1. INTRODUCCIÓN

Actualmente la tecnología ha ganado relevancia globalmente al convertirse en el motor transformador de la educación en todos sus niveles, redefiniendo los métodos tradicionales del proceso de enseñanza - aprendizaje. Herramientas específicas como los sistemas de gestión de aprendizaje “LMS”, los cursos masivos online denominados “MOOCs” y la realidad aumentada han modificado significativamente la interacción entre educandos y educadores, facilitando un acceso flexible y más amplio al conocimiento. Planteando este escenario, los chatbots basados en inteligencia artificial (IA) han ganado importancia al ofrecer asistencia automática, personalizada y con disponibilidad permanente en todo momento, optimizando la experiencia educativa en instituciones de educación superior (^{Panchi et al., 2025}).

El desarrollo de sistemas Smart ha abierto la posibilidad de crear herramientas como los chatbots educativos, sistemas de tutoría virtual, plataformas de recomendación de contenidos y análisis predictivo del desempeño académico. Estas aplicaciones demuestran que la IA posee un rol tecnológico y pedagógico, al complementar y potenciar los métodos tradicionales de enseñanza, fomentando un aprendizaje más autónomo y flexible contribuyendo con la inclusión educativa (^{Parra, 2022}).

Los "chatbots educativos" son programas de software elaborados para interactuar con los usuarios mediante lenguaje natural, simulando la comunicación humana de manera automatizada. Su objetivo primordial es asistir a los educandos en el proceso de aprendizaje, brindando información, resolviendo dudas y proporcionando retroalimentación inmediata y en todo momento. Se diferencian según su propósito y nivel de especialización. Los chatbots generales brindan soporte básico con respuestas predefinidas para consultas comunes y corrientes, mientras que, los chatbots especializados se enfocan en áreas de conocimiento específicas, ofreciendo respuestas más precisas y adaptadas al pedido del usuario "estudiante o profesor" (^{Mujica, 2024}).

El funcionamiento de los chatbots se basa en tecnologías de procesamiento de lenguaje natural, abreviatura determinada como (PLN), que permiten comprender las preguntas del sujeto, identificar la intención y generar respuestas prácticas, efectivas y coherentes. Entre las aplicaciones más frecuentes en entornos educativos se encuentran la resolución de dudas sobre contenidos académicos, el seguimiento de tareas y evaluaciones, y la asistencia en procesos administrativos y organizativos que demandan comúnmente las instituciones de educación (^{Martínez, 2025}).

El uso de chatbots en el sistema educativo se sustenta en diversos modelos y teorías pedagógicas que buscan optimizar el aprendizaje y fomentar la autonomía del alumno. Entre los enfoques más relevantes y pertinentes se encuentran el "aprendizaje autónomo", "el aprendizaje combinado" o también llamado "blended learning" y el aula invertida que comúnmente se lo conoce como "flipped classroom". Estos modelos fomentan que los educandos interactúen con los contenidos de manera independiente y práctica, mientras que, los chatbots proporcionan orientación, retroalimentación y soporte permanente (^{Pineda et al., 2024})

El diseño y utilización de chatbots educativos se basa en principios pedagógicos que buscan garantizar la usabilidad, la accesibilidad y la efectividad en la interacción con los diversos usuarios. Entre estos principios destacan la "personalización del aprendizaje", la "capacidad de adaptación a diferentes niveles de conocimiento y estilos de aprendizaje", y la "disponibilidad permanente para atender consultas y reforzar contenidos" ^{Martínez y Padilla (2025}). La correcta integración requiere considerar las necesidades particulares del estudiante y la formación (capacitación constante) del tutor (docente), asegurando que la tecnología complemente y potencie los métodos tradicionales de enseñanza en lugar de reemplazarlos (^{Villacreses et al., 2025}).

2. METODOLOGÍA

El presente manuscrito de revisión sistemática emplea un enfoque mixto que combina tanto análisis cualitativos como cuantitativos para ofrecer una visión integral del tema respecto a chatbots educativos en el tercer nivel. Se lleva a cabo un análisis narrativo para identificar patrones y temas en los estudios con enfoque cualitativo, mientras que los datos cuantitativos, como estadísticas descriptivas y correlacionales, complementan y refuerzan estos hallazgos. Esta integración de ambos métodos permite una comprensión más profunda y una síntesis robusta de la evidencia científica disponible en las bases de datos consultadas (^{Caguanaet al., 2024}).

En referencia a la tabla 1, para seleccionar los artículos científicos de esta revisión sistemática se aplicaron criterios rigurosos de inclusión y exclusión. Los estudios incluidos fueron publicados entre los años 2020 y 2025, escritos en inglés o español, y publicados en revistas científicas indexadas en bases de datos reconocidas como Scopus, Web of Science (WOS), SciELO, Latindex Catálogo 2.0 y ERIHPLUS. Se consideraron únicamente investigaciones de libre acceso, con enfoque cualitativo, cuantitativo, mixto, descriptivo, cuasiexperimental, exploratorio o estudios de caso, además, se aceptaron solo artículos de investigación.

