Aproximación a la construcción de una política para el uso de la Inteligencia Artificial en investigaciones doctorales
An approach to building a policy for the use of Artificial Intelligence in doctoral research
Introducción: Las implicaciones de la Inteligencia Artificial en la actualidad ha trascendido a todas las esferas del desarrollo humano y sus potencialidades vienen aparejadas también con elevados riesgos si se emplean de manera acrítica y sin regulaciones legales y éticas, a lo cual no escapa el campo de las investigaciones científicas.
Objetivo: Exponer una caracterización de los criterios de estudiantes y profesores del Programa Doctoral de Gestión Organizacional de la Universidad de Holguín en relación con elementos que pudieran ser incluidos en una política para el empleo de la Inteligencia Artificial en investigaciones doctorales.
Métodos: El estudio exploratorio se basó, principalmente, en métodos de la investigación cuantitativa, mediante la aplicación de una encuesta a estudiantes y profesores del programa doctoral de referencia, con una muestra de 82 estudiantes y 36 profesores, a partir de la cual se sintetizaron los principales resultados del instrumento aplicado.
Resultado: Se presenta una caracterización de cómo piensan ambos grupos de la muestra en relación con el establecimiento de una política para el uso de la Inteligencia Artificial en las investigaciones doctorales, se explicitan los principales elementos en que existen coincidencias así como los que tienen cierto grado de rechazo por los encuestados.
Conclusión: Los doctorandos y profesores asumen la necesidad de existencia de normas para el empleo de la Inteligencia Artificial en las investigaciones doctorales, pero demandan que estas sean claras, aplicables y suficientemente robustas para garantizar la integridad académica sin que sean un obstáculo para el proceso de investigación.
Introduction: The implications of Artificial Intelligence have now transcended all spheres of human development, and its potential also comes with significant risks if used uncritically and without legal and ethical regulations, a situation that also applies to the field of scientific research.
Objective: To present a characterization of the criteria of students and professors in the Doctoral Program in Organizational Management at the University of Holguín regarding elements that could be included in a policy for the use of Artificial Intelligence in doctoral research.
Methods: This exploratory study was based primarily on quantitative research methods, through the application of a survey to students and professors of the doctoral program. The sample consisted of 82 students and 36 professors, and the main results of the survey were synthesized.
Results: This paper presents a characterization of how both groups in the sample think about establishing a policy for the use of Artificial Intelligence in doctoral research. It clarifies the main points of agreement as well as those points of rejection by the respondents.
Conclusion: Doctoral students and professors acknowledge the need for regulations governing the use of Artificial Intelligence in doctoral research, but demand that these regulations be clear, applicable, and sufficiently robust to guarantee academic integrity without hindering the research process.
Introducción
La aparición de la Inteligencia Artificial Generativa (IAGen) de acceso a toda la sociedad a partir de noviembre de 2022 trajo aparejado, además de insospechados beneficios hasta ese entonces, enormes retos y riesgos; en particular, para el campo de las investigaciones científicas es una de las tantas actividades humanas en la que los beneficios de la IAGen vienen acompañados con los peligros de su uso indiscriminado y sin pautas o normas para su empleo regulado.
En específico, en relación con la ética de la Inteligencia Artificial (IA), por la importancia trascendental de esta temática y los altos riesgos que implica el uso de esta herramienta, se han reportado un alto número de documentos, tanto de organismos internacionales, países, como de investigadores. Así, la UNESCO en 2019, publica el llamado Consenso de Beijing sobre la Inteligencia Artificial y la educación (UNESCO, 2019), en el que se reafirma el compromiso con el Objetivo de Desarrollo Sostenible (ODS) cuatro y declara que:
Estamos decididos a promover las respuestas políticas adecuadas para lograr la integración sistemática de la inteligencia artificial y la educación, a fin de innovar la educación, la docencia y el aprendizaje, y para que la inteligencia artificial contribuya a acelerar la consecución de unos sistemas educativos abiertos y flexibles que permitan oportunidades de aprendizaje permanente equitativo, pertinente y de calidad para todos, lo que contribuirá al logro de los ODS y al futuro compartido de la humanidad (p. 29).
Esta misma organización publica en 2021 las Recomendación sobre la ética de la inteligencia artificial (UNESCO, 2022), en el cual se definen los ámbitos de aplicación, los fines y objetivos, los valores y principios, los ámbitos de acción política y el seguimiento y evaluación de dichas recomendaciones, entre otros aspectos y que declara como objeto "servir de base para poner los sistemas de IA al servicio de la humanidad, las personas, las sociedades y el medio ambiente y los ecosistemas, así como para prevenir daños" (p. 14).
En este sentido, en específico en el campo de las investigaciones doctorales se han reportado considerables e importantes documentos que tratan de normar, principalmente desde el punto de vista ético, el empleo de estas herramientas en la investigación científica. Entre los principales elementos abordados en relación con el objetivo del presente trabajo, a partir de la bibliografía consultada, se pueden referir los relacionados con la integridad ética y la responsabilidad individual, la transparencia y los protocolos de declaración de uso de la IA, la sugerencia de buenas prácticas y los usos como asistentes en la investigación doctoral, las malas prácticas y los riesgos y restricciones y el papel de la supervisión y la evaluación.
Así, en relación con la integridad ética y la responsabilidad individual se pueden referir como elementos: la responsabilidad de la autoría, en la que se coincide en que el investigador es el único responsable de la precisión, integridad científica y validez de los datos presentados (Doctoral Center SGW, 2025; King's College London, 2025; University of Heidelberg, 2025; University College London, 2026); la originalidad y el pensamiento crítico, al considerar que la IA debe ser un asistente y nunca un sustituto de la capacidad intelectual, el juicio crítico o la autonomía del estudiante (Giugliano, 2025; KU Leuven, 2026; University of Heidelberg, 2025) y la "Equiparación con asistencia humana", coincidiendo con que el recibir ayuda inapropiada de una IA es equivalente y debe ser tratado bajo las mismas normas de mala conducta académica que recibir ayuda no autorizada de otra persona (University of Cambridge, 2026; University of Georgia, 2024). En síntesis, la principal conclusión entre las fuentes anteriormente referenciadas es que la responsabilidad final y absoluta del contenido recae en el autor humano, independientemente del uso de herramientas tecnológicas.
Referido a la transparencia y los protocolos de declaración de uso de la IA, entre los elementos comunes se encontraron: la declaración obligatoria, es decir, se norma explícitamente el uso de IA, se detalla qué herramientas se usaron, con qué propósito y en qué medida (KU Leuven, 2026; University of Cambridge, 2026; University of Heidelberg, 2025); la propuesta de mecanismos de control, en los que se establece el uso de formularios específicos, o declaraciones juradas para documentar este apoyo (Doctoral Center SGW, 2025; King's College London, 2025; University College London, 2026); así como la declaración explícita de que la IA no es autor, al existir un consenso en que las herramientas de IA no cumplen los criterios de autoría y no deben ser citadas como fuentes de hechos científicos, sino declaradas como asistentes (Caulfield, 2025; Giugliano, 2025; King's College London, 2025; University of Heidelberg, 2025). Como elemento común en las fuentes antes citadas se puede referir que todas coinciden en que la transparencia es el pilar de la integridad académica cuando se utiliza IA.
