|
|
|
|
|
|
|
|
REVISTA EDUCACIÓN SUPERIOR Y SOCIEDAD 2025, Vol. 37 Nro. 2 (jul.- dic.), 205-222. https://doi.org/10.54674/ess.v37i2.1174 ISSN-e: 2610-7759
|
|
|
|
Autoría e integridad académica ante la inteligencia artificial generativa en educación superior
Authorship and Academic Integrity in the Age of Generative Artificial Intelligence in Higher Education
Zaira
Navarrete-Cazales1 @
Juan
Crescenciano Cruz-Victoria2 @
Héctor M.
Manzanilla-Granados3 @
1. Universidad Nacional Autónoma de México, Ciudad de México, México
2. Universidad Politécnica de Tlaxcala, Tlaxcala, México
3. Instituto Politécnico Nacional, Ciudad de México, México
RESUMEN
Este artículo analiza la problemática de la integridad académica y las nuevas formas de deshonestidad derivadas del uso de inteligencia artificial generativa (IAg) en contextos educativos, explorando cómo las herramientas de generación de texto, como chatbots avanzados, transforman las nociones tradicionales de autoría, originalidad y plagio académico. El objetivo es comprender de qué manera la IA generativa desafía las concepciones tradicionales de integridad académica y proponer lineamientos éticos e institucionales para su uso responsable. Metodológicamente, se realiza una revisión bibliográfica cualitativa de investigaciones recientes (2019–2025) sobre ética, autoría, plagio y equidad tecnológica en la educación superior. Los resultados muestran que la IA introduce dilemas éticos inéditos: redefine la autoría humana, dificulta la detección del plagio automatizado y puede ampliar la brecha digital entre instituciones con distinto acceso tecnológico; además, se identifican enfoques emergentes para la detección de contenido generado por IA y la promoción de prácticas de transparencia en la colaboración humano-IA. Las conclusiones subrayan la necesidad de fortalecer la educación ética digital, desarrollar políticas institucionales que regulen el uso académico de la IA y garantizar un aprovechamiento equitativo de sus beneficios mediante herramientas de código abierto, promoviendo así una reflexión crítica sobre la autoría y la responsabilidad intelectual en la era de la inteligencia artificial generativa.
PALABRAS CLAVE: integridad académica; autoría; inteligencia artificial generativa; ética educativa; educación superior
Authorship and Academic Integrity in the Age of Generative Artificial Intelligence in Higher Education
ABSTRACT
This article analyzes the issue of academic integrity and the emerging forms of dishonesty derived from the use of generative artificial intelligence (GAI) in educational contexts, exploring how text-generation tools, such as advanced chatbots, are transforming traditional notions of authorship, originality, and academic plagiarism. The objective is to understand how generative AI challenges conventional conceptions of academic integrity and to propose ethical and institutional guidelines for its responsible use. Methodologically, a qualitative literature review was conducted, drawing on recent studies (2019–2025) addressing ethics, authorship, plagiarism, and technological equity in higher education. The findings show that AI introduces unprecedented ethical dilemmas: it redefines human authorship, complicates the detection of automated plagiarism, and may widen the digital divide between institutions with differing technological access. Emerging approaches to detecting AI-generated content and promoting transparency in human–AI collaboration are also identified. The conclusions highlight the need to strengthen digital ethics education, develop institutional policies regulating the academic use of AI, and ensure equitable access to its benefits through open-source tools, thereby fostering critical reflection on authorship and intellectual responsibility in the age of generative artificial intelligence.
KEYWORDS: academic integrity; authorship; generative artificial intelligence; educational ethics; higher education
Autoria e integridade acadêmica diante da inteligência artificial generativa no ensino superior
RESUMO
Este artigo analisa a problemática da integridade acadêmica e as novas formas de desonestidade derivadas do uso da inteligência artificial generativa (IAG) em contextos educacionais, explorando como as ferramentas de geração de texto, como chatbots avançados, estão transformando as noções tradicionais de autoria, originalidade e plágio acadêmico. O objetivo é compreender de que maneira a IA generativa desafia as concepções tradicionais de integridade acadêmica e propor diretrizes éticas e institucionais para seu uso responsável. Metodologicamente, foi realizada uma revisão bibliográfica qualitativa de pesquisas recentes (2019–2025) sobre ética, autoria, plágio e equidade tecnológica no ensino superior. Os resultados mostram que a IA introduz dilemas éticos inéditos: redefine a autoria humana, dificulta a detecção do plágio automatizado e pode ampliar a lacuna digital entre instituições com diferentes níveis de acesso tecnológico. Também são identificadas abordagens emergentes para a detecção de conteúdo gerado por IA e para a promoção da transparência na colaboração humano-IA. As conclusões destacam a necessidade de fortalecer a educação ética digital, desenvolver políticas institucionais que regulem o uso acadêmico da IA e garantir um aproveitamento equitativo de seus benefícios por meio de ferramentas de código aberto, promovendo uma reflexão crítica sobre a autoria e a responsabilidade intelectual na era da inteligência artificial generativa.
PALAVRAS-CHAVE: integridade acadêmica; autoria; inteligência artificial generativa; ética educacional; ensino superior
Auteurs et intégrité académique face à l’intelligence artificielle générative dans l’enseignement supérieur
RÉSUMÉ
Cet article analyse la problématique de l’intégrité académique et les nouvelles formes de malhonnêteté découlant de l’utilisation de l’intelligence artificielle générative (IAG) dans les contextes éducatifs, en explorant comment les outils de génération de texte, tels que les chatbots avancés, transforment les notions traditionnelles d’auteur, d’originalité et de plagiat académique. L’objectif est de comprendre comment l’IA générative remet en question les conceptions traditionnelles de l’intégrité académique et de proposer des lignes directrices éthiques et institutionnelles pour son utilisation responsable. Sur le plan méthodologique, une revue de littérature qualitative a été réalisée à partir d’études récentes (2019–2025) portant sur l’éthique, l’auteur, le plagiat et l’équité technologique dans l’enseignement supérieur. Les résultats montrent que l’IA introduit des dilemmes éthiques inédits : elle redéfinit l’auteur humain, complique la détection du plagiat automatisé et peut accentuer la fracture numérique entre les établissements ayant des niveaux d’accès technologique différents. Des approches émergentes sont également identifiées pour détecter le contenu généré par l’IA et promouvoir la transparence dans la collaboration homme-IA. Les conclusions soulignent la nécessité de renforcer l’éducation à l’éthique numérique, d’élaborer des politiques institutionnelles encadrant l’usage académique de l’IA et de garantir un accès équitable à ses bénéfices grâce à des outils open source, favorisant ainsi une réflexion critique sur l’auteur et la responsabilité intellectuelle à l’ère de l’intelligence artificielle générative.
