248.  
evaluación automatizada y la creación de contenidos educativos (Kasneci et al., 2023; Lockee, 2024).  
No obstante, aún existe evidencia limitada sobre la evolución de estas tendencias, su articulación con  
los procesos de innovación institucional y los modelos de gobernanza que favorecen una  
implementación ética y sostenible (Tlili et al., 2023; Alfaleh, 2026). Esta situación hace necesaria una  
visión integradora que permita reconocer el comportamiento reciente de la literatura científica y  
orientar futuras agendas de investigación.  
Adicionalmente, se observa una fragmentación temática en la producción científica existente. Gran  
parte de los estudios analizan aplicaciones específicas de la IA en áreas particulares de la educación  
superior; sin embargo, son menos frecuentes las investigaciones que integran una visión global de los  
factores que vinculan la inteligencia artificial con los procesos de innovación educativa. Esta situación  
dificulta la identificación de tendencias consolidadas, vacíos de conocimiento y líneas emergentes de  
investigación.  
A esta fragmentación se suma la escasa disponibilidad de investigaciones que examinen de manera  
integrada la evolución del conocimiento científico sobre inteligencia artificial e innovación educativa.  
La mayoría de los trabajos se concentra en validar aplicaciones particulares o analizar experiencias  
institucionales específicas, mientras que son limitados los estudios capaces de identificar, desde una  
perspectiva global, la estructura intelectual del campo, los factores predominantes, las redes de  
colaboración científica y las líneas emergentes de investigación (Kasneci et al., 2023; Tlili et al., 2023).  
Esta limitación dificulta comprender cómo ha evolucionado el conocimiento y cuáles son las áreas que  
requieren mayor desarrollo.  
La producción científica relacionada con la inteligencia artificial y la innovación educativa ha  
experimentado un crecimiento acelerado durante los últimos años, impulsado especialmente por el  
desarrollo de sistemas de IA generativa y su incorporación en contextos universitarios. Sin embargo,  
el aumento exponencial de publicaciones dificulta la identificación de tendencias predominantes, áreas  
emergentes, redes de colaboración científica y vacíos de investigación que permitan comprender la  
evolución del campo.  
En este escenario, el análisis bibliométrico constituye una herramienta pertinente para sintetizar de  
manera sistemática un volumen creciente de producción científica y comprender la configuración del  
campo de estudio (Donthuet al., 2021). Este enfoque permite identificar tendencias temáticas, autores  
e instituciones influyentes, redes de colaboración, factores predominantes y vacíos de conocimiento  
que difícilmente pueden apreciarse mediante revisiones narrativas convencionales (Kasneci et al.,  
2023; Tlili et al., 2023). Además, proporciona evidencia objetiva para orientar futuras investigaciones y  
apoyar la toma de decisiones de universidades, investigadores y responsables de políticas educativas  
interesadas en la transformación digital de la educación superior (Abolina et al., 2026; Núñez-Canal et  
al., 2026).  
Por esta razón, el objetivo de esta investigación es identificar los factores relacionados con la  
incidencia de la inteligencia artificial en los procesos de innovación en la educación superior mediante  
un estudio bibliométrico, permitiendo reconocer tendencias de investigación, brechas de conocimiento  
y futuras líneas de desarrollo académico.  
METODOLOGÍA  
Para cumplir con el objetivo de identificar los factores relacionados con la incidencia de la inteligencia  
artificial (IA) en la innovación dentro de la educación superior, así como sus brechas de conocimiento  
y futuras líneas de investigación, se desarrolló un estudio bibliométrico estructurado. Este enfoque  
metodológico combina el análisis cuantitativo de la producción científica con la sistematicidad en la  
selección de las fuentes, garantizando la replicabilidad y validez del proceso. El diseño de la estrategia  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, agosto, 2026, Volumen VII, Número 4 p 1249.  
de búsqueda y el flujo de selección de la literatura se rigieron estrictamente por las directrices de la  
declaración PRISMA 2020, adaptada para estudios de mapeo y análisis bibliométrico.  
La recolección de los datos se llevó a cabo en Scopus (Elsevier), seleccionada por ser una de las bases  
de datos de resúmenes y citas más exhaustivas y con mayor reconocimiento en los índices de impacto  
internacional. La consulta se ejecutó utilizando una ecuación de búsqueda booleana aplicada a los  
campos de título, resumen y palabras clave. La cadena de búsqueda final se configuró de la siguiente  
manera: ("ai" AND "innovation" AND "education"). Esta ventana inicial de búsqueda arrojó un total de  
7,617 documentos. La búsqueda se realizó el 12 de julio del 2026.  
