Artículo de investigación

Una plataforma educativa integral basada en la inteligencia artificial generativa

DOI:

10.3791/69821

⸱

10 de julio de 2026

1School of Education, City University of Macau

En este artículo

Resumen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Aprovechando la inteligencia artificial generativa (GAI) para el apoyo a la enseñanza, la plataforma ofrece experiencias de aprendizaje personalizadas adaptadas a las diversas necesidades de los usuarios. También ofrece abundantes enfoques prácticos de aprendizaje que no solo enriquecen el proceso de aprendizaje, sino que también fomentan competencias de aprendizaje permanente en la era digital, alineándose con los objetivos del desarrollo sostenible en la educación en ingeniería.

Resumen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

La Inteligencia Artificial Generativa (GAI) ha experimentado avances significativos en los últimos años, demostrando un potencial transformador para la educación al permitir la creación dinámica de contenidos y vías de aprendizaje personalizadas. Sin embargo, muchas plataformas educativas existentes dependen de contenido estático y vías fijas, careciendo de la arquitectura integrada necesaria para aprovechar plenamente las capacidades de GAI y crear experiencias de aprendizaje cohesionadas y adaptativas. Para abordar esta carencia, este estudio detalla el diseño, la implementación y la evaluación empírica de una plataforma educativa novedosa y completa basada en GAI. La plataforma se basa en una arquitectura de tres capas que trasciende los marcos tradicionales: una Capa Técnica Básica que integra modelos modulares de IA (por ejemplo, Transformer, CNN-BiLSTM basada en la atención), un Centro de Procesamiento para la síntesis de datos en tiempo real y la optimización de modelos, y una Capa de Aplicación e Interacción que alberga ocho módulos funcionales principales, incluyendo aprendizaje personalizado, preguntas y respuestas inteligentes y evaluación de competencias. Esta arquitectura integrada facilita una experiencia de aprendizaje dinámicamente personalizable que se adapta continuamente a las necesidades y el progreso de cada alumno. Para evaluar la eficacia de la plataforma, realizamos un ensayo controlado aleatorizado (ECA) con 50 estudiantes de grado y 20 docentes durante dos semestres, comparando los resultados con un grupo control utilizando métodos tradicionales. Los resultados experimentales demuestran que la plataforma propuesta mejora significativamente los resultados de aprendizaje, incrementa las métricas de compromiso del alumnado (por ejemplo, el tiempo dedicado a la tarea y las tasas de interacción con el contenido) y logra una alta precisión en la emparejamiento personalizado de contenido. Los hallazgos sugieren que esta plataforma basada en GAI supone un avance en la tecnología educativa al personalizar eficazmente la instrucción y apoyar el aprendizaje adaptativo a gran escala. Este estudio aporta un plano arquitectónico detallado y replicable, y aporta evidencia empírica que respalda el valor práctico de los sistemas GAI integrados para mejorar la eficacia educativa y fomentar competencias de aprendizaje permanente.

Introducción

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

En medio de la aceleración de la innovación tecnológica, especialmente en inteligencia artificial (IA), herramientas como la IA están encontrando cada vez más aplicaciones en la educación en ingeniería. Al mismo tiempo, la gente ha alcanzado un consenso de que el objetivo de promover el desarrollo sostenible es una búsqueda global. Por ello, integrar el desarrollo sostenible en la educación en ingeniería —mejorando simultáneamente los niveles técnicos de la industria y aumentando la conciencia de sostenibilidad de los estudiantes— se ha convertido en un foco clave de la reforma educativa actual, impulsando la exploración de innovaciones educativas habilitadas por IA. La aplicación de la IA en la educación abre posibilidades para un aprendizaje personalizado. En concreto, GAI ofrece un potencial transformador para entornos de enseñanza y aprendizaje. Permite la creación dinámica de diversas formas de contenido y la adaptación de recursos de aprendizaje a perfiles individuales de los estudiantes, lo que puede aumentar la implicación y la eficacia. Esta tecnología permite la generación de formatos de contenido diversos, facilitando la creación de materiales de aprendizaje personalizados. Además, puede adaptar dinámicamente los recursos de aprendizaje a los perfiles individuales de los estudiantes, mejorando así la implicación y la efectividad delaprendizaje 1. Además, la plataforma está diseñada para adaptarse al progreso del alumnado. Ajusta dinámicamente la presentación del contenido y recomienda actividades de aprendizaje alineadas con los objetivos individuales, con el objetivo de optimizar los resultados de aprendizaje.