MOTS CLÉS : Intégrité académique ; auteur ; intelligence artificielle générative ; éthique de l’éducation ; enseignement supérieur
1. INTRODUCCIÓN
En los últimos años, la inteligencia artificial (IA) ha adquirido una relevancia creciente en la educación, especialmente con la aparición de modelos de lenguaje avanzados capaces de generar contenido textual coherente. Herramientas como ChatGPT y otros sistemas de IA generativa se han incorporado a los procesos de enseñanza y aprendizaje, ofreciendo nuevas posibilidades de personalización, retroalimentación automatizada y apoyo en la producción de materiales académicos (Artyukhov et al., 2024; Gallent et al., 2023; Navarrete-Cazales y Manzanilla-Granados, 2023). Estas tecnologías prometen transformar los paradigmas educativos y ampliar la accesibilidad en consonancia con los Objetivos de Desarrollo Sostenible vinculados a la educación.
Sin embargo, su rápida adopción ha traído desafíos éticos y de integridad académica, especialmente en torno a la autoría y la originalidad. La posibilidad de emplear IA generativa para elaborar ensayos o tareas plantea interrogantes sobre el plagio académico y la validez del trabajo estudiantil (Mah et al., 2024; Muñoz, 2024; Evangelista, 2025; Kovari, 2025). El llamado plagio asistido por IA alude al uso indebido de estas herramientas para producir textos presentados como creación propia sin atribución alguna. A diferencia del plagio tradicional, basado en la copia directa de obras existentes, el contenido generado por IA puede ser inédito y carecer de una fuente identificable, lo que dificulta su detección y difumina la frontera entre autoría legítima y fraude académico (Mah et al., 2024).
Desde la irrupción de ChatGPT en 2022, las instituciones de educación superior se han visto obligadas a redefinir sus políticas de honestidad académica y a revisar qué significa “escritura original” en la era digital (Mah et al., 2024). La integridad académica, fundamentada en valores de honestidad, justicia, responsabilidad y respeto, enfrenta un contexto inédito donde la autoría automatizada desafía los principios tradicionales de creatividad y reconocimiento de fuentes (Muñoz, 2024).
Otro aspecto crítico es la brecha tecnológica derivada del acceso desigual a estas herramientas. Factores socioeconómicos y geográficos influyen en la disponibilidad de infraestructura digital y en las competencias para utilizar IA, lo que puede generar ventajas académicas desiguales entre estudiantes e instituciones (Artyukhov et al., 2024). En este sentido, la IA de código abierto se perfila como una alternativa para democratizar el acceso, reducir costos de adopción y fomentar una innovación educativa inclusiva (Costa et al., 2024). Promover herramientas abiertas es esencial para evitar que la revolución tecnológica profundice las desigualdades existentes.
En este contexto, el presente artículo analiza, desde una perspectiva académica, la relación entre ética, plagio y generación de contenidos mediante IA en la educación superior. Se plantean las siguientes preguntas de investigación: ¿Cómo afectan las herramientas de IA generativa las definiciones tradicionales de plagio y autoría en el ámbito educativo? ¿Qué implicaciones éticas emergen de su adopción y cómo desafían la integridad académica? ¿Qué métodos y herramientas se desarrollan para detectar el plagio asistido por IA y cuán efectivos son? ¿Qué lineamientos institucionales y éticos podrían implementarse para fomentar un uso transparente y responsable de la IA, garantizando además la equidad en el acceso?
Mediante una revisión crítica de la literatura reciente (2020–2025), este estudio busca ofrecer claridad conceptual sobre estos dilemas y proponer recomendaciones prácticas que permitan preservar la integridad académica sin frenar la innovación tecnológica en la educación superior.
2. REVISIÓN DE LA LITERATURA (MARCO TEÓRICO)
2.1. Definiciones de plagio, integridad académica y autoría tradicional
El plagio académico se entiende como la apropiación de ideas, palabras u obras ajenas presentándolas como propias, sin reconocimiento o citación adecuada (Muñoz, 2024). Constituye una infracción grave a la integridad académica, definida como el compromiso con los valores de honestidad, justicia, respeto, responsabilidad y valentía en la producción y difusión del conocimiento. Estos principios, promovidos por el Centro Internacional de Integridad Académica, sustentan las políticas institucionales de prevención del fraude. En la autoría tradicional, las ideas y textos son producto del esfuerzo intelectual individual, y cualquier aporte externo debe reconocerse explícitamente. Solo los seres humanos eran considerados capaces de asumir la responsabilidad ética y legal sobre una obra escrita. Antes del surgimiento de la inteligencia artificial (IA) generativa, el plagio se detectaba mediante la comparación de textos con bases de datos, utilizando programas como Turnitin o iThenticate. La autoría implicaba necesariamente creatividad humana, y las normas de propiedad intelectual excluían obras creadas exclusivamente por sistemas automatizados.
2.2. Cambios introducidos por la IA en la generación de contenido
Los modelos de IA generativa (IAg), como GPT-3, GPT-4 o GPT-5, han transformado las nociones tradicionales de autoría y plagio. Estas herramientas producen textos originales a partir de instrucciones (prompts), lo que permite generar ensayos o artículos con mínima intervención humana (Dehouche, 2021). A diferencia del plagio convencional, donde existe una fuente identificable, el contenido generado por IA es único en su redacción, aunque no proviene del intelecto del estudiante. Esto plantea si presentar un texto producido por una máquina constituye deshonestidad académica (Mah et al., 2024; Jarrah et al., 2023). Algunos autores sostienen que el concepto de plagio debe actualizarse para incluir esta modalidad asistida por IA (Qadhi et al., 2024).
La cuestión de la autoría se complejiza: cuando la IA participa en la creación textual, el ser humano puede actuar como editor, al revisar o modificar el texto generado, o como solicitante, al formular las instrucciones que guían su producción. En ambos casos, su rol difiere del autor tradicional, entendido como quien concibe y materializa ideas originales. Dehouche (2021) señala que esta ruptura de la cadena causal entre intelecto humano y contenido final exige revisar los criterios de atribución. En la misma línea, Gervais (2020, citado por Dehouche) propone mantener un eslabón causal humano que garantice la autenticidad de la obra.
Otros estudios recientes amplían la reflexión ética. Clemente Alcocer, Cabello Cabrera y Añorve García (2024) analizan los desafíos éticos de la IA en la educación latinoamericana, subrayando que el problema no se limita a la autoría, sino que abarca la responsabilidad moral en la mediación tecnológica. Destacan la necesidad de formar a docentes y estudiantes en discernimiento ético para evitar usos acríticos o dependientes de la IA. De manera complementaria, Linares (2024) enfatiza que la ética de la IA debe centrarse en la preservación de la agencia humana, para que las decisiones derivadas del uso de estas tecnologías mantengan control y responsabilidad humana efectiva.
