Ética en el uso de la inteligencia artificial: desafíos y buenas prácticas para el desarrollo educativo en Ecuador
DOI:
https://doi.org/10.64747/b03qch53Palabras clave:
ética de la IA, analíticas de aprendizaje, supervisión humana, equidad educativa, bachilleratoResumen
Este estudio analiza la integración de inteligencia artificial (IA) en el Bachillerato General Unificado (BGU) de la Parroquia Tarqui, Guayaquil, desde una perspectiva de ética aplicada y política educativa. Se implementó, durante un semestre, un paquete de gobernanza ética —privacidad por diseño, evaluación de impacto algorítmico educativa (EIA‑E), supervisión humana significativa, transparencia y alfabetización crítica— en aulas de Matemática y Lengua. El diseño cuasi‑experimental mixto combinó diferencias‑en‑diferencias con modelos multinivel y un componente cualitativo explicativo. La muestra incluyó 96 aulas (n = 2.984 estudiantes), con línea base anclada a microdatos de “Ser Estudiante”. Los resultados indican mejoras moderadas en logro académico (0,22 DE en Matemática; 0,17 DE en Lengua), reducción de brechas por nivel socioeconómico (hasta 0,20 DE en Matemática) y cumplimiento de indicadores éticos (incidentes de privacidad <1/1000 sesiones; paridad ≥0,91). La intensidad de uso óptima se ubicó entre 90–130 min/semana, con rendimientos decrecientes más allá de ~150 min. La conectividad condicionó magnitudes de efecto, favoreciendo aulas con enlaces estables. La evidencia cualitativa mostró mayor confianza cuando existieron tableros de transparencia y protocolos de override. Se concluye que la gobernanza ética, articulada con diseño instruccional y formación docente en alfabetización crítica, potencia el valor pedagógico de la IA y evita efectos distributivos indeseados. Se recomiendan lineamientos nacionales para EIA‑E, compra pública responsable y comités escolares de ética digital, además de estudios longitudinales y ensayos por conglomerados para robustecer inferencias y escalabilidad
Referencias
Adiguzel, T., Doğan, A., & Özkan, E. (2023). Revolutionizing education with AI: Exploring the transformative potential of ChatGPT. Contemporary Educational Technology, 15(3), ep422. https://doi.org/10.30935/cedtech/13152
Austin, P. C. (2011). Optimal caliper widths for propensity‐score matching when estimating differences in means and differences in proportions in observational studies. Pharmaceutical Statistics, 10(2), 150–161. https://doi.org/10.1002/pst.433
Baker, R. S. (2022). Algorithmic bias in education. International Journal of Artificial Intelligence in Education, 32(4), 901–902. https://doi.org/10.1007/s40593-021-00285-9
Benjamini, Y., & Hochberg, Y. (1995). Controlling the false discovery rate: A practical and powerful approach to multiple testing. Journal of the Royal Statistical Society: Series B (Methodological), 57(1), 289–300. https://doi.org/10.1111/j.2517-6161.1995.tb02031.x
Cameron, A. C., & Miller, D. L. (2015). A practitioner’s guide to cluster-robust inference. Journal of Human Resources, 50(2), 317–372. https://doi.org/10.3368/jhr.50.2.317
Dávila, M. R., Moreno, D. K., Cajas, C. A., Guzmán, J. C., & Miranda, S. (2023). Estrategias inclusivas con tecnologías digitales en educación media en Ecuador. Horizonte Científico, 13(25), 20–33. https://doi.org/10.64747/9epagq94
Escueta, M., Quan, V., Nickow, A. J., & Oreopoulos, P. (2017). Education technology: An evidence-based review. NBER Working Paper Series (No. 23744). https://doi.org/10.3386/w23744
Fjeld, J., Achten, N., Hilligoss, H., Nagy, A., & Srikumar, M. (2020). Principled artificial intelligence: Mapping consensus in ethical and rights-based approaches to principles for AI. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.3518482