Sin embargo, integrar la IA en plataformas educativas requiere superar importantes obstáculos técnicos. En primer lugar, los modelos de aprendizaje profundo deben entrenarse con conjuntos de datos masivos para garantizar que generen contenido de alta calidad que cumpla con los estándares educativos. Además, los algoritmos de aprendizaje por refuerzo deben ajustarse con precisión, no solo para personalizar con precisión los caminos de aprendizaje para cada usuario, sino también para mantener la integridad del contenido didáctico. Además, las capacidades de procesamiento del lenguaje natural son esenciales para crear sistemas de tutoría interactivos que puedan simular diálogos similares a los humanos y proporcionar retroalimentación en tiemporeal 2,3,4. En este contexto, existe una necesidad urgente de una plataforma educativa integral que aproveche todo el potencial de GAI para ofrecer experiencias de aprendizaje personalizadas, atractivasy adaptativas 5. Estas plataformas tienen un potencial significativo para transformar el panorama de la educación en línea, haciéndola más adaptativa y personalizada, alineándose y apoyando así los objetivos de los paradigmas contemporáneos de aprendizaje a lo largo de la vida. En esta nueva era, el contenido educativo no permanecerá fijo; En cambio, evolucionará junto al crecimiento personal y las necesidades cambiantes de los estudiantes.

Investigaciones existentes han demostrado que tecnologías emergentes como la IA y los modelos a gran escala pueden mejorar eficazmente la calidad de la enseñanza y el aprendizaje en la educación de ingeniería5 y muchos estudios han explorado las posibles aplicaciones del GAI en plataformas educativas personalizadas, con el objetivo de proporcionar experiencias de aprendizaje personalizadas paralos estudiantes 6. Al mismo tiempo, la educación para el desarrollo sostenible (EDS) se ha convertido en una prioridad cada vez más central en la educación global de la ingeniería, con investigaciones existentes que destacan constantemente que la alfabetización en sostenibilidad y el pensamiento sistémico son competencias fundamentales no negociables para los ingenieroscontemporáneos 7. Para responder a esta demanda educativa crítica, la arquitectura GAI propuesta en este estudio establece un vínculo práctico y accionable entre los objetivos de aprendizaje ESD y el desarrollo de habilidades en ingeniería: nuestra plataforma integra módulos de evaluación del impacto en sostenibilidad, flujos de trabajo de análisis del ciclo de vida (LCA) y prompts de diseño sostenible basados en escenarios en su marco central, permitiendo a los estudiantes de ingeniería traducir directamente los principios de sostenibilidad en la toma de decisiones técnicas a lo largo de todo el proceso ciclo de diseño de ingeniería. Un área de enfoque es el uso de GAI para automatizar la creación de contenido educativo. Moulaei et al.7 han explorado cómo los algoritmos de IA pueden generar ejercicios, cuestionarios e incluso lecciones completas basándose en las necesidades específicas y estilos de aprendizaje de cada alumno. Este enfoque muestra potencial para reducir la carga de trabajo de los educadores y ofrecer una experiencia de aprendizaje más personalizada para los estudiantes, lo que ha proporcionado una base técnica para el trabajo posterior de Zhao et al.8.