2.3. Ventajas y desventajas de la IA en educación: brecha digital y equidad
La literatura reciente coincide en que la IA ofrece beneficios significativos en educación, como la personalización del aprendizaje, la automatización de tareas repetitivas y la ampliación del acceso a recursos educativos (Artyukhov et al., 2024; Microsoft Education, 2020). Según Labrador-Fernández (2023), estas herramientas pueden fortalecer la enseñanza si se utilizan bajo principios éticos claros, integrando la reflexión moral en el uso tecnológico. No obstante, el autor advierte sobre la erosión de la autonomía intelectual cuando los procesos de pensamiento se delegan en algoritmos, un riesgo especialmente relevante en contextos de formación universitaria.
Entre los principales riesgos identificados se encuentran la dependencia excesiva de los estudiantes de herramientas de IA, la pérdida de habilidades de pensamiento crítico y la ampliación de la brecha digital entre quienes tienen o no acceso a tecnología avanzada (Artyukhov et al., 2024). Esta desigualdad no solo se manifiesta en infraestructura, sino también en alfabetización digital y capacidad para usar críticamente la IA. Como advierten Clemente Alcocer y otros (2024), la incorporación de estas herramientas puede reproducir inequidades sociales preexistentes si no se acompaña de políticas públicas y estrategias pedagógicas que garanticen la inclusión tecnológica.
La IA también puede propagar errores o sesgos, las llamadas alucinaciones que, combinadas con la confianza acrítica del usuario, afectan la calidad del aprendizaje. Además, plantea desafíos de privacidad y protección de datos, pues muchos sistemas almacenan información sensible en servidores externos. En conjunto, la IA representa una dicotomía educativa: puede mejorar la calidad y eficiencia de la enseñanza, pero también acentuar desigualdades si no se gestiona éticamente (Wiese et al., 2025).
2.4. Rol del código abierto en la democratización del acceso a la IA
La IA de código abierto es considerada una vía fundamental para democratizar el acceso tecnológico y promover la equidad educativa (Costa et al., 2024). Los proyectos abiertos como TensorFlow, PyTorch o los modelos GPT-Neo y BLOOM permiten que instituciones con menos recursos utilicen y adapten tecnologías avanzadas sin incurrir en altos costos. Además, la apertura favorece la transparencia y auditabilidad, aspectos esenciales para la ética y la confianza pública en los algoritmos.
De acuerdo con la UNESCO (2021), la ética de la IA debe sustentarse en valores de transparencia, justicia, responsabilidad y sostenibilidad, priorizando la inclusión digital y el beneficio común. Esta orientación se alinea con el enfoque del código abierto, que promueve la colaboración, el intercambio de conocimiento y la reducción de brechas tecnológicas. No obstante, la apertura por sí sola no garantiza acceso efectivo: se requiere inversión en infraestructura y formación docente, como señalan Labrador-Fernández (2023) y Clemente Alcocer et al. (2024).
2.5. Estudios previos sobre ética y plagio con IA
Investigaciones recientes abordan las percepciones de docentes y estudiantes ante el uso de IA en tareas académicas. Mah y otros (2024) muestran que ChatGPT ha modificado la percepción de lo que se considera “hacer trampa” y evidencian la necesidad de reforzar la educación en integridad digital. Jarrah, Wardat y Fidalgo (2023) sostienen que el uso de IA no constituye plagio si se reconoce su intervención, recomendando transparencia y atribución en la mención de herramientas generativas. Otras investigaciones, como la de Perkins (2023), revelan que el uso de IA puede canalizarse hacia fines positivos, siempre que se integre con criterios éticos.
A nivel institucional, estudios como el de Microsoft Education (2020) ofrecen guías prácticas para docentes que promueven la aplicación de principios de IA ética en el aula, centrados en el respeto, la inclusión y la responsabilidad compartida. Asimismo, Wiese y otros (2025), en su revisión sistemática sobre educación en ética de la IA, destacan la urgencia de incorporar la formación ética digital en los programas universitarios, combinando reflexión moral con competencias técnicas.
En síntesis, la literatura converge en que la IA generativa representa tanto un reto ético como una oportunidad pedagógica. Responder adecuadamente a su impacto requiere políticas institucionales claras, marcos regulatorios basados en los valores de la UNESCO (2021) y una pedagogía que promueva el uso crítico, atribución responsable y equidad tecnológica.
3. METODOLOGÍA
Para abordar las preguntas de investigación planteadas, este trabajo se desarrolló mediante una revisión de la literatura con un enfoque cualitativo de tipo documental. En primera instancia se realizó una búsqueda exhaustiva de publicaciones académicas relevantes en bases de datos de alto impacto, incluyendo Scopus, Web of Science, Google Académico y bases especializadas como ERIC y LENS. Adicionalmente, se consultaron repositorios Open Access (por ejemplo, arXiv para preprints) y literatura gris pertinente (informes de organismos educativos, artículos de conferencias). La búsqueda se centró en materiales publicados en los últimos años (2019-2025), dado que el auge de la IA generativa es muy reciente y la discusión ética relacionada está en pleno desarrollo.
Se emplearon palabras clave en español e inglés para asegurar la cobertura internacional de la literatura. Entre los términos utilizados figuraron: “inteligencia artificial en educación”, “IA generativa plagio”, “integridad académica y IA”, “AI plagiarism education”, “academic integrity AI tools”, “open source AI education”, entre otros.
Con el propósito de sistematizar la búsqueda y delimitar el universo documental, se construyeron ecuaciones booleanas estructuradas aplicadas en bases de datos especializadas. Como ejemplo, en la plataforma Lens se utilizó la siguiente ecuación:
( "generative AI" OR ( "generative artificial
intelligence" OR ( "large language model*" OR ( ChatGPT OR (
GPT-3 OR ( GPT-4 OR ( Gemini OR ( Copilot OR Perplexity ) ) ) ) ) ) ) )
AND
( ( "academic writing" OR ( "essay writing" OR (
"technical writing" OR ( "scientific writing" OR
"engineering writing" ) ) ) )
AND
( "higher education" OR ( "university students" OR (
undergraduate OR "engineering education" ) ) ) )
La aplicación de este filtro permitió caracterizar la distribución temporal de las publicaciones recuperadas en torno a la intersección entre inteligencia artificial generativa, escritura académica y educación superior.
Gráfico 1. Distribución temporal de publicaciones recuperadas en Lens mediante ecuación de búsqueda estructurada sobre IA generativa y escritura académica en educación superior (2019–2025).
Fuente: Elaboración propia.
