Revista Académica
Institucional RAI
Sección Academia
Edición 15
Volumen 9
ISSN: 2953-769X
Julio- Diciembre, 2026
INTELIGENCIA
ARTIFICIAL Y DESIGUALDADES SOCIALES EN EDUCACIÓN A DISTANCIA: ESTUDIO CON
ESTUDIANTES DE BIBLIOTECOLOGÍA DE LA UNED, COSTA RICA
Ana Priscilla
Ruiz Bustos, [email protected]
Universidad Estatal a
Distancia (UNED), San José, Costa Rica
Código
ORCID https://orcid.org/0009-0005-8240-220X
Ernesto Faerron
Chavarría, [email protected]
Universidad Estatal a
Distancia (UNED), San José, Costa Rica
Código
ORCID https://orcid.org/0000-0002-9506-2313
DOI: https://doi.org/10.64183/zdyepm43
Recibido: 15 de febrero de 2026
Aceptado: 29 de mayo de 2026
Resumen.
El presente artículo pretende analizar cómo el acceso y uso de herramientas de
inteligencia artificial (IA) incide en la reproducción o reducción de
desigualdades sociales entre estudiantes de Bibliotecología de la Universidad
Estatal a Distancia (UNED) de Costa Rica. Se empleó un enfoque mixto
(cualitativo-cuantitativo) con diseño descriptivo. Se aplicó una encuesta
estructurada de 35 preguntas, escalas Likert, opción múltiple y preguntas
abiertas, a 25 estudiantes del Diplomado matriculados en la Cátedra de
Tratamiento de la Información durante el I Cuatrimestre de 2026, mediante
muestreo no probabilístico por conveniencia. Aunque el 92 % del estudiantado ha
utilizado IA, los datos evidencian profundas disparidades territoriales: el 33
% de quienes residen fuera de la Gran Área Metropolitana (GAM) debe desplazarse
para obtener conectividad estable, frente a un 0 % dentro de la GAM. Asimismo,
el 44,4 % de estudiantes rurales reportó dificultades técnicas recurrentes. El
60 % desconfía de la fiabilidad de la IA, el 64 % detectó referencias
bibliográficas fabricadas y el 40 % aceptaría información sin verificarla.
Conclusiones. La IA opera como amplificadora de desigualdades estructurales
preexistentes, geográficas, socioeconómicas y de género, en lugar de reducirlas.
La equidad requiere políticas institucionales que garanticen infraestructura,
alfabetización digital crítica e integración pedagógica intencional, más allá
de la mera provisión de acceso tecnológico.
Palabras
clave. Bibliotecología; Educación a
Distancia; Inteligencia Artificial; Brecha Digital; Desigualdad Educativa.
Ana Priscilla Ruiz Bustos, [email protected]
Ernesto Faerron Chavarría, [email protected]
Received: February
15, 2026
Accepted: May 29, 2026
Abstract. This article analyzes how access to and use of
artificial intelligence (AI) tools contributes to the reproduction or reduction
of social inequalities among Library Science students at the Universidad
Estatal a Distancia (UNED) in Costa Rica. A mixed-methods
(qualitative-quantitative) descriptive design was employed. A structured
35-item questionnaire, comprising Likert scales, multiple-choice, and
open-ended questions, was administered to 25 students enrolled in the Library
Science diploma program’s Information Processing course during the first
semester of 2026, using non-probabilistic convenience sampling. Although 92 %
of students have used AI tools, the data reveal stark territorial disparities:
33 % of those residing outside the Greater Metropolitan Area (GAM) must travel
to obtain stable internet access, compared with 0 % within the GAM.
Furthermore, 44.4 % of rural students reported recurring technical
difficulties. Sixty percent expressed distrust of AI reliability, 64 % had
detected fabricated bibliographic references, and 40 % stated they would accept
AI-generated information without critical verification. AI functions as an
amplifier of pre-existing structural inequalities, geographic, socioeconomic,
and gender-based, rather than a leveler. Achieving equity demands institutional
policies that ensure adequate infrastructure, critical digital literacy, and
intentional pedagogical integration, beyond the mere provision of technological
access.
Keywords. Library Science; Distance Education; Artificial
Intelligence; Digital Divide; Educational Inequality.
1. INTRODUCCIÓN
La
inteligencia artificial (IA) se ha convertido en una herramienta de apoyo en
los procesos educativos de las y los estudiantes universitarios, esta
herramienta se incorpora en actividades de búsqueda, análisis y organización de
la información por mencionar algunos. Desde el contexto del estudio de la
bibliotecología, los estudiantes de la cátedra de tratamiento de la información
cada vez aplican más su uso en áreas claves como lo es la catalogación
automatizada, recuperación de información y análisis semántico.