En contrapartida, quedaron excluidos los documentos publicados antes de 2020, aquellos escritos en idiomas diferentes al inglés o español, y las publicaciones no indexadas en las bases mencionadas o cuyas revistas estén descontinuadas. También se descartaron libros, ponencias, cartas editoriales, tesis, capítulos de libros y ensayos, así como investigaciones con acceso restringido (de pago), además no se consideraron estudios sin un enfoque metodológico claro ni revisiones sistemáticas.

Con base en el objetivo de la investigación, se implementó la siguiente estrategia de búsqueda para recopilar literatura relevante. Se usaron operadores booleanos para combinar términos elementales, agrupando sinónimos y expresiones en español e inglés: ("chatbots educativos" OR "educational chatbots" OR "AI chatbots" OR "chatbots with artificial intelligence") AND ("educación superior" OR "higher education" OR "universidad" OR "university" OR "tercer nivel" OR "tertiary education") AND ("personalización del aprendizaje" OR "learning personalization" OR "interacción educativa" OR "educational interaction" OR "innovación pedagógica" OR "pedagogical innovation"). Esta consulta se aplicó en las bases de datos Scopus y Dialnet, asegurando una cobertura de impacto regional y mundial, además de la elección rigurosa de artículos científicos.

La metodología PRISMA es un protocolo que establece directrices claras y estructuradas para llevar a cabo y presentar revisiones sistemáticas y metaanálisis. En español "Elementos Preferidos de Informe para Revisiones Sistemáticas y Metaanálisis" (PRISMA), busca asegurar que todo el proceso de búsqueda, selección y análisis de estudios se realice de manera transparente y rigurosa. En esta investigación, se aplicó la metodología PRISMA para guiar la identificación, evaluación y selección de los estudios incluidos, garantizando así la calidad, reproducibilidad y transparencia de la revisión sistemática con la implementación de los elementos descritos en la tabla 1 (^{Espinoza, 2025}).

Figura 1 Metodología PRISMA para el proceso de identificación, cribado e inclusión de artículos científicos.  

Para garantizar la transparencia y rigurosidad del proceso de revisión, se aplicó el protocolo PRISMA con base a la figura 1, siguiendo sus fases establecidas para la selección de estudios. Inicialmente, se identificaron 358 registros en las bases de datos Dialnet & Scopus. Tras eliminar 68 registros duplicados, se procedió al cribado de 290 registros mediante la revisión de títulos y resúmenes, excluyendo 122 registros por no cumplir con los criterios establecidos.

Se recuperaron 168 publicaciones para la evaluación detallada, de las cuales se excluyeron 148 tras aplicar los criterios de inclusión y exclusión descritos en la tabla 1 durante la revisión de resúmenes. Posteriormente, se evaluaron 20 publicaciones para determinar su elegibilidad, pero no se pudo recuperar el texto completo de 6 registros. Finalmente, se incluyeron 14 estudios para un análisis profundo y detallado en la revisión sistemática.

Los datos relevantes de cada artículo seleccionado (resumen, objetivo, metodología, resultados, discusión y conclusión) fueron cuidadosamente extraídos y organizados en una matriz de office 365 online (aplicación Excel) para respaldar los datos obtenidos y asegurar que toda la información estuviera alineada con el objetivo principal de la investigación. Esta matriz incluyó aspectos clave como autores, año, país de origen del estudio, tipo de estudio y la base de datos de procedencia (indexación), facilitando así el análisis posterior para identificar patrones comunes y temas emergentes relacionados con el uso de chatbots en la educación universitaria.

Dado el carácter exploratorio de esta revisión sistemática, junto con la diversidad metodológica presente en los artículos seleccionados, no se aplicó una herramienta formal para evaluar el riesgo de sesgo o la calidad de los estudios, sin embargo, se priorizaron publicaciones indexadas en bases reconocidas como Latindex Catálogo 2.0, ERIHPLUS, Scielo, y Scopus con el fin de garantizar un estándar mínimo de rigor científico.

Para la síntesis de los hallazgos cualitativos, se realizó un análisis narrativo que permitió identificar y describir temas convergentes y divergentes en las estrategias pedagógicas basadas en IA-IAG y tecnologías educativas, además, se complementó con un análisis descriptivo simple de las características cuantitativas de los estudios, con el propósito de contextualizar la información. Esta combinación de técnicas metodológicas facilita una comprensión más amplia y enriquecida del fenómeno estudiado, integrando tanto aspectos numéricos como experiencias cualitativas, claves para determinar nuevos hallazgos.

