Introducción

La Inteligencia Artificial (IA) está teniendo un impacto significativo en la educación, revolucionando los procesos académicos y presentando numerosas ventajas tanto para estudiantes como para docentes. Su impacto en los procesos académicos es cada vez más significativo, presentando numerosas ventajas y oportunidades tanto para estudiantes como para docentes.

En este sentido, Jofre (2023) la importancia de la IA en el ámbito educativo se manifiesta en varios aspectos, ya que permite adaptar los procesos de enseñanza y aprendizaje a las necesidades individuales de cada estudiante, ofreciendo planes de estudio personalizados y retroalimentación individualizada. Además, puede automatizar tareas administrativas y repetitivas, liberando tiempo para que los docentes se enfoquen en aspectos más importantes.

A criterios de Granero (2021) los sistemas de IA actúan como tutores inteligentes, proporcionando asistencia personalizada a los estudiantes en cualquier momento y lugar. Al mismo tiempo puede analizar datos para identificar patrones que podrían indicar dificultades de aprendizaje, permitiendo intervenciones tempranas. Los sistemas de IA pueden evaluar el progreso de los estudiantes de manera continua y proporcionar información detallada a docentes y padres.

Dentro de este mismo contexto, Alonso y Quinde (2023) sostienen que, la IA puede facilitar el acceso a la educación de calidad a estudiantes en áreas remotas o con recursos limitados. Así como promover la inclusión en el aula al proporcionar herramientas y recursos que apoyan a estudiantes con necesidades educativas especiales. Igualmente ayuda a impulsar la investigación y el desarrollo educativo al proporcionar herramientas para analizar grandes conjuntos de datos y evaluar la efectividad de diferentes estrategias de enseñanza.

Atendiendo a los planteamientos antes señalados se observa que los autores consideran que la IA puede fomentar la creatividad y el pensamiento crítico en los estudiantes al proporcionarles herramientas para explorar ideas y resolver problemas de manera creativa. La educación impulsada por IA puede ayudar a los estudiantes a adquirir habilidades necesarias para prosperar en un entorno laboral transformado por la IA.

Ahora bien, el uso indiscriminado e inconsciente de la IA, puede generar consecuencias adversas en los niveles de aprendizaje y producción intelectual, ya que muchas veces se delega la responsabilidad de extraer información de estos programas sin analizarla y sin cuestionar su veracidad. Lo que quiere decir, que aunque su impacto en los procesos de enseñanza y aprendizaje presenta numerosos beneficios, también surgen nuevas preocupaciones relacionadas con el potencial uso indebido de la IA para cometer fraude académico.

Al respecto, García et al. (2024) señalan que, una de las formas de fraude académico en las que se involucra la IA incluyen el plagio, la suplantación de identidad, la creación de contenido falso y la manipulación de datos. Lo que es significativo, ya que deteriora la integridad académica, afecta la equidad educativa, dificulta la evaluación del aprendizaje real y desalienta la creatividad y el pensamiento crítico.

Según Mayta et al. (2023) para combatir el fraude académico en la era de la IA, es importante promover la cultura de integridad académica, implementar medidas de detección de fraude, diseñar evaluaciones más novedosas, fomentar el uso responsable de la IA y promover la colaboración entre instituciones educativas y desarrolladores de tecnología.

De allí que, el autor del estudio considera que la inteligencia artificial presenta desafíos y oportunidades para la educación. Es fundamental abordar el riesgo de su uso indebido para el fraude académico mediante la promoción de la integridad académica, la implementación de medidas de detección efectivas, el diseño de evaluaciones robustas y la educación sobre el uso responsable de la IA. La IA no debe ser vista como una amenaza, sino como una herramienta que, utilizada de manera responsable, puede contribuir a fortalecer la educación y promover el aprendizaje honesto y significativo.

Después de haber hecho una revisión de algunos postulados y teorías sobre esta temática el investigador considera que conocer la relación entre el uso de la IA y el fraude académico es de gran importancia para mantener la integridad académica, lo que representa un pilar fundamental en la educación, sobre todo a nivel universitario en el contexto de estudios de postgrado., de ahí que entender cómo la IA puede influir en el fraude académico ayuda a las instituciones a preservar altos estándares éticos y de calidad en el aprendizaje y la investigación, asegurando que los logros académicos reflejen verdaderamente las capacidades y esfuerzos de los estudiantes.

