Integración pedagógica de la IAG en educación
superior: percepciones del profesorado diferenciadas por género
Pedagogical Integration of Generative Artificial
Intelligence in Higher Education: Teachers’ Perceptions by Gender
Carmen Romero García. Universidad
Internacional de la Rioja. España.
Olga Buzón García. Universidad de
Sevilla. España.
Alba Vico Bosch. Universidad
Internacional de la Rioja. España.
Recibido: 2026-03-04; Revisado: 2026-03-12; Aceptado: 2026-05-21; Publicado: 2026-09-01.
Cómo
citar este artículo:
Romero García, C., Buzón García, O., & Vico Bosch, A.
(2026). Integración pedagógica de la IAG en educación superior: percepciones
del profesorado diferenciadas por género [Pedagogical
Integration of Generative
Artificial Intelligence in Higher
Education: Teachers’ Perceptions
by Gender]. Pixel-Bit,
Revista de Medios y Educación, 77, Art. 3. https://doi.org/10.12795/pixelbit.120444
RESUMEN
La inteligencia artificial generativa (IAG) está transformando los procesos de enseñanza, aprendizaje y evaluación en la educación superior. Este estudio analiza la percepción del profesorado universitario sobre la integración pedagógica de la IAG, identificando posibles diferencias según género en los procesos de enseñanza-aprendizaje, evaluación y uso de herramientas. Se adoptó un diseño metodológico mixto que combina análisis temático cualitativo con análisis cuantitativo descriptivo e inferencial. La muestra estuvo compuesta por 540 docentes universitarios de la Universidad Internacional de La Rioja que respondieron a un cuestionario online con preguntas abiertas. Los resultados evidencian una percepción mayoritariamente positiva hacia la IAG, mostrando diferencias en la forma en que hombres y mujeres conceptualizan su integración. En los procesos de enseñanza-aprendizaje, los hombres priorizan la automatización y el ahorro de tiempo, mientras que las mujeres destacan la personalización del aprendizaje, la ética y la formación docente. En evaluación, ambos coinciden en la personalización y el rol docente, aunque los hombres enfatizan el modelo evaluativo y las mujeres la retroalimentación. En los usos, predomina en ambos grupos la generación de contenidos, recursos audiovisuales y materiales didácticos, mientras que los hombres presentan mayor presencia en usos vinculados a la investigación.
ABSTRACT
Generative artificial intelligence
(GAI) is transforming teaching, learning and assessment processes in higher education. This study examines university
teachers’ perceptions of the pedagogical integration of GAI, identifying
potential gender differences in teaching–learning processes, assessment
practices and the use of AI tools. A mixed-methods design was adopted,
combining qualitative thematic analysis with descriptive and inferential
quantitative analysis. The sample consisted of 540 university teachers from the
Universidad Internacional de La Rioja who completed an online questionnaire
with open-ended questions. The results indicate a generally positive perception
of GAI, while also revealing differences in how men and women conceptualise its integration. In teaching–learning
processes, men prioritise automation and time
efficiency, whereas women emphasise personalised learning, ethical considerations, and teacher
training. In assessment, both groups highlight personalisation
and the teacher’s role, although men place greater emphasis on evaluation
models, while women stress feedback. Regarding uses, content generation,
audiovisual resources and the creation of teaching materials predominate in
both groups, while men show greater presence in uses related to research
activities.
PALABRAS CLAVES · KEYWORDS
Educación superior; inteligencia artificial; evaluación educativa; profesorado universitario; diferencias de género · Higher education; artificial intelligence; educational evaluation; university teachers; gender differences.
1. Introducción
La inteligencia artificial generativa (IAG) ha redefinido
los procesos de enseñanza-aprendizaje en el ámbito educativo. En educación
superior supone un proceso de cambio estructural en las prácticas de enseñanza,
evaluación e investigación. Bannister et al. (2023) evidencian el potencial
disruptivo de estas herramientas y la necesidad de replantear prácticas
docentes y evaluativas.
Diversos estudios enfatizan los beneficios de la IAG en educación
superior (Bond et al., 2024; García-Peñalvo et al., 2024; Sozon
et al., 2025), como la personalización del aprendizaje, la automatización de
tareas y de evaluación y el acompañamiento académico y de apoyo al alumnado.
Sin embargo, también revelan desafíos como la limitada competencia del
profesorado, la escasa atención a cuestiones éticas y la falta de evidencia
sólida sobre el impacto real en el aprendizaje.
Estudios recientes han analizado las percepciones del alumnado
sobre estas tecnologías emergentes (Kim et al., 2025; Melchior & Farinosi,
2026) sin embargo el análisis de las percepciones del profesorado es más
limitada, especialmente en educación superior.
1.1. La IAG en los procesos de enseñanza-aprendizaje y
evaluación
La integración de la IAG en la educación superior ha sido
abordada desde dos enfoques: uno instrumental orientado a optimizar las tareas
académicas y administrativas, y otro transformador, que redefine el ecosistema educativo,
los modelos pedagógicos y las dinámicas formativas (Luckin
et al., 2022).
La literatura científica destaca el impacto de la IAG en
los procesos de enseñanza-aprendizaje, especialmente en la personalización (Vorobyeva et al., 2025). Estas herramientas facilitan la
adaptación de contenidos, la retroalimentación inmediata y el acompañamiento
individualizado (Liu et al., 2025). Además, la IAG también automatiza tareas
mecánicas y repetitivas, como la elaboración de materiales o la corrección de pruebas
objetivas, liberando tiempo docente para actividades de mayor valor formativo
(Bond et al., 2024).
La evaluación mediada por la IAG se ha convertido en el
centro del debate académico. Yan et al. (2025) resalta el potencial para
optimizar el diseño de pruebas y evaluaciones. Asimismo, la evaluación
personalizada y la retroalimentación inmediata ofrece cambios significativos.
Sin embargo, algunos estudios cuestionan la validez de la evaluación en estos entornos,
señalando la necesidad de priorizar el pensamiento crítico, la reflexión y el
razonamiento frente a la mera producción escrita (Cooper et al., 2023; Cotton
et al., 2023).
Este cambio en las prácticas docentes plantea dilemas sobre
la posible deshumanización del proceso educativo. Herramientas como ChatGPT y su capacidad para generar contenido podría
fomentar una excesiva dependencia tecnológica (García-Peñalvo et al., 2024). La
dimensión ética supone establecer marcos normativos sólidos (Gallent-Torres et al., 2023) y una alfabetización digital
crítica por parte del profesorado y del alumnado (Holmes et al., 2022).