La
IA conceptualizada por Martínez-Márquez es vista como la capacidad de la
máquina para desarrollar diversas tareas con un razonamiento similar a la mente
humana (Martínez, 2025), pero con el potencial importante de hacer en un tiempo
ínfimo. Desde la perspectiva planteada anteriormente las capacidades
algorítmicas están a favor de las personas que las apliquen, con el fin de
resolver todas las situaciones, problemas y retos de la vida diaria, que
también se aplican al ámbito académico, como oportunidad de observar el área
del conocimiento desde el aprendizaje automático y objetivo de una agente de
IA.
Si
bien, esto supone la oportunidad que tiene todas las personas al acceso a esta
herramienta, no garantiza un total aprovechamiento debido al costo de tokens
para su uso amplio, no obstante, el pago de esta de forma mensual no asegura
que su uso sea ilimitado, sino que, por el contrario, según el poder
adquisitivo de la persona así tendrá acceso a otras funciones y más consulta
sea por chat o agente (Schmelzer, 2026).
Por
ello, el presente estudio desde nuestro contexto propone identificar las
desigualdades sociales relacionadas con el acceso y uso de la inteligencia
artificial (IA) entre estudiantes de la carrera de Bibliotecología de la
Universidad Estatal a Distancia (UNED) de Costa Rica. Como institución
educativa con extensa cobertura geográfica en todo el territorio nacional y una
de las universidades con mayor presencia regional del país, la UNED presenta
características demográficas estudiantiles distintivas. Su modelo de educación
a distancia atrae predominantemente a población adulta económicamente activa
que, debido a compromisos laborales y personales, requiere flexibilidad
académica.
Este
perfil demográfico particular hace pertinente examinar las posibles brechas en
el acceso, apropiación y uso de tecnologías emergentes como la IA, considerando
factores socioeconómicos, geográficos y generacionales que podrían incidir en
la equidad educativa.
La
irrupción de la inteligencia artificial visto desde la óptica de Molina y
Medina (2025) en el ámbito educativo superior ha generado tanto expectativas de
transformación pedagógica como preocupaciones sobre la profundización de
desigualdades existentes.
Por
lo que, para la educación a distancia, modalidad que ha demostrado tanto su
potencial democratizador como sus limitaciones en contextos de desigualdad
social, la integración de la IA plantea interrogantes fundamentales sobre
quiénes se benefician de estas innovaciones y quiénes quedan rezagados.
Inteligencia
artificial en educación a distancia
La
incorporación de tecnologías de inteligencia artificial en espacios educativos
ha transformado las formas de mediación del conocimiento, reconfigurando tanto
las dinámicas institucionales de búsqueda, organización, análisis y producción
de información como los procesos cognitivos. No obstante, esta transformación
ocurre de manera diferenciada según las condiciones socioeconómicas,
geográficas y tecnológicas de los sujetos educativos.
Por
otra parte, la inteligencia artificial (IA) ha sido promovida como herramienta
transformadora en diversos sectores, incluido el educativo, particularmente en
el objeto de este estudio: la educación a distancia. Desde esta perspectiva, se
plantea el potencial de la IA para personalizar el aprendizaje, optimizar
procesos administrativos y desarrollar estrategias pedagógicas adaptativas,
facilitando la accesibilidad y equidad educativa (Laínez et al., 2025).
Como
indican Quezada et al. (2025), la IA “ha emergido como una herramienta
transformadora en el ámbito educativo, revolucionando la manera en que se
genera, analiza y aplica el conocimiento pedagógico. Desde la automatización de
tareas docentes hasta la personalización del aprendizaje, la IA está
redefiniendo las prácticas educativas y científicas”.
Sin
embargo, esta visión optimista requiere de un análisis crítico: el acceso
efectivo a tecnologías de IA presupone conectividad estable, dispositivos
adecuados y alfabetización digital, condiciones que no se distribuyen
homogéneamente entre estudiantes de educación a distancia, especialmente en
contextos de desigualdad socioeconómica como el costarricense.
Desde
una perspectiva pedagógica, Silgado y López (2024) ofrecen una síntesis de las
funciones que la IA está asumiendo en la docencia universitaria, que van desde
la automatización de tareas administrativas hasta la generación de contenidos
educativos y la evaluación formativa. No obstante, los autores subrayan que la
efectividad de estas aplicaciones depende críticamente del contexto de
implementación y de la capacidad institucional para integrarlas de manera
coherente con los objetivos formativos.
Sin
embargo, estas condiciones favorables de implementación —conectividad estable,
dispositivos adecuados y competencias digitales suficientes— no se distribuyen
de manera homogénea entre el estudiantado universitario. Esta asimetría
estructural constituye precisamente el núcleo del fenómeno que se analiza a
continuación: la brecha digital como determinante del aprovechamiento
diferenciado de la inteligencia artificial en contextos educativos marcados por
la desigualdad.