Por otra parte, con este estudio se pretende identificar esta relación, ya que esto permite a las instituciones educativas desarrollar políticas y directrices claras sobre el uso de la IA. Además de establecer límites y normas para su utilización asegura que la IA se utilice de manera ética y responsable. En este sentido, estas políticas no solo previenen el fraude, sino que también promueven un uso constructivo de la tecnología en los procesos educativos.

Asimismo, es importante conocer los riesgos asociados con el mal uso de IA para ofrecer programas de educación y formación ética. Además, se considera que entender la relación entre la IA y el fraude académico también puede impulsar el desarrollo y la mejora de herramientas de detección de plagio y fraude.

Por otra parte, se infiere que conocer cómo la IA puede afectar esta calidad permite a las instituciones tomar medidas proactivas para asegurar que los estudiantes reciban una educación auténtica y valiosa. Destacando que las universidades tienen la responsabilidad de formar profesionales éticos competentes, y comprender los desafíos que plantea la IA en términos de fraude académico, lo que es fundamental para cumplir con esta responsabilidad social. En este sentido se presenta una figura que recoge según el investigador aquellos factores que pueden influir en el fraude académico mediante el uso de la IA.

Factores que pueden influir en el fraude académico mediante el uso de la IA.

Fuente: Elaboración propia (2024).

La Figura 1 deja ver que a criterio del investigador la relación que puede darse entre el uso de la IA y el fraude académico puede estar implicados en la accesibilidad y facilidad de uso de la IA permiten a los estudiantes utilizar herramientas de generación de contenido, como chatbots y generadores de texto, sin necesidad de habilidades técnicas avanzadas. Asimismo, la presión académica es otro factor significativo. Los estudiantes pueden sentir una intensa presión para alcanzar altos rendimientos académicos, lo que puede llevarlos a recurrir a la IA para completar tareas de manera más rápida y eficiente, aunque de manera deshonesta. Además, la falta de educación adecuada sobre el uso ético de la IA y las consecuencias del fraude académico puede llevar a los estudiantes a subestimar la gravedad de utilizar IA para fines deshonestos.

Por otra parte, al considerar el planteamiento de Puche (2024) quien considera que la ausencia de políticas claras y directrices institucionales sobre el uso de IA en la educación puede crear un ambiente donde los estudiantes no saben qué está permitido y qué no, facilitando el fraude.

En otra línea de pensamiento, Alonso y Quinde (2023) las herramientas actuales de detección de plagio pueden no estar completamente equipadas para identificar contenido generado por IA, lo que permite que el fraude pase desapercibido. La IA puede proporcionar una manera conveniente y rápida de generar contenido académico, lo que puede ser tentador para los estudiantes que buscan ahorrar tiempo y esfuerzo.

Asimismo, Alonso (2024) consideran que los estudiantes que usan IA para completar tareas pueden no estar involucrados en el proceso de aprendizaje, lo que resulta en una desconexión entre el conocimiento adquirido y el trabajo presentado. La percepción de que los profesores no revisan detenidamente los trabajos o no detectan el uso de IA puede fomentar el fraude, ya que los estudiantes sienten que no serán descubiertos. Además, la ausencia de métodos de evaluación que se enfoquen en el proceso y no solo en el producto final puede permitir que el fraude académico pase desapercibido.

Por lo que el autor del estudio infiere que al abordar estos elementos a través de políticas educativas claras, programas de formación ética y el desarrollo de mejores herramientas de detección, las instituciones pueden mitigar el riesgo de fraude académico asociado con el uso de la IA. Siendo importante que las instituciones educativas adopten un enfoque proactivo para enfrentar estos desafíos y asegurar la integridad académica en la era de la inteligencia artificial. En este sentido, el estudio se fijó como objetivo determinar la relación entre la inteligencia artificial y el fraude académico en Venezuela, Colombia y Perú.

