Estudios críticos sobre la inteligencia artificial en educación: mapa comentado 2023-2026

Edición ampliada. Recorre siete ejes críticos con todas las referencias en tablas, desde la economía política del discurso hasta los sistemas agénticos, con nota de cautela para cada estudio

Disculpas por las tablas que no son accesibles

Un metaanálisis publicado en mayo de 2025 concluyó que ChatGPT mejora el rendimiento académico con un tamaño del efecto de 0,867, una magnitud que en investigación educativa se considera grande. Acumuló más de 540.000 accesos y cerca de 400 citas en menos de un año. El 22 de abril de 2026, la revista lo retractó. El artículo sigue en línea, marcado con el sello correspondiente, y sigue apareciendo en bibliografías escritas antes de la retractación. Ese desfase entre la velocidad con que se produce la evidencia y la velocidad con que se corrige describe con bastante fidelidad el terreno donde trabajamos quienes formamos profesorado universitario.

Qué se ordena aquí y por qué

La lista de referencias fundacionales que muchos manejamos, Selwyn, Williamson, Eynon, Holmes, sigue siendo válida para entender los términos del debate. Se ha quedado corta, en cambio, para responder a las preguntas que llegan hoy a un aula de formación docente. Recorreremos siete ejes de investigación crítica, cada uno con su tabla de estudios, sus hallazgos y las cautelas que conviene tener presentes al citarlos. La cobertura va de 2023, la capa que fija los términos del debate, a mediados de 2026. Al final, una advertencia sobre los límites de la propia posición crítica.

Las tablas usan cuatro columnas idénticas.
Estudio identifica la fuente.
Diseño indica qué tipo de evidencia produce, que es lo que determina cuánto peso soporta.
Hallazgo principal resume el resultado en una línea.
Cautela al citar recoge la limitación que conviene mencionar cuando el estudio se lleve a un claustro, una comisión de calidad o un artículo propio. Esa cuarta columna es la que evita que una cifra impresionante se convierta en argumento de autoridad mal fundado.

Eje 1. Quién escribe el relato y con qué intereses

Desde que Eynon y Young (2021) analizaron cómo la academia, la industria y los organismos de política educativa construyen retóricamente la IA, esta línea de trabajo ha madurado. En 2025, ocho editores históricos de Learning, Media and Technology firmaron un balance de veinte años de investigación crítica en tecnología educativa (Eynon et al., 2025), un texto útil para situar la genealogía del campo ante estudiantes de posgrado. Ese mismo año se celebraron dos encuentros que consolidan la comunidad, las reuniones de Critical Studies of Education and Technology y la Conferencia Europea de Estudios Críticos en Tecnología Educativa en Zúrich.

Interesa señalar un desplazamiento de tono. Selwyn ha pasado del análisis de la adopción a la propuesta de reducción deliberada, con una obra traducida al español como Decrecimiento digital (Selwyn, 2026). La idea de fondo, que redimensionar la presencia tecnológica en las instituciones educativas puede ser una decisión pedagógica legítima y no una derrota, resulta incómoda para el discurso institucional dominante. Coincidimos con el planteamiento en su diagnóstico, aunque conviene matizar que la retirada tecnológica es un lujo asimétrico, mucho más viable en universidades bien financiadas del norte que en instituciones latinoamericanas que llevan una década construyendo su infraestructura digital.

Slimi (2026) ofrece una revisión crítica sistemática de 54 estudios revisados por pares y 6 documentos internacionales de política, publicados entre 2023 y 2025. Su hallazgo más útil para la práctica es la fragmentación normativa, con instituciones que dictan políticas contradictorias en el mismo país y disciplinas que divergen radicalmente en su nivel de preocupación. Quien deba redactar una normativa de centro encontrará ahí un buen mapa de opciones ya ensayadas.

Tabla con desplazamiento horizontal. Desliza para ver todas las columnas →

Eje 2. Lo que ocurre mientras el estudiante delega

Aquí está la producción más pertinente para el aula, y también la más discutida. Fan y sus colaboradores (2025) acuñaron la expresión pereza metacognitiva en un estudio experimental publicado en British Journal of Educational Technology, comparando el trabajo de escritura con apoyo de ChatGPT, con expertos humanos, con herramientas de analítica y sin apoyo alguno. Su observación no se refiere tanto al descenso del rendimiento inmediato, que puede incluso mejorar, como al abandono progresivo de los procesos de autorregulación, la fijación de metas, la supervisión del error y la reflexión estratégica.