En relación con las sugerencias de buenas prácticas y los usos de la IA como asistentes en las investigaciones doctorales se señalan como usos recomendados: el empleo para la mejora lingüística y de estilo, es decir, para corregir gramática, ortografía, mejorar la fluidez del texto o para parafrasear, con énfasis en su empleo por investigadores cuya lengua materna no es el inglés (King's College London, 2025; KU Leuven, 2026; University of Cambridge, 2026; University College London, 2026); como apoyo en las fases iniciales de la investigación como por ejemplo, "superar el bloqueo del escritor", generar estructuras de capítulos, realizar búsquedas semánticas de literatura o asistir en la programación de código (Doctoral Center SGW, 2025; KU Leuven, 2026; University of Heidelberg, 2025; University College London, 2026) y en la verificación rigurosa de los resultados, al permitir cruzar o contrastar la información generada por IA con fuentes primarias y así contrarrestar el riesgo de "alucinaciones" (Giugliano, 2025; KU Leuven, 2026; University of Heidelberg, 2025).
Entre las acciones específicas que se consideran malas prácticas, riesgos y restricciones aparecen: el plagio y la generación de contenido mediante la copia de bloques de textos procedentes de otras fuentes sin referenciar y la generación de textos por IA (KU Leuven, 2026; University of Cambridge, 2026; University of Georgia, 2024); la vulneración de la privacidad, consistente en la subida a herramientas de IA en línea de datos sensibles, resultados de investigación no publicados o de información bajo acuerdos de confidencialidad a herramientas públicas de IA (Giugliano, 2025; King's College London, 2025; KU Leuven, 2026; University of Heidelberg, 2025) y el empleo de herramientas de IA en exámenes o defensas orales (Giugliano, 2025; University College London, 2026).
Igualmente, en relación con el papel de la supervisión y la evaluación son considerados: la aprobación previa, con la que el doctorando debe obtener el consentimiento de su supervisor o comité asesor antes de integrar IA en su flujo de trabajo (Giugliano, 2025; King's College London, 2025; University of Georgia, 2024) y el examen oral como garantía que permite asegurar que el doctorando posee el conocimiento y puede defender su trabajo sin ayuda tecnológica (King's College London, 2025; University College London, 2026).
Por otra parte, otro grupo de autores abordan necesidades a atender, entre ellos: Juca-Maldonado et al. (2024), quienes refieren la urgencia del desarrollo de políticas de capacitación docente e inclusión de la IA en los currículos; Breceda Pérez (2025), al señalar que es imperativo regular el empleo de la IA en las investigaciones doctorales para cerrar las brechas entre el avance tecnológico y las políticas institucionales; Díaz Subieta (2024), que insiste en la necesidad de formar a los investigadores para un uso ético y responsable; en el uso de la IA; Acosta-Enríquez et al. (2025), quienes abogan por la necesidad de reevaluar modelos de aceptación tecnológica e incorpora dimensiones éticas; Raitskaya y Tikhonova (2024), que señalan que como la escritura híbrida (humano-IA) es ya una realidad, urge el desarrollo de políticas institucionales claras sobre la integridad académica; Padilla-Caballero et al. (2023), quienes se refieren a la importancia del desarrollo de las habilidades investigativas desde los momentos iniciales de manera equilibrada; Muñoz-del-Carpio Toia et al. (2025), quienes abogan por el uso ético y regulaciones claras para el uso de la IA, en lo que consideran la importancia de contar con liderazgo ético; y Gentilin et al. (2024), los que declaran que el investigador doctoral debe pasar de ser considerado un generador de contenido a curador de contenido responsable.
A partir de los referentes anteriores, y dado el caso de la no existencia de una política para el uso de la Inteligencia Artificial en la Universidad de Holguín, se trazó como objetivo el desarrollo de una investigación de tipo exploratoria, con enfoque cuantitativo, para a partir de los criterios de profesores y estudiantes del Programa Doctoral de Gestión Organizacional (PDGO), proponer un documento normativo que permita al Comité Académico del doctorado, al claustro de profesores y a los propios doctorandos, contar con una guía para el uso de la IA en las investigaciones doctorales que se lleva a cabo en este programa y que se presenta en este artículo.
Métodos
La investigación realizada se basó, principalmente, en métodos de la investigación cuantitativa. Para su desarrollo, se aplicó una encuesta mediante Google Forms, a través de la cual se pretendió obtener los principales criterios que posee la población objeto de estudio (estudiantes y profesores del PDGO de la Universidad de Holguín,) sobre la necesidad de establecimiento de una política para el empleo de la IA en las investigaciones doctorales. Este estudio exploratorio utilizó un diseño censal con participación voluntaria, pues el cuestionario se distribuyó a la totalidad de la población y las respuestas recibidas (82 estudiantes y 36 profesores) constituyeron la base del análisis. Debido al carácter voluntario de la participación, los resultados deben interpretarse como evidencia exploratoria, susceptible de estar influida por sesgo de no respuesta.
El instrumento aplicado indagó sobre criterios agrupados en seis secciones: principios rectores; usos no deseables de la IA; uso de IA en imágenes, gráficos y modelación; citación y referenciación de IA; declaración sobre el uso de IA y mecanismos de control y ética y finalmente una valoración de cada una de las secciones de la política propuesta. En cada caso, dichas secciones fueron modeladas a partir de indicadores, evaluados estos a partir de una escala ordinal creciente (del 1 al 5), mediante la cual los integrantes de la muestra pudieron expresar sus criterios de aceptación o concordancia con las propuestas puestas a su consideración en el orden de: Muy poco, Poco, Promedio, Alto y Muy alto.
Para el análisis estadístico de los resultados que se presentan se empleó una metodología mixta que combina estadística descriptiva e inferencial. Mediante el empleo de la estadística descriptiva se calcularon y analizaron las medias y los porcentajes de respuestas agrupadas (Alto + Muy Alto) para cada indicador y se segmentaron los resultados por grupos (estudiantes, profesores y total). Por la naturaleza ordinal de los datos se empleó Shapiro-Wilk para comprobar su normalidad, lo cual arrojó como resultado que la mayoría de los indicadores no presentaban una distribución normal (tabla 1), lo cual justificó el empleó de la prueba U de Mann-Whitney.