Metodología

La metodología del estudio se adhiere a los procesos del paradigma positivista, el cual busca ser tan objetivo como sea posible en la búsqueda del conocimiento, empleando procedimientos ordenados y disciplinados que permitan probar las ideas del investigador acerca de la naturaleza de los fenómenos que son objeto de estudio (Acosta, 2023). Además se considero el enfoque cuantitativo, definido por Arias (2019) como aquel que se basa en la idea de que todas las cosas o fenómenos estudiados por las ciencias son medibles.

El estudio es de tipo descriptivo, ya que según Hernández y Mendoza (2018) es un tipo de investigación que tiene como objetivo principal describir las características o propiedades de un fenómeno, situación o área de estudio sin manipular las variables ni establecer relaciones causales. Su enfoque principal es proporcionar una representación detallada y precisa de lo que se está estudiando.

Asimismo, presentó un nivel correlacional, ya que según lo afirma Hernández y Mendoza (2018) es un tipo de estudio que busca evaluar la relación entre dos variables, con el fin de estudiar el grado de correlación entre ellas. Este enfoque se centra en descubrir cómo varía una variable al hacerlo la otra, analizando la dirección del movimiento y la intensidad de la relación. Es importante destacar que la correlación no implica causalidad, es decir, no establece una relación de causa y efecto entre las variables.

Para Arias (2019) en este tipo de investigación, se utilizan herramientas estadísticas para medir y comprender el grado de correlación entre las variables estudiadas. Por ejemplo, se pueden emplear coeficientes de correlación, como el coeficiente de Spearman, para analizar la información obtenida y establecer conclusiones sobre la relación entre las variables.

La muestra estuvo conformada por 48 docentes de Venezuela, 48 de Colombia y 44 de Perú, todos del nivel universitario. Los criterios de inclusión se sujetaron a un nivel de experiencia de más de 5 años en la docencia universitario, grado de magister y doctorado, que dictaran cursos de seminario (tesis) a nivel universitario, seleccionados de varias universidades en cada país.

Se aplicó la técnica de la encuesta mediante un cuestionario de alternativas múltiples de respuestas (siempre, algunas veces y nunca). Este cuestionario fue validado por 5 expertos con grado de doctor (2 de Venezuela, 2 colombianos y 1 peruanos) mediante el coeficiente alfa de Cronbach, el cual arrojó una confiabilidad de 0.980. En cuanto a las consideraciones éticas se garantizó la transparencia, por ello se dieron a conocer los objetivos del estudio, se aseguró el reguardo de la información solo para su uso académico y científico, además se resguardo la identidad de las universidades y de los participantes. Los datos se procesaron mediante la estadística descriptiva, presentando los datos en tablas de frecuencia. Además, se utilizó la estadística inferencial para analizar el nivel de correlación entre las variables del estudio.

Resultados

Tabla 1

Elementos que influyen en el fraude académico

Nota: Elaboración propia (2024).

La Tabla 1, revela los elementos que influyen en el fraude académico. De allí que la primera dimensión corresponde a la “Negligencia en la supervisión,” siendo el primer indicador analizado la falta de instrucción y orientación adecuadas, observándose que el 66.42% de los encuestados indicó que esto ocurre siempre, el 26.42% señaló que ocurre algunas veces, y el 7.14% afirmó que nunca sucede. Respecto a la falta de seguimiento del progreso del estudiante, el 62.85% de los participantes afirmó que siempre se da esta falta, mientras que el 28.57% dijo que ocurre algunas veces y el 8.57% mencionó que nunca ocurre. Finalmente, en lo referente a la falta de comunicación con los profesores, un 80.0% de los encuestados considera que siempre existe esta falta, un 16.42% indicó que sucede algunas veces y un 3.57% afirmó que nunca ocurre.

Al hacer referencia a la dimensión “Comportamiento facilitador”, la cual analiza a través de dos indicadores: no desafiar ni cuestionar el trabajo de los estudiantes y no sancionar el fraude. En el primer indicador, el 65.0% de los encuestados dijo que siempre se evita desafiar o cuestionar el trabajo de los estudiantes, el 27.85% indicó que esto ocurre algunas veces, y el 7.14% mencionó que nunca sucede. En cuanto a no sancionar el fraude, el 88.57% de los participantes afirmó que esta conducta siempre se presenta, el 11.42% señaló que ocurre algunas veces y ningún encuestado dijo que nunca sucede.