Brecha
digital y desigualdad social
El
concepto de brecha digital ha evolucionado desde sus primeras formulaciones
donde se centraba únicamente en el acceso que tienen las personas a
dispositivos y conectividad. En la actualidad, se comprende como aquel fenómeno
multidimensional que abarca no solo el acceso material a las tecnologías, sino
también las habilidades para su uso efectivo y la capacidad de apropiación
significativa que permita transformar ese acceso en beneficios concretos para
el desarrollo personal y profesional. Al respecto, Luna (2025) afirma “Desde
una perspectiva teórica, los resultados obtenidos refuerzan la idea de (Van
Dijk, 2005) sobre la brecha digital sobre como un fenómeno multidimensional, en
el que la exclusión tecnológica no solo se basa a disponibilidad de
dispositivos, sino también en la capacidad de los individuos para utilizarlos
de manera efectiva”.
De
acuerdo con los autores Vázquez, Martínez y Mendoza (2020) “la brecha digital
es causada por factores de desigualdad social como la edad, los niveles
educativos y el ingreso; de ahí que los incluidos digitales se caracterizan por
ser jóvenes con altos niveles de educación e ingreso, mientras que los
excluidos digitales son, por lo general, adultos con bajos niveles de educación
e ingreso” (p. 277).
Vázquez,
Martínez y Mendoza (2020) desarrollan una aproximación teórica sobre la brecha
digital desde el contexto universitario, en este proporcionan un marco
conceptual que permite la comprensión de tres dimensiones de brecha digital en
el contexto universitario: 1. brecha de acceso, la cual está relacionada con la
disponibilidad de infraestructura tecnológica y conectividad; 2. brecha de uso,
vinculada con las habilidades y competencias para utilizar efectivamente las
tecnologías y 3. brecha de apropiación, que refiere a la capacidad de integrar
las tecnologías de manera creativa y crítica en la vida cotidiana y el
desarrollo profesional.
Por
su parte, Luna Velastegui (2025), en su estudio etnográfico en una comunidad
rural de Ecuador, documenta cómo las tres dimensiones de la brecha digital se
entrelazan con factores socioeconómicos, culturales y generacionales. Sus
hallazgos revelan que incluso cuando existe acceso físico a dispositivos, las
limitaciones en conectividad, las competencias digitales insuficientes y la
falta de capital cultural para aprovechar las tecnologías generan formas de
exclusión sutiles pero significativas.
Desde
el contexto de educación los autores Vázquez, Martínez y Mendoza (2020),
indican que desde “el sector educativo las TIC son herramientas para mejorar la
gestión escolar y el proceso de enseñanza y aprendizaje en las escuelas, por lo
tanto, representan una oportunidad para el crecimiento económico y la
posibilidad de empleo porque permiten el desarrollo de las habilidades
digitales requeridas por el mercado laboral actual y eleva la productividad del
capital humano” (p. 278).
Desde
el contexto de los autores, existen dos perspectivas contrapuestas sobre el rol
de las TIC en educación. Por una parte, los enfoques optimistas mantienen que
las tecnologías representan “oportunidades para el crecimiento económico”
mediante el desarrollo de habilidades (competencias) digitales requeridas por
la inserción en el mercado laboral actual (Peres y
Hilbert, 2009). Por otro lado, investigaciones críticas sobre brecha digital
evidencian que esta visión instrumental ignora las condiciones materiales,
culturales y socioeconómicas que impiden el acceso equitativo a tecnologías.
Para el caso de la UNED, resulta necesario cuestionar si la incorporación de IA
en programas de Bibliotecología efectivamente democratiza oportunidades o, por
el contrario, reproduce desigualdades preexistentes entre su estudiantado.
Esta
interrogante cobra mayor profundidad cuando se considera que las desigualdades
en el acceso y uso de la IA no son únicamente consecuencia de condiciones
externas, infraestructura, recursos económicos, geografía, sino que pueden
estar incorporadas en el propio diseño de los sistemas algorítmicos. Los sesgos
estructurales presentes en los modelos de inteligencia artificial constituyen,
así, una dimensión adicional de la inequidad que opera desde el interior de la
tecnología misma, y que es preciso examinar para comprender en toda su
complejidad el fenómeno de la exclusión digital.
Sesgos
en la inteligencia artificial
El
uso de la IA en la educación genera una situación ambivalente donde la
tecnología posee el potencial de exacerbar o mitigar las desigualdades sociales
existentes (Ahmed et al., 2023). El impacto final depende seriamente de las
decisiones tomadas durante el diseño, implementación y la gobernanza de esto,
en particular en su aprovechamiento y oportunidades de aplicación (Clark et
al., 2025; Farahani y Ghasemi, 2024).
La
puesta en marcha de la IA enfrenta barreras importantes en áreas como las
éticas y sociales, por una parte, puede obstaculizar su potencial para generar
resultados equitativos. En el ámbito universitario, los sesgos se manifiestan
cuando no consideran la diversidad del alumnado, por ejemplo, el poder
adquisitivo para el pago de créditos (tokens) lo cual genera una disparidad en
las oportunidades de acceso “total” al potencial de la IA, en consecuencia, se
produce una brecha social. Estas barreras incluyen dimensiones de
responsabilidad y marcos regulatorios que con frecuencia no está adaptados a
las realidades del contexto local.