| Pregunta | Indicador | Grupo | Estadístico W | p-valor | ¿Distribución Normal? |
|---|---|---|---|---|---|
| 1 | Autoría | Est. | 0.682 | <0.001 | No |
| 1 | Autoría | Prof. | 0.539 | <0.001 | No |
| 2 | Sustituto del razonamiento | Est. | 0.839 | <0.001 | No |
| 2 | Sustituto del razonamiento | Prof. | 0.794 | <0.001 | No |
| 3 | Uso de imágenes ilustrativas elaboradas con IA | Est. | 0.802 | <0.001 | No |
| 3 | Uso de imágenes ilustrativas elaboradas con IA | Prof. | 0.808 | <0.001 | No |
| 4 | Citar y referenciar resultados del uso de la IA | Est. | 0.893 | <0.001 | No |
| 4 | Citar y referenciar resultados del uso de la IA | Prof. | 0.639 | <0.001 | No |
| 5 | Inclusión de una declaración de IA | Est. | 0.886 | <0.001 | No |
| 5 | Inclusión de una declaración de IA | Prof. | 0.864 | <0.001 | No |
| 6 | Comité establece mecanismos | Est. | 0.787 | <0.001 | No |
| 6 | Comité establece mecanismos | Prof. | 0.593 | <0.001 | No |
| 7 | Principios rectores | Est. | 0.752 | <0.001 | No |
| 7 | Principios rectores | Prof. | 0.838 | <0.001 | No |
Resultados y discusión
A continuación se muestran los resultados obtenidos en el procesamiento estadístico del instrumento por cada una de las secciones en que se modeló la estructura de la propuesta de política para el empleo de la IA en investigaciones doctorales y se hacen las valoraciones pertinentes. En cada una de las secciones de la propuesta realizada pueden observarse por cada uno de los grupos de la muestra (estudiantes y profesores) y para el total de la muestra la media de cada indicador, el por ciento de la muestra que evalúan entre Alto y Muy alto (4 + 5) la importancia que le conceden a cada indicador y el resultado de la aplicación de la prueba no paramétrica de Mann-Whitney U (p-valor (M-W)).
Valoración de los resultados obtenidos de los indicadores de la sección 1
En la sección 1 se recogen los criterios de los estudiantes y profesores del PDGO sobre el nivel de importancia que se le concede a cada uno de los principios rectores que se proponen y está compuesta por siete indicadores, tal y como se observan en la Tabla 2.
| Indicador | Grupo | Media | % (4+5) | p-valor (M-W) |
|---|---|---|---|---|
| Autoría: El doctorando es el autor pleno y responsable del diseño, desarrollo, resultados y conclusiones de la investigación. | Est. | 4.60 | 95.12% | 0.233 |
| Prof. | 4.72 | 97.22% | ||
| Total | 4.64 | 95.76% | ||
| Transparencia: Todo uso relevante de herramientas de IA debe ser explícitamente declarado en la sección Declaración de Uso de IA. | Est. | 4.39 | 84.15% | 0.028 |
| Prof. | 4.72 | 91.89% | ||
| Total | 4.49 | 86.44% | ||
| Rigor científico: La IA no puede reemplazar procesos fundamentales de análisis, validación, interpretación y argumentación científica, ni comprometer la profundidad del análisis crítico ni la autonomía intelectual. | Est. | 4.57 | 87.80% | 0.104 |
| Prof. | 4.72 | 91.89% | ||
| Total | 4.62 | 89.83% | ||
| Responsabilidad ética: Se prohíbe el uso de IA para producir, falsificar o manipular datos, evidencias o resultados. | Est. | 4.60 | 90.24% | 0.025 |
| Prof. | 4.83 | 91.89% | ||
| Total | 4.67 | 90.68% | ||
| Trazabilidad: Las decisiones críticas del proceso investigativo deben ser reconstruibles y justificables independientemente del uso de IA. | Est. | 4.51 | 86.59% | 0.086 |
| Prof. | 4.72 | 89.19% | ||
| Total | 4.58 | 87.29% | ||
| Privacidad y confidencialidad: No se debe introducir en IA datos confidenciales, personales, o información no pública de la investigación, del investigador o de terceros. | Est. | 4.44 | 87.80% | 0.279 |
| Prof. | 4.61 | 86.49% | ||
| Total | 4.49 | 87.29% | ||
| Cumplimiento normativo: Se debe respetar la propiedad intelectual, evitar el plagio, citar correctamente todas las fuentes, incluidas las generadas por IA. | Est. | 4.73 | 95.12% | 0.579 |
| Prof. | 4.81 | 89.19% | ||
| Total | 4.76 | 93.22% |
De los resultados obtenidos se pueden concluir los siguientes elementos:
- Todos los principios son valorados como "Altos" o "Muy altos" por ambos grupos, con medias ≥ 4.39.
- El cumplimiento normativo, la responsabilidad ética, y la autoría y rigor científico son los principios rectores con mayor consenso.
- Se observan diferencias estadísticamente significativas en transparencia y responsabilidad ética, donde los profesores otorgan una importancia significativamente mayor que los estudiantes, lo que sugiere una mayor preocupación por estos aspectos por parte del cuerpo docente en comparación con los doctorandos.
Valoración de los resultados obtenidos de los indicadores de la sección 2
En la sección 2 se recogen los criterios de los estudiantes y profesores del PDGO sobre el nivel de importancia que les conceden a las propuestas de tareas que se excluyen como posibles usos no deseables de la IA en las investigaciones doctorales desde el punto de vista ético y está compuesta por 17 indicadores, tal y como se observan en la Tabla 3.
| Indicador | Grupo | Media | % (4+5) | p-valor (M-W) |
|---|---|---|---|---|
| Sustituto del razonamiento científico del doctorando. | Est. | 2.84 | 35.37% | 0.007 |
| Prof. | 3.39 | 56.76% | ||
| Total | 3.01 | 41.53% | ||
| Fuente primaria de conocimiento teórico o empírico sin verificación. | Est. | 2.98 | 41.46% | 0.002 |
| Prof. | 3.64 | 62.16% | ||
| Total | 3.18 | 47.46% | ||
| Autor o coautor implícito de partes sustantivas de la tesis. | Est. | 2.91 | 37.80% | 0.072 |
| Prof. | 3.22 | 54.05% | ||
| Total | 3.01 | 42.37% | ||
| Redacción automática de secciones completas de metodología. Se permite la generación de borradores, pero el texto final debe ser reelaborado por el doctorando y se debe declarar el apoyo de IA. | Est. | 3.67 | 60.98% | 0.676 |
| Prof. | 3.56 | 62.16% | ||
| Total | 3.64 | 61.86% | ||
| Delegar en la IA la selección definitiva de diseño, muestra o instrumentos, o aceptar sugerencias metodológicas sin fundamentación en literatura científica y sin validación del tutor. | Est. | 2.89 | 37.80% | 0.005 |
| Prof. | 3.36 | 56.76% | ||
| Total | 3.03 | 43.22% | ||
| Aceptar sin verificación las clasificaciones o genealogías teóricas aportadas por la IA; estas solo pueden ser puntos de partida para la indagación bibliográfica. | Est. | 3.05 | 42.68% | 0.051 |
| Prof. | 3.47 | 59.46% | ||
| Total | 3.18 | 47.46% | ||
| Atribuir a la IA la formulación del posicionamiento epistemológico central de la tesis o presentar como propia una síntesis epistemológica generada casi íntegramente por la herramienta. | Est. | 2.83 | 37.80% | 0.003 |