En relación con la dimensión “Conflictos de intereses”, se observó que, según los resultados, el 70.71% de los encuestados indicó que siempre existen estas relaciones cercanas entre tutores y estudiantes, el 14.28% afirmó que ocurren algunas veces y el 15.0% señaló que nunca suceden.

En este orden de ideas, el investigador considera que los resultados indican que la negligencia en la supervisión, el comportamiento facilitador y los conflictos de intereses son problemas significativos en el entorno académico evaluado. Asimismo, la falta de instrucción adecuada, el seguimiento insuficiente del progreso estudiantil, y la comunicación deficiente con los profesores son prácticas comúnmente reportadas, lo que sugiere una supervisión inadecuada. Además, la falta de sanciones contra el fraude y la ausencia de cuestionamientos al trabajo de los estudiantes reflejan un comportamiento permisivo que puede afectar negativamente la integridad académica. Finalmente, las relaciones personales cercanas con estudiantes revelan posibles conflictos de interés que pueden comprometer la imparcialidad y equidad en el trato a los estudiantes.

Tabla 2

Fraudes comunes cometidos mediante la IA

Nota: Elaboración propia (2024).

La Tabla 2 revela los resultados para analizar los fraudes más comunes cometidos mediante la IA, observándose respecto a la dimensión “Plagio asistido por IA”, específicamente, con relación al indicador; generación de trabajos completos utilizando IA, un 85.41% de los encuestados indicó que los estudiantes siempre recurren a esta práctica, mientras que el 11.80% cree que lo hacen algunas veces. Asimismo, con relación a la práctica de parafrasear texto existente para evitar la detección de plagio se observó que un 46.38% de los encuestados destacaron que los estudiantes siempre utilizan IA para este fin, el 15.97% que lo hacen algunas veces y un 4.86% que nunca lo realiza.

En cuanto a la dimensión “Engaño asistido por IA”, el 27.77% de los participantes mencionó los estudiantes siempre usan herramientas de IA para crear respuestas en entrevistas, mientras que el 34.72% lo hacen algunas veces. Asimismo, un 34.72%, respectivamente cree que nunca recurren a esta práctica. Al analizar la dimensión Creación de contenido falso asistido por IA, específicamente, en el Inventar datos o resultados de investigación se evidenció que un 48.61% de los encuestados manifestó que los estudiantes siempre cometen esta práctica, el 24.30% que lo hacen algunas veces. Mientras que otro 24.30% considera que nunca lo hacen.

Finalmente, en relación con la dimensión “Apropiación indebida de ideas asistida por IA” se observó que un 63.88% de los encuestados dijo que los estudiantes siempre presentan como propio el trabajo generado por IA, el 26.38% lo hacen algunas veces y el 6.94% nunca lo hacen.

A criterio del investigador los resultados sugieren una dependencia significativa en las herramientas de IA para producir trabajos académicos sin una contribución personal auténtica. También se observa que a criterio de los docentes encuestados existe por parte de los estudiantes una prevalencia significativa del uso indebido de herramientas de IA para cometer plagio y engaño.

Tabla 3

Coeficiente de correlacione entre las variables

Nota: Elaboración propia (2024).

La Tabla 3 muestra una correlación de Pearson entre las variables IA y fraude académico, donde se evidencia que la correlación de Pearson entre estas dos variables es de 0,980, lo que indica una relación positiva muy fuerte. Esto significa que a medida que aumenta el uso de la inteligencia artificial en la educación, también tiende a aumentar el fraude académico. Además, se enfatiza que la correlación no implica causalidad. Es decir, el hecho de que dos variables estén correlacionadas no significa que una cause a la otra.

Discusión

Considerando los resultados de la percepción que tienes los docentes respecto al uso que los estudiantes le dan a la IA al momento de realizar trabajos de investigación, se tiene que según Caceres y Ulloa (2023) muchas veces los estudiantes le dan una utilidad inadecuada a la IA esto como consecuencia a negligencia en la supervisión afecta negativamente la calidad educativa al permitir que los estudiantes se desvíen de los objetivos de aprendizaje sin ser corregidos a tiempo.