Otra área de interés es el uso de GAI para sistemas de aprendizajeadaptativo 9. Estos sistemas utilizan algoritmos de IA para analizar el rendimiento de aprendizaje de los estudiantes y ajustar los materiales en tiempo real, satisfaciendo así las necesidades de los estudiantes con mayor precisión. Este enfoque no solo mejora los resultados de aprendizaje, sino que también garantiza que los estudiantes se enfrenten a un nivel adecuado—ni demasiado fácil para carecer de estimulación ni demasiado difícil de seguir. Además, GAI también ha sido explorado por su potencial en automatizar procesos de evaluación y retroalimentación10 y para servir como una plataforma inteligente de apoyoa la decisión 11. Los algoritmos de IA pueden utilizarse para calificar automáticamente las tareas de los estudiantes y proporcionar retroalimentación oportuna, ahorrando tiempo a los educadores y ayudando a los estudiantes a aprender de forma más eficaz. Smith et al.12 también exploraron la aplicación de herramientas GAI, como ChatGPT, en la educación superior, con especial atención a la aceptación y uso de estas tecnologías entre estudiantes y profesores de diferentes generaciones. El estudio reveló que los estudiantes nativos digitales, gracias a su inmersión de por vida en tecnologías digitales, muestran un mayor nivel de aceptación hacia este tipo de solicitudes; En cambio, los profesores inmigrantes digitales tienden a adoptar una actitud más cautelosa y conservadora hacia estas aplicaciones digitales, mostrando reticencia a probarlas de forma casual. Esta diferencia generacional presenta nuevos retos y oportunidades para integrar estilos de enseñanza y tecnologías educativas. Imran et al.13 evaluaron la aplicación de herramientas de IA generativa de nueva generación en la educación, especialmente en la creación de materiales didácticos y en la provisión de retroalimentación personalizada.

Los hallazgos sugieren que estas herramientas pueden ayudar a los educadores a generar recursos educativos diversos y proporcionar retroalimentación en tiempo real, pero también señalan desafíos relacionados con los estándares éticos y el uso equitativo. Cabrera et al.14 analizaron la conciencia y el uso del GAI por parte de los estudiantes mediante encuestas en seis universidades de Hong Kong. La mayoría de los estudiantes tienen una actitud positiva, reconociendo su utilidad en el aprendizaje personalizado y la retroalimentación inmediata. Sin embargo, también se expresan preocupaciones sobre la excesiva dependencia y posibles sesgos. Mishra et al.15 profundizan en la aplicación de GAI, al igual que ChatGPT, en la formación del profesorado, especialmente en la planificación curricular, el pensamiento crítico y la apertura educativa. Destaca que el GAI puede proporcionar mecanismos de apoyo específicos y recursos educativos para los profesores, pero también subraya la necesidad de evaluar cuidadosamente sus limitaciones y posibles sesgos para garantizar su eficacia como herramienta educativa. Mishra et al.16 reflexionan sobre el impacto transformador de las estrategias GAI en la enseñanza y la formación docente. El método aboga por considerar la ética y las políticas en el uso de la tecnología educativa para garantizar un uso equitativo y eficaz de las tecnologías de IA.