Asimismo, se identificaron artículos clave a través de las referencias bibliográficas de trabajos iniciales (técnica de bola de nieve) para ampliar el corpus de análisis. Como criterios de inclusión se consideraron: relevancia directa con el tema de ética, plagio o integridad académica asociada al uso de IA, rigor y calidad (priorizando publicaciones revisadas por pares en revistas científicas, actas de congresos o capítulos de libros reconocidos), y diversidad de perspectivas (incluyendo estudios empíricos, análisis teóricos, comentarios de políticas y casos prácticos). Se excluyeron trabajos centrados exclusivamente en aplicaciones técnicas de inteligencia artificial sin relación con la integridad académica, estudios de niveles educativos distintos a la educación superior y documentos sin sustento académico verificable. Se evaluaron 214 textos completos, de los cuales 194 fueron descartados por no abordar de manera directa la relación entre autoría, integridad académica e inteligencia artificial generativa en educación superior.
De forma complementaria, se incorporaron documentos adicionales identificados mediante revisión manual de referencias, literatura gris y fuentes institucionales especializadas. Este proceso permitió recuperar 13 contribuciones adicionales, de las cuales 10 cumplieron los criterios de inclusión. En consecuencia, el corpus final analizado quedó conformado por 30 estudios.
El análisis cualitativo consistió en una lectura crítica y comparativa de las fuentes seleccionadas. Se extrajeron de ellas las principales temáticas y hallazgos: definiciones, dilemas éticos identificados, soluciones propuestas, brechas de investigación. Estos insumos cualitativos fueron organizados conforme a los ejes presentados en el Marco Teórico (autoría y plagio, ventajas/desventajas, open source, etc.) y sirvieron de base para la síntesis argumentativa en Resultados y Discusión.
En cuanto a la validez, al tratarse de un fenómeno emergente, muchas publicaciones son recientes; se ha procurado incluir tanto estudios pioneros (p. ej., Dehouche 2021, que anticipó el problema) como los más actuales de 2023, 2024 y 2025 que reflejan el estado del debate. Se reconocen las limitaciones inherentes a este tipo de estudio: al ser principalmente una revisión bibliográfica, depende de la disponibilidad de investigaciones (todavía escasas en ciertos subtemas) y podría adolecer de sesgos de publicación (más reportes de problemas que de implementaciones exitosas, por ejemplo).
A continuación, en la sección de resultados y discusión, se presentan los hallazgos principales estructurados según los temas críticos identificados, integrando ejemplos concretos y citas de la literatura revisada para sustentar el análisis.
4. RESULTADOS Y DISCUSIÓN
4.1. De la IA en educación y sus implicaciones éticas
La introducción de herramientas de IA generativa en entornos educativos ha sido sorprendentemente rápida. Desde la aparición pública de sistemas como ChatGPT a finales de 2022, muchos estudiantes y docentes han experimentado con estas tecnologías en diversas tareas académicas. Los niveles de adopción son difíciles de cuantificar con exactitud; sin embargo, el Consejo de Educación Digital (DEC, por sus siglas en inglés) señala en su encuesta sobre inteligencia artificial realizada en 16 países que el 86% de los estudiantes universitarios emplea la IA generativa de forma habitual. ChatGPT lidera con 66% de preferencia y más de la mitad de los estudiantes (54%) interactúa semanalmente con alguna forma de IA, lo que confirma la tendencia al alza y refuerza la necesidad de capacitar a la comunidad académica para integrar estos recursos de manera responsable (DEC, 2024).
Un primer impacto claro es la necesidad de revisar las políticas de integridad académica. Numerosas instituciones educativas se encontraron sin lineamientos específicos sobre la IA, lo que llevó a respuestas iniciales dispares: algunas adoptaron una postura prohibitiva (vetando el uso de estas herramientas en cualquier trabajo presentado), mientras que otras optaron por incorporarlas pedagógicamente bajo supervisión. La ambigüedad normativa al principio de esta ola tecnológica dejó lagunas: los estudiantes recurrieron a la IA en ausencia de reglas claras, y los profesores se enfrentaron a dilemas al sospechar que ciertos ensayos “sonaban” a ChatGPT sin tener pruebas contundentes.
Desde una perspectiva ética, la adopción de IA en educación toca el equilibrio entre innovación y trampa. Por un lado, emplear IA puede verse como análogo a usar otras ayudas permitidas (tutores en línea, correctores, calculadoras avanzadas); por otro lado, si la IA realiza partes sustantivas del trabajo intelectual, podría considerarse una forma de trampa. La situación ha revelado áreas grises: por ejemplo, ¿está mal que un estudiante use ChatGPT para obtener explicaciones adicionales sobre un tema difícil? Seguramente no, de hecho, puede ser positivo como refuerzo educativo. ¿Y usarlo para generar la primera versión de un ensayo, que luego el estudiante edita y complementa con referencias? Algunos lo equipararían con colaboración o asistencia válida, mientras otros lo censuran por no provenir enteramente del estudiante. Estas zonas grises éticas evidencian que no todo uso de IA equivale a plagio o fraude; es crucial el cómo y para qué se usa.
La literatura sugiere que, frente a la IA, las instituciones deben reforzar los valores de integridad a través de la educación y la cultura, más que confiar únicamente en la represión. Por ejemplo, Rudolph et al. (2023), tras revisar decenas de fuentes sobre ChatGPT en educación, aconsejan no adoptar un enfoque policial, sino construir relaciones de confianza con los estudiantes y replantear las evaluaciones para enfatizar el aprendizaje más que la mera calificación y, en caso de una duda justificada, los profesores podrían evaluar el conocimiento de los estudiantes acerca de sus propios ensayos y llevar a cabo un examen oral improvisado. Esta recomendación implica que, en lugar de perseguir y sancionar cada posible uso de IA, es más efectivo rediseñar tareas académicas para que requieran aportes creativos o reflexivos donde el estudiante deba demostrar comprensión (y donde la ayuda de la IA por sí sola no garantice el cumplimiento). Asimismo, promueve un diálogo abierto: si el uso de IA se transparenta y se discute en clase, es más fácil delimitar qué es aceptable y qué cruza la línea ética.
La adopción no regulada de IA tiene el potencial de erosionar la confianza en la evaluación académica. Casos reportados anónimamente incluyen asignaturas donde la mayoría de los estudiantes entregó trabajos generados total o parcialmente por IA, lo que desvirtuó el propósito de la tarea. Docentes en distintos países han manifestado preocupación porque la originalidad de la producción estudiantil ya no está garantizada, afectando la validez de calificaciones y certificaciones.
Sin embargo, estas herramientas, bien empleadas, pueden elevar el nivel de análisis y discusión en clase. Por ejemplo, un profesor podría asignar a los estudiantes que analicen críticamente un ensayo generado por IA, identificando posibles errores o profundizando en aspectos que la IA pasó por alto. Esto convierte a la IA en un objeto de aprendizaje más que en un atajo deshonesto. De igual modo, algunos proponen que enseñar a los estudiantes a colaborar con la IA (indicándole adecuadamente, verificando sus resultados, citándola) es en sí una competencia digital nueva que las universidades deben fomentar para preparar profesionales éticos en entornos donde la IA estará presente.