En este orden de ideas, Granero (2021) señala que cuando los supervisores no monitorean adecuadamente el desempeño de los estudiantes, estos pueden desarrollar malos hábitos de estudio, carecer de dirección en sus proyectos y, en casos extremos, incurrir en prácticas deshonestas como el plagio o el uso de IA para crear contenido falso. Esta falta de vigilancia crea un entorno donde los estándares académicos se deterioran, y los estudiantes no alcanzan su máximo potencial.

Por otra parte, ­­­­­­­­­­­­­ Granero (2021) considera que la falta de instrucción y orientación adecuadas impide que los estudiantes comprendan claramente las expectativas académicas y cómo cumplirlas. Según García et al. (2024) sin una guía apropiada, los estudiantes pueden sentirse perdidos y recurrir a soluciones rápidas, como el uso de herramientas de IA para completar sus tareas. Esto no solo afecta su aprendizaje y desarrollo de habilidades, sino que también perpetúa una cultura de dependencia en lugar de fomentar el pensamiento crítico y la resolución de problemas. La ausencia de una instrucción clara socava la confianza de los estudiantes en sus capacidades y en el sistema educativo en general.

En este sentido, Crawford (2023) plantea que la falta de seguimiento del progreso del estudiante impide la identificación oportuna de dificultades y áreas de mejora, lo que resulta en intervenciones tardías o inexistentes. Sin un seguimiento continuo, los problemas académicos y personales de los estudiantes pueden pasar desapercibidos, aumentando el riesgo de desmotivación, bajo rendimiento y abandono escolar. Para García et al. (2024) la ausencia de retroalimentación constructiva deja a los estudiantes sin orientación sobre cómo mejorar, afectando su desarrollo académico y personal. Esta falta de atención puede llevar a una disminución general de la calidad educativa y del éxito estudiantil.

Asimismo, Belda (2019) afirma que la falta de comunicación con los profesores crea un vacío en el proceso educativo, donde los estudiantes no reciben la orientación necesaria para su desarrollo académico y personal. Sin una comunicación efectiva, los profesores no pueden identificar las necesidades individuales de los estudiantes ni proporcionar el apoyo adecuado. Esto puede resultar en una comprensión incompleta del material, dificultades no resueltas y una falta de dirección en el aprendizaje. La desconexión entre estudiantes y profesores también puede llevar a una disminución en la motivación y el compromiso de los estudiantes con sus estudios.

Dentro de este contexto, Soria et al. (2022) y Vries (2023) exponen que el comportamiento facilitador, como no desafiar ni cuestionar el trabajo de los estudiantes, contribuye a una baja calidad educativa al no fomentar el pensamiento crítico y la autoevaluación. Para Mayta et al. (2023) cuando los estudiantes no son desafiados a justificar y reflexionar sobre su trabajo, se pierde la oportunidad de desarrollar habilidades analíticas y de razonamiento. De allí que esta falta de rigor académico permite que los estudiantes se conformen con un esfuerzo mínimo y no alcancen su máximo potencial, perpetuando una cultura de mediocridad en lugar de excelencia.

Por otra parte, Puche (2024) destaca que no sancionar el fraude crea un entorno donde la deshonestidad académica puede proliferar sin consecuencias, minando la integridad del sistema educativo. La falta de sanciones claras y consistentes envía un mensaje de que el fraude es tolerado, lo que puede incentivar a más estudiantes a participar en prácticas deshonestas. Esto no solo afecta la equidad y la justicia en el ámbito académico, sino que también degrada el valor de los títulos y certificaciones otorgados, perjudicando tanto a los estudiantes honestos como a la reputación de la institución educativa.

Continuando con el análisis de los resultados de este estudio Vander y Cury (2024) sostienen que los conflictos de intereses, como las relaciones personales cercanas con estudiantes, pueden comprometer la imparcialidad y la objetividad en la evaluación y supervisión académica. Lo que indica que estos conflictos pueden llevar a favoritismos, donde ciertos estudiantes reciben un trato preferencial o evaluaciones injustamente positivas, afectando la equidad en el aula. Además, estas relaciones pueden dificultar la aplicación de sanciones disciplinarias y la toma de decisiones académicas basadas en mérito. La presencia de tales conflictos erosiona la confianza en la integridad del proceso educativo y puede generar un ambiente de desconfianza y resentimiento entre los estudiantes.