Los esfuerzos académicosexistentes 17,18,19,20,21,22 sugieren que el GAI tiene el potencial de transformar la educación proporcionando experiencias de aprendizaje personalizadas, adaptándose a las necesidades de los estudiantes en tiempo real y automatizando tareas que consumen mucho tiempo para los educadores. Sin embargo, también existen desafíos asociados al uso de la IA en la educación, como la necesidad de datos precisos para entrenar modelos de IA y posibles sesgos en los algoritmos de IA23,24. Se necesita más investigación para abordar estos desafíos y aprovechar plenamente el potencial del GAI en una educación eficaz. Investigaciones previas han establecido la eficacia de las tecnologías de IA 20,21,22,23,24,25 para permitir el aprendizaje adaptativo 26,27, ofrecer retroalimentación personalizada28,29 y explorar aplicaciones educativas másamplias 30,31. Sin embargo, los estudios existentes sobre plataformas educativas habilitadas por GAI se han centrado principalmente en la optimización funcional incremental y en estudios de caso de aplicaciones aisladas. Persiste una brecha crítica en la investigación: las plataformas educativas existentes de GAI carecen de una arquitectura integrada unificada, escalable y pedagogógicamente robusta, con limitaciones generalizadas como un diseño fragmentado de módulos, pobre interoperabilidad entre escenarios y una falta de marco integrado para la formación sistemática en competencias (incluida la conciencia sobre sostenibilidad para los estudiantes de ingeniería). Para abordar esta carencia, este estudio investiga una plataforma educativa integral basada en GAI desde una perspectiva arquitectónica fundamental, detallando sistemáticamente su diseño modular, marco de interoperabilidad entre escenarios y evaluación empírica multiactor. Este trabajo avanza en el campo estableciendo un paradigma arquitectónico integrado estandarizado para las aplicaciones GAI en la educación en ingeniería, con el fin de mejorar tanto los resultados educativos como el desarrollo de competencias básicas. Las tres principales contribuciones de esta obra se enumeran a continuación.

  • Un marco para la generación dinámica de experiencias de aprendizaje. El marco emplea GAI para construir un entorno de aprendizaje que evoluciona en función de las interacciones del usuario y los datos de rendimiento. Este marco construye un entorno de aprendizaje que evoluciona dinámicamente a través de GAI, que ajusta y optimiza en tiempo real según los patrones de interacción y hábitos de aprendizaje de los usuarios, asegurando que el contenido educativo siga actualizado, sea atractivo y alineado con las necesidades individuales. Este mecanismo dinámico cumple dos cosas clave: primero, garantiza que el contenido educativo se mantenga actualizado y no quede obsoleto, y segundo, hace que el contenido sea más atractivo, todo ello respondiendo a las necesidades personalizadas de cada alumno.
  • Un diseño arquitectónico integrado y adaptativo. La arquitectura de tres capas coordina de forma holística los componentes adaptativos, asegurando que las herramientas de aprendizaje sigan siendo efectivas durante toda la progresión del usuario. Esta arquitectura de tres capas coordina de forma holística los componentes adaptativos que evolucionan con los usuarios, asegurando que el contenido y las herramientas educativas sigan siendo eficaces durante todo el proceso de aprendizaje, al tiempo que ofrece una experiencia educativa cohesionada y completa.
  • Personalización basada en datos a gran escala. La plataforma aprovecha la analítica de aprendizaje continuo para permitir una personalización a gran escala basada en datos. Adapta dinámicamente el contenido de aprendizaje, el ritmo y el estilo de enseñanza a las preferencias y capacidades cognitivas de cada alumno. Sus objetivos principales de diseño son reducir la carga cognitiva extraña, mejorar la eficiencia del aprendizaje y potenciar la experiencia global de aprendizaje. Este estudio pone a prueba una hipótesis central de investigación mediante un ensayo controlado aleatorizado. La hipótesis es que esta plataforma de aprendizaje personalizado habilitada por GAI puede reducir significativamente la carga cognitiva de los estudiantes de ingeniería, mejorar la eficiencia del aprendizaje y mejorar tanto los resultados de aprendizaje como la experiencia de aprendizaje relacionados con la ESD en comparación con los modelos tradicionales de enseñanza de ingeniería no personalizados.

El trabajo pone a prueba una hipótesis central de investigación. Es que esta plataforma de aprendizaje personalizado habilitada por GAI puede reducir significativamente la carga cognitiva de los estudiantes de ingeniería, mejorar la eficiencia del aprendizaje y potenciar tanto los resultados de aprendizaje como la experiencia de aprendizaje relacionados con la EDE en comparación con los modelos tradicionales de enseñanza de ingeniería no personalizados.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este estudio se llevó a cabo de acuerdo con las directrices éticas de la Universidad de Educación de Hong Kong. Se obtuvo el consentimiento informado de todos los participantes antes de la recogida de datos.