El uso de la IAG en la educación superior se ha
diversificado, abarcando múltiples ámbitos de la actividad académica.
García-Peñalvo et al. (2024) analizan las implicaciones y los usos de la IAG en
educación, atendiendo al potencial uso educativo de diversos tipos de
herramientas y sus funcionalidades. Estos autores realizan una clasificación de
las herramientas que fundamentalmente crean contenidos (Jasper, Notion), exámenes (Conker.
Monic), imágenes y presentaciones (DALL-E, Midjorney
y ChatGPT), audios y vídeos (Fliki,
Make a video) y sirven de apoyo a la investigación (ChatPDF, Consensus, Copilot).
Por su parte, Díaz-Vera et al. (2024) pone en valor la
carga de trabajo de los docentes, distribuidas en: 1) académica, para
mantenerse actualizado, seguir los planes y programas de estudio y evaluar el aprendizaje
de los estudiantes; 2) administrativa, para registrar la asistencia y el
desempeño del alumnado y la elaboración de informes. Desde esta perspectiva,
consideran fundamental mantenerse actualizados de las distintas herramientas y
de su aplicación estratégica en la educación. Sánchez (2023) afirma que la
mayoría de los docentes usan la IA para preparar las clases y los materiales
educativos, más que para integrarlas con sus estudiantes en el aula.
1.2. Perspectiva de género en la adopción tecnológica
La Comisión Europea (2021) plantea la necesidad de
fortalecer la competencia digital del profesorado, reconociendo la perspectiva
de género y la superación de la brecha digital. El uso de herramientas de IAG
por parte del profesorado en contextos de educación superior ha sido
ampliamente explorado, sin embargo, no se ha profundizado en las diferencias
por cuestiones de género (Miranda y Chamorro-Mera, 2025).
Los estudios sobre las diferencias de género en la adopción
de las tecnologías por parte de mujeres y hombres no son concluyentes. Alissa
& Hamadneh (2023) determinan que las mujeres
docentes son quienes poseen un mayor conocimiento y aplican en mayor medida la
IA en educación superior. En cambio, Aksongur & Bağrıacık (2025) no revelan diferencias en
las actitudes entre mujeres y hombres en el uso de la IA.
Blázquez et al. (2025) encuentran diferencias en el uso de la
IAG en función del género en profesorado universitario. Los hombres perciben
estas herramientas como útiles para optimizar tareas académicas, mejorar la
productividad y apoyar la innovación pedagógica. Las mujeres muestran una
variedad más amplia de actividades (tutorización de trabajos académicos y
creación de contenido) y mayores niveles de cautela, expresando mayor
preocupación con la ética, la fiabilidad de los contenidos generados y el
posible impacto en la integridad académica.
Estas diferencias de género en el comportamiento pueden
explicarse desde la psicología social y los roles de género, que apuntan a que
los hombres tienden a ser más pragmáticos, orientados a resultados y con mayor
disposición al riesgo, mientras que las mujeres suelen mostrar mayor aversión
al riesgo y valorar la facilidad de uso (Miranda y Chamorro-Mera, 2025).
Asimismo, en base a la literatura feminista, se plantea que la relación entre género
y tecnología no responde únicamente a características individuales, sino a
estructuras socioculturales que históricamente han configurado la tecnología
como un espacio masculinizado (Wajcman, 2006). En esa
línea, Sanders (2006) señala que los entornos educativos y tecnológicos
reproducen frecuentemente estereotipos de género que condicionan las
percepciones, expectativas y niveles de confianza hacia el uso de las
tecnologías. Del mismo modo, Rebollo-Catalán et al. (2012) destacan la importancia
de incorporar una perspectiva coeducativa en el ámbito digital, subrayando el
papel del profesorado y de las prácticas educativas en la construcción de usos
tecnológicos más inclusivos e igualitarios. Desde esta perspectiva, las mujeres
pueden mostrar una mayor sensibilidad y conciencia crítica frente a los
posibles riesgos y desafíos asociados al uso de las tecnologías emergentes
(Criado, 2019).
Teniendo en cuenta todo lo expuesto, esta investigación pretende
analizar la percepción del profesorado universitario sobre la integración
pedagógica de la IAG identificando diferencias por género. De manera
específica, se propone:
·
Analizar la percepción diferenciada por género
sobre la integración de la IA en los procesos de enseñanza y aprendizaje y de
evaluación.
·
Analizar la percepción diferenciada por género
sobre la integración de la IA en los procesos de evaluación.
·
Identificar los usos y herramientas de IAG
utilizadas diferenciando por género.
2. Metodología
Se utilizó una metodología mixta mediante un diseño
convergente con predominio cualitativo (Creswell & Plano Clark, 2011). Este
diseño permitió integrar el análisis temático de las respuestas abiertas con
procedimientos cuantitativos orientados a identificar frecuencias, porcentajes
y asociaciones entre género y categorías temáticas. A nivel cualitativo, se
realizó un análisis temático para identificar cómo el profesorado conceptualiza
la IAG en relación con los procesos de enseñanza-aprendizaje, la evaluación y
los usos y tipos de herramientas. Asimismo, se exploraron diferencias
discursivas asociadas al género. El análisis cuantitativo permitió describir la
distribución de las categorías emergentes y analizar posibles asociaciones
estadísticamente significativas entre género y categorías temáticas.
2.1. Muestra
La muestra estuvo compuesta por 540 docentes
universitarios, pertenecientes a la Universidad Internacional de La Rioja. El 60,93%
eran mujeres, el 37,96% hombres y un 1,11% no especificaron el género. En
cuanto al nivel educativo, predomina la docencia en postgrado (46,48%) y grado
(30,37%), con un 14,07% que ejerce en doctorado. La muestra presenta una
elevada experiencia profesional, ya que el 66,3% cuenta con cinco o más años de
experiencia docente.
2.2. Instrumento
Para la recogida de datos se utilizó un cuestionario
formado por dos dimensiones: una sobre las variables sociodemográficas de la muestra
y otra formada por tres preguntas abiertas que permitieron al profesorado la
expresión libre de argumentos y experiencias sobre la integración de la IAG en
los procesos de enseñanza-aprendizaje, de evaluación y sobre usos y tipos de
herramientas.
El cuestionario se aplicó en formato online. La
participación fue voluntaria, anónima y confidencial y se garantizó que los
datos serían utilizados con fines académicos y de investigación.