En síntesis, la adopción de IA en educación ya es una realidad y sus implicaciones éticas son complejas. Los resultados de esta revisión indican que: a) se está produciendo una rápida actualización de políticas institucionales en torno a la IA, aunque con enfoques variados; b) existe una tensión entre aprovechar las ventajas pedagógicas de la IA y prevenir su uso fraudulento, lo que requiere equilibrio; c) la comunidad académica aboga por la transparencia como principio guía, es decir, que estudiantes y docentes declaren cuándo y cómo se usa IA en la elaboración de trabajos, para poder evaluar justamente su contribución. Este último punto enlaza con el tema de la validez de la autoría en contenidos generados por IA, que discutiremos a continuación.
4.2. Validez de la autoría en contenidos generados por IA
La cuestión de la autoría válida en textos generados con asistencia de IA es quizá el dilema filosófico central de este fenómeno. Tradicionalmente, la autoría conlleva originalidad intelectual y asunción de responsabilidad sobre el contenido. En el caso de involucrar IA, surge la pregunta: ¿sigue siendo el estudiante (o investigador) el autor pleno del texto?
Una postura estricta sostiene que cuando la IA produce oraciones o párrafos enteros, el estudiante pasa a ser coautor en el mejor de los casos, o incluso no autor del material en cuestión. Desde esta óptica, entregar como propio un texto que uno no escribió de puño y letra (ni combinando conscientemente ideas ajenas con las propias) es objetable. Aunque el texto sea original en el sentido de no estar copiado de otra fuente, sería análogo a contratar a alguien para que escriba el trabajo: se consideraría autoría suplantada. Gallent y otros (2023), al analizar las implicaciones éticas de la IA en educación superior, mencionan precisamente el surgimiento de nuevas formas de plagio y fraude académico que suplantan la autoría del estudiante. Esta suplantación significa que el producto ya no refleja el aprendizaje ni el esfuerzo personal, traicionando la finalidad de la evaluación educativa.
Por otro lado, existe una postura más matizada que considera la autoría en grados. Por ejemplo, si un estudiante utiliza IA solo para generar ideas o un esquema inicial, pero luego redacta la versión final con sus propias palabras, ¿es menos “autor” por haber usado esa ayuda? Probablemente no en gran medida, pues el contenido final lo controló y pulió el humano. Incluso si algunas frases provinieron de la máquina, si el estudiante las comprendió, editó y contextualizó, su aporte intelectual sigue siendo sustancial. En cambio, si alguien genera un ensayo completo con IA y apenas lo lee antes de entregarlo, su aporte intelectual fue mínimo, actuando más como facilitador tecnológico que como autor genuino.
Los debates actuales proponen conceptos como autoría expandida o coescritura con IA. Algunos académicos sugieren que habrá que acostumbrarse a la idea de que los textos académicos pueden ser fruto de una colaboración humano-IA y desarrollar convenciones para esa situación. Por ejemplo, el estudio de Tu y otros (2024) menciona que la integración de herramientas de IA generativa en la redacción académica no debe entenderse como un reemplazo de la creatividad humana, sino como un proceso colaborativo en el que la IA actúa como un asistente estratégico. Según los autores, la clave para aprovechar eficazmente estas tecnologías radica en el diseño meticuloso de los prompts, el análisis crítico y la validación de los resultados generados, y en mantener siempre la supervisión humana para asegurar la calidad y originalidad del trabajo. Esta perspectiva fomenta una redefinición de la autoría, en la que se reconoce el valor del apoyo tecnológico sin que ello signifique delegar por completo la responsabilidad de la creación.
No obstante, las revistas científicas han tomado medidas claras por ahora: ninguna de las grandes editoriales permite listar a ChatGPT u otra IA como autor en los artículos, y se exige declarar cualquier uso de estas herramientas en la metodología o notas al pie. El temor de fondo es la responsabilidad y trazabilidad: un autor humano garantiza (al menos de acuerdo con la ética profesional) que el contenido es veraz, que las citas son correctas, que no hay infracción intencionada. Una IA no puede firmar declaraciones de autoría ni responsabilizarse de errores o malversaciones en el texto (por ejemplo, si se inventa una cita). Por eso, la validez de autoría recae en última instancia en los humanos involucrados, aun si la IA generó texto. Este principio se extiende a entornos educativos: es el estudiante quien debe hacerse responsable de todo lo que entrega, sin poder escudarse en “lo hizo la computadora” ante posibles incoherencias o falsedades.
Una implicación colateral de la autoría asistida por IA es el dilema de la propiedad intelectual. Si un texto es generado por IA, ¿de quién son los derechos de autor? Legalmente, en muchas jurisdicciones, una obra sin autor humano identificable podría considerarse del dominio público, o bien los derechos podrían pertenecer a quien proporcionó la instrucción (el prompt) a la IA. Esto no está del todo resuelto. En el contexto estudiantil quizás no importe en términos prácticos (no suelen publicarse tareas con copyright), pero es un aspecto que influye en cómo valoramos el trabajo. Si esencialmente cualquiera pudiera haber generado el mismo ensayo con el mismo prompt, ¿qué originalidad o propiedad intelectual está aportando el estudiante? Estas interrogantes debilitan la validez creativa de dichos trabajos. Sin embargo, también debe tomarse en cuenta que la misma herramienta producirá resultados muy distintos dependiendo del expertise del usuario.
La validez de la autoría también se conecta con la idea de autenticidad académica. Un principio importante de la educación es que el trabajo presentado autentique el aprendizaje y las competencias del estudiante. Si la autoría está diluida con la IA, ¿podemos autenticar qué sabe o qué puede hacer realmente el alumno? Algunos docentes reportan casos donde, en exámenes orales posteriores, alumnos que obtuvieron calificaciones excelentes en tareas escritas (sospechosas de ser producidas por IA) no podían articular las ideas básicas de su ensayo. Esto indica que el documento no era un reflejo fidedigno de sus conocimientos, rompiendo la autenticidad. Por tanto, mantener la autoría válida (en el sentido de representativa del autor humano) es crucial para que la evaluación cumpla su propósito.
Los resultados de la revisión muestran que la validez de la autoría en la era de la IA depende en gran medida de la transparencia y del grado de implicación humana en la elaboración del contenido. Si un estudiante utiliza IA, una práctica ética sería declarar esa ayuda y explicar su rol (por ejemplo, “este párrafo inicial fue generado con X y luego revisado por el autor”). La autoría sigue siendo atribuible al estudiante en tanto orquesta y verifica el producto final. En cambio, ocultar el uso de IA y presentarse como autor único de lo generado es visto mayoritariamente como una forma de engaño. Para mantener la integridad, muchas instituciones están orientándose a exigir esa transparencia. A futuro, puede que la noción de autoría evolucione, pero el consenso actual es que la responsabilidad moral y académica recae siempre en el usuario humano de la IA. No podemos delegar la ética en algoritmos; son los estudiantes (y académicos) quienes deben actuar con integridad al incorporar estas potentes herramientas en su trabajo.