Un
punto crítico para el acceso en el uso de la IA son las posibilidades que
tienen ciertos grupos etarios o con alguna condición particular. A pesar de que
la herramienta puede utilizarse con ciertas limitaciones, esto no supone que
sea plenamente accesible en relación con sus funciones avanzadas, lo que Clark
et al. (2025) denominan “varianza irrelevante al constructo”. Es decir, esto
implica que solo se está haciendo uso del manejo instrumental y no del
conocimiento sobre su correcto aprovechamiento, constituyendo no solo un
problema de acceso, sino un sesgo de equidad educativa.
La
IA enfrenta desafíos como los altos costos y preocupaciones éticas
persistentes, lo cual representa una barrera para la inclusión educativa real
(Chalkiadakis et al., 2024). Para los estudiantes, el acceso desigual a estas
herramientas costosas puede profundizar la brecha digital y social,
convirtiendo a la IA en un factor de exclusión en lugar de una herramienta de
empoderamiento (Chalkiadakis et al., 2024). No obstante, soluciones de software
transformadoras ofrecen oportunidades para la independencia y la inclusión si
se gestionan correctamente (Eziamaka et al., 2024).
Para
que la IA actúe como un catalizador de equidad, es necesario realizar un diseño
intencional, aplicar estrategias robustas de mitigación de sesgos y desarrollar
programas integrales de alfabetización digital en su uso y aprovechamiento, con
el fin de acortar las brechas (Osonuga et al., 2025).
Solo abordando las preocupaciones éticas y fomentando la confianza del usuario
se podrá garantizar un uso ético y responsable que genere beneficios para
cualquier tipo de población (Li et al., 2024).
Estas
condiciones para un aprovechamiento equitativo de la IA adquieren especial
relevancia cuando se examinan en el contexto de la educación a distancia, donde
las barreras estructurales de acceso se superponen con las dinámicas
algorítmicas de exclusión descritas. El caso de la Universidad Estatal a
Distancia de Costa Rica ofrece, en este sentido, un escenario paradigmático
para analizar cómo los sesgos sistémicos de la inteligencia artificial
interactúan con las desigualdades territoriales, socioeconómicas y
generacionales de un estudiantado cuyo acceso a la tecnología ya se encuentra
condicionado por su ubicación geográfica y su capital económico.
Educación
a distancia y contexto UNED
La
Universidad Estatal a Distancia de Costa Rica posee un modelo pedagógico
desarrollado específicamente para poblaciones que enfrentan barreras
geográficas, económicas o laborales para asistir a universidades presenciales,
se fundamenta en principios de flexibilidad, autorregulación del aprendizaje y
mediación tecnológica.
Calderón
y Ulate (2020) analizan la caracterización de la evaluación de los aprendizajes
en la UNED, destacando su orientación hacia la promoción de la autorregulación
y el pensamiento crítico.
Este
enfoque pedagógico reconoce que el estudiantado de la UNED posee
características particulares, mayor edad, experiencia laboral,
responsabilidades familiares, que demandan estrategias de enseñanza-aprendizaje
diferenciadas de las utilizadas en universidades presenciales con poblaciones
estudiantiles tradicionales.
En
el contexto costarricense, estudios sobre el perfil del estudiantado de la UNED
en regiones agrícolas y costeras muestran patrones similares, con disparidades
importantes en el acceso a internet de calidad y en la disponibilidad de
dispositivos adecuados para el trabajo académico.
Sus
hallazgos muestran que, aunque la mayoría de los estudiantes poseen
dispositivos básicos como teléfonos inteligentes, existe una brecha
significativa en el acceso a computadoras con capacidades adecuadas para tareas
académicas complejas y, especialmente, en la calidad y estabilidad de la
conectividad a internet. Estas limitaciones son particularmente relevantes en
el contexto del uso de herramientas de IA, que a menudo requieren conexiones
estables de alta velocidad y dispositivos con capacidad de procesamiento
considerable.
Otro
aspecto importante es el perfil etario de la población estudiantil de la UNED.
Donde los estudiantes de mayor edad pueden enfrentar desafíos específicos en la
apropiación de tecnologías emergentes como la IA, no necesariamente por
limitaciones cognitivas, sino por diferencias de socialización tecnológica y
las oportunidades previas de exposición a estas herramientas donde
profesionalmente el desarrollo de uso crítico y contextual de la IA se les
proporciona en espacios de formación y experimentación.