En esta misma línea de pensamientos Zuñiga y Polanco (2023) destacan que el plagio asistido por IA ocurre cuando se utiliza tecnología de inteligencia artificial para copiar y presentar el trabajo de otros como propio. Esto se manifiesta a través de textos o trabajos que contienen frases o párrafos completos que coinciden con fuentes existentes sin la debida cita, lo que es fácilmente identificable mediante software de detección de plagio.

Sin embargo, Alonso y Quinde (2023) plantean que estos trabajos a menudo muestran un estilo de escritura inconsistente o poco natural, ya que las partes copiadas no se integran bien con el resto del contenido original. El uso de herramientas de IA para parafrasear o reformular contenido sin cambiar significativamente su significado es otro indicador importante. De allí que estos elementos revelan la dependencia en IA para crear trabajos académicos o profesionales que no son completamente originales.

En cuanto a la creación de contenido falso asistido por IA Franganillo (2022) expone que implica el uso de tecnologías de inteligencia artificial para generar textos que no son auténticos. Mientras que Jofre (2023), sostiene que esto afecta gravemente la calidad educativa al inundar el entorno académico con información inexacta o engañosa, dificultando la distinción entre hechos verídicos y fabricados, ya que puede llevar a la propagación de conocimientos erróneos entre estudiantes y docentes, comprometiendo la integridad del aprendizaje y la investigación.

Según Villalobos (2024) fomenta una cultura de desconfianza en las fuentes de información y reduce el valor del trabajo académico genuino, al mismo tiempo que desalienta el pensamiento crítico y la verificación rigurosa de datos. Por lo que se infiere que estos efectos erosionan la credibilidad y la efectividad del sistema educativo en su misión de formar individuos bien informados y capaces de contribuir positivamente a la sociedad.

Al contrastar los resultados con la teoría de Gallent et al. (2023) quienes plantean que la apropiación indebida de ideas asistida por IA se produce cuando se utilizan herramientas de IA para tomar ideas originales de otros y presentarlas como propias. Esto es evidente en propuestas de proyectos, investigaciones o presentaciones que reflejan ideas o conceptos previamente presentados por otras personas sin el reconocimiento adecuado. De allí que los datos del estudios muestran una debilidad significativa respecto a esta dimensión (Apropiación indebida de ideas asistida por IA).

En este orden de ideas, Díaz (2023) considera que los trabajos que muestran un conocimiento avanzado o detallado que no coincide con el nivel de experiencia del autor también son sospechosos. Para Alonso (2024) el uso de IA para explorar bases de datos de investigaciones y luego reformularlas ligeramente sin dar crédito a los autores originales es una práctica común. Esto deja ver que las discrepancias entre el conocimiento del autor sobre el tema y la calidad del trabajo presentado indican una posible dependencia de IA para apropiarse indebidamente de las ideas de otros.

Al considerar los resultados obtenidos, se evidencia que los estudiantes no están utilizando la IA de manera adecuada. En lugar de emplearla como una herramienta de apoyo para enriquecer y facilitar su trabajo académico, los estudiantes están delegando en la IA la construcción y redacción de cada elemento de sus trabajos de investigación. Es decir, se basa en el alto nivel de correlación determinado entre las variables analizadas, lo que sugiere una dependencia excesiva en la IA para realizar tareas que deberían ser llevadas a cabo por los propios estudiantes.

En este sentido, el uso inadecuado de la IA tiene implicaciones serias para la calidad educativa, ya que los estudiantes no están desarrollando las habilidades críticas necesarias para su crecimiento académico y profesional. La falta de implicación personal en el proceso de investigación y redacción puede llevar a una comprensión superficial del contenido y a la incapacidad de aplicar el conocimiento adquirido en contextos reales.

Para abordar esta problemática, se llevó a cabo una reunión con docentes (tutores de trabajos de investigación), quienes participaron en la encuesta y compartieron sus observaciones y preocupaciones. En consenso, se establecieron algunos lineamientos destinados a frenar el uso indebido de la IA. Estos lineamientos tendrán como objetivo promover un uso responsable y ético de la tecnología, asegurando que los estudiantes desarrollen las competencias necesarias para su éxito académico.