4.3. Métodos para detectar el plagio asistido por IA
La detección del plagio tradicional, basada en encontrar texto copiado de fuentes existentes, se vuelve insuficiente cuando se lidia con contenido original generado por IA. Por ello, en paralelo al auge de las herramientas generativas, se han desarrollado o afinado métodos de detección específicos para identificar el texto generado por IA. Los resultados del presente análisis indican que este es un campo en rápida evolución, con avances, pero también con limitaciones significativas hasta la fecha.
Una de las estrategias iniciales para detectar texto de IA consiste en aprovechar las diferencias estilísticas o estadísticas entre la escritura humana y la sintética. Por ejemplo, los primeros detectores, como GPT-2 Output Detector o herramientas posteriores como OpenAI AI Text Classifier, GPTZero, Writer.com AI detector, entre otros, se basan en la idea de que los textos de IA tienden a tener una distribución de palabras más uniforme o predecible, con menos variabilidad en la elección de vocabulario poco frecuente, oraciones gramaticalmente muy correctas y estructuradas de cierta manera. Estos sistemas calculan una métrica de “perplejidad” o “aleatoriedad” en el texto: si es demasiado alta o baja en comparación con lo que se esperaría de un humano, lo clasifican como probable texto de IA.
No obstante, estudios comparativos han revelado que estos detectores tienen un desempeño limitado. Chaka (2023) evaluó cinco de las herramientas de detección de contenido de IA más difundidas, incluyendo la de OpenAI, y concluyó que ninguna de las cinco podía detectar de forma precisa y convincente el texto generado por IA. En pruebas con escritos producidos por ChatGPT, los detectores arrojaron tanto falsos negativos (no identificar textos de IA) como falsos positivos (marcar textos humanos como si fueran de IA). Esto supone un serio desafío: confiar ciegamente en estos detectores para acusar de plagio a un estudiante puede ser problemático.
Un ejemplo considerable fue el caso ocurrido en Texas A&M en 2023, donde un profesor utilizó una herramienta detectora de IA (OpenAI Classifier) en las redacciones de sus alumnos y, al marcar varias como posiblemente escritas por IA, decidió darles calificación reprobatoria. Posteriormente, se descubrió que la herramienta tenía un porcentaje alto de errores y que varios alumnos habían escrito sus trabajos honestamente. Este incidente subrayó la falta de fiabilidad de los detectores en sus primeras generaciones y alertó sobre el riesgo de usarlos sin criterio humano. Turnitin, empresa líder en software antiplagio, incorporó en abril de 2023 un detector de escritura por IA en su plataforma y afirmó inicialmente una tasa de falsos positivos menor al 1%. Sin embargo, posteriores revisiones reconocieron tasas más altas (cercanas a 4%) e incluso ciertos sesgos. Varias universidades (p. ej., Vanderbilt, Michigan State) deshabilitaron la función de detección de IA de Turnitin por precaución debido a la preocupación por falsos positivos injustos (Bowen, Watson, 2024).
Un hallazgo crítico reciente es el sesgo contra escritores no nativos en los detectores de IA. Liang et al. (2023) encontraron que múltiples detectores de texto de IA tienden a marcar en un porcentaje alarmante textos escritos por personas cuya lengua materna no es el inglés, confundiéndolos con texto de máquina. En su experimento, siete detectores diferentes clasificaron incorrectamente textos en inglés de autores internacionales como generados por IA en el 61% de las veces. En aproximadamente el 20% de los casos evaluados, todos los detectores coincidieron en la falsa acusación (unanimidad de error). Contrariamente, los textos de escritores nativos fueron casi nunca etiquetados erróneamente. Esta discrepancia revela que los algoritmos confunden un estilo menos complejo o con errores sutiles (característicos a veces de quien escribe en segunda lengua) con la aparente “simpleza” calculada de un texto de IA. Éticamente, este sesgo es muy preocupante, pues podría llevar a la discriminación de estudiantes internacionales si se usaran estos detectores como evidencia de plagio. Los autores del estudio advierten contra el uso de detectores de IA en entornos evaluativos, al menos hasta que se mitiguen estos sesgos y se comprenda mejor su funcionamiento (Liang et al., 2023).
Ante estas limitaciones, ¿qué métodos alternativos o complementarios existen para detectar plagio asistido por IA? Una línea de desarrollo son las técnicas forenses estilométricas: en lugar de confiar solo en la herramienta general, un profesor podría comparar el estilo de un trabajo sospechoso con otros escritos previos del mismo estudiante. Si hay una divergencia abismal (vocabulario inusitadamente avanzado, ausencia de errores típicos del alumno, cambios de estilo), puede ser indicio de intervención de IA. Sin embargo, esta técnica requiere que el docente conozca relativamente bien la producción del estudiante, lo cual no siempre es el caso (pensemos en clases grandes o primeras tareas del curso).
Otra técnica propuesta es solicitar a los estudiantes pasos intermedios del trabajo: por ejemplo, bosquejos, notas, borradores iniciales escritos a mano o evidencias del proceso. Si un estudiante no puede mostrar nada del proceso y solo entrega un producto pulido perfecto, eso podría levantar sospechas. Algunos profesores han empezado a realizar defensas orales o entrevistas cortas después de entregar un ensayo, preguntando al estudiante sobre el contenido para verificar su comprensión profunda. Esto recuerda a las prácticas para detectar plagio tradicional (cuando se dudaba de la autoría de un trabajo escrito, se pedía al estudiante que lo defendiera oralmente).
Por ahora, un enfoque recomendado en la literatura es utilizar los detectores de IA como apoyo, pero no como prueba definitiva. Es decir, si una herramienta sugiere que un texto puede ser de IA, eso debe ser un punto de partida para que el docente investigue más, converse con el estudiante, revise la coherencia con otros trabajos, etc., pero no condenar automáticamente. Como Jarrah et al. (2023) enfatizan, es importante mantener la presunción de inocencia y basarse en evidencias sólidas antes de acusar a alguien de plagio por IA, dado el margen de error existente.
Cabe señalar que, simultáneamente, los software antiplagio tradicionales (como Turnitin) están adaptándose para detectar no solo coincidencias literales, sino también un posible parafraseo automático. Por ejemplo, Turnitin ha afirmado que su modelo de IA intenta distinguir entre texto humano, texto humano con leves modificaciones (parafraseo sin cita) y texto totalmente generado. Pero como vimos, esto está en desarrollo.
