Evolución del Concepto de Inteligencia Artificial en la Literatu-ra Científica: Un análisis sistemático.
DOI:
https://doi.org/10.1344/der.2025.46.65-76Palabras clave:
Inteligencia Artificial (IA), Producción científica, Análisis Crítico, Análisis bibliométrico, Evolución del términoResumen
La integración de la Inteligencia Artificial (IA) en la educación ha provocado controversia debido a la diversidad de interpretaciones de su concepto, sus posibles beneficios y las preocupaciones éticas asociadas, lo que subraya la necesidad de un debate informado y una implementación cuidadosa para optimizar su impacto en el aprendizaje. Esta investigación revisa sistemáticamente, siguiendo las directrices del protocolo PRISMA, la evolución del concepto de Inteligencia Artificial (IA) en la producción científica desde 2017 hasta 2023 utilizando las bases de datos WOS y Scopus. Se empleó un enfoque de métodos mixtos, consistiendo en un análisis bibliométrico y de contenido. Para el análisis bibliométrico, los datos se procesaron en Bibliometrix basándose en las variables: evolución y producción científica anual, ley de Bradford, autores más relevantes, producción científica por países, mapa de palabras clave y mapa de colaboración global. Los resultados indican que la denominación "Inteligencia Artificial" es controvertida. El análisis bibliométrico revela un crecimiento constante en la producción científica sobre IA desde 2017 hasta 2023, con un pico en el último año. Se ha demostrado que la IA tiene capacidades notables en tareas específicas, como el reconocimiento de voz, la clasificación de imágenes y la toma de decisiones en situaciones complejas.
Citas
Antoniou, G., & Van Harmelen, F. (2003). Web ontology language: OWL. In Handbook on Ontologies, 67–92. Springer. https://doi.org/10.1007/978-3-540-92673-3_4
Aria, M., & Cuccurullo, C. (2017). Bibliometrix: An R-tool for comprehensive science mapping analysis. Journal of Informetrics, 11(4), 959–975. https://doi.org/10.1016/j.joi.2017.08.007
Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big? En Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, 610-623. ACM. https://doi.org/10.1145/3442188.3445922
Binet, A., & Simon, T. (1916). The development of intelligence in children (The Binet-Simon Scale). (E. S. Kite, Trans.). Williams & Wilkins Co. https://doi.org/10.1037/11069-000
Bourla, A., Mouchabac, S., El Hage, W., & Ferreri, F. (2018). Artificial intelligence in psychiatry: Ethical concerns and future perspectives. Frontiers in Psychiatry, 9, 51. https://doi.org/10.3389/fpsyt.2018.00051
Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., & Amodei, D. (2020). Language models are few-shot learners. Advances in Neural Information Processing Systems, 33, 1877–1901. https://doi.org/10.48550/arXiv.2005.14165
Campina-López, A., Lorca-Marín, A. A., & De las Heras Pérez, M. A. (2024). Indagación, modelización y pensamiento computacional: Un análisis bibliométrico con el uso de Bibliometrix a través de Biblioshiny. Revista Eureka sobre Enseñanza y Divulgación de las Ciencias, 21(1), 1102. https://doi.org/10.25267/Rev_Eureka_ensen_divulg_cienc.2024.v21.i1.1102
Collins, C., Dennehy, D., Conboy, K., & Mikalef, P. (2021). Artificial intelligence in information systems research: A systematic literature review and research agenda. International Journal of Information Management, 60, 102383. https://doi.org/10.1016/j.ijinfomgt.2021.102383
Craik, K. (1943). The Nature of Explanation. Cambridge University Press, Cambridge.
De Vega, M. (1984). Introducción a la Psicología Cognitiva. Psicología Cognitiva. Alianza Editorial.
García-Peña, V. R., Mora-Marcillo, A. B., & Ávila-Ramírez, J. A. (2020). La inteligencia artificial en la educación. Dominio de las Ciencias, 6(3, Especial), 648-666. https://doi.org/10.23857/dc.v6i3.1421
Gardner, H. (2004). Frames of Mind: The Theory of Multiple Intelligences. Basic Books.