La selección de la ecuación de búsqueda ("ai" AND "innovation" AND "education") respondió al interés  
de capturar investigaciones que abordan simultáneamente los tres componentes centrales del estudio:  
inteligencia artificial, innovación y educación. La utilización de operadores booleanos permitió  
garantizar que los documentos recuperados incluyen explícitamente estas dimensiones dentro de sus  
títulos, resúmenes o palabras clave, incrementando la pertinencia temática de los resultados  
obtenidos.  
Aunque existen términos relacionados como artificial intelligence, educational innovation, higher  
education o generative AI, la ecuación seleccionada se consideró adecuada para obtener una muestra  
amplia y representativa de la producción científica internacional, minimizando restricciones excesivas  
que pudieran excluir investigaciones relevantes. Posteriormente, los filtros temporales, documentales  
y temáticos permitieron refinar progresivamente la muestra hasta obtener un conjunto de  
publicaciones alineadas con los objetivos de la investigación.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, agosto, 2026, Volumen VII, Número 4 p 1250.  
Figura 1  
Descripción del proceso en base a modelo PRISMA  
Fuente: elaboración propia.  
El proceso de cribado se organizó en cuatro fases consecutivas, aplicando de forma sistemática los  
criterios de inclusión y exclusión definidos para el estudio:  
Fase 1 – Identificación: Registro de la totalidad de la producción recuperada mediante la ecuación  
base en Scopus (N = 7,617).  
Fase 2 – Filtro temporal: Se aplicó un criterio de inclusión cronológico para limitar la muestra al período  
2021 - 2026, enfocando la investigación en el auge contemporáneo y disruptivo de la IA generativa y  
las tecnologías emergentes en las aulas. Tras esta exclusión temporal, se retuvieron 7,410  
documentos.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, agosto, 2026, Volumen VII, Número 4 p 1251.  
Fase 3 – Filtro por tipo de documento: Con el fin de garantizar la rigurosidad científica de la  
bibliometría, la búsqueda se restringió exclusivamente a artículos científicos, excluyendo capítulos de  
libros, actas de congresos, revisiones y editoriales. Este filtro redujo la muestra a 2,584 artículos.  
Fase 4 – Filtro por área temática (Idoneidad): Se acotó la producción al área de las Ciencias Sociales,  
asegurando que el análisis se centrará en el impacto educativo, pedagógico y de gestión institucional,  
apartándose de los enfoques estrictamente técnicos o informáticos de la ingeniería de sistemas.  
Posteriormente, los 1,468 artículos seleccionados serán analizados mediante técnicas de mapeo  
bibliométrico utilizando el software VOSviewer. El análisis incluirá redes de coocurrencia de palabras  
clave para identificar los principales temas de investigación, análisis de citaciones para determinar la  
influencia de autores y publicaciones, redes de coautoría para examinar patrones de colaboración  
científica y análisis de agrupamiento temático (clusters) para reconocer tendencias emergentes y  
vacíos de conocimiento. La interpretación conjunta de estos indicadores permitirá identificar los  
factores predominantes asociados a la incidencia de la inteligencia artificial en la innovación educativa  
y establecer posibles líneas futuras de investigación.  
RESULTADOS  
El análisis bibliométrico se desarrolló sobre una muestra final de 1.468 artículos científicos publicados  
entre 2021 y 2026, obtenidos de la base de datos Scopus tras la aplicación de los criterios de selección  
establecidos en la metodología. La exploración de la estructura intelectual del campo mediante el  
software VOSviewer permitió identificar las principales relaciones de coocurrencia entre las palabras  
clave empleadas por la comunidad científica, así como los conglomerados temáticos que organizan la  
investigación sobre inteligencia artificial e innovación en la educación superior.  
La Figura 2 presenta el mapa de coocurrencia de palabras clave generado mediante VOSviewer. Cada  
nodo representa una palabra clave, mientras que el tamaño de los círculos refleja su frecuencia de  
aparición y las líneas indican la intensidad de las relaciones entre términos. La proximidad entre los  
nodos evidencia la existencia de afinidad temática, permitiendo reconocer áreas consolidadas de  
investigación y líneas emergentes dentro del campo analizado.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, agosto, 2026, Volumen VII, Número 4 p 1252.  
Figura 2  
Mapa de palabras claves  
Fuente: elaboración propia.  