Floridi, L., & Cowls, J. (2019). A unified framework of five principles for AI in society. Harvard Data Science Review, 1(1). https://doi.org/10.1162/99608f92.8cd550d1
Gouseti, A., Livingstone, S., & Veteška, J. (2024). Towards a new ethics of AI in K–12 education: From concerns to constructive principles. Technology, Pedagogy and Education, 33(5), 1–18. https://doi.org/10.1080/1475939X.2024.2428601
Habibi, A., Muhaimin, M., Danibao, B. K., Wibowo, Y. G., Wahyuni, S., & Octavia, A. (2023). ChatGPT in higher education learning: Acceptance and use. Computers and Education: Artificial Intelligence, 5, 100190. https://doi.org/10.1016/j.caeai.2023.100190
Jobin, A., Ienca, M., & Vayena, E. (2019). The global landscape of AI ethics guidelines. Nature Machine Intelligence, 1(9), 389–399. https://doi.org/10.1038/s42256-019-0088-2
Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U., Groh, G., Hüllermeier, E., Krusche, S., Kutyniok, G., Michaeli, T., Nerdel, C., Pfeffer, J., Poquet, O., Sailer, M., Schmidt, A., Seidel, T., Stadler, M., … Weller, J. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, 102274. https://doi.org/10.1016/j.lindif.2023.102274
Kizilcec, R. F., & Lee, H.-S. (2022). Algorithmic fairness in education. En S. A. Scherer & K. D’Mello (Eds.), The Cambridge handbook of computing education research (pp. 247–274). Cambridge University Press. https://doi.org/10.4324/9780429329067-10
Lin, L., & Aloe, A. M. (2021). Evaluation of various estimators for standardized mean difference in meta-analysis. Statistics in Medicine, 40(2), 403–426. https://doi.org/10.1002/sim.8781
Meyer, J. G., Urbanowicz, R. J., Martin, P. C. N., O’Connor, K., Li, R., & Peng, P.-C. (2023). ChatGPT and large language models in academia: Opportunities and challenges. BioData Mining, 16(1), 20. https://doi.org/10.1186/s13040-023-00339-9
Morales Echeverría, D. A., Morales Alarcón, F. P., Cajamarca Altamirano, E. E., & Intriago Usca, F. J. (2024). La protección de datos personales en Ecuador: Evolución legislativa y comparación regional. Perspectivas Sociales y Administrativas, 2(2), 35–44. https://doi.org/10.61347/psa.v2i2.70
OECD. (2023). The state of implementation of the OECD AI Principles four years on (OECD Artificial Intelligence Papers No. 3). OECD Publishing. https://doi.org/10.1787/835641c9-en
OECD. (2024). Explanatory memorandum on the updated OECD definition of an AI system (OECD Artificial Intelligence Papers No. 8). OECD Publishing. https://doi.org/10.1787/623da898-en
Osorno Hernández, D., Vivas Torres, T. D., & Beltrán García, I. D. (2024). Marco de ética de la IA en educación: Desarrollo del pensamiento crítico y meta-cognición. Horizonte Científico, 14(27), 1–12. https://doi.org/10.64747/yk2urw42
Pane, J. F., Steiner, E. D., Baird, M. D., & Hamilton, L. S. (2015). Continued progress: Promising evidence on personalized learning (RR-1365-BMGF). RAND Corporation. https://doi.org/10.7249/RR1365
Salas-Pilco, S. Z., Yang, Y., & Zhang, Z. (2022). Student-centered learning analytics: A review of five years of literature. International Journal of Educational Technology in Higher Education, 19(1), 62. https://doi.org/10.1186/s41239-022-00326-w
UNESCO. (2023). Global Education Monitoring Report 2023: Technology in education—A tool on whose terms? UNESCO Publishing. https://doi.org/10.54676/UZQV8501
Zawacki‑Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education—Where are the educators? International Journal of Educational Technology in Higher Education, 16(1), 39. https://doi.org/10.1186/s41239-019-0171-0
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Henry Darío Bravo Soria, Carlos Fabricio Brito Solórzano, Carlos Eduardo Cevallos Martínez, Emilia Trinidad Guerra Balseca (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