Gentile, M., Città, G., Perna, S., & Allegra, M. (2023). Do we still need teachers? Navigating the paradigm shift of the teacher's role in the AI era. Frontiers in Education, 8. https://doi.org/10.3389/feduc.2023.1161777
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.
Hinton, G. E., Osindero, S., & Teh, Y. W. (2006). A fast learning algorithm for deep belief nets. Neural Computation, 18(7), 1527-1554. https://doi.org/10.1162/neco.2006.18.7.1527
Joy C., S., & George, N. (2023). Advancements and challenges of artificial intelligence in education: A comprehensive review. International Journal of Creative Research Thoughts (IJCRT), 11(12), Article IJCRT2312896. ISSN: 2320-2882. Retrieved from https://ijcrt.org
Kandel, E. R., Schwartz, J. H., & Jessell, T. M. (1991). Principles of neural science. Prentice-Hall.
Lake, B. M., Ullman, T. D., Tenenbaum, J. B., & Gershman, S. J. (2017). Building machines that learn and think like people. Behavioral and Brain Sciences, 40, e253. https://doi.org/10.1017/S0140525X16001837
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444. https://doi.org/10.1038/nature14539
Marcus, G., y Davis, E. (2020). Rebooting AI: Building Artificial Intelligence We Can Trust. Pantheon.
Maturana, H. R. (1975). The organization of the living: A theory of the living organization. International Journal of Man-Machine Studies, 7(3), 313-332. https://doi.org/10.1016/S0020-7373(75)80015-0
Maturana, H. R. (2002). Ontology of Observing: The Biological Foundations of Self-Consciousness and the Physical Domain of Existence. Semantic Scholar.
McCarthy, J., Minsky, M. L., Rochester, N., & Shannon, C. E. (1958). A proposal for the Dartmouth summer research project on artificial intelligence (Informe interno). Dartmouth College, Hannover, New Hampshire.
McCulloch, W. S., & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics, 5(4), 115-133. https://doi.org/10.1007/BF02478259
Minsky, M. (1985). The Society of Mind. Simon & Schuster.
Mira, J. (2005). On the physical formal and semantic frontiers between human knowing and machine knowing. En R. Moreno-Díaz, F. Pichler, & A. Quesada Arencibia (Eds.), Computer Aided Systems Theory, EUROCAST 2005, LNCS 3643, 1–8. Springer. https://doi.org/10.1007/11556985_1
Mira, J. (2008). Inteligencia artificial: Un enfoque neuromimético. Thomson-Paraninfo.
Mira, J. M. (2008). Symbols versus connections: 50 years of artificial intelligence. Neurocomputing, 71, 671–680. https://doi.org/10.1016/j.neucom.2007.06.009
Mira, J., & Delgado, A. E. (1987). Some comments on the anthropocentric viewpoint in the neurocybernetic methodology. En Proceedings of the Seventh International Congress on Cybernetics and Systems 2, 891–895.
Mira, J., & Delgado, A. E. (1995). Aspectos metodológicos en IA. En Aspectos básicos de la inteligencia artificial, 53–87. Sanz y Torres.
Mira, J., & Delgado, A. E. (2003). Where is knowledge in robotics? Some methodological issues on symbolic and connectionist perspectives of AI. En Ch. Zhou, D. Maravall, & Da. Rua (Eds.), Autonomous Robotic Systems, Physical, 3–34. Springer.
Mira, J., & Delgado, A. E. (2004). From modeling with words to computing with numbers. En Proceedings of the IEEE 4th International Conference on Intelligent Systems Design and Application (ISDA-2004). Plenary Lecture.
Mira, J., & Delgado, A. E. (2006). On how the computational paradigm can help us to model and interpret the neural function. Natural Computing, Springer, Netherlands. https://doi.org/10.1007/s11047-006-9008-6
Newell, A. (1992). SOAR as a unified theory of cognition: Issues and explanations. Behavioral and Brain Sciences, 15(3), 464-492.