El análisis de agrupamiento identificó cinco clústeres principales, cada uno de los cuales representa  
una línea temática diferenciada dentro de la literatura científica. En conjunto, estos conglomerados  
muestran que la investigación ha evolucionado desde enfoques centrados exclusivamente en el  
desarrollo tecnológico hacia perspectivas que incorporan dimensiones pedagógicas, organizacionales,  
éticas y de gestión institucional.  
Tabla 1  
Conglomerados de palabras claves  
Cluster  
Nombre del clúster  
Innovación educativa  
basada en IA y modelos  
de lenguaje  
Palabras claves  
1
adversarial machine learning; artificial intelligence in  
education; artificial intelligence tools; behavioral research;  
case-studies; ChatGPT; collaborative learning; computer aided  
instruction; contrastive learning; critical thinking; curricula;  
data mining; decision making; deep learning; e-learning;  
education computing; educational innovations; engineering  
education; ethical technology; federated learning; generative  
AI; generative artificial intelligence; high educations; language  
model; large language model; learning environments; learning  
systems; machine-learning; personnel training; project based  
learning; student engagement; students; teachers'; teaching;  
teaching and learning.  
2
Adopción de la  
algorithm; artificial intelligence; China; digitization; economic  
growth; education; educational development; employment;  
entrepreneur; ethics; future prospect; governance approach;  
higher education; innovation; learning; literacy; machine  
learning; perception; research work; student; sustainability;  
sustainable development; sustainable development goal;  
inteligencia artificial y  
transformación de la  
educación superior  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, agosto, 2026, Volumen VII, Número 4 p 1253.  
teacher training; technological development; technology  
adoption; university sector.  
3
Educación médica,  
simulación y desarrollo  
de competencias  
clínicas  
article; clinical competence; education, medical; education,  
nursing; education, nursing, baccalaureate; educational  
measurement; health care personnel; human; humans;  
medical education; nursing education; nursing education  
research; nursing student; pilot projects; pilot study; problem  
based learning; problem-based learning; procedures;  
simulation; skill; students, nursing; systematic review;  
thematic analysis; United States; virtual reality; workload.  
adult; attitude of health personnel; cross-sectional studies;  
cross-sectional study; curriculum; education, medical,  
undergraduate; female; health personnel attitude; interview;  
knowledge; male; medical profession; medical student; middle  
aged; psychology; qualitative research; questionnaire; Saudi  
Arabia; social media; students, medical; surveys and  
questionnaires; young adult.  
4
5
Percepciones y  
actitudes hacia la IA en  
la formación médica  
Diagnóstico,  
adolescent; aged; controlled study; diagnosis; health care  
tratamiento y formación system; human experiment; normal human; qualitative  
en el sistema de salud analysis; therapy; training.  
Fuente: elaboración propia.  
Como se observa en la Tabla 1, el Cluster 1, denominado Innovación educativa basada en IA y modelos  
de lenguaje, constituye el conglomerado de mayor densidad temática. Este grupo reúne  
investigaciones relacionadas con inteligencia artificial generativa, ChatGPT, modelos de lenguaje de  
gran escala (Large Language Models), aprendizaje profundo, aprendizaje colaborativo, e-learning,  
pensamiento crítico y herramientas inteligentes para la enseñanza. La elevada presencia de términos  
asociados con modelos generativos evidencia el rápido crecimiento que ha experimentado esta línea  
de investigación desde la aparición de los sistemas de IA generativa, consolidándose como uno de los  
principales motores de innovación pedagógica.  
El Cluster 2, identificado como Adopción de la inteligencia artificial y transformación de la educación  
superior, concentra investigaciones orientadas al análisis de los procesos institucionales de adopción  
tecnológica. Las palabras clave muestran una estrecha relación entre inteligencia artificial, innovación,  
sostenibilidad, alfabetización digital, desarrollo tecnológico, formación docente, gobernanza y  
educación superior. Este conglomerado refleja un enfoque estratégico que trasciende el uso de  
herramientas específicas para abordar los procesos de transformación institucional y la incorporación  
de la IA como parte de las políticas universitarias.  
Por su parte, el Cluster 3, denominado Educación médica, simulación y desarrollo de competencias  
clínicas, agrupa investigaciones enfocadas principalmente en las ciencias de la salud. Las relaciones  
identificadas vinculan conceptos como educación médica, educación en enfermería, simulación  
clínica, realidad virtual, aprendizaje basado en problemas y desarrollo de competencias profesionales.  