2.3. Análisis de datos
Para el análisis cualitativo se partió de tres dimensiones
definidas a partir de los objetivos de la investigación: (1) Integración de
la IAG los procesos de enseñanza-aprendizaje, (2) Integración de la IAG
en los procesos de evaluación y (3) Usos y tipos de herramientas
de IAG. A partir de ellas, se realizó un análisis temático inductivo
siguiendo la propuesta de Braun y Clarke (2006, 2021), combinado con
procedimientos de codificación abierta (Saldaña, 2021). El análisis incluyo las
siguientes fases: (a) lectura exhaustiva del corpus completo; (b)
identificación de unidades de significado relevantes; (c) codificación inicial
de los fragmentos textuales; (d) agrupación en categorías temáticas emergentes;
y (e) revisión y refinamiento iterativos de los temas y (f) definición final
del sistema categorial.
Se aplicó codificación múltiple, permitiendo que un mismo
fragmento fuese asignado a más de una categoría cuando contenía significados diferenciados.
En total, se analizaron 540 respuestas abiertas y se codificaron 1726 extractos
textuales distribuidos entre las distintas dimensiones analizadas. Para
explorar las diferencias asociadas al género se realizó una comparación
temática cruzada entre grupos (mujeres/hombres), examinando tanto la
distribución de frecuencias de las categorías como los matices discursivos
presentes en cada grupo. Este procedimiento permitió identificar variaciones en
la forma de conceptualizar la integración de la IAG en la práctica docente. La
información fue gestionada y codificada mediante el software Atlas.ti 22.
A partir del sistema de categorías se calcularon
frecuencias absolutas y porcentajes sobre el total de segmentos codificados en
cada dimensión (Tabla 1). Posteriormente, se elaboraron tablas de contingencia
cruzando las categorías temáticas con la variable género. Para examinar la existencia
de asociaciones estadísticamente significativas se aplicó la prueba de
Chi-cuadrado de independencia y se estimó el tamaño del efecto mediante el
coeficiente V de Cramer, mediante el software Jamovi.
El tamaño del efecto se interpretó según Cohen (1988): 0,10 como efecto
pequeño, 0,30 efecto medio y 0,50 efecto grande.
Tabla 1
Dimensiones,
categoría temáticas y distribución de segmentos codificados
|
Dimensión |
Categoría |
Descripción |
N |
% |
|
1. Integración de la IA en los procesos de enseñanza y aprendizaje
(N = 1.238) |
Personalización del aprendizaje |
Adaptación de contenidos, ritmos y estrategias a
necesidades individuales |
312 |
25,2 |
|
Automatización y ahorro de tiempo |
Optimización de tareas docentes y generación automática
de materiales |
276 |
22,3 |
|
|
Cambio metodológico |
Transformación de metodologías y rediseño de
actividades |
241 |
19,5 |
|
|
Ética y responsabilidad |
Uso ético, regulación y riesgos asociados a la IA |
211 |
17,0 |
|
|
Formación docente |
Necesidad de desarrollo profesional en IA |
198 |
16,0 |
|
|
2. Integración de la IA en los procesos de evaluación (N = 226) |
Personalización |
Evaluación ajustada al desempeño individual |
45 |
19,9 |
|
Rol docente |
Mantenimiento del criterio profesional del docente |
43 |
19,0 |
|
|
Modelo de evaluación |
Reformulación de criterios e instrumentos |
37 |
16,4 |
|
|
Retroalimentación |
Generación de devoluciones inmediatas y personalizadas |
37 |
16,4 |
|
|
Ética |
Detección de plagio y responsabilidad ética |
27 |
11,9 |
|
|
Automatización |
Corrección automática de tareas |
19 |
8,4 |
|
|
Evaluación de competencias |
Evaluación de desempeños reales y competencias
complejas |
18 |
8,0 |
|
|
3. Tipos de usos (N = 262) |
Procesamiento de texto / generación de contenidos |
Redacción y reformulación de textos académicos |
99 |
37,8 |
|
Investigación |
Búsqueda y síntesis de información científica |
43 |
16,4 |
|
|
Recursos audiovisuales |
Generación de imágenes, presentaciones y vídeos |
41 |
15,6 |
|
|
Creación de materiales didácticos |
Diseño de actividades y clases |
36 |
13,7 |
|
|
No uso / uso incipiente |
Ausencia o uso limitado de IA |
32 |
12,2 |
|
|
Evaluación |
Uso para corrección o control académico |
11 |
4,2 |
3. Resultados
3.1. Integración de la IA en el proceso de enseñanza y
aprendizaje
El análisis de esta dimensión, considerando hombres y
mujeres, evidencia una percepción favorable hacia la incorporación de la IAG en
la educación superior, pero condicionada por aspectos como la adecuada integración
pedagógica, el uso ético y la formación del profesorado (Tabla 1). Se percibe
el uso de la IAG como un apoyo a la labor docente y como un recurso clave para
la personalización del aprendizaje (25,20%), que facilita la adaptación de
contenidos y estrategias a las necesidades individuales del estudiantado.
Asimismo, se destaca la IAG como mecanismo de automatización de algunas tareas
(22,30%), de generación de materiales, de búsqueda de información y de procesos
de evaluación. Una parte significativa del profesorado identifica la IAG como
un motor de cambio metodológico (19,50%), capaz de impulsar transformaciones en
las estrategias didácticas y el diseño de actividades. Paralelamente, aparece
la preocupación por las condiciones éticas de su implementación (17%),
incluyendo aspectos relacionados con la confiabilidad, los sesgos, el uso
responsable y el pensamiento crítico. Asimismo, una proporción significativa de
comentarios subraya la formación del profesorado (16%) como requisito
indispensable para una adecuada integración pedagógica.
3.1.1. Distribución temática por género
El análisis porcentual por género muestra diferencias
relevantes en la distribución temática (Tabla 2). En los hombres, las
categorías con mayor peso fueron automatización y ahorro de tiempo,
personalización del aprendizaje seguida de cambio metodológico. En
las mujeres la categoría predominante fue personalización del aprendizaje,
seguida de ética y responsabilidad y formación docente. Las
diferencias más notables se observaron en automatización, con mayor peso en
hombres (27,95%) que en mujeres (17,97%), en formación docente, con mayor peso
en mujeres (18,56%) frente a hombres (13,07%) y ética y responsabilidad, con
una mayor presencia en mujeres (19,59%) frente a hombres (14,16%).