En este sentido, se consideró la necesidad de incorporar talleres o módulos obligatorios en los programas de posgrado, lo que es fundamental para educar a los estudiantes sobre el uso responsable de la inteligencia artificial en la investigación y la elaboración de tesis. De ahí que estos programas deben abordar los alcances y limitaciones de las herramientas de IA para la escritura y la generación de contenido, así como las normas éticas y académicas relacionadas con la integridad del trabajo intelectual.

Además, es relevante informar a los estudiantes sobre las consecuencias del plagio y el uso indebido de la IA, orientándolos en su uso adecuado, ya que este asistente virtual puede ayudarles en la búsqueda y organización de información, análisis de datos y generación de visualizaciones, así como en la redacción y revisión de textos académicos. Por esto se propusieron una serie de actividades que pueden ser parte de la solución de problemas.

Tabla 4

Sugerencias para atender la problemática del uso de la IA para cometer fraude académico

Nota: Elaboración propia (2024).

Conclusiones

Los resultados del estudio revelan una correlación de Pearson de 0.980 entre el uso de la IA y el fraude académico. Este valor indica una relación positiva muy fuerte, sugiriendo que a medida que aumenta el uso de la IA en la educación, también tiende a aumentar el fraude académico. Sin embargo, es relevante destacar que la correlación no implica causalidad. Aunque ambas variables estén fuertemente relacionadas, no se puede concluir que el uso de la IA cause directamente el fraude académico. Es posible que otros factores estén influyendo en esta relación.

De allí que estos hallazgos subrayan la necesidad de implementar regulaciones y políticas educativas que aborden el uso ético de la IA. Asimismo, es importante educar a los estudiantes sobre el uso responsable de las herramientas de IA y establecer directrices claras puede ayudar a mitigar el riesgo de fraude académico. Además, promover el desarrollo de habilidades de pensamiento crítico y análisis en los estudiantes es de suma importancia para que puedan utilizar la IA de manera ética y responsable. Estas habilidades les ayudarán a evaluar la información generada por la IA y a desarrollar sus propios argumentos y conclusiones.

Dentro de este orden de ideas también se infiere que es fundamental implementar estrategias de evaluación y detección de fraude, como el uso de software de detección de plagio y revisiones por pares, para asegurar la integridad académica, gracias a que estas medidas pueden ayudar a identificar y prevenir el fraude académico relacionado con el uso de la IA. Asimismo, se requiere fomentar una cultura de integridad académica lo que fundamental para reducir la incidencia de fraude académico.

Cabe destacar que otro aspecto importante es informar a los estudiantes sobre las expectativas, las normas éticas y las consecuencias del fraude, junto con reconocer y premiar el comportamiento ético, puede incentivar un comportamiento académico honesto y responsable. De allí que aunque el estudio reveló que existe una relación positiva muy fuerte entre el uso de la IA y el fraude académico, es realmente importante abordar esta cuestión desde múltiples ángulos, incluyendo la educación, la regulación, la evaluación y la promoción de una cultura de integridad académica, esto debido a que el investigador considera que solo a través de un enfoque holístico y multifacético se puede enfrentar efectivamente el desafío del fraude académico en el contexto del creciente uso de la IA.

Referencias

Alonso, A. J. y Quinde, C. M. (2023). ChatGPT: La creación automática de textos académicos con Inteligencia artificial y su impacto en la comunicación académica y educativa. Desiderata, 6(22), 136-142. https://gredos.usal.es/handle/10366/152505

Alonso, R. A. (2024). Hacia un marco ético de la inteligencia artificial en la educación. Teoría de la Educación. Revista Interuniversitaria, 36(2), 79-98. https://revistas.usal.es/tres/index.php/1130-3743/article/view/31821

Belda, I. (2019). Inteligencia artificial. RBA Libros.

Caceres, K., y Ulloa, S. (2023). Implicancias del uso de la inteligencia artificial al emitir resoluciones judiciales respecto de los Derechos Fundamentales. [Tesis de grado, Universidad Cesar Vallejo] https://repositorio.ucv.edu.pe/handle/20.500.12692/144174

Crawford, K. (2023). Atlas de inteligencia artificial: Poder, política y costos planetarios. Fondo de Cultura Económica Argentina.