La concentración de estos términos evidencia que el ámbito sanitario constituye uno de los principales  
escenarios de experimentación e implementación de tecnologías basadas en inteligencia artificial para  
fortalecer los procesos formativos.  
El Cluster 4, denominado Percepciones y actitudes hacia la IA en la formación médica, reúne estudios  
centrados en la aceptación de la inteligencia artificial por parte de estudiantes, docentes y  
profesionales de la salud. Predominan palabras clave relacionadas con cuestionarios, investigaciones  
transversales, percepción, conocimiento, actitudes, currículo y redes sociales. Este conglomerado  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, agosto, 2026, Volumen VII, Número 4 p 1254.  
pone de manifiesto el creciente interés por comprender los factores humanos que condicionan la  
incorporación efectiva de la inteligencia artificial en los procesos educativos.  
El Cluster 5, identificado como Diagnóstico, tratamiento y formación en el sistema de salud, constituye  
el grupo de menor tamaño, pero evidencia una línea temática especializada orientada hacia  
aplicaciones clínicas, procesos diagnósticos, terapéuticos y actividades de capacitación del personal  
sanitario. Aunque presenta menor densidad respecto a los demás conglomerados, su presencia  
confirma que la inteligencia artificial continúa ampliando su aplicación hacia escenarios de formación  
profesional vinculados directamente con la práctica clínica.  
En términos generales, la estructura de coocurrencia evidencia que la producción científica reciente no  
se concentra exclusivamente en el desarrollo tecnológico de la inteligencia artificial, sino que incorpora  
una visión multidimensional donde convergen aspectos pedagógicos, organizacionales, éticos y  
profesionales. La interconexión observada entre los cinco conglomerados muestra que la innovación  
educativa impulsada por la IA constituye un ecosistema de investigación altamente interdisciplinario,  
en el que las aplicaciones tecnológicas se articulan con procesos de transformación institucional,  
formación docente, aprendizaje personalizado y desarrollo de competencias profesionales.  
Los resultados también permiten observar que las investigaciones más recientes tienden a  
desplazarse desde estudios centrados en algoritmos y aprendizaje automático hacia el análisis de  
herramientas de inteligencia artificial generativa, particularmente modelos de lenguaje de gran escala  
y asistentes conversacionales. Este comportamiento sugiere una evolución del campo hacia enfoques  
orientados a comprender cómo estas tecnologías modifican las metodologías de enseñanza, los  
procesos de evaluación, la interacción entre docentes y estudiantes, así como los modelos de  
innovación implementados por las instituciones de educación superior.  
La evidencia bibliométrica obtenida confirma la consolidación de un campo científico en rápida  
expansión, caracterizado por una elevada diversidad temática y una creciente convergencia entre  
inteligencia artificial, innovación educativa, transformación digital y desarrollo institucional. Los cinco  
conglomerados identificados permiten comprender la estructura intelectual del dominio de  
investigación y constituyen una base para interpretar las tendencias predominantes y las futuras líneas  
de desarrollo que serán analizadas en la siguiente sección.  
DISCUSIÓN  
El predominio del Cluster 1 (Innovación educativa basada en IA y modelos de lenguaje) corrobora la  
velocidad exponencial con la que herramientas como ChatGPT y los modelos de lenguaje de gran  
escala están reconfigurando las metodologías de enseñanza, el diseño curricular, la tutoría inteligente  
y la evaluación automatizada (Kasneci et al., 2023; Lockee, 2024). Esta disrupción pedagógica no solo  
favorece la personalización del aprendizaje, sino que potencia directamente la creatividad, la capacidad  
de resolución de problemas y el comportamiento innovador de los alumnos (Rahal et al., 2026; Tbaishat  
& Elfadel, 2026).  
La estructura intelectual del campo revela una marcada concentración de la literatura científica en el  
ámbito de las ciencias de la salud, consolidada a través de las redes de los Clústeres 3, 4 y 5. La  
formación médica y de enfermería destaca en la producción científica reciente como uno de los  
principales escenarios de experimentación de la IA, recurriendo intensamente a herramientas de  
innovación basadas en la simulación clínica, la realidad virtual y el aprendizaje basado en problemas  
para robustecer las competencias profesionales de los estudiantes (Tbaishat & Elfadel, 2026). No  
obstante, la prominencia del Cluster 4 (Percepciones y actitudes hacia la IA en la formación médica)  
pone de manifiesto que los factores humanos y las actitudes de los usuarios representan variables  
críticas en estos procesos de adopción tecnológica.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, agosto, 2026, Volumen VII, Número 4 p 1255.  