El trabajo con mayor solidez metodológica es el de Bastani y su equipo (2025), publicado en Proceedings of the National Academy of Sciences tras circular año y medio como documento de trabajo. Con cerca de mil estudiantes de secundaria turcos y asignación aleatoria, encontraron que el acceso a un GPT-4 sin restricciones mejoraba el desempeño durante la práctica y lo empeoraba un 17 % cuando se retiraba la herramienta, en comparación con quienes nunca la tuvieron. La versión con salvaguardas pedagógicas, que retenía la respuesta directa y guiaba el proceso, evitó ese deterioro. La lectura para el diseño docente es directa, la arquitectura de la interacción pesa más que la herramienta.

La evidencia más contundente de atrofia competencial no procede de la investigación educativa. Diecinueve endoscopistas experimentados, cada uno con más de dos mil colonoscopias previas, pasaron de detectar adenomas en el 28,4 % de las exploraciones a hacerlo en el 22,4 % cuando volvían a trabajar sin asistencia algorítmica tras haberla incorporado a su rutina (Budzyń et al., 2025). Seis puntos perdidos en profesionales con décadas de práctica. Berzin y Topol (2025) construyeron sobre ese resultado una distinción que la pedagogía haría bien en adoptar, la pérdida de una competencia ya adquirida, la adquisición defectuosa por incorporar errores del sistema, y el caso que más debería inquietarnos en formación inicial, no llegar nunca a adquirirla porque la máquina la cubrió desde el principio.

Tabla con desplazamiento horizontal. Desliza para ver todas las columnas →

Eje 3. La evaluación, donde el sistema cruje

Si hay un estudio que el profesorado hispanohablante debería conocer de este ciclo, es el de Chirikov, Smirnov y Kizilcec (2026), publicado en Science. Con 95.513 estudiantes de veinte universidades públicas de investigación en Estados Unidos y un método de interrogación indirecta diseñado para captar conductas sensibles, estimaron que alrededor de un tercio del estudiantado usaba IA generativa con regularidad en sus trabajos y que un 9 % la había empleado para hacer trampa. La cifra resulta menor que la sugerida por el relato mediático, con una salvedad que sí inquieta, entre quienes usan la herramienta a diario, la tasa sube al 26 %. El uso regular se concentra en Informática, un 62 %, Matemáticas, un 53 %, y Empresariales, un 51 %.(Lo siento por no nombrar en el manual de "La evaluación del aprendizaje en tiempos de la IA". Es muy reciente y no entro en el corte y problemas de paywall).

Los autores extraen una consecuencia que compartimos, la validez de la evaluación está comprometida antes que la integridad, y eso afecta a la credibilidad de las titulaciones. Corbin, Dawson y Liu (2025) lo formularon con una expresión difícil de olvidar, hablar sale barato, para argumentar que sin cambios estructurales en el diseño de la evaluación las declaraciones institucionales sobre uso responsable son ornamento. La bibliografía australiana sobre reforma evaluativa, con Bearman, Dawson y Boud como referencias recurrentes, sigue siendo la más productiva del campo.

Un asunto exige mención aparte porque nos afecta de manera directa. Liang y sus colaboradores (2023) sometieron siete detectores comerciales de texto generado a dos corpus escritos por humanos y encontraron que clasificaban erróneamente como artificiales más de la mitad de los ensayos de hablantes no nativos de inglés, mientras acertaban en más del 90 % con los ensayos de estudiantes estadounidenses de octavo grado. Cualquier universidad hispanohablante que aplique estos detectores a alumnado que escribe en inglés está usando una herramienta con sesgo documentado desde hace tres años.