| Prof. | 3.36 | 56.76% | ||
| Total | 2.99 | 43.22% | ||
| Uso de resúmenes o paráfrasis generados por IA sobre textos que el doctorando no ha leído directamente; la lectura crítica de las fuentes sigue siendo obligatoria. | Est. | 3.13 | 48.78% | 0.131 |
| Prof. | 3.44 | 56.76% | ||
| Total | 3.23 | 51.69% | ||
| Construir secciones sustantivas del marco teórico basadas solo en texto de IA, sin respaldo de citas a literatura revisada por pares ni comprobación de exactitud y contexto. | Est. | 2.78 | 37.80% | 0.002 |
| Prof. | 3.31 | 54.05% | ||
| Total | 2.94 | 42.37% | ||
| Permitir que la IA genere modelos o algoritmos completos sin documentar parámetros, instrucciones (prompts) y criterios de validación, especialmente cuando forman parte del aporte. | Est. | 2.84 | 40.24% | 0.007 |
| Prof. | 3.33 | 54.05% | ||
| Total | 2.99 | 44.07% | ||
| Presentar productos (módulos de software, instrumentos, materiales didácticos) producidos casi íntegramente por IA como resultado propio, sin evidencia clara de diseño, decisiones y refinamientos. | Est. | 2.83 | 40.24% | 0.001 |
| Prof. | 3.47 | 56.76% | ||
| Total | 3.03 | 45.76% | ||
| Uso de IA para etiquetar datos cualitativos, extraer temas o identificar patrones sin revisión manual y sin indicar en el método cómo se integró esta asistencia. | Est. | 2.88 | 40.24% | 0.020 |
| Prof. | 3.25 | 54.05% | ||
| Total | 2.99 | 44.07% | ||
| Generación de datos inexistentes, modificación de resultados, síntesis de hallazgos que no se derivan de la base de datos real o alteración engañosa de tablas y gráficos. | Est. | 2.63 | 36.59% | <0.001 |
| Prof. | 3.33 | 56.76% | ||
| Total | 2.85 | 42.37% | ||
| Confiar en evaluaciones de impacto producidas por IA sin datos de apoyo o sin revisión por el comité, especialmente en proyectos con implicaciones éticas o sociales significativas. | Est. | 2.73 | 37.80% | 0.003 |
| Prof. | 3.28 | 54.05% | ||
| Total | 2.90 | 42.37% | ||
| Sustituir procesos formales de validación (paneles de expertos, estudios piloto, análisis de costo-beneficio) por evaluaciones automáticas de la IA. | Est. | 2.71 | 36.59% | 0.002 |
| Prof. | 3.31 | 54.05% | ||
| Total | 2.89 | 41.53% | ||
| Solicitar que la IA genere propuestas de conclusiones y luego integrarlas sin reflexión crítica; cualquier texto usado debe ser reescrito y asumido como propio, con declaración de uso de IA. | Est. | 2.82 | 37.80% | 0.010 |
| Prof. | 3.25 | 54.05% | ||
| Total | 2.95 | 42.37% | ||
| Delegar en la IA la formulación de las conclusiones finales sobre aportes, limitaciones y proyecciones de la tesis. | Est. | 2.77 | 34.15% | 0.001 |
| Prof. | 3.31 | 56.76% | ||
| Total | 2.93 | 40.68% |
De los resultados obtenidos se pueden concluir los siguientes elementos:
- Esta sección muestra las diferencias más marcadas y significativas entre ambos grupos, donde los profesores manifiestan un acuerdo consistentemente más alto (diferencias estadísticamente significativas en 13 de 17 indicadores) en calificar estos usos como "no deseables".
- Las medias de los profesores se sitúan en el intervalo de [3.22, 3.64], mientras que las de los estudiantes son más bajas [2.63-3.67]. Esto sugiere que los profesores tienen una percepción de riesgo ético mucho más elevada que los estudiantes ante una amplia gama de posibles malas prácticas con IA.
- El único punto de consenso relativo es en el que se prohíbe la redacción automática de secciones completas de metodología, aunque se puede permitir la generación de borradores, pero el texto final debe ser reelaborado por el doctorando y se debe declarar el apoyo de IA, que parece ser un uso más aceptado por ambos grupos.
Valoración de los resultados obtenidos de los indicadores de la sección 3
En la sección 3 se recogen los criterios de los estudiantes y profesores del PDGO sobre el nivel de importancia que les otorgan a las especificaciones que se proponen en relación con el uso de IA en imágenes, gráficos y la modelación y está compuesta por ocho indicadores, tal y como se observan en la Tabla 4.
| Indicador | Grupo | Media | % (4+5) | p-valor (M-W) |
|---|---|---|---|---|
| Las imágenes generadas por IA deberán tener carácter ilustrativo o explicativo. | Est. | 4.24 | 78.05% | 0.795 |
| Prof. | 4.25 | 81.08% | ||
| Total | 4.25 | 79.66% | ||
| No se permite el uso de imágenes generadas por IA como evidencia empírica. | Est. | 3.48 | 56.10% | 0.001 |
| Prof. | 4.17 | 75.68% | ||
| Total | 3.69 | 61.86% | ||
| Deberá indicarse explícitamente cuando una imagen haya sido generada o asistida por IA. | Est. | 4.50 | 90.24% | 0.552 |
| Prof. | 4.56 | 86.49% | ||
| Total | 4.52 | 89.83% | ||
| Solo se permite el uso de IA para mejorar la resolución o diagramar conceptos. Si se genera una imagen íntegramente con IA, debe indicarse en el pie de figura. | Est. | 4.34 | 86.59% | 0.852 |
| Prof. | 4.33 | 81.08% | ||
| Total | 4.34 | 85.59% | ||
| En el pie de la figura debe incluirse una nota informativa que declare el uso de la IA. | Est. | 4.37 | 84.15% | 0.378 |
| Prof. | 4.50 | 86.49% | ||
| Total | 4.41 | 85.59% | ||
| La IA puede emplearse para simulaciones exploratorias y apoyo conceptual. | Est. | 4.12 | 75.61% | 0.346 |
| Prof. | 4.25 | 75.68% | ||
| Total | 4.16 | 75.42% | ||
| Los modelos finales deben ser formalizados, validados y explicados por el investigador. | Est. | 4.60 | 92.68% | 0.323 |
| Prof. | 4.72 | 91.89% | ||
| Total | 4.64 | 92.37% | ||
| La IA puede ayudar a escribir código para modelos matemáticos. En este caso, el código fuente debe incluirse en los anexos. | Est. | 4.33 | 86.59% | 0.972 |
| Prof. | 4.36 | 81.08% | ||
| Total | 4.34 | 85.59% |
De los resultados obtenidos se pueden concluir los siguientes elementos:
- Existe un alto nivel de consenso entre estudiantes y profesores en la mayoría de los aspectos relacionados con la transparencia en el uso de la IA en imágenes y modelos.
- La necesidad de declarar el uso, el carácter ilustrativo de las imágenes y la validación final por parte del investigador son puntos con un respaldo muy sólido.
- La única diferencia significativa se da en el indicador relacionado con la prohibición del uso de imágenes generadas por IA como evidencia empírica, donde los profesores, con una media de 4.17 están mucho más de acuerdo con esta prohibición que los estudiantes (con media de 3.48), con lo que nuevamente se muestra una postura más cautelosa.