La
revisión de la literatura permite delimitar con precisión los contornos del
conocimiento disponible y sus límites. Se conoce que la inteligencia artificial
transforma las dinámicas educativas en la educación superior; que la brecha
digital opera de manera multidimensional, más allá del mero acceso físico a
dispositivos y que los sesgos algorítmicos tienen el potencial de profundizar
desigualdades preexistentes (Farahani y Ghasemi, 2024; Van Deursen y Helsper,
2015). Sin embargo, no se conocen suficientemente los efectos diferenciados del
acceso y uso de la IA entre estudiantes de educación a distancia en países en
desarrollo, ni cómo variables territoriales, socioeconómicas y de género
mediatizan esos efectos en el contexto centroamericano: la mayoría de los
estudios disponibles se focalizan en instituciones presenciales de Europa o
América del Norte, con diseños que no capturan las condiciones estructurales
propias de sistemas como el de la UNED. El vacío científico es especialmente
agudo en el campo de la bibliotecología, disciplina cuya identidad profesional
se articula en torno a la evaluación crítica de fuentes y la mediación de
información en entornos automatizados, y cuyos profesionales son precisamente
quienes deberían estar mejor equipados para gestionar los riesgos epistémicos
asociados a la IA. Ante este vacío, la presente investigación aporta evidencia
empírica contextualizada sobre cómo el acceso y uso de herramientas de IA
reproduce o transforma las desigualdades educativas en el estudiantado de
Bibliotecología de la UNED Costa Rica, con el propósito de informar políticas
institucionales orientadas a una integración pedagógica equitativa de estas
tecnologías.
2. OBJETIVOS
Objetivo
general
Analizar
cómo el uso y acceso a herramientas de inteligencia artificial incide en la
reproducción o reducción de desigualdades sociales entre estudiantes de
Bibliotecología en la UNED Costa Rica.
Objetivos
específicos
1.
Identificar los
niveles de acceso y uso de herramientas de IA entre los estudiantes.
2.
Analizar las
percepciones estudiantiles sobre la utilidad de la IA en el tratamiento de la
información.
3.
Proponer
recomendaciones para una integración equitativa de la IA en la formación
bibliotecológica.
3. MATERIALES Y MÉTODOS
Con
respecto a la metodología es necesario indicar que esta investigación se
desarrolló desde un enfoque mixto cualitativo–cuantitativo, orientado a
analizar cómo las dimensiones de acceso y la brecha digital en el uso de
herramientas de Inteligencia Artificial por parte de estudiantes de la cátedra
de tratamiento de la información de la Universidad Estatal a Distancia (UNED)
lo que permitió identificar información clave para el desarrollo del estudio.
Enfoque
Esta
investigación se fundamenta bajo un enfoque metodológico mixto cuyo propósito
es analizar cómo el uso y acceso a herramientas de inteligencia artificial (IA)
incide en la reproducción o reducción de desigualdades sociales en estudiantes
de las carreras de Bibliotecología de la Universidad Estatal a Distancia (UNED)
de Costa Rica. La elección del enfoque mixto nace a partir de la necesidad de
complementar datos cuantitativos sobre patrones de acceso y uso de IA con
información cualitativa que permita comprender las experiencias, percepciones y
significados que los estudiantes atribuyen a estas tecnologías en su proceso
formativo.
La
elección del enfoque metodológico y el diseño del instrumento se fundamentan en
investigaciones precedentes sobre el uso de la inteligencia artificial en
educación superior y sobre brecha digital. De la literatura especializada se
retomaron las dimensiones analíticas principales: Vázquez, Martínez y Mendoza
(2020) aportaron el marco tridimensional de la brecha digital (acceso, uso y
apropiación) que guio la construcción de los ítems sobre conectividad,
dispositivos y competencias digitales; Luna Velastegui (2025) orientó la
inclusión de variables socioeconómicas, territoriales y generacionales como
factores mediadores del acceso tecnológico; y los trabajos de Quezada et al.
(2025) y Molina y Medina (2025) sobre percepción estudiantil de la IA en
entornos universitarios informaron el diseño de las escalas Likert sobre
utilidad, confiabilidad y disposición al uso de estas herramientas. Las
dimensiones relativas al costo de suscripciones de IA (tokens, versiones
gratuitas versus de pago) y al riesgo epistémico en la formación
bibliotecológica fueron diseñadas específicamente para este estudio, dado que
no se identificaron instrumentos validados previos que las contemplaran en el
contexto de la educación a distancia centroamericana. Esta articulación entre
el marco teórico y el diseño instrumental garantiza la coherencia entre las
categorías conceptuales y las variables empíricamente medidas.
El
componente cuantitativo se orientó a medir variables relacionadas con el acceso
tecnológico (dispositivos, conectividad, recursos económicos), frecuencia de
uso de herramientas de IA, y percepciones sobre ventajas competitivas y brechas
digitales. El componente cualitativo, integrado mediante preguntas abiertas en
el instrumento, permitió explorar narrativas estudiantiles sobre dimensión de
acceso, modelo de pago de la IA (Creswell y Plano, 2018).
Tipo
de estudio
El
diseño descriptivo busca caracterizar la situación actual de acceso, uso y
percepción de la IA entre los estudiantes en un momento específico del tiempo,
identificando patrones de desigualdad que puedan servir de base para estudios
explicativos posteriores y para la formulación de políticas institucionales más
equitativas (Hernández-Sampieri et al., 2014).