Tabla con desplazamiento horizontal. Desliza para ver todas las columnas →

Eje 4. El trabajo docente que ningún informe contabiliza

Existe una laguna llamativa en los informes institucionales sobre ahorro de tiempo. Selwyn, Ljungqvist y Sonesson (2025) entrevistaron a docentes de Australia y Suecia y describieron algo que muchos formadores reconocemos, el tiempo desplazado. La corrección de resultados deficientes, la reorganización de la secuencia didáctica para acomodar la herramienta y la supervisión de lo que el sistema produce generan trabajo adicional que ninguna métrica de productividad recoge. Los autores descartan explícitamente que se deba a una formulación deficiente de las instrucciones, la explicación fácil a la que suele recurrir la industria.

El argumento tiene un antecedente que merece recuperarse, la tesis de Ruth Schwartz Cowan sobre las tecnologías domésticas que prometían liberar tiempo y acabaron elevando los estándares de exigencia. Aplicada a la docencia universitaria, sugiere una hipótesis verificable, que la IA generativa no reduzca la carga docente sino que eleve las expectativas sobre la cantidad y personalización de la retroalimentación. La evidencia disponible es todavía escasa y cualitativa, aunque converge en esa dirección.

Tabla con desplazamiento horizontal. Desliza para ver todas las columnas →

Eje 5. Antes de la universidad, donde la evidencia adelgaza

La revisión sistemática de Martin, Zhuang y Schaefer (2024) analizó 66 estudios sobre IA en K-12 entre 2017 y 2022, y su conclusión de fondo sigue vigente, la investigación se concentra en aplicaciones técnicas y deja sin analizar la equidad, la ética y las diferencias por tramo de edad. Ng y su equipo (2023) revisaron la alfabetización en IA en secundaria y encontraron pedagogías dispersas con evaluación de aprendizajes poco desarrollada. Yim (2024) llevó la crítica a primaria y sostiene que los marcos existentes se diseñaron pensando en secundaria y universidad, con lo que las necesidades pedagógicas de los estudiantes pequeños quedan sin resolver.

En el terreno normativo, el marco AILit elaborado por la OCDE y la Comisión Europea organiza la alfabetización en IA para primaria y secundaria en cuatro dominios y diecinueve competencias, con licencia abierta que permite traducirlo y adaptarlo. Junto a los dos marcos de competencias de UNESCO de 2024, constituye el aparato normativo con el que trabajarán los sistemas educativos de la próxima década, y su presencia en las bibliografías académicas es menor de lo que su influencia justifica.

Tabla con desplazamiento horizontal. Desliza para ver todas las columnas →

Eje 6. Quién queda fuera del beneficio

El eje de equidad es el peor cubierto y el más consecuente. Una revisión de mapeo publicada en Discover Computing (2026) sobre brecha digital e IA generativa en educación superior localizó doce publicaciones empíricas entre enero de 2023 y enero de 2025. Doce, para un fenómeno que afecta a millones de estudiantes en sistemas universitarios muy desiguales. Matjie y sus colaboradores (2026) proponen la noción de brecha de innovación en IA, una desigualdad multidimensional en la capacidad de acceder, gobernar y usar creativamente estos sistemas, más útil que la vieja dicotomía de acceso porque distingue entre tener la herramienta y poder decidir sobre ella.

Hay además una asimetría lingüística que nos afecta directamente y que apenas se documenta. En la conferencia de presentación del informe de la OCDE de 2026 se expuso un metaanálisis que encontraba efectos positivos pequeños en estudios publicados en inglés y en chino, y efectos considerablemente negativos en estudios realizados en otras lenguas. Presentamos el dato con cautela porque procede de una comunicación en congreso y no hemos localizado la publicación revisada por pares. Si se confirma, tendría una consecuencia incómoda para la investigación iberoamericana, buena parte de la evidencia optimista que citamos se generó en las dos lenguas donde estos modelos funcionan mejor.

Tabla con desplazamiento horizontal. Desliza para ver todas las columnas →

Eje 7. Los agentes llegan antes que sus estudios

La quinta capa está en formación. Kostopoulos y sus colaboradores (2025) publicaron en IEEE Access una revisión del estado del arte en IA agéntica aplicada a la educación que sirve como punto de partida técnico. La producción de 2026 sobre ecosistemas de agentes en educación superior es abundante en preimpresiones y escasa en estudios empíricos con grupos de comparación. Predominan las propuestas de arquitectura multiagente, los marcos conceptuales y los análisis temáticos de literatura previa.