Valoración de los resultados obtenidos de los indicadores de la sección 4
En la sección 4 se recogen los criterios de los estudiantes y profesores del PDGO sobre el nivel de importancia que les confieren a las especificaciones que se proponen en relación con la citación de las herramientas de IA en el cuerpo de la tesis doctoral y su referencia en la bibliografía empleada y está compuesta por dos indicadores, tal y como se observan en la Tabla 5.
| Indicador | Grupo | Media | % (4+5) | p-valor (M-W) |
|---|---|---|---|---|
| Todo empleo de la IA en el informe escrito de la tesis doctoral debe ser citado y referenciado en la sección de Referencias bibliográficas. | Est. | 3.87 | 62.20% | <0.001 |
| Prof. | 4.64 | 86.49% | ||
| Total | 4.10 | 69.49% | ||
| En anexos independientes se deben incluir los prompts empleados en cada caso, así como las respuestas dadas por las herramientas de IA empleadas en la tesis doctoral. | Est. | 3.33 | 51.22% | 0.001 |
| Prof. | 4.14 | 72.97% | ||
| Total | 3.58 | 57.63% |
En los resultados obtenidos de las respuestas dadas a los elementos incorporados en la sección relativa a la citación y referenciación de la IA se observan diferencias muy significativas entre ambos grupos pues los profesores consideran mucho más importante tanto la citación en referencias (4.64 contra 3.87 en el caso de los estudiantes) como la inclusión de prompts y respuestas en los anexos (4.14 contra 3.33 en el caso de los estudiantes), lo cual refleja una mayor exigencia de transparencia y trazabilidad documental por parte del profesorado, mientras que los estudiantes muestran una posición más intermedia o menos exigente.
Valoración de los resultados obtenidos de los indicadores de la sección 5
En la sección 5 se recogen los criterios de los estudiantes y profesores del PDGO sobre el nivel de importancia que le conceden a cada una de las especificaciones que se proponen relacionadas con la declaración sobre el uso de la IA en las tesis doctorales y está compuesta por seis indicadores, tal y como se observan en la Tabla 6.
| Indicador | Grupo | Media | % (4+5) | p-valor (M-W) |
|---|---|---|---|---|
| Como parte integrante del informe escrito de la tesis doctoral se debe incluir, en la sección inicial del documento la Declaración sobre el uso de inteligencia artificial. | Est. | 3.88 | 69.51% | 0.311 |
| Prof. | 4.03 | 64.86% | ||
| Total | 3.92 | 68.64% | ||
| En la declaración sobre el uso de inteligencia artificial se especifica el uso de estas herramientas, en el anexo 1 de la tesis se ha de declarar cuáles herramientas fueron empleadas, en qué fases del trabajo así como describir el uso dado a las mismas. | Est. | 4.05 | 73.17% | 0.701 |
| Prof. | 4.08 | 70.27% | ||
| Total | 4.06 | 72.03% | ||
| La IA se reconoce como herramienta de apoyo para la investigación y la escritura, nunca como autora ni coautora de la tesis. | Est. | 4.45 | 86.59% | 0.112 |
| Prof. | 4.67 | 83.78% | ||
| Total | 4.52 | 86.44% | ||
| Todo uso sustantivo de IA (texto, ideas, código, análisis, imágenes, modelos) debe ser autorizado por el tutor de la tesis y el comité académico y declarado explícitamente en la tesis. | Est. | 3.67 | 58.54% | 0.882 |
| Prof. | 3.67 | 56.76% | ||
| Total | 3.67 | 57.63% | ||
| El uso no declarado o contrario a los estándares del programa puede constituir falta grave de integridad académica y ser sancionado según el reglamento institucional. | Est. | 4.05 | 71.95% | 0.282 |
| Prof. | 4.22 | 72.97% | ||
| Total | 4.10 | 72.03% | ||
| Los autores humanos son responsables de cualquier documento que incluya el uso de herramientas de IA. | Est. | 4.57 | 90.24% | 0.122 |
| Prof. | 4.75 | 86.49% | ||
| Total | 4.63 | 89.83% |
De los resultados obtenidos se pueden concluir los siguientes elementos:
- En esta sección no se encuentran diferencias estadísticamente significativas pues ambos grupos coinciden en la importancia de declarar el uso de IA, especialmente en lo relativo a que "la IA es una herramienta y no autora" y en que "los autores humanos son los responsables finales".
- El punto con menor consenso, aunque aún positivo, es la necesidad de la "autorización previa para usos sustantivos".
Valoración de los resultados obtenidos de los indicadores de la sección 6
En la sección 6 se recogen los criterios de los estudiantes y profesores del PDGO sobre el nivel de importancia que le conceden a cada una de las especificaciones que se proponen relacionadas con los mecanismos de control y ética y está compuesta por siete indicadores (tabla 7).
| Indicador | Grupo | Media | % (4+5) | p-valor (M-W) |
|---|---|---|---|---|
| El Comité Académico del PDGO establecerá los mecanismos para la detección del empleo de IA con el objetivo de asegurar que la investigación doctoral cumpla con los estándares del programa. | Est. | 4.33 | 78.05% | 0.003 |
| Prof. | 4.78 | 91.89% | ||
| Total | 4.47 | 82.20% | ||
| El Comité Académico debe garantizar la comunicación por escrito las normas específicas sobre IA, desde el ingreso al programa, e integrarlas en seminarios de investigación y formación ética. | Est. | 4.59 | 90.24% | 0.052 |
| Prof. | 4.81 | 91.89% | ||
| Total | 4.65 | 90.68% | ||
| Los tutores deben acordar con cada doctorando, desde etapas tempranas, los estándares de uso de IA y revisar periódicamente su aplicación en el trabajo. | Est. | 4.61 | 92.68% | 0.974 |
| Prof. | 4.64 | 89.19% | ||
| Total | 4.62 | 91.53% | ||
| Los tutores o revisores no deben cargar información de doctorandos en herramientas de inteligencia artificial donde no se puedan garantizar la confidencialidad de la información. | Est. | 4.59 | 92.68% | 0.552 |
| Prof. | 4.50 | 83.78% | ||
| Total | 4.56 | 90.68% | ||
| Aun cuando las herramientas de IA empleadas puedan garantizar la confidencialidad de la información, los revisores deben declarar su uso y son responsables de los criterios emitidos. | Est. | 4.54 | 90.24% | 0.647 |
| Prof. | 4.61 | 86.49% | ||
| Total | 4.56 | 89.83% | ||
| Los doctorandos tienen la responsabilidad respetar los límites establecidos y garantizar que el producto final constituye una contribución original propia. | Est. | 4.76 | 96.34% | 0.064 |
| Prof. | 4.86 | 91.89% | ||
| Total | 4.79 | 94.92% | ||
| Los comités científicos de los talleres de tesis y los miembros de tribunales deben valorar el cumplimiento de las normas establecidas por el Comité Académico del PDGO. | Est. | 4.52 | 87.80% | 0.175 |
| Prof. | 4.69 | 89.19% | ||
| Total | 4.57 | 88.14% |
De los resultados obtenidos se pueden concluir los siguientes elementos:
- Se observa un alto nivel de importancia otorgado a todos los mecanismos de control por parte de ambos grupos.