Población
La
población objetivo estuvo conformada por estudiantes matriculados en la Cátedra
de Tratamiento de la Información de las carreras de Bibliotecología de la UNED
Costa Rica durante el periodo académico en que se realizó el estudio. Esta
cátedra fue seleccionada por su naturaleza técnica y procedimental, donde el
uso de herramientas digitales y de IA tiene aplicaciones concretas en procesos
organizaciones de la información y análisis documental.
No
se estableció un marco muestral probabilístico debido a limitaciones de acceso
a listados completos actualizados de estudiantes activos y a la naturaleza
exploratoria del estudio. En su lugar, se optó por un criterio de inclusión
flexible que permitiera captar la mayor diversidad posible de perfiles
estudiantiles dentro de la cátedra.
Muestra
Se
utilizó un muestreo no probabilístico por conveniencia, técnica adecuada para
estudios exploratorios y descriptivos donde el objetivo no es la generalización
estadística a toda la población, sino la identificación de patrones, tendencias
y fenómenos emergentes que puedan informar futuras investigaciones con diseños
confirmatorios (Etikan, 2016).
Los
criterios de inclusión fueron:
1.
Estar matriculado en la Cátedra de Tratamiento de la Información durante el
periodo de estudio (I Cuatrimestre del 2026).
2.
Tener experiencia previa o actual en el uso de herramientas digitales para
tareas académicas.
3.
Consentir voluntariamente su participación en el estudio.
El
tamaño muestral no fue predeterminado de manera estadística, sino que se
definió por el principio de saturación informativa y accesibilidad de
participantes durante el periodo de recolección de datos. Se buscó alcanzar un
mínimo de 50 respuestas completas para permitir análisis descriptivos robustos,
reconociendo las limitaciones de generalización inherentes al diseño no
probabilístico.
Técnicas
de recolección de datos
La
técnica principal de recolección de datos fue la encuesta estructurada,
implementada mediante un cuestionario en línea diseñado en Microsoft Forms
específicamente para este estudio. La selección de esta técnica se fundamenta
en su capacidad para llegar a estudiantes geográficamente dispersos
(característica del modelo a distancia de la UNED), su eficiencia en la
recopilación de datos estandarizados, y la posibilidad de incluir tanto
preguntas cerradas como abiertas que enriquezcan el análisis.
Instrumentos
El
instrumento final incluyó 35 preguntas, combinando escalas de Likert, preguntas
de opción múltiple y preguntas abiertas para capturar narrativas estudiantiles.
Se incluyeron campos opcionales de “¿Por qué?” en preguntas clave para fomentar
la reflexión crítica y obtener datos cualitativos complementarios.
El
cuestionario se implementó mediante Microsoft Forms, plataforma que garantiza
accesibilidad multiplataforma (escritorio, tableta, móvil), permite
validaciones automáticas de respuestas requeridas, y facilita la exportación de
datos en formatos compatibles con software de análisis estadístico (CSV,
Excel).
El
instrumento está organizado en secciones temáticas vinculadas a las variables
centrales de la investigación. En primer lugar, se recopilaron datos generales:
género, grado académico, residencia. En segundo lugar, se incluyeron preguntas
sobre uso de herramienta o aplicación de Inteligencia Artificial (IA),
frecuencia de uso, versiones Inteligencia Artificial, dimensión de acceso y
brecha digital, conectividad y ubicación geográfica, entre otros.
Las
variables centrales del estudio fueron operacionalizadas de la siguiente
manera: (a) acceso tecnológico, medido a través de indicadores de tipo de
dispositivo disponible, calidad de conectividad, zona geográfica de residencia (dentro/fuera del
Gran Área Metropolitana) y necesidad de desplazamiento para acceder a internet;
(b) uso de herramientas de IA, evaluado mediante frecuencia de uso, tipo de
herramienta empleada y versión (gratuita o de pago); (c) percepción de utilidad
y confiabilidad de la IA, medida mediante escala Likert de cinco puntos; (d)
riesgo epistémico, operacionalizado a través de ítems sobre aceptación acrítica
de información generada por IA y detección de referencias bibliográficas
inexistentes; y (e) percepción del rol docente frente a la IA, evaluada
mediante preguntas de opción múltiple y abiertas.
El
proceso de validación del instrumento se desarrolló en dos etapas. En la
primera etapa, de validación de contenido, el cuestionario fue sometido a
revisión por parte de dos expertas en bibliotecología y una especialista en
investigación educativa, quienes evaluaron la claridad de los ítems, la
pertinencia temática de las preguntas y la coherencia de cada ítem con la
variable correspondiente. Las
observaciones recibidas llevaron a reformular cuatro preguntas cuya redacción
podría generar ambigüedad interpretativa y a eliminar dos ítems redundantes. En
la segunda etapa, de revisión de consistencia, se realizó una prueba de
comprensión con tres estudiantes de características similares a la población
objetivo, quienes respondieron el cuestionario e indicaron qué ítems
presentaban dificultades de interpretación; a partir de esta retroalimentación
se ajustó la redacción de tres preguntas adicionales. Si bien no se realizó una
prueba piloto con cálculo de consistencia interna (alfa de Cronbach) dada la
naturaleza exploratoria y descriptiva del estudio, el procedimiento descrito
garantizó la validez de contenido del instrumento antes de su implementación
definitiva.