Un resultado notable de la revisión es que la comunidad académica está dividida respecto a qué tan factible será en el futuro detectar con certeza los textos de IA. Algunos sostienen que es una carrera armamentista: a medida que los detectores mejoren, también lo harán las IAs para hacer sus salidas más humanas, y siempre habrá formas de evadir. Otros creen que la escritura humana tiene particularidades que eventualmente se podrán distinguir con algoritmos avanzados e incluso con ayuda de aprendizaje automático entrenado en estilos individuales (un software que conozca cómo escribe cada estudiante y detecte anomalías). Por ahora, la conclusión pragmática es que no existe una solución técnica perfecta y que, en consecuencia, las instituciones deben combinar varias aproximaciones para enfrentar el plagio asistido por IA: educar en integridad, rediseñar evaluaciones y, sí, usar herramientas de detección, pero con precaución.
4.4. Importancia de la colaboración humano-IA y necesidad de transparencia
La literatura coincide en que prohibir por completo la IA en la educación resulta contraproducente (Muñoz, 2024). En cambio, se sugiere un modelo de colaboración humano-IA, donde la tecnología actúe como asistente y el estudiante conserve la autoría y responsabilidad. La transparencia es clave: se propone que los trabajos reflejen claramente en qué medida se empleó IA (por ejemplo, se utilizó ChatGPT para generar un borrador) y que las instituciones incluyan esta práctica en sus políticas de integridad académica. Lo anterior no solo refuerza la honestidad, sino también fomenta el pensamiento crítico y la alfabetización digital, al requerir que el usuario evalúe y edite el contenido propuesto por la IA.
En paralelo, la colaboración humano-IA exige un cambio cultural: tanto docentes como estudiantes deben comprender el potencial y los límites de las herramientas generativas, evitando el plagio accidental o la dependencia excesiva. Asimismo, la supervisión humana es esencial para garantizar la equidad y el juicio contextual al usar detectores de plagio asistidos por IA. En definitiva, la estrategia más constructiva consiste en integrar la IA de forma ética y transparente, entendiendo que ni la tecnología ni los algoritmos poseen intenciones propias: la responsabilidad final recae siempre en la comunidad educativa, que debe cultivar valores de integridad y honestidad desde la formación inicial.
5. CONCLUSIONES
La llegada de la inteligencia artificial generativa, ejemplificada por herramientas como ChatGPT, ha puesto en cuestión las nociones tradicionales de autoría y plagio, planteando la necesidad de que instituciones educativas, estudiantes y comunidades académicas revisen sus pautas de integridad. La posibilidad de crear textos inéditos sin mediación intelectual humana exige una reevaluación ética y la ampliación de definiciones como la de plagio, a fin de abarcar la suplantación de autoría. Asimismo, resulta esencial considerar las brechas y oportunidades tecnológicas que surgen de su adopción, lo cual requiere enfoques pedagógicos y lineamientos claros para garantizar un equilibrio entre la innovación y la honestidad académica en un entorno en constante evolución.
Una de las conclusiones más importantes es la necesidad impostergable de que las instituciones diseñen y promulguen políticas claras sobre el uso de IA en contextos académicos. Estas políticas deberían incluir:
a) Uso permitido y prohibido: Definir las situaciones en las que se consiente o incluso se fomenta el empleo de IA (p.ej., para investigación o práctica de idiomas) y aquellas en las que se considera engañoso (como generar respuestas completas en evaluaciones destinadas a medir el conocimiento personal).
b) Transparencia y citación: Exigir la declaración explícita de cualquier aportación de IA en los trabajos, con un formato de cita que registre su intervención, de manera similar a las referencias bibliográficas.
c) Autoría y propiedad intelectual: Mantener la responsabilidad del estudiante sobre el contenido final, incluida la corrección de errores introducidos por la IA, y aclarar que un texto generado automáticamente no puede considerarse propio si no hay un proceso posterior de elaboración personal.
d) Detección y debido proceso: Establecer protocolos para investigar casos sospechosos (p.ej., dialogar con el estudiante antes de acusarlo) y ofrecer mecanismos de apelación, de modo que los alumnos tengan la oportunidad de presentar evidencias (borradores, apuntes, entre otros) que respalden su autoría.
e) Protección de datos y uso seguro: Asegurar el cumplimiento de normativas de privacidad cuando se utilicen plataformas de IA y, de ser posible, promover el uso de soluciones locales o institucionales que permitan un mayor control de la información.
Lo anterior debe complementarse con campañas de concienciación y formación continua. La simple existencia de normas no garantiza su cumplimiento; los estudiantes necesitan comprender el porqué de estas. En ese sentido, la formación en integridad académica debe ahora incorporar módulos sobre integridad en la era digital y de la IA, discutiendo casos prácticos y dilemas morales que los alumnos puedan enfrentar.
En conclusión, nos encontramos en un punto de inflexión donde la tecnología está redefiniendo las fronteras de la integridad académica. Es innegable que quien aprenda a utilizarla tendrá una ventaja en un entorno digital cada vez más competitivo; esto debe asumirse como un impulso para la innovación educativa y la reafirmación de valores; de lo contrario, quien no se adapte quedará rezagado. La IA, correctamente encauzada, puede incluso ser aliada de la integridad, por ejemplo, ayudando a detectar plagios o facilitando aprendizajes genuinos.
Finalmente, con políticas claras, educación ética, herramientas apropiadas y una actitud proactiva, es posible convivir con la IA en las aulas sin sacrificar la honestidad académica. El compromiso conjunto de docentes, estudiantes e instituciones será determinante: la ética, al igual que la tecnología, debe evolucionar y fortalecerse en esta nueva era digital.
REFERENCIAS
Artyukhov, A., Wołowiec, T., Artyukhova, N., Bogacki, S., & Vasylieva, T. (2024). SDG 4, Academic Integrity and Artificial Intelligence: Clash or Win-Win Cooperation? Sustainability, 16(19), 8483. https://doi.org/10.3390/su16198483
Bearman, M., Ryan, J. & Ajjawi, R. (2023). Discourses of artificial intelligence in higher education: a critical literature review. Higher Education. The International Journal of Higher Education Research, 86, 369–385. https://doi.org/10.1007/s10734-022-00937-2
Bowen, J. & Watson, C. E. (2024). Is it time to turn off AI detectors? Teaching with AI: A Practical Guide to a New Era of Human Learning [Feature article]. American Association of Colleges and Universities. Published with permission of Johns Hopkins University Press.