- La responsabilidad del doctorando, la conducción desde el Comité Académico mediante normas específicas sobre el uso de la IA y la asesoría de los tutores son los puntos más respaldados.
- La única diferencia significativa se encuentra en el rol del Comité Académico para establecer mecanismos de detección, donde los profesores (media de 4.78) lo valoran significativamente más que los estudiantes (con media de 4.33).
Valoración de los resultados obtenidos de los indicadores de la sección 7
En la sección 7 se recogen los criterios de los estudiantes y profesores del PDGO sobre el nivel de importancia que se le asigna a cada una de las secciones en que se propone estructurar la propuesta de política de uso de la IA en las investigaciones doctorales, tal y como se observan en la Tabla 8.
| Secciones | Grupo | Media | % (4+5) | p-valor (M-W) |
|---|---|---|---|---|
| Principios rectores del uso de la IA en las tesis doctorales. | Est. | 4.46 | 84.15% | 0.967 |
| Prof. | 4.42 | 78.38% | ||
| Total | 4.45 | 82.20% | ||
| Orientaciones para el empleo de herramientas de IA (usos prohibidos). | Est. | 4.57 | 89.02% | 0.612 |
| Prof. | 4.47 | 78.38% | ||
| Total | 4.54 | 86.44% | ||
| Uso de IA en la elaboración de imágenes, gráficos y modelación de procesos. | Est. | 4.37 | 82.93% | 0.470 |
| Prof. | 4.22 | 72.97% | ||
| Total | 4.32 | 80.51% | ||
| Formas de citación y referenciación (Normas APA 7ª Edición). | Est. | 4.34 | 82.93% | 0.523 |
| Prof. | 4.25 | 72.97% | ||
| Total | 4.31 | 80.51% | ||
| Sección de declaración de uso de IA. | Est. | 4.34 | 80.49% | 0.916 |
| Prof. | 4.36 | 75.68% | ||
| Total | 4.35 | 79.66% | ||
| Mecanismos de control y ética. | Est. | 4.61 | 87.80% | 0.192 |
| Prof. | 4.39 | 75.68% | ||
| Total | 4.54 | 84.75% |
De los resultados obtenidos se pueden concluir los siguientes elementos:
- No se encuentran diferencias estadísticamente significativas pues ambos grupos valoran como muy importante la inclusión de todas las secciones propuestas para la política, con medias que superan el 4.22 en todos los casos en ambos grupos.
- Las orientaciones para el empleo, los mecanismos de control y ética y los principios rectores del uso de la IA en las tesis doctorales son las secciones mejor valoradas en conjunto, lo que refuerza la necesidad de una guía práctica y un sistema de supervisión claro.
No obstante, si comparamos los resultados de las respuestas a cada indicador de la sección 7 (importancia que se le concede a cada una de las secciones de la propuesta de política) con los resultados obtenidos de promediar las respuestas a cada indicador, dentro de cada sección específica, se puede observar cómo existen diferencias significativas en el caso de las secciones 2 y 4 (las correspondientes a usos prohibidos de la IA y formas de citación y referenciación), donde se muestra cómo son muy superiores los valores obtenidos en la valoración global de cada sección, en comparación con los promedios obtenidos en cada sección a partir de las respuestas específicas a cada indicador dentro de dichas secciones (tabla 9). Lo anterior alerta de la importancia de tomar en consideración estas diferencias a la hora de proponer una política definitiva.
| Secciones | Valoración en la pregunta 7 | Valores promedio por sección (1-7) | ||
|---|---|---|---|---|
| Media | % (4+5) | Media | % (4+5) | |
| Principios rectores del uso de la IA en las tesis doctorales. | 4.45 | 82.20 | 4.61 | 90.02 |
| Orientaciones para el empleo de herramientas de IA (usos prohibidos). | 4.54 | 86.44 | 3.04 | 45.18 |
| Uso de IA en la elaboración de imágenes, gráficos y modelación de procesos. | 4.32 | 80.51 | 4.29 | 81.61 |
| Formas de citación y referenciación (Normas APA 7ª Edición). | 4.31 | 80.51 | 3.84 | 63.73 |
| Sección de Declaración de Uso de IA | 4.35 | 79.66 | 4.15 | 74.24 |
| Mecanismos de control y ética. | 4.54 | 84.75 | 4.60 | 89.56 |
Como resumen de los resultados cuantitativos de la encuesta aplicada se puede señalar que:
- Existe un amplio consenso entre estudiantes y profesores del PDGO sobre la necesidad de establecer una política clara para el uso de la IA. Ambos grupos valoran como muy importantes los principios rectores, las secciones propuestas para la política y los mecanismos de control, lo que indica madurez y conciencia compartida sobre la relevancia del tema.
- El hallazgo más significativo del estudio es la percepción del riesgo ético entre estudiantes y profesores pues estos últimos se muestran consistentemente más estrictos y cautelosos, y manifiestan un acuerdo significativamente mayor en calificar una amplia gama de usos como "no deseables" (pregunta 2) y en exigir medidas más rigurosas de transparencia, como la citación detallada y la inclusión de prompts (pregunta 4). Esta brecha sugiere que los estudiantes podrían tener una visión más pragmática o menos precavida sobre los límites éticos de la IA, mientras que los profesores, desde su rol de tutores y garantes de la integridad académica, adoptan una postura de mayor cautela.
- Hay total acuerdo en la importancia de la autoría, el rigor científico y en que la "IA es una herramienta, no una autora" y también hay consenso en la necesidad de transparencia en el uso de imágenes y en la validación final de modelos por parte del investigador.
- Las principales diferencias se concentran en la transparencia (pregunta 1), la Responsabilidad ética (pregunta 1), la prohibición de usar imágenes como evidencia empírica (pregunta 3), la necesidad de "citar todo uso de IA" e incluir prompts (pregunta 4), y en casi todos los usos no deseables que se proponen (pregunta 2), en las que los profesores son significativamente más exigentes en todos estos aspectos.
- En relación con las implicaciones para el diseño de la política, los resultados obtenidos apuntan a que:
- La política debe ser clara y explícita, especialmente en la definición de lo que constituye un "mal uso" de la IA, dado que es donde existe mayor divergencia de criterios pues no se puede asumir que los estudiantes comparten automáticamente la misma percepción de riesgo que los profesores.
- Es necesario implementar acciones formativas específicas para los estudiantes, enfocadas en la ética de la IA, los riesgos de sustituir el pensamiento crítico y la importancia de la trazabilidad y la transparencia documental pues los resultados sugieren que los estudiantes podrían beneficiarse de una orientación más profunda sobre estos límites.
- Se deben incorporar los mecanismos de control y ética (rol del Comité Académico, profesores, tutores, y comité científico) como vía de garantizar el cumplimiento de la política que se apruebe.
- Las orientaciones prácticas y los ejemplos concretos (como los formatos de citación o los tipos de declaración de uso) serán bien recibidos por ambos colectivos y facilitarán la aplicación de la política.