Fases
de recolección de datos
La
recolección de datos se llevó a cabo en las siguientes fases:
1. Autorización institucional: se solicitó la aprobación
formal de las autoridades académicas de la cátedra y de la Escuela de
Bibliotecología de la UNED para acceder a los estudiantes y difundir el
instrumento a través de canales oficiales.
2. Difusión del instrumento: el enlace al cuestionario se
distribuyó mediante: la plataforma educativa institucional aula virtual
(Moodle) de estudiantes de la cátedra. Se realizaron tres recordatorios a lo
largo de tres semanas para maximizar la tasa de respuesta.
3. Periodo de recolección: el cuestionario estuvo
disponible durante del 15 al 28 de febrero de 2026, permitiendo flexibilidad
horaria acorde con el modelo de estudio a distancia de los participantes.
Análisis
de datos
El
análisis de datos se organizó en tres fases articuladas. En la primera fase, de
análisis cuantitativo, los datos provenientes de las escalas Likert y las
preguntas de opción múltiple fueron procesados con Microsoft Excel, aplicando
estadística descriptiva (frecuencias absolutas, relativas y porcentajes) para
caracterizar las distribuciones de cada variable. Adicionalmente, se
construyeron tablas de contingencia y cruces bivariados entre la variable de
residencia geográfica (dentro/fuera del GAM) y los indicadores clave de acceso
tecnológico, uso de IA y percepción de confiabilidad, con el fin de identificar
patrones diferenciales estadísticamente relevantes.
En
la segunda fase, de análisis cualitativo sistemático, las respuestas a las seis
preguntas abiertas del cuestionario fueron transcritas y codificadas mediante
un proceso de categorización temática inductiva en tres etapas: (1) lectura
flotante de todas las respuestas para identificar ideas recurrentes; (2)
codificación abierta, asignando etiquetas conceptuales a fragmentos
significativos
de
las narrativas estudiantiles; y (3) agrupación de códigos en categorías
temáticas emergentes, barreras económicas, percepciones de utilidad,
estrategias de adaptación y valoración del rol docente. La nube de palabras
(Figura 5) se utilizó como herramienta auxiliar de visualización para
identificar los términos de mayor frecuencia, pero no constituyó el único ni el
principal procedimiento analítico del componente cualitativo. En la tercera
fase, de integración mediante triangulación metodológica, los hallazgos
cuantitativos y cualitativos fueron confrontados sistemáticamente para evaluar
su convergencia o divergencia. Esta triangulación operó en dos niveles:
primero, a nivel de confirmación, cuando las narrativas estudiantiles
reforzaron y enriquecieron los patrones estadísticos identificados (por
ejemplo, los datos sobre barreras económicas al acceso de versiones de pago
fueron ilustrados con testimonios directos que evidenciaban la misma
limitación); y segundo, a nivel de profundización, cuando los datos
cualitativos aportaron matices no capturados por los indicadores cuantitativos
(por ejemplo, la distinción entre “no percibir impacto del costo en el
rendimiento” y “desconocer las capacidades a las que no se tiene acceso” como
formas diferenciadas de desigualdad invisible).
Consideraciones
éticas
El
estudio se desarrolló siguiendo los principios éticos establecidos para la
investigación con participantes humanos en ciencias sociales. La participación
fue estrictamente voluntaria: el cuestionario incluyó un mensaje introductorio
que explicaba los objetivos de la investigación, el carácter anónimo de las
respuestas y el uso exclusivamente académico de los datos, de modo que cada
participante tomó la decisión informada de responder o no sin ninguna presión
institucional. El anonimato fue garantizado por el diseño del instrumento, que
no solicitó nombre, número de matrícula ni ningún dato que permitiera
identificar individualmente a los respondientes; los datos fueron almacenados
de forma agregada y procesados sin vínculos con identidades personales. La
difusión del cuestionario se realizó a través de los canales oficiales de la
cátedra en la plataforma Moodle, con autorización previa de las autoridades
académicas correspondientes. Dado que la investigación se enmarca en un
contexto de aula y no involucra intervenciones experimentales, procedimientos
médicos ni grupos vulnerables con protecciones especiales, no requirió
aprobación formal por un comité de ética institucional; no obstante, los
procedimientos descritos son consistentes con los estándares deontológicos de
la investigación educativa en ciencias sociales (Creswell y Plano Clark, 2018)
4. RESULTADOS
Caracterización
Demográfica del Estudiantado
Antes
de analizar las brechas digitales, es fundamental comprender el perfil
demográfico de la muestra. Se examinan tres dimensiones: la distribución
etaria, la distribución por sexo y la distribución geográfica.