La distribución de categorías no es independiente del género
y existen patrones diferenciales en el énfasis temático. La prueba de
Chi-cuadrado indicó una asociación significativa entre género y distribución
temática, χ2 (4, N = 1238) = 27,37, p<.001, con un tamaño del efecto
pequeño (V=0,15). El análisis de residuos tipificados mostró que las mayores
contribuciones al valor χ² provinieron de las categorías automatización
y ahorro de tiempo y formación docente.
Tabla 2
Distribución
de categorías por género para la dimensión 1
|
Categorías |
Hombres n |
% Hombres |
Mujeres n |
% Mujeres |
|
Personalización del aprendizaje |
128 |
23,23 % |
176 |
25,92 % |
|
Automatización y ahorro de tiempo |
154 |
27,95 % |
122 |
17,97 % |
|
Cambio metodológico |
119 |
21,60 % |
122 |
17,97 % |
|
Formación docente |
72 |
13,07 % |
126 |
18,56 % |
|
Ética y responsabilidad |
78 |
14,16 % |
133 |
19,59 % |
Nota. Codificación múltiple. Segmentos
codificados: hombres: 551; mujeres: 679.
El análisis discursivo revela matices significativos en la
forma de conceptualizar la integración pedagógica de la IA.
Con respecto a la personalización del aprendizaje,
en mujeres se formula desde la responsabilidad formativa y la orientación
educativa del uso tecnológico: “permite recorridos individualizados mucho
más efectivos, debemos enseñarles a los alumnos a usarla para mejorar sus
aprendizajes”. En contraste, los hombres ponen el foco en la tecnología y
su capacidad de procesamiento: “la IA revolucionará la educación superior
con personalización del aprendizaje, tutores virtuales y análisis de datos para
mejoras eficientes y oportunas”.
En la categoría automatización y ahorro de tiempo,
la diferencia entre ambos discursos es especialmente relevante. En hombres, se
articula en términos de productividad y eficiencia: “simplificará procesos
que de otro modo restan tiempo efectivo de enseñanza y retroalimentación
[…] optimizará la labor docente”. En las mujeres, la eficiencia se
presenta subordinada a la calidad, la revisión crítica y el acompañamiento
pedagógico: “nos permite realizar tareas más rápido, pero debemos ser
cuidadosos y revisar los resultados” […] “es una herramienta que
optimiza el tiempo, aunque es importante corroborar la información”.
En relación con el cambio metodológico, ambos
géneros reconocen su impacto, aunque con matices discursivos diferentes. Los
hombres enfatizan la transformación de la docencia como un cambio amplio: “su
utilización cambiará la metodología docente y la forma de aprender de los
estudiantes”. Por su parte, las mujeres lo abordan con un carácter más
específico, en clave de regulación pedagógica y poniendo el énfasis en la
necesidad de rediseñar tareas concretas para preservar la autenticidad del
aprendizaje: “habrá que replantear las tareas para que no sean realizables
por la IA”.
En la categoría formación docente, las mujeres
indican la necesidad de formación como condición indispensable para la
integración pedagógica de la IA: “se requiere una capacitación institucional
para integrar adecuadamente estas herramientas y que este cambio sea efectivo”.
Los hombres también reconocen la importancia de la formación, pero más
vinculada a la competencia técnica que a una reflexión pedagógica profunda: “la
especialización en desarrollo digital será requisito obligatorio” […] “se
debe tener más capacitación en el tema”.
En cuanto a la categoría ética y responsabilidad,
las mujeres desarrollan argumentaciones más extensas sobre responsabilidad, regulación
y preservación del pensamiento crítico: “es fundamental garantizar que la
tecnología se utilice de manera ética, inclusiva y responsable” […]
“me preocupan los sesgos detectados y el impacto en el pensamiento crítico
del alumnado”. En los hombres, la preocupación ética se menciona como
advertencia complementaria más que como eje central: “puede implicar una
gran ayuda, pero debemos estar atentos a sus limitaciones y sesgos”.
3.2. Integración de la IA en los procesos de evaluación
El análisis de las respuestas de hombres y mujeres sobre
evaluación muestra una percepción mayoritariamente positiva pero condicionada
del uso pedagógico de la IAG. Como muestra la Tabla 1, el profesorado destaca
el potencial de la IA para la personalización de los procesos de evaluación
(19,90%) subrayando el rol docente (19%) y señalando que la IA no puede
sustituir el juicio profesional en la evaluación. En un segundo nivel, comentan
que la IAG afecta a la concepción del modelo de evaluación y la retroalimentación
(ambos con 16,40%), destacando la necesidad de reformular criterios e
instrumentos que permitan automatización y retroalimentación inmediata. Se
evidencias preocupaciones éticas (11,90%) vinculadas a la equidad,
transparencia y uso responsable de la tecnología. También se observan reservas
relacionadas con la automatización (8,4%) concretamente con el riesgo de
deshumanización del proceso evaluativo. Finalmente, la evaluación de
competencias (8%) apunta a la necesidad de revisar qué y cómo se evalúa en
un contexto donde la IAG puede intervenir en la producción de evidencias de
aprendizaje.
3.2.1. Distribución temática por género
El análisis porcentual por género muestra diferencias más
moderadas que las observadas en la dimensión 1 (Tabla 3). En los hombres, las
categorías con mayor peso fueron personalización, rol docente y modelo
de evaluación. En las mujeres, las categorías más destacadas fueron personalización,
rol docente y retroalimentación. Las diferencias más notables se
observaron en evaluación de competencias, con mayor peso en hombres
(12,50%) que en mujeres (4,62%) y en automatización, también con mayor
peso en hombres (11,46%) que en mujeres (6,15%). En contrapartida, las mujeres
obtuvieron mayor peso en personalización (22,31%) frente a los hombres
(16,67%) y en retroalimentación, mayor peso en mujeres (19,23%) frente a
hombres (16,67%).
Con el fin de comprobar si estas diferencias eran estadísticamente
significativas, se realizó una prueba de Chi-cuadrado de independencia,
obteniéndose χ² (6, N = 226) = 9,42, p = .151. Este resultado indica que,
aunque existen diferencias porcentuales apreciables, la distribución temática
no depende significativamente del género en el ámbito de la evaluación.