Esa asimetría debería ordenar nuestras expectativas. Mientras las instituciones anuncian agentes para tutoría, orientación académica y gestión de matrícula, la investigación todavía discute su taxonomía. Quien esté diseñando formación docente sobre agentes tendrá que trabajar con evidencia prestada, la de los sistemas conversacionales, marcando con claridad qué se transfiere y qué no. Nuestra posición es que el salto de la conversación a la delegación de tareas encadenadas modifica la naturaleza del problema pedagógico, porque desplaza la supervisión humana del resultado al proceso, y eso exige competencias evaluativas que apenas estamos empezando a formular.

Tabla con desplazamiento horizontal. Desliza para ver todas las columnas →

El contrapeso incómodo

Toca ahora una objeción a nuestro propio recorrido. Si alguien lee solo lo anterior, saldrá con la impresión de que la evidencia apunta de manera consistente al deterioro. Los metaanálisis disponibles dicen otra cosa. Deng y su equipo (2024) sintetizaron 62 estudios experimentales en Computers & Education con resultados positivos sobre rendimiento, implicación afectiva y pensamiento de orden superior. Liu, Zuo y Lu (2025) obtuvieron un efecto moderado de 0,577 sobre el logro académico en 37 estudios. Kestin y sus colaboradores (2025) publicaron en Scientific Reports un ensayo aleatorizado con diseño cruzado y 194 estudiantes de física en el que un tutor basado en modelos de lenguaje, construido con los mismos criterios pedagógicos que la clase presencial, produjo más aprendizaje en menos tiempo que el aula de aprendizaje activo.

¿Cómo se sostienen a la vez la caída del 17 % de Bastani y el efecto positivo moderado de los metaanálisis? La reconciliación más plausible tiene tres piezas. La primera, la variable medida, casi todos los metaanálisis capturan rendimiento asistido y muy pocos miden lo que queda cuando la herramienta desaparece. La segunda, la duración, los efectos positivos se concentran en intervenciones de cuatro a ocho semanas, un plazo en el que difícilmente se manifiesta una atrofia competencial. La tercera, la calidad del cuerpo de evidencia, la retractación con la que abrimos este texto y las críticas metodológicas cruzadas entre metaanálisis indican un campo con estándares todavía inmaduros.

El informe de la OCDE de 2026 formula el mismo punto con una precisión que conviene retener. Los estudiantes con IA completaban tareas con notablemente más éxito, y su rendimiento medido caía cuando se retiraba la herramienta. Delegar mejora el resultado sin producir aprendizaje, salvo que medie intención pedagógica explícita. Es la distinción que Soderstrom y Bjork (2015) formularon hace una década entre desempeño y aprendizaje, aplicada ahora a un caso donde la brecha entre ambos se ha vuelto medible y grande.

De ahí que la posición defendible sea más modesta que la de cualquiera de los dos bandos. La evidencia disponible sugiere que el diseño de la interacción determina el signo del efecto, y que medimos mal aquello que más nos importa, la competencia autónoma en ausencia de la herramienta.

Tabla con desplazamiento horizontal. Desliza para ver todas las columnas →

El problema de los mapas de huecos

Toca poner en duda el propio género al que pertenece este artículo. Los mapas de cobertura tienen un sesgo estructural, presentan la ausencia de estudios como el problema y la producción de más estudios como la solución. Esa lógica encaja mal con lo que la evidencia acumulada ya nos dice, porque el signo del efecto depende del diseño de la interacción y de la intención pedagógica, no de la cantidad de investigación disponible sobre cada nivel educativo.

Añadamos una incomodidad mayor. Buena parte de la literatura crítica reciente se produce ya con las mismas herramientas que critica, a una velocidad que el sistema de revisión por pares no puede seguir. Las revisiones sistemáticas de 2026 citan preimpresiones de 2026 que citan preimpresiones de 2025, y el mecanismo que debería filtrar todo eso funciona con plazos de dos años. Quienes formamos profesorado deberíamos preguntarnos si multiplicar el mapa no será, en parte, contribuir al problema.