Los resultados de este mapeo bibliométrico exponen una evidente fragmentación temática en la  
producción científica actual, donde gran parte de los trabajos se limitan a validar aplicaciones  
particulares o analizar experiencias institucionales específicas, careciendo de una visión global  
integradora (Kasneci et al., 2023; Tlili et al., 2023). Esta limitación metodológica genera importantes  
vacíos de conocimiento respecto a los modelos de gobernanza y los marcos regulatorios necesarios  
para garantizar una implementación ética, justa y sostenible de las tecnologías inteligentes (Alfaleh,  
2026; Tlili et al., 2023).  
Ante los riesgos discutidos en la literatura, se vuelve imperativo que las universidades implementen  
procesos de decisión transparentes que garanticen la equidad educativa (Alfaleh, 2026). En  
consecuencia, se plantea que la agenda de investigación futura deba desplazarse de manera prioritaria  
hacia modelos de innovación abierta colaborativa y hacia programas de desarrollo profesional docente  
enfocados firmemente en las dimensiones técnica, didáctica y ética de la inteligencia artificial (Abolina  
et al., 2026).  
CONCLUSIÓN  
Esta investigación cumplió con el objetivo de identificar los factores relacionados con la incidencia de  
la inteligencia artificial en los procesos de innovación de la educación superior mediante un análisis  
bibliométrico. Los hallazgos demuestran que la estructura intelectual del campo se divide en cinco  
factores o conglomerados clave: la disrupción pedagógica impulsada por la IA generativa y los  
modelos de lenguaje a gran escala; los procesos organizacionales de adopción tecnológica,  
sostenibilidad y gobernanza universitaria; y una fuerte concentración en la educación médica, que  
abarca desde la simulación clínica y el desarrollo de competencias hasta el estudio de las percepciones  
y actitudes de los usuarios.  
El estudio de la literatura revela limitaciones importantes. Existe una marcada fragmentación temática  
en la producción científica actual, la cual se concentra mayoritariamente en validar aplicaciones  
particulares o experiencias institucionales específicas, careciendo de una visión global integradora.  
Asimismo, se evidencia un sesgo de concentración en las ciencias de la salud, lo que restringe el  
conocimiento sobre el impacto de la IA en otras disciplinas universitarias. A nivel metodológico, el  
análisis quedó condicionado por los criterios de filtrado aplicados a la base de datos Scopus dentro de  
las Ciencias Sociales entre 2021 y 2026.  
Para superar estos vacíos, las futuras líneas de investigación deben orientarse hacia el desarrollo de  
modelos de innovación abierta que fomenten la colaboración interinstitucional y con actores externos.  
Es prioritario profundizar en el diseño de marcos regulatorios y modelos de gobernanza que mitiguen  
sesgos algorítmicos, garanticen la privacidad y aseguren la equidad educativa. Por último, se requiere  
investigar la efectividad de programas de desarrollo profesional docente enfocados de manera integral  
en las dimensiones técnica, didáctica y ética de la inteligencia artificial.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, agosto, 2026, Volumen VII, Número 4 p 1256.  
REFERENCIAS  
Abolina, A., Zorins, A., Vindaca, O., Usca, S., & Petrushenko, Y. (2026). Transforming higher education  
through AI-enriched tools: An open innovation approach. Frontiers in Education, 11, Artículo 1766004.  
https://doi.org/10.3389/feduc.2026.1766004  
Alfaleh, M. (2026). Sustainable AI-driven assessment in higher education: A systematic review of  
fairness, transparency, pedagogical innovation, and governance. Sustainability, 18(2), Artículo 785.  
https://doi.org/10.3390/su18020785.  
Chen, Z., Qin, S., Han, H., Peng, W., & Liang, H. (2026). Teaching innovation mechanism of higher  
education  
driven  
by  
AI  
fusion  
data.  
Discover  
Computing,  
29,  
Artículo  
160.  
https://doi.org/10.1007/s10791-026-10036-w.  
Donthu, N., Kumar, S., Mukherjee, D., Pandey, N., & Lim, W. M. (2021). How to conduct a bibliometric  
analysis: An overview and guidelines. Journal of Business Research, 133, 285–296.  
https://doi.org/10.1016/j.jbusres.2021.04.070  
García-Morales, M. (2026). Automating Excel tasks with generative AI: Supporting innovation in mass  
transfer  
separations  
education.  
Journal  
of  
Chemical  
Education,  
103(2),  
1064–1070.  
https://doi.org/10.1021/acs.jchemed.5c01531.  