Newell, A., & Simon, H. A. (1955). The Logic Theorist—An appraisal. En Proceedings of the Western Joint Computer Conference.
Newell, A., & Simon, H. A. (1976). Computer science as empirical inquiry: Symbols and search. Communications of the ACM, 19(3), 113-126. https://doi.org/10.1145/360018.360022
Pedró, F., Subosa, M., Rivas, A., & Valverde, P. (2019). Artificial intelligence in education: Challenges and opportunities for sustainable development (Working Papers on Education Policy, No. 7 [17], Documento ED-2019/WS/8). UNESCO.
Pfeifer, R., & Scheier, C. (1999). Understanding intelligence. MIT Press.
Rosenblatt, F. (1957). The perceptron: A probabilistic model for information storage and organization in the brain. Psychological Review, 65(6), 386-408. https://doi.org/10.1037/h0042519
Rosenblueth, A., Wiener, N., & Bigelow, J. (1943). Behavior, purpose and teleology. Philosophy of Science, 10(1), 18-24. https://doi.org/10.1086/286788
Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning internal representations by error propagation. En D. E. Rumelhart, J. L. McClelland, & PDP Research Group (Eds.), Parallel Distributed Processing: Explorations in the Microstructure of Cognition, Vol. 1: Foundations, 318–362. MIT Press.
Russell, S., & Norvig, P. (2021). Artificial intelligence: A modern approach (4th ed.). Pearson.
Shapiro, S. C. (Ed.). (1990). Encyclopedia of Artificial Intelligence (2ª ed., Vols. 1 y 2). Wiley.
Sternberg, R. J. (1985). Beyond IQ: A triarchic theory of human intelligence. Cambridge University Press.
Tozsin, A., Ucmak, H., Soyturk, S., Aydin, A., Gozen, A. S., Al Fahim, M., Güven, S., & Ahmed, K. (2024). The role of artificial intelligence in medical education: A systematic review. Surgical Innovation, 31(4), 415-423. https://doi.org/10.1177/15533506241248239
Turing, A. M. (1936). On computable numbers, with an application to the Entscheidungsproblem. Proceedings of the London Mathematical Society, 42(2), 230-265. https://doi.org/10.1112/plms/s2-42.1.230
UGRO. (2023). Conferencia Inteligencia Artificial en Educación: Oportunidades y Desafíos para el Aula del siglo XXI. Ponentes: Fernando Trujillo, David Álvarez.
Varela, F. J. (1979). Principles of Biological Autonomy. North-Holland.
Wiener, N. (1948). Cybernetics: Or Control and Communication in the Animal and the Machine. MIT Press.
Winograd, T., & Flores, F. (1986). Understanding computers and cognition: A new foundation for design. Ablex Publishing Corporation.
Yamins, D. L., & DiCarlo, J. J. (2016). Using goal-driven deep learning models to understand sensory cortex. Nature Neuroscience, 19(3), 356-365. https://doi.org/10.1038/nn.4244
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Alejandro Carlos Campina López, Antonio Alejandro Lorca Marin, Lizbeth Labañino Palmeiro, Maria de los Angeles De las Heras Perez
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los autores que publican en esta revista aceptan los siguientes términos:
- Los artículos publicados están bajo una licencia Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 España.
- El autor o autora conserva todos los derechos de autoría y cede a la revista el derecho a la primera publicación.
- Al citar los trabajos, se debe dar el crédito adecuado a los autores y a esta revista.
- Digital Education Review (DER) no asume ninguna responsabilidad sobre los puntos de vista o declaraciones realizadas por los autores en sus trabajos.
- DER no cobra ninguna tarifa ni por el envío de manuscritos ni por la publicación de artículos.
- Es responsabilidad de los autores obtener los permisos necesarios para imágenes sujetas a derechos de autor.
-
El autor autoriza la difusión de su trabajo en las bases de datos académicas en las que la revista está indexada o pueda estarlo en el futuro, incluso si estas son de carácter comercial.