Dónde mirar en español

La producción iberoamericana ha ganado densidad y tiene sus propios nodos. Cobo y Rivera-Vargas (2023) formularon la noción de educación algorítmica y las capacidades que las instituciones necesitan consolidar. El diálogo con Selwyn publicado en Izquierdas (Selwyn, Rivera-Vargas y Herrera-Urízar, 2025) recorre los estudios críticos de educación y tecnología pensando en lectores hispanohablantes, y es probablemente la mejor puerta de entrada disponible en nuestra lengua. La Revista Española de Educación Comparada dedicó su número extraordinario 48 de 2025 a la aceleración de la IA y la industria EdTech global. En el terreno empírico, RIED concentra lo más útil para el aula, con el monográfico de 2025 sobre uso crítico de la IA generativa, donde destaca el trabajo de Romeu Fontanillas y su equipo, y el de 2026 sobre diseño, competencias y evaluación. Para pensamiento crítico, Comunicar publicó a comienzos de 2026 una revisión sistemática con protocolo registrado en PROSPERO que distingue la alfabetización algorítmica y el juicio ético como competencias específicas en entornos mediados por IA.

Una tarea pendiente

Volvamos al metaanálisis retractado del principio. Su problema no estuvo en concluir que la IA generativa ayuda, una afirmación que otros trabajos sostienen con datos razonables. Estuvo en que durante once meses funcionó como argumento de autoridad en presentaciones institucionales, planes estratégicos y artículos derivados, sin que nadie con capacidad de decisión hubiera revisado su método. Quienes formamos profesorado tenemos ahí una responsabilidad concreta y poco glamurosa, enseñar a leer la evidencia antes que a usar la herramienta.

¿Qué decidiríamos de otra manera si midiéramos lo que el estudiante sabe hacer cuando le retiramos la herramienta?

Referencias

Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., y Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), e2422633122. https://doi.org/10.1073/pnas.2422633122

Berzin, T. M., y Topol, E. J. (2025). Preserving clinical skills in the age of AI assistance. The Lancet, 406, 1719. https://doi.org/10.1016/S0140-6736(25)02075-6

Bittle, K., y El-Gayar, O. (2025). Generative AI and academic integrity in higher education: A systematic review and research agenda. Information, 16(4), 296. https://doi.org/10.3390/info16040296

Budzyń, K., Romańczyk, M., Kitala, D., et al. (2025). Endoscopist deskilling risk after exposure to artificial intelligence in colonoscopy: A multicentre, observational study. The Lancet Gastroenterology & Hepatology, 10, 896-903. https://doi.org/10.1016/S2468-1253(25)00133-5

Chirikov, I., Smirnov, I., y Kizilcec, R. F. (2026). Generative AI use and misuse call for assessment reform in higher education. Science, 392(6800), 818-820. https://doi.org/10.1126/science.aec5115

Cobo, C., y Rivera-Vargas, P. (2023). What is "algorithmic education" and why do education institutions need to consolidate new capacities? En C. Cobo y A. Rivas (Eds.), The new digital education policy landscape (pp. 210-225). Routledge.

Common Sense Media. (2025). Talk, trust, and trade-offs: How and why teens use AI companions.

Corbin, T., Dawson, P., y Liu, D. (2025). Talk is cheap: Why structural assessment changes are needed for a time of GenAI. Assessment & Evaluation in Higher Education, 1-11. https://doi.org/10.1080/02602938.2025.2503964

Deng, R., Jiang, M., Yu, X., Lu, Y., y Liu, S. (2024). Does ChatGPT enhance student learning? A systematic review and meta-analysis of experimental studies. Computers & Education, 227, 105224. https://doi.org/10.1016/j.compedu.2024.105224

Eynon, R., Lewin, C., Macgilchrist, F., Oliver, M., Pangrazio, L., Potter, J., Selwyn, N., y Williamson, B. (2025). Looking back and looking forward: Past and present editors on 20 years of critical perspectives in learning, media, and technology. Learning, Media and Technology, 50(2), 103-111. https://doi.org/10.1080/17439884.2025.2512250