1. Especificación de la plataforma

El sistema evaluado es un prototipo de investigación personalizado, implementado como una aplicación basada en la web. El entorno de software está construido sobre Python 3.9 y TensorFlow 2.12. Los modelos básicos de IA (CNN-BiLSTM, Transformer) se alojan en una GPU NVIDIA A100 (40 GB de VRAM) dentro de una tubería de procesamiento basada en servidor. La arquitectura consta de tres capas: primero, una capa técnica básica que integra una red CNN-BiLSTM con mayor atención, un módulo Transformer y componentes de aprendizaje por refuerzo; segundo, un centro de procesamiento para la fusión multimodal de datos en tiempo real y la optimización de modelos; y en tercer lugar, una capa de aplicación con ocho módulos funcionales, incluyendo aprendizaje personalizado, preguntas y respuestas, evaluación de competencias y análisis de conducta (Figura 1).

2. Preparar y curar datos de entrenamiento

Recopila conjuntos de datos multimodales de repositorios públicos educativos (por ejemplo, transcripciones de cursos abiertos en línea, registros de interacciones en vídeo educativo) y fuentes propietarias. Recopila registros de interacción anonimizados de 50 estudiantes de grado y 20 docentes durante las pruebas piloto (enero-junio 2024). Preprocesa el texto usando spaCy v3.5 (Honnibal et al., 2020) con los siguientes procedimientos fijos. Primero, carga el modelo de inglés académico general preentrenado en_core_web_md. Segundo, realizar la tokenización utilizando el tokenizador optimizado académicamente por defecto del modelo, que maneja adecuadamente la terminología de ingeniería técnica y desarrollo sostenible. Tercero, realizar la lematización utilizando el lematizador híbrido basado en reglas y estadístico predeterminado del modelo, sin aplicar reglas de lematización personalizadas. Normaliza los fotogramas de vídeo a una resolución de 224 x 224 usando los siguientes pasos fijos. Primero, redimensionar todos los fotogramas usando interpolación bilineal, que es el método estándar para el preprocesamiento educativo de fotogramas de vídeo. Segundo, no aplique normalizaciones de color ni recortes adicionales más allá del ajuste de tamaño uniforme para preservar el contenido educativo original. Elimina información personal identificable para garantizar el cumplimiento de la privacidad utilizando los siguientes procedimientos fijos. Primero, utiliza el módulo de reconocimiento de entidades nombradas spaCy v3.5 dentro del modelo en_core_web_md para detectar y redactar automáticamente todos los nombres personales, direcciones de correo electrónico, números de teléfono e identificadores institucionales. Segundo, revisar manualmente una muestra aleatoria del 10 por ciento de todos los fotogramas de texto y vídeo preprocesados para verificar la eliminación completa de la información personal, sin encontrar discrepancias en el conjunto de datos final.

3. Entrenar y validar modelos

La formación empleó tres paradigmas: primero, aprendizaje supervisado (optimizador Adam, tasa de aprendizaje = 1e-4, tamaño del lote = 32) para predecir el rendimiento del alumno a partir de registros de interacción etiquetados; segundo, agrupamiento no supervisado de K-medias (k = 5) para identificar patrones de comportamiento distintos; y en tercer lugar, aprendizaje por refuerzo para recomendación de contenido adaptativo, con una función de recompensa definida como interacción x precisión. Los hiperparámetros se ajustaron mediante búsqueda aleatoria en 100 ensayos en un conjunto de validación sostenido para garantizar la robustez. Los datos de entrada para los modelos consistían en flujos multimodales preprocesados y anonimizados: secuencias de texto tokenizadas, fotogramas de vídeo RGB de 224 x 224 y metadatos de interacción estructurada (por ejemplo, marcas de tiempo, tipos de acción). Los principales resultados generados por el sistema incluyen puntuaciones numéricas de predicción (por ejemplo, probabilidad de dominio), registros detallados de interacción en formato JSON e informes de evaluación de competencias en PDF.