3. RESULTADOS

Luego de la selección de los respectivos artículos a continuación, se presenta un resumen de los estudios seleccionados que abordan la implementación y evaluación de chatbots educativos en universidades de diversos países. Esta tabla compila información clave sobre los objetivos, metodologías, características de las herramientas de IA generativa utilizadas, resultados principales y conclusiones pedagógicas relevantes. El análisis integrado de estos estudios permite vislumbrar tendencias, oportunidades y desafíos en el uso de chatbots para mejorar la interacción, personalización y efectividad en la educación universitaria.

Con base a la tabla 2 tenemos los siguientes detalles respecto a la indexación en bases de datos:

Distribución por país:

Enfoques metodológicos:

En cuanto a tipo de universidad:

Estos resultados preliminares permiten comprender la predominancia de estudios indexados en Scopus y con metodologías de enfoque mixto en la investigación sobre chatbots educativos en universidades. También revela la diversidad geográfica, con un énfasis en España y regiones de América Latina, además, destaca la diversidad cultural presente en los entornos universitarios donde se desarrollaron estos estudios, pues todos fueron realizados en diferentes universidades alrededor del mundo. Muchas de estas instituciones no son mencionadas explícitamente por cuestiones de confidencialidad y protección de la identidad institucional, siguiendo normativas actuales que restringen la divulgación directa de nombres específicos en publicaciones académicas.

En cuanto al tipo de instituciones, la mayoría de los estudios provienen de Universidades estatales (85.7%), las cuales cuentan con mayor financiación gubernamental y una tradición académica consolidada que favorece la producción científica robusta y la indexación en bases de datos de alcance mundial, sin embargo, los estudios provenientes de universidades privadas representan el 14.3% y suelen adoptar enfoques metodológicos más flexibles, orientados hacia estudios cualitativos o exploratorios, reflejando distintos contextos institucionales y prioridades de investigación. Esta combinación evidencia que, aunque las universidades públicas dominan la investigación formal y la visibilidad académica, las privadas aportan perspectivas complementarias relevantes para el campo de los chatbots educativos y estudios de casos.

4. DISCUSIÓN

Los chatbots educativos analizados en el presente estudio muestran una diversidad de características pedagógicas y técnicas que inciden directamente en su efectividad para personalizar el aprendizaje. Tomando como ejemplo varios estudios citados, indican que los chatbots basados en inteligencia artificial avanzada, como los modelos GPT y aquellos que emplean procesamiento del lenguaje natural (NLP), permiten una interacción más fluida y adaptada al nivel del estudiante (^{Espinosa et al., 2023}; ^{Segovia & Guzmán, 2025}).

Esta capacidad facilita un aprendizaje autodirigido (autónomo), pues el educando puede consultar y recibir retroalimentación inmediata, a su propio ritmo y en sus canales tecnológicos preferidos, como WhatsApp o plataformas educativas (^{Mena, Cruz & Silva, 2024}; ^{Wiboolyasarin et al., 2024}). Por otro lado, chatbots sin IA, aunque menos sofisticados, pueden cumplir una función valiosa en contextos con limitaciones tecnológicas o culturales especialmente en países en vías de desarrollo o subdesarrollados, generando compromiso mediante diálogos estructurados y narrativos (^{Černý, 2023}). Conjuntamente, la personalización y autonomía no solo dependen de la sofisticación técnica, sino también del diseño pedagógico y la adaptación al entorno de aprendizaje, lo cual debe ser priorizado en futuras implementaciones.

La comparación entre chatbots y métodos tradicionales revela resultados heterogéneos que requieren un análisis matizado. Mientras que algunos estudios informan mejoras significativas en la participación, retención y reducción de la tasa de deserción estudiantil (^{Castillo Valdivieso & Aguilar Luzón, 2021}), otros, como ^{Álvarez et al. (2025}), advierten que el uso exclusivo de chatbots puede limitar la retención de información, evidenciando la necesidad de complementar con estrategias activas y fuentes diversas.

Este hallazgo contrasta con investigaciones donde se evidencia que el soporte que ofrecen los chatbots optimiza la gestión académica y libera al docente para tareas específicas (González et al., 2024; Labadze et al., 2023), pero también enfatiza la importancia de los recursos tecnológicos y la capacitación docente (^{Abu et al., 2024}). En definitiva, la efectividad real depende del equilibrio entre la tecnología, la contextualización pedagógica y los recursos institucionales disponibles, desafiando la idea de que los chatbots son una solución tecnológica independiente.