Eynon, R., y Young, E. (2021). Methodology, legend, and rhetoric: The constructions of AI by academia, industry, and policy groups for lifelong learning. Science, Technology, & Human Values, 46(1), 166-191. https://doi.org/10.1177/0162243920906475

Fan, Y., Tang, L., Le, H., Shen, K., Tan, S., Zhao, Y., Shen, Y., Li, X., y Gašević, D. (2025). Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance. British Journal of Educational Technology, 56(2), 489-530. https://doi.org/10.1111/bjet.13544

Kestin, G., Miller, K., Klales, A., Milbourne, T., y Ponti, G. (2025). AI tutoring outperforms in-class active learning: An RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports, 15, 17458. https://doi.org/10.1038/s41598-025-97652-6

Klarin, J., Hoff, E., Larsson, A., y Daukantaitė, D. (2024). Adolescents' use and perceived usefulness of generative AI for schoolwork: Exploring their relationships with executive functioning and academic achievement. Frontiers in Artificial Intelligence, 7, 1415782. https://doi.org/10.3389/frai.2024.1415782

Kosmyna, N., Hauptmann, E., Yuan, Y. T., Situ, J., Liao, X.-H., Beresnitzky, A. V., Braunstein, I., y Maes, P. (2025). Your brain on ChatGPT: Accumulation of cognitive debt when using an AI assistant for essay writing task (arXiv:2506.08872). arXiv. https://arxiv.org/abs/2506.08872

Kostopoulos, G., Gkamas, V., Rigou, M., y Kotsiantis, S. (2025). Agentic AI in education: State of the art and future directions. IEEE Access, 13, 177467-177491.

Lee, H.-P. H., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., y Wilson, N. (2025). The impact of generative AI on critical thinking: Self-reported reductions in cognitive effort and confidence effects from a survey of knowledge workers. En Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems (pp. 1-22). ACM. https://doi.org/10.1145/3706598.3713778

Liang, W., Yuksekgonul, M., Mao, Y., Wu, E., y Zou, J. (2023). GPT detectors are biased against non-native English writers. Patterns, 4(7), 100779. https://doi.org/10.1016/j.patter.2023.100779

Liu, Z., Zuo, H., y Lu, Y. (2025). The impact of ChatGPT on students' academic achievement: A meta-analysis. Journal of Computer Assisted Learning, 41(4), e70096. https://doi.org/10.1111/jcal.70096

Martin, F., Zhuang, M., y Schaefer, D. (2024). Systematic review of research on artificial intelligence in K-12 education (2017-2022). Computers and Education: Artificial Intelligence, 6, 100195. https://doi.org/10.1016/j.caeai.2023.100195

Matjie, T., et al. (2026). AI and the digital divide in education. Frontiers in Computer Science. https://doi.org/10.3389/fcomp.2026.1759027

Miao, F., y Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000386693

Natali, C., Marconi, L., Dias Duran, L. D., et al. (2025). AI-induced deskilling in medicine: A mixed-method review and research agenda for healthcare and beyond. Artificial Intelligence Review, 58. https://doi.org/10.1007/s10462-025-11352-1

Ng, D. T. K., Su, J., Leung, J. K. L., y Chu, S. K. W. (2023). Artificial intelligence (AI) literacy education in secondary schools: A review. Interactive Learning Environments, 32(10), 6204-6224. https://doi.org/10.1080/10494820.2023.2255228

OCDE. (2026). OECD Digital Education Outlook 2026: Exploring effective uses of generative AI in education. OECD Publishing. https://doi.org/10.1787/062a7394-en

Pallant, J., Blijlevens, J., Campbell, A., y Jopp, R. (2025). Mastering knowledge: The impact of generative AI on student learning outcomes. Studies in Higher Education, 51, 714-735. https://doi.org/10.1080/03075079.2025.2487570

Romeu Fontanillas, T., Romero Carbonell, M., Guitert Catasús, M., y Baztán Quemada, P. (2025). Desafíos de la inteligencia artificial generativa en educación superior: fomentando su uso crítico en el estudiantado. RIED-Revista Iberoamericana de Educación a Distancia, 28(2), 209-231. https://doi.org/10.5944/ried.28.2.43535

Selwyn, N. (2024). Digital degrowth: Toward radically sustainable education technology. Learning, Media and Technology, 49(2), 186-199. https://doi.org/10.1080/17439884.2022.2159978

Selwyn, N. (2026). Decrecimiento digital. Cátedra.