Tabla 3
Distribución
de categorías por género para la dimensión 2
|
Categorías |
Hombres n |
% Hombres |
Mujeres n |
% Mujeres |
|
Personalización |
16 |
16,67 % |
29 |
22,31 % |
|
Rol docente |
16 |
16,67 % |
27 |
20,77 % |
|
Modelo de evaluación |
16 |
16,67 % |
21 |
16,15 % |
|
Retroalimentación |
12 |
12,50 % |
25 |
19,23 % |
|
Ética |
13 |
13,54 % |
14 |
10,77 % |
|
Automatización |
11 |
11,46 % |
8 |
6,15 % |
|
Evaluación de competencias |
12 |
12,50 % |
6 |
4,62 % |
Nota. Codificación múltiple. Segmentos
codificados: hombres: 96; mujeres: 130.
Aunque las diferencias cuantitativas no alcanzan
significación estadística, el análisis discursivo revela matices relevantes.
En relación con la retroalimentación, las mujeres enfatizan
la dimensión formativa del proceso evaluativo: “permite diseñar evaluaciones
más personalizadas y adaptativas, ofreciendo retroalimentación inmediata al
alumnado”, destacando su potencial para acompañar el aprendizaje. En los
hombres la retroalimentación suele vincularse a sistematización y
comparación de resultados: “analizar el desempeño y comparar resultados en
menor tiempo”.
En la categoría personalización, las mujeres
subrayan la adaptación al proceso individual del estudiante: “el enfoque es
más individualizado de acuerdo a las necesidades del
estudiante debido a que facilita las retroalimentaciones”. En los hombres
la referencia aparece vinculada a analíticas y rendimiento, enfatizando la
dimensión técnica del análisis de datos: “hacer uso de analíticas de
aprendizaje para personalizar el proceso evaluativo”.
En evaluación de competencias, los hombres mencionan
con mayor frecuencia la necesidad de evaluar desempeños reales y competencias
complejas, planteando que la IA puede contribuir a “evaluar resultados de
aprendizaje de manera más profunda”. En las mujeres esta categoría aparece
menos reiterada y más integrada en el enfoque formativo general: “hay que
repensar algunos modelos de evaluación, pero sobre todo formar al alumnado para
que puedan usar la IA para mejorar su aprendizaje.”
En cuanto a automatización, el discurso masculino la
presenta como mecanismo de eficiencia: “simplificará procesos de corrección
y optimizará la labor docente”. En el femenino se vincula a liberar tiempo para
tareas más cualitativas: “puede utilizarse para calificar automáticamente y
dedicar más tiempo a la retroalimentación significativa”.
Respecto a la dimensión de ética, en el discurso
masculino se enfatiza el control y la detección: “generar nuevas formas para
evitar y detectar el fraude”. En el femenino, la preocupación se articula
en términos de equidad y responsabilidad formativa: “es necesario garantizar
un uso ético y justo de estas herramientas”.
3.3. Usos de las herramientas de IAG
El análisis de las respuestas relativas a los usos de las
herramientas de IA evidencia una adopción amplia y diversificada por parte del
profesorado. A diferencia de lo observado en los apartados anteriores, en esta
pregunta el discurso se centra más en prácticas efectivas de uso que en
valoraciones (Tabla 1).
El uso predominante corresponde al procesamiento de
texto y generación de contenidos (37,80%), principalmente para la redacción
de textos, reformulación de contenidos, generación de esquemas y apoyo en
tareas académicas. En segundo lugar, destacan la investigación (16,40%),
así como la creación de materiales didácticos (13,70%), incluyendo la
elaboración de actividades, rúbricas y planificación de clases. En cuanto a los
recursos audiovisuales (15,60%) refleja una presencia significativa de
herramientas de generación de imágenes, presentaciones y vídeos educativos. En
menor medida aparecen referencias a la evaluación (4,20%), así como al no
uso o uso incipiente (12,20%), lo que indica que persiste un sector del
profesorado que manifiesta utilización limitada o ausencia de uso, generalmente
asociada a falta de formación o confianza.
3.3.1. Distribución temática por género
El análisis porcentual dentro de cada género muestra
diferencias en la distribución temática (Tabla 4). Los resultados de la prueba
Chi-cuadrado no mostraron asociación significativa entre género y categoría de
uso (χ² (5, N = 262) = 3,47, p = .627). Este resultado indica que, aunque
se observan diferencias porcentuales en algunos códigos, dichas variaciones no
configuran un patrón estructuralmente diferenciado. Es el caso de los usos
vinculados a investigación, hay mayor presencia de hombres (20,95%)
frente a mujeres (13,38%). Lo mismo ocurre en el código no uso o uso mínimo
donde hay mayor proporción de mujeres (14,01%) frente a hombres (9,52%).
El uso predominante en ambos grupos corresponde al procesamiento
de texto y generación de contenidos (36,19% en hombres y 38,85% en
mujeres), la creación de materiales didácticos (16,19% en hombres y
15,29% en mujeres) y el uso de recursos audiovisuales (13,33% en hombres
y 14,01% en mujeres).
Tabla 4
Distribución
de las categorías por género en la dimensión 3
|
Categorías |
Hombres n |
% Hombres |
Mujeres n |
% Mujeres |
|
Procesamiento de texto / generación de contenidos |
38 |
36,19 % |
61 |
38,85 % |
|
Investigación |
22 |
20,95 % |
21 |
13,38 % |
|
Recursos audiovisuales |
14 |
13,33 % |
22 |
14,01 % |
|
Creación de materiales didácticos |
17 |
16,19 % |
24 |
15,29 % |
|
Evaluación |
4 |
3,81 % |
7 |
4,46 % |
|
No uso / uso incipiente |
10 |
9,52 % |
22 |
14,01 % |
Nota. Codificación múltiple. Segmentos
codificados: hombres: 105; mujeres: 157.
El análisis cualitativo permite identificar matices
relevantes en la forma en que el profesorado describe su relación con las
herramientas de IAG.
En relación con el procesamiento de texto y generación
de contenidos, en los hombres, el uso suele aparecer asociado a exploración
tecnológica y optimización de procesos: “la utilizo para redactar textos y
generar contenidos rápidamente”. En mujeres, el uso se describe con mayor
frecuencia en términos de aplicación pedagógica concreta: “la utilizo desde
el diseño de una asignatura hasta la evaluación, pasando por preparar clases y
generar feedback para los estudiantes”.
En la categoría investigación, los hombres muestran mayor
orientación hacia la eficiencia investigadora y el análisis de información: “las
he usado sobre todo para dar celeridad a mis procesos de investigación y
revisión bibliográfica”. En las mujeres la investigación aparece más
integrada dentro de tareas docentes generales: “la utilizo para buscar
información y adaptar contenidos para mis clases, siempre revisando después las
fuentes”.