En cuanto a las perspectivas éticas y socioculturales, los análisis cualitativos y estudios de caso ponen en evidencia preocupaciones fundamentales. La honestidad académica, la manipulación, la privacidad de los datos y el sesgo algorítmico son temas recurrentes que alertan sobre riesgos asociados al uso de chatbots basados en IA generativa (^{Tlili et al., 2023}). La resistencia o entusiasmo por estas tecnologías también está mediado por factores culturales, como la influencia social y la colectividad, que afectan la intención y el uso, tal como lo muestran ^{Abu et al. (2024}) en Arabia Saudita.

Estas dimensiones éticas exigen no solo regulaciones y formación ética específica, sino un enfoque inclusivo que considere las competencias digitales y diversidad cultural, evitando la brecha que podría ampliarse con la implantación indiscriminada de IAG. En este sentido, las políticas institucionales pueden ser un eje central para fomentar el uso responsable y equitativo de esta tecnología, alineadas con valores humanos y pedagógicos sólidos.

Este análisis minucioso revela que los chatbots pueden ser catalizadores potentes para la innovación pedagógica, pero no se trata de una solución tecnológica aislada. El éxito depende de la conceptualización pedagógica, la configuración técnica, la capacitación docente y el soporte institucional. La diversidad de diseños, desde chatbots sin IA dedicados al diálogo narrativo hasta sofisticados modelos GPT con capacidades conversacionales avanzadas, debe ser evaluados bajo lentes pedagógicos que vinculen funciones de personalización, autonomía y motivación con resultados medibles en aprendizaje.

Se identifican vacíos importantes que la literatura actual no abordada con profundidad: la falta de estudios longitudinales que evalúen el impacto sobre competencias a mediano y largo plazo, la escasez de investigaciones experimentales robustas que comparen estrategias de diseño concretas, y la insuficiencia de propuestas operativas que integren aspectos éticos con la innovación tecnológica.

Se recomienda que investigaciones futuras empleen marcos teóricos constructivistas y neuro educativos para diseñar y evaluar chatbots que se adapten contextualmente a poblaciones diversas. También es imprescindible explorar las configuraciones de prompts y tipos de interacción que maximicen la personalización, reduciendo a la vez sesgos y errores.

En el plano práctico, las instituciones deben estructurar políticas inclusivas que promuevan no solo el acceso tecnológico, sino el desarrollo de competencias para el uso crítico y responsable de IAG en la educación, combinando lo mejor de la tutoría humana con la automatizada. Este enfoque integral contribuirá a que los chatbots evolucionen de asistentes tecnológicos a verdaderos aliados en el proceso educativo, impulsando una transformación pedagógica fundamentada en evidencias, ética y diversidad cultural.

5. CONCLUSIÓN

El estudio sistemático de revisión muestra que los chatbots educativos tienen un gran potencial para mejorar la forma en que los estudiantes interactúan y personalizan su proceso de aprendizaje en la universidad, siempre y cuando su diseño esté bien fundamentado en enfoques pedagógicos adecuados, pertinentes y adaptados a las necesidades reales de los educandos. El éxito de estas herramientas depende mucho de cómo se integren en el contexto de cada comunidad o entorno educativo, considerando variaciones culturales y sociales, además, si bien la incorporación de IA trae avances representativos, también abre debate sobre aspectos éticos como la protección de datos, el sesgo en los algoritmos y el uso responsable de la tecnología, por lo tanto, es fundamental que exista regulaciones específicas y que los educandos y educadores sean formados en estos temas para evitar posibles riesgos.

La revisión sistemática demuestra que aún son limitados los estudios que analizan en profundidad el impacto a largo plazo de los chatbots en la educación de tercer nivel, y que no siempre se integran los aspectos tecnológicos, pedagógicos y éticos en las investigaciones existentes. Es importante continuar explorando estos ámbitos para comprender mejor cómo estas tecnologías influyen en la vida universitaria de los estudiantes y en la labor de los profesores. Lo que este trabajo aporta especialmente es una visión que suma diferentes dimensiones, poniendo en relieve que el verdadero éxito de los chatbots en la educación universitaria está en un diseño pedagógico cuidadoso (apegado al diseño curricular), en un uso responsable y en una contextualización cultural adecuada.

En términos prácticos, los resultados apuntan a que las instituciones deben desarrollar políticas que aseguren que estas herramientas se empleen de forma ética y sostenible, considerando siempre las particularidades de su comunidad. Es importante también capacitar a los educadores y a los estudiantes en habilidades críticas para manejar estas tecnologías de manera responsable. Esto permitirá que los chatbots sean verdaderamente aliados en el proceso de enseñanza y no solo una novedad tecnológica.

Sería conveniente apostar por investigaciones futuras direccionadas a evaluar qué efectos tienen estos recursos con el paso del tiempo y en diferentes contextos educativos. Solo así podremos entender mejor cómo optimizar su uso y garantizar que aporten beneficios reales, promoviendo una educación más inclusiva, ética y efectiva en la universidad.