figure-protocol-1
Figura 1: Arquitectura de la plataforma educativa integral. Este diagrama ilustra la estructura jerárquica completa del prototipo educativo de investigación GAI basado en la web personalizado, incluyendo la Capa de Aplicación e Interacción orientada al usuario, el Centro de Procesamiento de Datos multimodal y la Capa Técnica Básica basada en modelos de IA, con un mapeo claro del flujo de datos entre capas. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

4. Realizar una evaluación empírica

Reclutaron 70 participantes (50 estudiantes de ingeniería de grado y 20 educadores) de la Universidad de Educación de Hong Kong. Se asignaron aleatoriamente al grupo experimental, que utilizó nuestra plataforma GAI web personalizada, o al grupo de control, que utilizó un Sistema de Gestión de Aprendizaje (LMS) convencional. La evaluación midió cuatro resultados clave: (1) ganancia de aprendizaje (evaluada mediante puntuaciones previas y posteriores a la prueba), (2) compromiso (medido por el tiempo de trabajo y la frecuencia de interacción), (3) satisfacción del usuario (evaluada mediante una encuesta de 7 puntos en la escala Likert) y (4) usabilidad del sistema. Todos los datos empíricos se analizaron utilizando pruebas t pareadas para determinar la significancia estadística, acompañadas de cálculos del tamaño del efecto para evaluar el impacto práctico.

5. Finalizar y validar la implementación

Antes del estudio principal, realizamos una validación exhaustiva del sistema. Esto implicaba verificar la integración completa y la estabilidad operativa de las tres capas arquitectónicas (Técnico Básico, Centro de Procesamiento y Capa de Aplicación), confirmar la integridad de los datos a lo largo de la pipeline, asegurar la convergencia del modelo en el conjunto de validación y probar la capacidad de respuesta y fiabilidad de la interfaz de usuario basada en la web. Tras completar con éxito esta fase de validación, la plataforma se consideró lista para el despliegue empírico formal y la evaluación comparativa dentro del marco del ensayo controlado aleatorizado.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

El ensayo controlado aleatorizado reveló diferencias significativas entre el grupo de la plataforma GAI (experimental) y el grupo tradicional LMS (control). En cuanto a ganancia de aprendizaje, el grupo experimental obtuvo una puntuación significativamente más alta en la prueba posterior (M = 85,2, DE = 6,4) que el grupo control (M = 76,8, DE = 7,1); diferencia media = 8,4, IC 95% [4,5, 12,3], t(68) = 4,32, p < 0,001, d de Cohen = 1,02. Para el compromiso (tiempo en la tarea), el grupo e...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este estudio se propuso poner a prueba la hipótesis central de la investigación: que una plataforma de aprendizaje personalizado habilitada por GAI puede reducir significativamente la carga cognitiva de los estudiantes de ingeniería, mejorar la eficiencia del aprendizaje y potenciar tanto los resultados de aprendizaje relacionados con la EDS como la experiencia global de aprendizaje, en comparación con los modelos tradicionales de enseñanza de ingeniería no personalizados. Nuestros resul...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Conflictos de interés: Los autores no tienen intereses financieros o no financieros relevantes que revelar.