Díaz, D. (2023). Inteligencia artificial vs. Turnitin: implicaciones para el plagio académico. Revista cognosis 8 (1) 15-26 https://doi.org/10.33936/cognosis.v8i1.5517

Franganillo, J. (2022). Contenido generado por inteligencia artificial: oportunidades y amenazas. Anuario ThinkEPI, 16. https://doi.org/10.3145/thinkepi.2022.e16a24

Gallent, T. C., Zapata, G. A., y Ortego, H. J. (2023). El impacto de la inteligencia artificial generativa en educación superior: una mirada desde la ética y la integridad académica. RELIEVE. Revista Electrónica de Investigación y Evaluación Educativa, 29(2), 1-21. https://www.redalyc.org/journal/916/91676028011/91676028011.pdf

García, F.., Llorens, L. F. y Vidal, J. (2024). The new reality of education in the face of advances in generative artificial intelligence. [La nueva realidad de la educación ante los avances de la inteligencia artificial generativa]. RIED-Revista Iberoamericana de Educación a Distancia, 27(1). https://doi.org/10.5944/ried.27.1.37716

Granero, H. (2021). Inteligencia artificial y derecho, un reto social. elDial. com.

Hurtado, M. (2020). Liderazgo pedagógico e inteligencia artificial Maestría en educación de una institución de educación superior. Estudio de caso. .[Tesis de maestría, Universidad militar de Granada] https://repository.unimilitar.edu.co/handle/10654/36061

Jofre, C. (2023). ChatGPT, Inteligencia Artificial y Universidad. Nuevas tensiones, transformaciones y desafíos en la educación superior. Campo Universitario, 4(7). https://www.academia.edu/download/104836259/ChatGPT_Inteligencia_artificial_y_Universidad.pdf

Mayta, T. P., Borja, G. R., y Angulo, B. Y. (2023). Compra y venta de autorías en Perú: Fraude científico, mala conducta científica o práctica cuestionable en investigación. Revista del Cuerpo Médico Hospital Nacional Almanzor Aguinaga Asenjo, 16(4). http://www.cmhnaaa.org.pe/ojs/index.php/rcmhnaaa/article/download/2370/878

Puche, D. (2024). Fraude académico en los trabajos de investigación: Desafíos y ética en la integridad académica. Revista En Prospectiva| Universidad Yacambú, 5(1), 61-89. https://revista.uny.edu.ve/ojs/index.php/en-prospectiva/article/view/371

Soria, E., Rodríguez, P., García, Q., Vaquer, F., Vicent, J. y Vila, J. (2022). Inteligencia artificial. Ra-Ma Editorial.

VanderLinde, G., y Cury, T. M. (2024). El uso de inteligencia artificial y sus desafíos para la evaluación académica: una revisión de la literatura. Cuaderno de Pedagogía Universitaria, 21(41), 126-137. https://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=&cad= rja&uact=8&ved=2ahUKEwiwiOf3tsaKAxXk1QIHHeT2JoAQFnoECBoQAQ&url=https%3A%2F%2Fcuaderno.pucmm.edu.do%2Findex.php%2Fcuadernodepedagogia%2Farticle%2Fview%2F564&usg=AOvVaw2t2lGDQWWTLbK6I5TgaDny&opi=89978449

Villalobos, L. J. (2024). El Plagio Académico y las Repercusiones Legales en las Tesis de Grado en México. Revista Docentes 2.0, 17(1), 5-17. https://ojs.docentes20.com/index.php/revista-docentes20/article/view/436

Vries, W. (2023). Como (no) combatir el fraude académico: Lecciones internacionales. Revista mexicana de investigación educativa, 28(97), 637-650. https://www.scielo.org.mx/scielo.php?pid=S1405-66662023000200637&script=sci_arttext

Zuñiga, G. y Polanco, P. (2023). Plagio y ética profesional en el proceso de investigación social. Revista de la Universidad, 1, 50-59. https://doi.org/10.5377/ru.v1i1.17244