Valoración de las respuestas de los encuestados a las preguntas abiertas
Como parte de la encuesta aplicada a la muestra de estudiantes y profesores del PDGO, en cada una de las secciones de la encuesta, se brindó la posibilidad de que ellos emitieran otras opiniones relacionadas con cada sección de manera libre. En resumen, de los 118 encuestados 66 de ellos respondieron al menos una pregunta abierta, para un 55.93%, correspondiendo 48 respuestas en el caso de los estudiantes (58.54%) y 18 respuestas en el caso de los profesores (50%).
Entre las principales regularidades que se pueden mencionar a partir del análisis se encuentran:
- Se constató un alto respaldo a la iniciativa de política, con una valoración mayoritariamente positiva en ambos grupos (41.67% de estudiantes y 37.50% de profesores expresan respaldo explícito)
- El consenso fundamental está en ver a la IA como herramienta y no sustituto, que no debe sustituir el razonamiento, la autoría y la responsabilidad del investigador.
- El indicador de mayor convergencia, desde el punto de vista de crítica a la propuesta, fue la inclusión de prompts en anexos (cuestionada por el 26.67% de estudiantes y el 40.00% de profesores).
- La necesidad de formación es un tema recurrente: en principios éticos (estudiantes), en uso de IA (ambos), y en capacidad de control (profesores).
Para la elaboración de la propuesta de política y su implementación sugieren:
- Lograr un equilibrio entre regulación y facilitación, de manera que se establezcan límites claros frente a usos claramente indebidos, evite el exceso de trabas burocráticas e incorpore mecanismos de actualización ágil para adaptarse a la rápida evolución tecnológica.
- A partir del rechazo demostrado por ambos grupos se considera oportuno desestimar desde un principio la inclusión de los prompts y flexibilizar las formas de citación y referenciación de la IA adaptados a las especificaciones generales que ofrecen las normas APA.
- Incluir dentro del programa doctoral, como parte de su componente formativo (cursos propedéuticos, obligatorios u optativos) sobre ética y uso de IA para doctorandos, la capacitación para profesores y tutores sobre herramientas de detección y buenas prácticas y talleres periódicos de actualización sobre la evolución de la IA y sus implicaciones académicas.
- Que todos los cursos del programa doctoral aborden, dentro de sus contenidos, el empleo de la IA en la investigación científica, con marcada presencia en el núcleo de Metodología de la Investigación.
- Asegurar el acceso a herramientas de detección (por ejemplo: Turnitin) y la formación de los estudiantes, profesores y tutores con una infraestructura tecnológica que permita la verificación efectiva.
En resumen, los resultados apuntan a que existe un fuerte consenso en que la IA es una herramienta y no un sustituto del investigador, lo cual brinda grandes posibilidades de éxito a que la política de uso de la IA en las investigaciones doctorales que pueda proponerse sea percibida como una guía para el uso ético de estas herramientas y no como una amenaza o limitación para la formación doctoral, aunque, como se explicitó en la sección de Métodos, el instrumento fue enviado a la totalidad de la población del Programa Doctoral de Gestión Organizacional y la participación fue voluntaria, por lo que no puede descartarse un posible sesgo de no respuesta. Asimismo, el carácter exploratorio de la investigación y el empleo de análisis descriptivos y bivariados permiten identificar patrones de consenso y discrepancia entre los grupos participantes, pero no establecer relaciones explicativas de mayor complejidad. En futuras investigaciones sería conveniente incorporar muestras probabilísticas o ampliar el estudio a otros programas doctorales, así como emplear otras técnicas estadísticas que permitan profundizar en los factores asociados a las percepciones sobre el uso de la inteligencia artificial en la formación doctoral.
Conclusiones
A partir de los resultados de la investigación realizada se puede afirmar que de forma general existe consenso entre los doctorandos, profesores y tutores que respondieron el instrumento en la gran mayoría de los elementos propuestos, a la vez demandan una política de uso de IA.
El desafío principal para la política que se apruebe será equilibrar la visión más abierta de los estudiantes con la postura más cautelosa y regulatoria de los profesores y tutores, para asegurar que la propuesta final sea justa, clara, aplicable y suficientemente robusta, sin ser percibida como un obstáculo para la investigación doctoral y pueda convertirse en una palanca para promover la innovación y la productividad científica protegiendo la integridad académica y la calidad científica de los resultados.
La propuesta definitiva de política para el uso de la IA en investigaciones doctorales del PDGO debe asegurar la posibilidad de mejora continua, de manera flexible, a partir de los resultados que se vayan recopilando de su aplicación, de manera que no se convierta en un freno para el buen desempeño investigativo.
Referencias
- Acosta-Enriquez, B. G., Arbulu Ballesteros, M., Vilcapoma Pérez, C. R., Huamaní Jordan, O., Martin Vergara, J. A., Martel Acosta, R., Arbulu Perez Vargas, C. G., & Arbulú Castillo, J. C. (2025). AI in academia: How do social influence, self-efficacy, and integrity influence researchers' use of AI models? Social Sciences & Humanities Open, 11, e101274. https://doi.org/10.1016/j.ssaho.2025.101274.
- Breceda Pérez, J. A. (2025). Hacia la regulación ética del uso de inteligencia artificial en la investigación científica, lineamientos desde la Universidad Autónoma de Ciudad Juárez. Revista de Bioética y Derecho, (64), 81-97. https://doi.org/10.1344/rbd2025.64.48719.
- Caulfield, J. (2025, 21 de febrero). University policies on AI writing tools | Overview & list. Scribbr. https://www.scribbr.com/ai-tools/chatgpt-university-policies/.
- Díaz Subieta, L. B. (2024). El uso de la inteligencia artificial en la investigación científica. Revista Historia de la Educación Latinoamericana, 26(43), e18014. https://doi.org/10.19053/uptc.01227238.18014.
- Doctoral Center Social, Health and Economic Sciences. (2025, 28 de febrero). Regulation: How to handle generative artificial intelligence in dissertations. https://www.h2.de/fileadmin/user_upload/Promotionszentren/PromZ_SGW/25-02-28_Regulation_AI.pdf.
- Gentilin, M., Aquino, A., Norena-Chavez, D., & Osorio, C. (2024, 23 de abril). Inteligencia Artificial para la investigación científica doctoral: posibilidades, herramientas y limitaciones técnicas y éticas. CLADEA. https://cladea.org/wp-content/uploads/2024/06/Inteligencia-Artificial-para-la-investigacion-cientifica-doctoral.pdf
- Giugliano, A. (2025, 23 de octubre). Navigating AI policies for PhD students in 2025: A doctoral researcher's guide. Thesify. https://www.thesify.ai/blog/phd-ai-policies-2025
- Juca-Maldonado, F., Luciani-Toro, L. R., & García-Vera, Y. (2024). Inteligencia Artificial en el Campus: adopción, percepciones y la búsqueda de buenas prácticas en la Universidad Metropolitana. Revista Mexicana de Investigación e Intervención Educativa, 3(2), 35-43. https://pablolatapisarre.edu.mx/revista/index.php/rmiie/article/view/82/70
- King's College London. (2025, abril). Generative AI: Guidance for doctoral students, supervisors and examiners. https://www.kcl.ac.uk/about/strategy/learning-and-teaching/ai-guidance/doctoral-assessment
- KU Leuven. (2026, 19 de enero). Plagiarism prevention, use of GenAI and ALLEA code of conduct. Arenberg Doctoral School. https://set.kuleuven.be/phd/sap/plagiarism-prevention-use-of-genai-and-allea-code-of-conduct.