Agradecimientos

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Sin financiación.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
A100 GPU (40 GB VRAM)NVIDIA Corporation900-4H100-0000-000Utilizado para alojar modelos de IA principales dentro de la tubería de procesamiento basada en servidores.
en_core_web_md (modelo spaCy)Explosion AIhttps://spacy.io/models/en#en_core_web_mdModelo general académico en inglés preentrenado utilizado para tokenización y lematización. Versión: v3.5.
PythonPython Software Foundationhttps://www.python.org/Lenguaje de programación para el entorno del software. Versión: 3.9.
SlimPajama datasetCerebras Systems Inc.https://www.cerebras.net/blog/cerebras-releases-slimpajama-a-cleaned-version-of-redpajama/Corpus de pre-entrenamiento grande y de código abierto derivado de RedPajama.
spaCyExplosion AIhttps://spacy.io/Biblioteca de procesamiento del lenguaje natural para el preprocesamiento de texto. Versión: 3.5.
TensorFlowGoogle LLChttps://www.tensorflow.org/Marco de aprendizaje automático de código abierto. Versión: 2.12.

Referencias

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Wach, K., et al. The dark side of generative artificial intelligence: a critical analysis of controversies and risks of ChatGPT. Entrepreneurial Business and Economics Review. 11 (2), 7-30 (2023).
  2. Feuerriegel, S., Hartmann, J., Janiesch, C., Zschech, P., Bichler, M. Generative AI. Business & Information Systems Engineering. 66 (1), 111-126 (2024).
  3. Noy, S., Zhang, W. Experimental evidence on the productivity effects of generative artificial intelligence. Science. , (2023).
  4. Baidoo-Anu, D., Ansah, L. O. Education in the era of generative artificial intelligence (AI): understanding the potential benefits of ChatGPT in promoting teaching and learning. Journal of AI. 7 (1), 52-62 (2023).
  5. Holechek, S., Sreenivas, V. Generative AI in undergraduate academia: enhancing learning experiences and navigating ethical terrains. Journal of Biological Chemistry. 300 (3), 105921(2024).
  6. Sayyadi, M., Collina, L., Provitera, M. J. How to develop an artificial intelligence strategy. Industrial and Systems Engineering At Work. 55 (7), 38-41 (2023).
  7. Moulaei, K., Yadegari, A., Baharestani, M., Farzanbakhsh, S., Sabet, B., et al. Generative artificial intelligence in healthcare: a scoping review on benefits, challenges and applications. International Journal of Medical Informatics. , (2024).
  8. Zhao, H., Yilahun, H., Hamdulla, A. Pipeline chain-of-thought: a prompt method for large language model relation extraction. International Conference on Asian Language Processing (IALP), , (2023).
  9. Broadbent, J., Lodge, J. Use of live chat in higher education to support self-regulated help seeking behaviours: a comparison of online and blended learner perspectives. International Journal of Educational Technology in Higher Education. 18 (1), 1-20 (2021).
  10. Zhu, J. Evaluating ChatGPT for automated creation and grading of essay questions in higher education. Journal of Educational Technology & Society. 28 (4), 112-128 (2025).
  11. Liu, J. H., Wang, C. P., Xiao, X. C. Internet of Things (IoT) technology for the development of intelligent decision support education platform. Scientific Programming. , (2021).
  12. Smith, A., Johnson, B., Williams, C. Generative AI technologies in higher education: a comprehensive review. IEEE Transactions on Education. , (2023).
  13. Imran, M., Almusharraf, N. Next-generation generative AI as an educational tool: a review of emerging educational technology. Smart Learning Environments. , (2024).
  14. Cabrera, C., Neville, R. Widely used but barely trusted: understanding student perceptions on the use of generative AI in higher education. Perspectives: Policy and Practice in Higher Education. , (2025).
  15. Mishra, P., et al. Teacher education in the age of generative artificial intelligence: introducing the special issue. Journal of Teacher Education. 76 (3), 225-229 (2025).