En relación con los recursos audiovisuales, los
hombres tienden a situar las herramientas de IAG dentro de un conjunto tecnológico
amplio: “utilizo DALL·E, Stable Diffusion, Runway Gen-2…”, mientras que las mujeres las vinculan
más a objetivos didácticos específicos: “uso Canva
con IA para preparar presentaciones más visuales para el alumnado”.
La categoría no uso o uso incipiente en las mujeres
aparecen con mayor claridad referencias explícitas a la falta de formación o
confianza: “no utilizo herramientas de IA por falta de capacitación […] porque
no me siento suficientemente formada”. En hombres, suele formularse en términos
más neutros o circunstanciales: “he hecho pruebas puntuales, pero no las he
integrado de manera sistemática”.
3.3.2. Tipos de herramientas de IAG
El análisis específico por tipo de herramienta revela
diferencias más marcadas que las observadas en la clasificación general de usos
(Tabla 5). La herramienta claramente dominante en ambos grupos es ChatGPT (41,74% de hombres y 44,53% de mujeres), lo
que confirma su papel central en el ecosistema docente.
No obstante, emergen diferencias relevantes en herramientas
secundarias. Canva IA presenta una
mayor presencia en mujeres (15,33%) frente a hombres (4,96%), lo que sugiere
una mayor orientación hacia herramientas integradas en el diseño de materiales
didácticos y presentaciones visuales. En contraste, herramientas como Claude
(9,50% en hombres frente a 4,01% en mujeres), Midjourney
(6,20% frente a 1,82%) o Runway (3,31% frente
a 0%) muestran mayor peso relativo en el discurso masculino, lo que indica una exploración
más diversificada del entorno generativo avanzado.
Tabla 5
Distribución
de categorías por género respecto a las herramientas de IAG
|
Categorías |
Hombres
n |
%
Hombres |
Mujeres
n |
%
Mujeres |
|
ChatGPT |
101 |
41,74 % |
122 |
44,53 % |
|
Canva IA |
12 |
4,96 % |
42 |
15,33 % |
|
Claude |
23 |
9,50 % |
11 |
4,01 % |
|
Copilot |
15 |
6,20 % |
14 |
5,11 % |
|
Gemini |
16 |
6,61 % |
14 |
5,11 % |
|
DALL·E |
18 |
7,44 % |
28 |
10,22 % |
|
Midjourney |
15 |
6,20 % |
5 |
1,82 % |
|
Perplexity |
11 |
4,55 % |
20 |
7,30 % |
|
Stable Diffusion |
8 |
3,31 % |
10 |
3,65 % |
|
Synthesia |
15 |
6,20 % |
8 |
2,92 % |
|
Runway |
8 |
3,31 % |
0 |
0,00 % |
Nota. Codificación múltiple. Segmentos
codificados: hombres: 242; mujeres: 274.
La prueba de Chi-cuadrado confirma una asociación
estadísticamente significativa entre género y tipo de herramienta mencionada
(χ² (10, N = 516) = 41,36, p < .001), con un tamaño del efecto pequeño
a medio (V = 0,283). Este resultado sugiere que, aunque el patrón general de
uso no difiere significativamente por género, sí existen diferencias en la elección
y diversificación de herramientas específicas. El análisis de residuos
tipificados mostró que las mayores contribuciones al valor χ² provienen de Canva
IA, seguido de Runway, Midjourney y Claude.
4. Discusión y conclusiones
Los resultados muestran que el profesorado universitario
percibe la IAG como una tecnología de apoyo a la práctica docente. En ambos
géneros se reconoce su capacidad para personalizar el aprendizaje (Vorobyeva et al., 2025) y automatizar tareas vinculadas a
la enseñanza, el aprendizaje y la evaluación, siempre bajo el criterio
profesional del docente (Bond et al., 2024). Hombres y mujeres coinciden en su
potencial para impulsar cambios metodológicos, a través de su aplicación en el
diseño de actividades y en la retroalimentación inmediata (Liu et al., 2025).
En evaluación, la intervención de la IAG en la producción de evidencias de
aprendizaje exige evolucionar desde enfoques tradicionales hacia modelos más
procesuales y competenciales (Yan et al., 2025). Ambos grupos coinciden en
destacar la personalización y el mantenimiento del rol docente en los procesos
evaluativos, reforzando la idea de que la IA actúa como apoyo, bajo supervisión
profesional (Liu et al., 2025; Yan et al., 2025). El profesorado universitario
declara un uso amplio y diversificado de estas herramientas, destacando la
generación de contenidos, la síntesis de
información y la creación de recursos (Sotelo, 2025 y Sozon
et al. 2025). La IAG es percibida como una herramienta con potencial
transformador, aunque condicionada por la formación del profesorado para una
integración pedagógica y ética de esta tecnología (Gallent-Torres
et al., 2023).
En cuanto a las diferencias de género, en línea con otros
estudios (Aksongur y Bağrıacık,
2025; Blázquez et al., 2025) se reflejan matices diferentes en la manera de
conceptualizar y justificar la integración de la IAG en la práctica docente.
En los procesos de enseñanza-aprendizaje, el discurso de
las mujeres se orienta hacia la integración pedagógica y formativa y la mejora
del aprendizaje. Las docentes destacan la integración de la IAG desde la
reflexión didáctica y de acompañamiento al alumnado para garantizar un uso
responsable que preserve el pensamiento crítico (Møgelvang et al., 2025). El
discurso de los hombres presta mayor atención a los aspectos técnicos y
prácticos, enfatizando la optimización del tiempo, la automatización de tareas y
la mejora de la eficiencia en la planificación y gestión docente (Mohammadi et
al., 2026). Estos resultados también coinciden con los de Bond et al. (2024),
que determinan que los hombres mantienen un enfoque instrumental y tecnológico,
basado en la eficiencia y la optimización de las actividades docentes. Por su
parte, las mujeres se centran más en el enfoque transformador centrado en la
formación docente y el acompañamiento del alumnado en su proceso de enseñanza-aprendizaje.
Estas diferencias de género en la integración tecnológica según Møgelvang et
al., (2025) no responden a capacidades distintas, sino a diferentes formas de
apropiación y valoración de la tecnología condicionadas por factores sociales y
profesionales.