- Muñoz-del-Carpio Toia, A., Meza Málaga, J. M., Luján Valencia, S. A., Valenti, E., Diaz Del Olmo Calvo, P., Terreros-Abril, K., Fuenzalida-Valdivia, J., & Begazo Muñoz del Carpio, L. (2025). Impacto de la inteligencia artificial generativa en la integridad científica: Un análisis bibliométrico. Revista de Bioética y Derecho, (64), 55-80. https://doi.org/10.1344/rbd2025.64.48524.
- Padilla-Caballero, J. E. A., Naupay-Gusukuma, Á. M., Ruiz-Salazar, J. M., & Poma-Garcia, C. R. (2023). Habilidades investigativas universitarias del futuro: El papel de la inteligencia artificial. Revista Arbitrada Interdisciplinaria KOINONIA, 8(2), 702-722. http://dx.doi.org/10.35381/r.k.v8i2.2946.
- Raitskaya, L., & Tikhonova, E. (2024). Appliances of generative AI-powered language tools in academic writing: A scoping review. Journal of Language and Education, 10(4), 5-30. https://doi.org/10.17323/jle.2024.24181.
- UNESCO (2019). Consenso de Beijing sobre la Inteligencia Artificial y la educación. https://unesdoc.unesco.org/ark:/48223/pf0000368303
- UNESCO (2022). Recomendaciones sobre la ética de la Inteligencia Artificial. https://www.unesco.org/es/articles/recomendacion-sobre-la-etica-de-la-inteligencia-artificial
- University College London. (2026). Transparency on authorship and generative AI in doctoral research. https://www.ucl.ac.uk/study/doctoral-school/regulations/essential-procedures-and-policies/transparency-authorship-and-generative-ai-doctoral-research
- University of Cambridge. (2026). Academic misconduct: Plagiarism and use of AI. Department of History and Philosophy of Science. https://www.hps.cam.ac.uk/students/plagiarism.
- University of Georgia. (2024, 18 de enero). Policy on use of generative AI in theses and dissertations. Graduate School. https://grad.uga.edu/policy-on-use-of-generative-ai-in-theses-and-dissertations/
- University of Heidelberg. (2025, 22 de octubre). Use of generative AI in doctoral dissertations - Embracing innovation with integrity. Graduate Academy. https://www.graduateacademy.uni-heidelberg.de/promovieren/ai.html
Síntesis curricular:
Orestes Coloma Rodríguez. Doctor en Ciencias Pedagógicas y Profesor Titular de la Universidad de Holguín. Durante más de 40 años se ha dedicado a investigar sobre el uso de las Tecnologías Digitales en el proceso de enseñanza aprendizaje. Entre sus principales investigaciones se encuentran "Caracterización del estado de desarrollo de las Competencias Digitales Docentes de profesores en Cuba", "Marco de Competencias Digitales Docentes para profesores del Sistema Nacional de Educación en Cuba", "Desarrollo de Competencias TIC en profesionales en formación" y "Las Tecnologías de la Información y las Comunicaciones en el currículo de la Educación General en Cuba" y más recientemente ha incursionado en el campo de la IA con ponencias como "¿Cuán efectivas son las herramientas de IA para la detección de texto elaborado con AI?" y "Conocimiento, uso y percepción sobre el uso de la Inteligencia Artificial de directivos y metodólogos del sector educacional en Holguín" y el artículo "Inteligencia Artificial Generativa en el quehacer de profesores y estudiantes de la Universidad de Holguín".
Maritza Salazar Salazar: Doctora en Ciencias Pedagógicas y Profesora Titular de la Universidad de Holguín. Durante más de 40 años se ha dedicado a investigar sobre métodos de lectura, aprendizaje, competencias y Tecnología Educativa, entre otras áreas. Entre sus principales investigaciones se encuentran "Diseño curricular para la formación integral por competencias de carreras de nivel superior en Cuba", "Perfeccionamiento de las estrategias de atención a la diversidad de escolares con bajos resultados en el aprendizaje", "Marco de Competencias Digitales Docentes para profesores del Sistema Nacional de Educación en Cuba", "Desarrollo de Competencias TIC en profesionales en formación", "Las Tecnologías de la Información y las Comunicaciones en el currículo de la Educación General en Cuba" y más recientemente ha incursionado en el campo del uso de la IA en el proceso docente educativo y en la investigación científica.
Manuel Enrique Coloma Salazar: Doctor en Ciencias Técnicas y Profesor Asistente de la Universidad de Holguín. Ha investigado sobre tecnología para el transporte multiobjetivo mediante métodos híbridos de optimización, la internacionalización de la educación superior (realizando siete estancias en universidades europeas) y en el campo de la Tecnología Educativa. Entre sus principales investigaciones se encuentran "Contribución a la gestión de la sostenibilidad de cadenas de suministro", "Marco de Competencias Digitales Docentes para profesores del Sistema Nacional de Educación en Cuba" y "Desarrollo de Competencias TIC en profesionales en formación" y más recientemente ha incursionado en el campo del uso de la IA en el proceso docente educativo y en la investigación científica.
Declaración de responsabilidad autoral:
Orestes Coloma Rodríguez: Tuvo a su cargo la conceptualización, la metodología, la administración del proyecto, la supervisión, la validación, la redacción y la preparación del borrador original.
Maritza Salazar Salazar: Contribuyó a la concepción de la metodología y el análisis formal. Colaboró en la investigación, validación, redacción, revisión y edición.
Manuel Enrique Coloma Salazar: Aportó a la curación de datos y la selección y uso del software. Colaboró en la investigación, validación, revisión y edición.
Editado por: Dr. C. Manuel N. Montejo Lorenzo
Nota: En la elaboración de este artículo fueron empleadas herramientas de IAG, en específico Connected Papers, para la búsqueda de información científica actualizada sobre el empleo de la IA en investigaciones doctorales y la búsqueda de redes de autores que trabajan temas similares, Perplexity, para la localización de información científica relacionada con políticas de uso de la IA en instituciones de Educación Superior y NotebookLM para resumir, triangular y analizar información de las fuentes seleccionadas, aunque los resultados que se presentan, incluyendo la escritura del artículo es responsabilidad absoluta de sus autores pues los resultados obtenidos con el uso de estas herramientas fueron empleados como apoyo y analizados bajo un prisma crítico y contrastadas con las fuentes originales.
Este es un artículo en Acceso Abierto distribuido según los términos de la Licencia Creative Commons:
https://creativecommons.org/licenses/by-nc/4.0/deed.es_ES
que permite el uso, distribución y reproducción no comerciales y sin restricciones en cualquier medio, siempre que sea debidamente citada la fuente primaria de publicación.