Chan, C. (2023). A Comprehensive AI Policy Education Framework for University Teaching and Learning. International Journal of Educational Technology in Higher Education, 20(1), 38. https://dialnet.unirioja.es/servlet/articulo?codigo=9062973
Chaka, C. (2023). Detecting AI content in responses generated by ChatGPT, YouChat, and Chatsonic: The case of five AI content detection tools. Journal of Applied Learning & Teaching, 6(1), 94-104. https://doi.org/10.37074/jalt.2023.6.2.12
Clemente Alcocer, A. A., Cabello Cabrera, A., & Añorve García, E. (2024). La inteligencia artificial en la educación: desafíos éticos y perspectivas hacia una nueva enseñanza: LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, 5(6), 464-472. https://latam.redilat.org/index.php/lt/article/view/3019
Costa, C. J., Aparicio, M., Aparicio, S., & Aparicio, J. T. (2024). The Democratization of Artificial Intelligence: Theoretical Framework. Applied Sciences, 14(18), 8236. https://doi.org/10.3390/app14188236
Dehouche, N. (2021). Plagiarism in the age of massive Generative Pre-Trained Transformers (GPT-3). Ethics in Science and Environmental Politics, (21), 17-23. https://www.int-res.com/articles/esep2021/21/e021p017.pdf
Digital Education Council. (August 7, 2024). What students want: Key results from DEC Global AI Student Survey 2024. DEC. https://www.digitaleducationcouncil.com/post/what-students-want-key-results-from-dec-global-ai-student-survey-2024
Evangelista, E. D. L. (2025). Ensuring academic integrity in the age of ChatGPT: Rethinking exam design, assessment strategies, and ethical AI policies in higher education. Contemporary Educational Technology, 17(1), ep559. https://doi.org/10.30935/cedtech/15775
Gallent, C., Zapata, A. y Ortego, J. (2023). El impacto de la inteligencia artificial generativa en educación superior: una mirada desde la ética y la integridad académica. RELIEVE - Revista Electrónica de Investigación y Evaluación Educativa, 29(2). https://doi.org/10.30827/relieve.v29i2.29134
Gervais, D. (2020). Is Intellectual Property Law Ready for Artificial Intelligence? GRUR International, 69(2), 117-118. https://doi.org/10.1093/grurint/ikz025
Jarrah, A. M., Wardat, Y., & Fidalgo, P. (2023). Using ChatGPT in academic writing is (not) a form of plagiarism: What does the literature say?. Online Journal of Communication and Media Technologies, 13(4), e202346. https://doi.org/10.30935/ojcmt/13572
Kovari, A. (2025). Ethical use of ChatGPT in education—Best practices to combat AI-induced plagiarism. Front. Educ. 9:1465703. Doi: 10.3389/feduc.2024.1465703
Labrador-Fernández, J. G. (2023). Implicaciones éticas de la Inteligencia Artificial en las Ciencias de la Educación. Revista Arbitrada Interdisciplinaria Koinonía, 8(16), 1-3. Epub 16 de agosto de 2023.https://doi.org/10.35381/r.k.v8i16.2545
Liang, W., Yüksékgönül, M., Mao, Y., Wu, E., & Zou, J. (2023). GPT detectors are biased against non-native English writers. Patterns, 4(10), 100676. (Preprint). https://arxiv.org/pdf/2304.02819
Linares, J. E. (2024, mayo). Los desafíos éticos de la inteligencia artificial. La Revista de la Universidad. https://unamglobal.unam.mx/global_revista/los-desafios-eticos-de-la-inteligencia-artificial/
Mah, C., Walker, H., Phalen, L., Levine, S., Beck, S. W., & Pittman, J. (2024). Beyond CheatBots: Examining Tensions in Teachers’ and Students’ Perceptions of Cheating and Learning with ChatGPT. Education Sciences, 14(5), 500. https://doi.org/10.3390/educsci14050500
McGuire, A. (2023). Leveraging ChatGPT for Rethinking Plagiarism, Digital Literacy, and the Ethics of Co-Authorship in Higher Education. Irish Journal of Technology Enhanced Learning, 7(1), 21-31. https://doi.org/10.22554/ijtel.v7i2.131
Microsoft Education. (2020). Ethical AI for Classrooms: A Guide for Educators. https://education.microsoft.com/en-us/resource/6d5d1280
Muñoz Cantero, J.M. (24 de enero de 2024). La integridad académica (IA) vs. inteligencia artificial (IA). El Diario de la Educación. Recuperado el 15 de octubre de 2025. https://url.com. https://eldiariodelaeducacion.com/2024/01/24/la-integridad-academica-ia-vs-inteligencia-artificial-ia/
Navarrete-Cazales, Z. y Manzanilla-Granados, H. (2023). Una perspectiva sobre la inteligencia artificial en la educación. Perfiles Educativos, 45 (Especial), 87-107. https://doi.org/10.22201/iisue.24486167e.2023.Especial.61693
Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura. (2021). Recomendación sobre la ética de la inteligencia artificial. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000380455_spa
Pavlik, J. (2023). Collaborating with ChatGPT: Considering the implications of Generative Artificial Intelligence for journalism and media education. Journalism & Mass Communication Educator, 78(1), 84-93. https://doi.org/10.1177/10776958221149577
Perkins, M. (2023). Academic Integrity Considerations of AI Large Language Models in the Post-Pandemic Era: ChatGPT and beyond. Journal of University Teaching & Learning Practice, 20(3), Article 7. https://doi.org/10.53761/1.20.02.07
Qadhi, S. M., Alduais, A., Chaaban, Y., & Khraisheh, M. (2024). Generative AI, Research Ethics, and Higher Education Research: Insights from a Scientometric Analysis. Information, 15(6), 325. https://doi.org/10.3390/info15060325
Rudolph, J., Tan, S., & Tan, S. (2023). ChatGPT: Bullshit spewer or the end of traditional assessments in higher education? Journal of Applied Learning & Teaching, 6(1), 342-363. https://jalt.open-publishing.org/index.php/jalt/article/view/689/539
Tu, J., Hadan, H., Wang, D.M., Sgandurra, S.A., Mogavi, R.H., & Nacke, L.E. (2024). Augmenting the author: Exploring the potential of AI collaboration in academic writing. In GenAI Workshop ’24. https://doi.org/10.17605/OSF.IO/FVTMQ
Wiese, L. J., Patil, I., Schiff, D. S., & Magana, A. J. (2025). AI ethics education: A systematic literature review. Computers and Education: Artificial Intelligence, 8, 100405. https://www.sciencedirect.com/science/article/pii/S2666920X25000451
Zawacki-Richter, O.; Marín, V., 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), art. 39. https://doi.org/10.1186/s41239-019-0171-0
Cómo citar (APA):
Navarrete-Cazales, Z., Cruz-Victoria, J. C. y Manzanilla-Granados, H. M. (2026). Autoría e integridad académica ante la inteligencia artificial generativa en educación superior. Revista Educación Superior y Sociedad (ESS), 37(2), 205-222. DOI: 10.54674/ess.v37i2.1174