En relación con la evaluación, los matices discursivos
identificados son coherentes con lo descrito por Møgelvang et al. (2024) y
Mohammadi et al. (2026), quienes apuntan a aproximaciones diferenciadas en la adopción
pedagógica de la IAG. No obstante, las mujeres enfatizan con mayor frecuencia
la retroalimentación y la dimensión formativa de la evaluación, mientras que
los hombres tienden a centrarse en la estructuración del modelo evaluativo, la
evaluación de competencias y los mecanismos de control del proceso (Blázquez et
al., 2025). Estos matices coinciden con estudios que señalan que las docentes
suelen adoptar enfoques más pedagógicos y reflexivos, mientras que los docentes
destacan con mayor frecuencia las dimensiones técnicas y organizativas de la
integración de la IA en la práctica educativa (Miranda & Chamorro-Mera,
2025; Mohammadi et al., 2026).
Respecto a las herramientas, ChatGPT
es la más utilizada por el profesorado. En esta línea, otros estudios señalan
que esta aplicación es la más empleada en el ámbito educativo, en comparación
con otras similares como Gemini, Claude o Copilot
(García-Peñalvo et al., 2024). En los hombres, el discurso se centra en la
exploración tecnológica y en la diversificación de herramientas, con énfasis en
la optimización de los procesos de investigación. En consonancia con estos
resultados, el estudio de Mohammadi et al. (2026) muestra que los docentes
masculinos utilizan herramientas de IAG con mayor frecuencia que las mujeres y
reportan un uso más sistemático en diferentes tareas, especialmente las vinculadas
con la productividad investigadora. Por su parte, las mujeres realizan un uso
más didáctico, centrado en la creación de materiales y la retroalimentación,
acompañado de mayor preocupación por el uso crítico y ético de esta tecnología.
Resultados similares se presentan en el estudio de Blázquez et al. (2025) en el
que se identifica que las docentes manifiestan mayor cautela, preocupación
ética y reflexión crítica respecto a la integración de la IAG en la práctica
docente.
Los hallazgos subrayan la necesidad de que las
instituciones universitarias desarrollen programas de formación docente
orientados a la integración pedagógica, crítica y ética de la IAG. En este
sentido, incorporar la perspectiva de género implica diseñar acciones
formativas que contemplen diferentes formas de apropiación y uso de la
tecnología, favoreciendo tanto el desarrollo de competencias tecnológicas como
la reflexión pedagógica sobre su aplicación en los procesos de enseñanza, aprendizaje
y evaluación. Asimismo, resulta necesario que las políticas universitarias y
educativas promuevan marcos de uso responsable de la IAG, reduzcan posibles
desigualdades en el acceso y formación tecnológica y fomenten una integración
inclusiva de estas herramientas en la práctica docente.
Este estudio presenta algunas limitaciones que deben
considerarse en la interpretación de los resultados. En primer lugar, la
muestra se circunscribe al contexto universitario, lo que limita la generalización
de los hallazgos a otros niveles educativos o contextos institucionales.
Asimismo, aunque el análisis comparativo por género permitió identificar
matices discursivos relevantes, el estudio no ha contemplado otras variables
personales, profesionales o contextuales que podrían influir en la percepción y
uso de la IAG.
En cuanto a las líneas futuras de investigación, sería
pertinente profundizar en cómo variables como la experiencia docente, el área de
conocimiento o el nivel de competencia digital influyen en la integración de la
IAG en la práctica educativa. Asimismo, resultaría relevante desarrollar
estudios longitudinales que permitan analizar la evolución de estas
percepciones y usos a medida que las herramientas de IA se consolidan en el
contexto universitario. Finalmente, futuras investigaciones podrían explorar el
impacto de programas de formación docente con perspectiva de género orientados a
favorecer una integración pedagógica, crítica e inclusiva de la IAG.
Contribución de las autoras
Conceptualización, Autora 1; curación de datos, análisis
formal, Autora 1 y Autora 2; adquisición de financiación, Autora 2;
investigación, Autora 1, Autora 2, Autora 3; Autora 1; metodología, Autora 1,
Autora 2; administración del proyecto, software, Autora 2, supervisión, Autora
1, Autora 2 y Autora 3, redacción y preparación del borrador original: Autora
1, Autora 2, Autora 3; revisión y edición, Autora 1, Autora 2 y Autora 3.
Financiación
Este estudio ha sido financiado por MICIU/AEI /10.13039/
501100011033 (Agencia Estatal de Investigación, Ministerio de Ciencia,
Innovación y Universidades) y fondos FEDER (Unión Europea), código de proyecto
PID2021-122206NB-I00.
Material complementario
Los datos que respaldan este estudio están disponibles a
través de la autora de la correspondencia previa solicitud razonable.
Aprobación ética
El estudio se realizó de acuerdo con la Declaración de
Helsinki, aprobada por el Comité de Ética de Investigación de la Universidad de
Sevilla (código de protocolo PEIBA 2083-N-23; fecha de aprobación: 05/03/2024).
Conflicto de interés
Los autores declaran que no existe conflicto de interés
financiero, personal o de otro tipo que pudiera haber influido en los
resultados del estudio.
Referencias
Aksongur, M., & Bağrıacık
Yılmaz, A., (2025). Generative artificial intelligence in education: teachers’
attitudes and influencing variables. Journal of Information and
Communication Technologies, 7(2), 98-111. https://doi.org/10.53694/bited.1792948
Alissa, R.A., & Hamadneh,
M. (2023). The level of science and mathematics teachers’ employment of artificial
intelligence applications in the educational process. International Journal
of Education in Mathematics, Science, and Technology (IJEMST), 11(6), 1597-
1608. https://doi.org/10.46328/ijemst.3806
Bannister, P., Santamaría
Urbieta, A., & Alcalde Peñalver, E. (2023). Una
revisión sistemática de la IA generativa y la educación superior (en inglés
como medio de instrucción). Aula Abierta, 52(4),
401–409. https://doi.org/10.17811/rifie.52.4.2023.401-409
Blázquez Rodríguez M.,
Vartabedian J., Mancha Cáceres O. I. & Pichardo Galán J. I. (2025). Percepciones
y usos de la inteligencia artificial en el profesorado universitario: un
análisis desde la perspectiva de género. Investigaciones Feministas,
16(1), 71-91. https://doi.org/10.5209/infe.100625
Bond, M.,
Bedenlier, S., Marín, V. I., & Händel, M. (2024). A meta systematic review of artificial intelligence in
higher education: A call for increased ethics, collaboration, and rigour. International
Journal of Educational Technology in Higher Education, 21(4), 1-41. https://doi.org/10.1186/s41239-023-00436-z
Braun, V., &
Clarke, V. (2006). Using thematic analysis in psychology. Qualitative
Research in Psychology, 3(2), 77–101. https://doi.org/10.1191/1478088706qp063oa
Braun, V., &
Clarke, V. (2021). Thematic analysis: A practical guide. SAGE
Publications.
