Evolución del Concepto de Inteligencia Artificial en la Literatu-ra Científica: Un análisis sistemático.

Autores/as

DOI:

https://doi.org/10.1344/der.2025.46.65-76

Palabras clave:

Inteligencia Artificial (IA), Producción científica, Análisis Crítico, Análisis bibliométrico, Evolución del término

Resumen

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

2025-02-03

Número

Núm. 46 (2025): Number 46, January 2025

Sección

Artículos revisados por pares

Licencia

Derechos de autor 2025 Lizbeth Labañino Palmeiro, Antonio Alejandro Lorca Marin, Maria de los Angeles De las Heras Perez, Alejandro Carlos Campina López

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.

El/la autor/a que publica en esta revista está de acuerdo con los términos siguientes:

    1. El/la autor/a conserva los derechos de autoría y otorga a la revista el derecho de primera publicación de la obra
    2. Los textos publicados en Digital Education Review están bajo una licencia Reconocimiento-No comercial-Sin obras derivadas 4.0 España de Creative Commons.
    3. Para poder mencionar los trabajos se debe citar la fuente (DER) y el autor del texto.
    4. Digital Education Review (DER) no acepta ninguna responsabilidad por los puntos de vista y las declaraciones hechas por los autores en su trabajo.