Selwyn, N., Ljungqvist, M., y Sonesson, A. (2025). When the prompting stops: Exploring teachers' work around the educational frailties of generative AI tools. Learning, Media and Technology, 50(3), 310-323. https://doi.org/10.1080/17439884.2025.2537959

Selwyn, N., Rivera-Vargas, P., y Herrera-Urízar, G. (2025). Estudios críticos sobre educación y tecnología: caminos recorridos y futuros imaginados. Un diálogo con Neil Selwyn. Izquierdas, 54, 1-14.

Slimi, Z. (2026). A systematic critical review of generative AI's impact on authorship, pedagogy, and integrity (2023-2025). Frontiers in Education, 11, 1769680. https://doi.org/10.3389/feduc.2026.1769680

Soderstrom, N. C., y Bjork, R. A. (2015). Learning versus performance: An integrative review. Perspectives on Psychological Science, 10(2), 176-199. https://doi.org/10.1177/1745691615569000

Stanković, M., Hirche, E., Kollatzsch, S., y Doetsch, J. N. (2026). Comment on: Your brain on ChatGPT: Accumulation of cognitive debt when using an AI assistant for essay writing tasks (arXiv:2601.00856). arXiv. https://arxiv.org/abs/2601.00856

UNESCO. (2024a). AI competency framework for teachers. https://unesdoc.unesco.org/ark:/48223/pf0000391104

UNESCO. (2024b). AI competency framework for students. https://unesdoc.unesco.org/ark:/48223/pf0000391105

UNESCO. (2025). AI and the future of education: Disruptions, dilemmas and directions.

Wang, J., y Fan, W. (2025). The effect of ChatGPT on students' learning performance, learning perception, and higher-order thinking: Insights from a meta-analysis [artículo retractado]. Humanities and Social Sciences Communications, 12, 621. https://doi.org/10.1057/s41599-025-04787-y

Williamson, B. (2023). The social life of AI in education. International Journal of Artificial Intelligence in Education. https://doi.org/10.1007/s40593-023-00342-5

Yim, I. H. Y. (2024). A critical review of teaching and learning artificial intelligence (AI) literacy: Developing an intelligence-based AI literacy framework for primary school education. Computers and Education: Artificial Intelligence, 7, 100319. https://doi.org/10.1016/j.caeai.2024.100319

Zhai, C., Wibowo, S., y Li, L. D. (2024). The effects of over-reliance on AI dialogue systems on students' cognitive abilities: A systematic review. Smart Learning Environments, 11(1), 28. https://doi.org/10.1186/s40561-024-00316-7

Notas de verificación para los que están trabajando en estos temas de investigación: Comprobadas en fuente editorial las referencias de Bastani, Berzin y Topol, Budzyń, Chirikov, Corbin, Deng, Eynon (2021 y 2025), Fan, Kestin, Klarin, Liang, Liu, Martin, Miao y Holmes, la OCDE, Romeu Fontanillas, Selwyn (2024), Selwyn, Ljungqvist y Sonesson, Slimi, Soderstrom y Bjork, UNESCO, Williamson, Yim y Zhai. Kosmyna et al. y Stanković et al. son preimpresiones sin revisión por pares. Wang y Fan (2025) se incluye porque el artículo se comenta aquí, el aviso de retractación tiene identificador propio (https://doi.org/10.1057/s41599-026-07310-z). Proceden de listados de terceros y no se han verificado en fuente primaria las de Bittle y El-Gayar, Ng y su equipo, Natali y su equipo y Pallant y sus colaboradores. El marco AILit circuló como borrador en mayo de 2025 y en versión final durante 2026, conviene citar la edición consultada. El metaanálisis sobre asimetría lingüística procede de una comunicación en la conferencia de la OCDE de 2026, sin publicación revisada. Te dejo a ti estas tareas.