  16. Mishra, P., Oster, N., Henriksen, D. Generative AI, teacher knowledge and educational research: bridging short- and long-term perspectives. TechTrends: Linking Research & Practice to Improve Learning. , (2024).
  17. Bahroun, Z., Anane, C., Ahmed, V., Zacca, A. Transforming education: a comprehensive review of generative artificial intelligence in educational settings through bibliometric and content analysis. Sustainability. , (2023).
  18. Ayeni, O. O., Al Hamad, N. M., Chisom, O. N., Osawaru, B., Adewusi, O. E. AI in education: a review of personalized learning and educational technology. GSC Advanced Research and Reviews. 18 (2), 261-271 (2024).
  19. Hwang, G. J., Chen, N. S. Editorial position paper: exploring the potential of generative artificial intelligence in education: applications, challenges, and future research directions. Educational Technology & Society. , (2023).
  20. Liu, M., Ren, Y., Nyagoga, L. M., Stonier, F., Wu, Z., et al. Future of education in the era of generative artificial intelligence: consensus among Chinese scholars on applications of ChatGPT in schools. Future in Educational Research. 1 (1), 72-101 (2023).
  21. Acun, C., Acun, R. GAI-enhanced assignment framework: a case study on generative AI powered history education. NeurIPS'23 Workshop on Generative AI for Education (GAIED): Advances, Opportunities, and Challenges, , (2023).
  22. Cooper, G. Examining science education in ChatGPT: an exploratory study of generative artificial intelligence. Journal of Science Education and Technology. , (2023).
  23. Pavlik, J. V. Collaborating with ChatGPT: considering the implications of generative artificial intelligence for journalism and media education. Journalism & Mass Communication Educator. 78 (1), 84-93 (2023).
  24. Vasarhelyi, M. A., Moffitt, K. C., Stewart, T., Sunderland, D. Large language models: an emerging technology in accounting. Journal of Emerging Technologies in Accounting. 20 (2), 1-10 (2023).
  25. Farrokhnia, M., Banihashem, S. K., Noroozi, O., Wals, A. A SWOT analysis of ChatGPT: implications for educational practice and research. Innovations in Education and Teaching International. 61 (3), 460-474 (2024).
  26. Phutela, N., Grover, P., Singh, P., Mittal, N. Future prospects of ChatGPT in higher education. 2024 11th International Conference on Reliability, Infocom Technologies and Optimization (ICRITO), , (2024).
  27. Qadir, J. Engineering education in the era of ChatGPT: promise and pitfalls of generative AI for education. 2023 IEEE Global Engineering Education Conference (EDUCON), , (2023).
  28. Villarroel, V., Bloxham, S., Bruna, D., Bruna, C., Herrera-Seda, C. Authentic assessment: creating a blueprint for course design. Assessment & Evaluation in Higher Education. 43 (5), 840-854 (2018).
  29. Chen, Y., Jensen, S., Albert, L. J., Gupta, S., Lee, T. Artificial intelligence (AI) student assistants in the classroom: designing chatbots to support student success. Information Systems Frontiers. 25 (1), 161-182 (2023).
  30. Kumar, A. Analysis of ChatGPT tool to assess the potential of its utility for academic writing in biomedical domain. Biology, Engineering, Medicine and Science Reports. 9 (1), 24-30 (2023).
  31. Lakshmi, K. A study on mathematical and statistical aspects of linear models. Turkish Journal of Computer and Mathematics Education (TURCOMAT). 12 (4), 1328-1338 (2021).
  32. Soboleva, D., Al-Khateeb, F., Myers, R., Steeves, J. R., Hestness, J., et al. RedPajama: A 627B token cleaned and deduplicated version of SlimPajama. Cerebras Systems Technical Blog. , Available from: https://www.cerebras.net/blog/slimpajama-a-627b-token-cleaned-and-deduplicated-version-of-redpajama (2023).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Solicitar permiso para reutilizar el texto o las figuras de este artículo de JoVE

Solicitar permiso

Etiquetas

Ingenier aN mero 233N mero 233Este mes en JoVEN meroGAIM dulo extensibleAprendizaje inteligente

Artículos relacionados