Creswell, J.W. &
Plano Clark, V.L. (2011) Designing and Conducting Mixed Methods Research.
2nd
Edition, Sage Publications.
Comisión Europea. (2021). Brújula Digital 2030: el enfoque de Europa para la Década
Digital. https://digital-strategy.ec.europa.eu/
Cooper, G. (2023).
Examining Science Education in ChatGPT: An Exploratory Study of Generative
Artificial Intelligence. Journal of Science Education and Technology,
32, 444-452. https://doi.org/10.1007/s10956-023-10039-y
Cotton, D. R. E.,
Cotton, P. A., & Shipway, J. R. (2023). Chatting and cheating: Ensuring
academic integrity in the era of ChatGPT. Innovations in Education and
Teaching International, 61(2), 228-239. https://doi.org/10.1080/14703297.2023.2190148
Criado Pérez, C.
(2019). Invisible Women. Exposing Data Bias in a World Designed for Men.
Abrams Press.
Díaz-Vera, J. P.,
Molina, R., Bayas, C. M. & Ruiz-Ramírez, A. K.
(2024). Asistencia
de la inteligencia artificial generativa como herramienta pedagógica en la
educación superior. RITI Journal, 12(26),
61-76. https://doi.org/10.36825/RITI.12.26.006
Gallent-Torres,
C., Zapata-González, A., & Ortego-Hernando, J.L. (2023). El impacto de la
inteligencia artificial generativa en educación superior: una mirada desde la
ética y la integridad académica. RELIEVE,
29(2), art. M5. http://doi.org/10.30827/relieve.v29i2.29134
García Peñalvo, F. J.,
Llorens-Largo, F., & Vidal, J. (2024). The new reality of education in the face of advances
in generative artificial intelligence. RIED-Revista Iberoamericana de
Educación a Distancia, 27(1), 9-39. 13 https://doi.org/10.5944/ried.27.1.37716
Holmes, W.,
Porayska-Pomsta, K., Holstein, K. et al. (2022). Ethics of AI in Education: Towards a
Community-Wide Framework. International Journal of Artificial Intelligence
in Education, 32, 504–526. https://doi.org/10.1007/s40593-021-00239-1
Kim, J., Klopfer, M., Grohs, J.R., Eldardiry,
H., Weichert, J., Cox, L. A. & Pike, D. (2025). Examining Faculty and
Student Perceptions of Generative AI in University Courses. Innovative
Higher Education, 50, 1281–1313. https://doi.org/10.1007/s10755-024-09774-w
Liu, Q., Hu, A.,
Gladman, T. & Gallagher, S. (2025). Eight Months into Reality: A Scoping
Review of the Application of ChatGPT in Higher Education Teaching and Learning.
Innovative Higher Education, 50, 1677-1700. https://doi.org/10.1007/s10755-025-09790-4
Luckin, R.,
Cukurova, M., Kent, C., & du Boulay, B. (2022). Empowering educators to be AI-ready. Computers and
Education: Artificial Intelligence, 3, 100076. https://doi.org/10.1016/j.caeai.2022.100076
Melchior, C., & Farinosi, M. (2026). From Support to Dependency: Exploring
Student Perceptions of Generative AI. Comunicar, 84(34), 215-227. https://doi.org/10.5281/zenodo.18115566
Miranda, F. J., &
Chamorro-Mera, A. (2025). The
impact of gender and age on hei teachers' intentions to
use generative artificial intelligence tools. Information Technologies and
Learning Tools, 108(4), 112-128. https://doi.org/10.33407/itlt.v108i4.6046
Møgelvang, A.,
Bjelland, C., Grassini, S., & Ludvigsen,
K. (2024) Gender Differences in the Use of Generative Artificial Intelligence
Chatbots in Higher Education: Characteristics and Consequences. Education
Sciences, 14(12), 1363. https://doi.org/10.3390/educsci14121363
Mohammadi, E.,
Thelwall, M., Cai, Y., Collier, T., Tahamtan, I.,
& Eftekhar, A. (2026). Is generative AI reshaping
academic practices worldwide? A survey of adoption, benefits, and concerns. Information
Processing & Management, 63(1), 104350. https://doi.org/10.1016/j.ipm.2025.104350
Rebollo-Catalán, M. A.,
García-Pérez, R., Barragán-Sánchez, R., Buzón-García, O., & Ruiz-Pinto, E. (2012).
Tecnologías para la coeducación y la igualdad: valoración del profesorado de
una herramienta web. Educación XX1, 15(1),
87–111.
Saldaña, J. (2021). The
coding manual for qualitative researchers (4th ed.). Sage.
Sanders, J. (2006).
Gender and technology: What the research tells us. En C. Skelton, B. Francis
& L. Smulyan (Eds.). Handbook of gender in education (pp. 307-322). Sage.
Sánchez, M. M. (2023). La inteligencia artificial como
recurso docente: usos y posibilidades para el profesorado. Educar, 60(1)
33-47. https://doi.org/10.5565/rev/educar.1810
Sotelo, J.A. (2025). Utilización de la Inteligencia
Artificial en educación superior universitaria en España. Comunicar, 82,
152-166. https://doi.org/10.5281/zenodo.16126055
Sozon, Md., Parnther, C., Wei,
W., & Chowdhury, M. A. (2025). Generative AI in higher education:
navigating benefits and challenges in the technological era. Journal of
Applied Research in Higher Education, 1-16. https://doi.org/10.1108/JARHE-02-2025-0103
Vorobyeva, K., et al.
(2025). Personalized learning through AI: Pedagogical approaches and critical
insights. Contemporary Educational Technology, 17(2), ep574. https://doi.org/10.30935/cedtech/16108
Wajcman, J. (2006). El tecnofeminismo. Ediciones Cátedra.
Yan, J., Tian, H., Sun,
X., & Song, L. (2025) Role of artificial intelligence in enhancing
competency assessment and transforming curriculum in higher vocational
education. Frontiers in Education, 10, 1551596. https://doi.org/10.3389/feduc.2025.1551596