Izaguirre, J. & Rangel, E. (2026) La Gamificación asistida por Inteligencia Artificial (IA) como estrategia  
de aprendizaje en educación superior: Caso Educaplay. Hacia la calidad en la Educación a Distancia y  
Virtual  
en  
las  
IES  
Segunda  
edición.  
Ediloja  
Cía.  
Ltda.  
https://www.caled-  
ead.org/sites/default/files/files/Hacia-la-Calidad-ESaD-Segunda-Edici%C3%B3n-TomoI.pdf  
Kapoula, O., Panitsidis, K., Vezou, M., & Karapatsias, E. (2026). Systemic thinking and AI-driven  
innovation in higher education: The case of military academies. Education Sciences, 16(2), Artículo 183.  
https://doi.org/10.3390/educsci16020183.  
Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U., Groh, G.,  
Günnemann, S., Hüllermeier, E., Krusche, S., Kutyniok, G., Michaeli, T., Nerdel, C., Pfeiffer, F., Poquet, O.,  
Sailer, M., Schmidt, A., Seidel, T., Stadler, M., & Kasneci, G. (2023). ChatGPT for good? On opportunities  
and challenges of large language models for education. Learning and Individual Differences, 103,  
102274. DOI: https://doi.org/10.1016/j.lindif.2023.102274  
Lockee, B. B. (2024). Shifting digital pedagogy with generative artificial intelligence. Nature Reviews  
Psychology, 3, 241–242. https://doi.org/10.1038/s44159-024-00316-1  
Núñez-Canal, M., de Obesso Arias, M. M., Pérez-Rivero, C. A., & Álvarez-de-Mon, I. (2026). Stakeholder  
engagement and strategic innovation in higher education through AI competency. Journal of Innovation  
& Knowledge, 13, Artículo 100920. https://doi.org/10.1016/j.jik.2025.100920.  
Pakala, Y., & Guniganti, S. (2026). Advancing digital extension education: Development and validation  
of digital learning engagement scale. Indian Journal of Extension Education, 62(1), 159-165.  
https://doi.org/10.48165/IJEE.2026.621RT04  
Rahal, F. E. Z., Farmanesh, P., Houmani, H., & Dehkordi, N. S. (2026). Does Gen-AI enhance the link  
between entrepreneurship education and student innovation behavior? Insights for quality and  
sustainable  
higher  
education.  
Sustainability,  
18(3),  
Artículo  
1258.  
https://doi.org/10.3390/su18031258.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, agosto, 2026, Volumen VII, Número 4 p 1257.  
Strimel, G. J., Briller, S., Otto, J., Martinez, R., Pruim, D., & Kelley, T. R. (2026). Convergence education in  
a STEM-focused university: An ethnographic study of a cross-college design and innovation program.  
International Journal of STEM Education, 13(1). https://doi.org/10.1186/s40594-026-00610-5  
Tbaishat, D. M., & Elfadel, M. W. (2026). Artificial intelligence (AI) for social innovation in health  
education: Promoting health literacy through personalized AI-driven learning tools – A systematic  
review. BMC Medical Education, 26, Artículo 123. https://doi.org/10.1186/s12909-025-08462-3.  
Tlili, A., Shehata, B., Adarkwah, M. A., Bozkurt, A., Hickey, D. T., Huang, R., & Agyemang, B. (2023). What  
if the devil is my guardian angel? ChatGPT as a case study of using chatbots in education. Smart  
Learning Environments, 10(1), 15. DOI: https://doi.org/10.1186/s40561-023-00237-x  
Wai, J., & Tran, B. (2022). Student characteristics, institutional factors, and outcomes in higher  
education and beyond: An analysis of standardized test scores and other factors at the institutional  
level  
with  
school  
rankings  
and  
salary.  
Journal  
of  
Intelligence,  
10(2),  
Article  
22.  
https://doi.org/10.3390/jintelligence10020022  
Zraydi, F., Opoku, M. P., Guirguis, B. M., Ndijuye, L. G., & Gyimah, E. M. (2026). Towards promoting  
innovation in inclusive education: Behavioural intention of teachers towards adopting AI to teach  
students with learning disabilities in the UAE. Smart Learning Environments, 13(2), Artículo 2.  
https://doi.org/10.1186/s40561-026-00430-8  
Todo el contenido de LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, publicados en este  
sitio está disponibles bajo Licencia Creative Commons  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, agosto, 2026, Volumen VII, Número 4 p 1258.