Distribución
por Sexo y Distribución Etaria
La
muestra estuvo conformada por 25 estudiantes activos del curso de análisis I
(correspondiente al primer cuatrimestre) del diplomado de las carreras de
Bibliotecología de la UNED, donde la distribución por sexo mostró una marcada
feminización de la matrícula, con un 68% de mujeres frente un 32% de hombres
(figura 1), lo que constituye un patrón consistente con la tendencia histórica
de las carreras de bibliotecología en América latina (Múnera, 2018). La
distribución etaria evidenció una concentración en el grupo de 18 a 25 años que
corresponde a un 52%, seguido por el rango de 25 a 30 años con 32% y finalmente
el grupo de 30 a 45 años que reflejó un 16%, lo que denota una predominancia
joven del estudiantado (ver figura 2).
Figura
1. Distribución por Sexo de la
Matrícula
Fuente:
Elaboración propia. (2026)
Figura
2. Distribución Etaria del
Estudiantado
Fuente:
Elaboración propia. (2026)
Un
hallazgo relevante desde la perspectiva del territorial fue la distribución
geográfica de la residencia, donde el 64% de los estudiantes del estudio
residen dentro de la Gran Área Metropolitana (GAM), mientras que el 36% habita
en zonas periféricas o rurales fuera de esta región (figura 3). Esta
distribución adquiere relevancia analítica cuando se examina en relación con
las variables de acceso tecnológico y conectividad, bajo este particular la
siguiente subsección toman relevancia para la compresión del análisis
realizado.
Figura
3. Distribución geográfica de la
residencia de los estudiantes
Fuente:
Elaboración propia. (2026)
Brecha
territorial como determinante estructural del acceso
El análisis de
cruces bivariados entre la variable de residencia geográfica (dentro/fuera del
GAM) y los indicadores de acceso tecnológico reveló disparidades
estadísticamente significativas que configuran lo que puede conceptualizarse
como una “brecha territorial de segunda generación”. Esta brecha no se
manifiesta únicamente en la disponibilidad de acceso, dado que la mayoría de
los estudiantes de ambas zonas utiliza IA, sino en las condiciones, calidad y
costos asociados, tomando como referencia la realidad costarricense.
Valoración de
Suscripciones de IA
Los resultados
son contundentes: el 72% de los estudiantes (18 de 25) no ha valorado comprar
una suscripción de IA. Un 16% adicional lo ha considerado, pero manifiesta no
tener los recursos económicos para hacerlo. Apenas el 12% ha valorado
positivamente la compra. Esto configura un escenario donde el 88% del
estudiantado opera exclusivamente con versiones gratuitas, con las limitaciones
que esto conlleva en términos de funcionalidad, velocidad y calidad de
respuestas.
Figura
4. Valoración de Suscripciones de
IA
Fuente:
Elaboración propia. (2026)
Mientras
que ningún estudiante residente dentro del Gran Área Metropolitana manifestó
necesidad de desplazarse físicamente para acceder a internet estable, que le
permita utilizar herramientas de IA, el 33.3% de los estudiantes residentes
fuera del GAM afirmó tener que realizar desplazamientos para garantizar
conectividad adecuada y sostenida. Esta diferencia no constituye una mera
inconveniencia de traslado, sino una barrera material que introduce costos
diferenciales, temporales, económicos y de conciliación de responsabilidades
familiares y laborales, que inciden directamente en las posibilidades de
aprovechamiento pleno académico sostenido de estas tecnologías.
Las
dificultades técnicas en el uso de herramientas digitales también mostraron una
distribución diferencial por zona geográfica. Entre los estudiantes fuera del
GAM, el 44.4 % reportó experimentar dificultades técnicas frecuentes, una
proporción que triplica la observada entre estudiantes urbanos, donde solo el
12.5% manifestó este tipo de obstáculos.
Análisis
Cualitativo: Nube de Palabras
Figura
5. Nube de palabras de las respuestas sobre valoración de
suscripción de IA.
Fuente:
Elaboración propia. (2026)
La
nube de palabras revela los términos más frecuentes en las respuestas abiertas:
“suscripción”, “ingreso”, “momento”, “trabajo”, “dinero” y “lujo” dominan el
panorama. Los testimonios son elocuentes: un estudiante indica que “pagar una
suscripción de una IA sería un lujo”; otro señala que “no tiene ingresos ni
trabajo”; y un tercero destaca que “algunas suscripciones son elevadas y no se
cuenta con el ingreso económico”. Estas respuestas evidencian que la barrera no
es de percepción de utilidad, sino estrictamente económica.
Rendimiento
Académico y Costo de IA
La
autopercepción del estudiantado sobre el impacto del costo de la IA en su
rendimiento académico presenta una paradoja interpretativa relevante: la
mayoría no reconoce una limitación directa, a pesar de que la evidencia
estructural sobre las restricciones de las versiones gratuitas sugiere lo
contrario. Este fenómeno puede explicarse por dos razones complementarias: en
primer lugar, los estudiantes han desarrollado estrategias de adaptación que
les permiten obtener resultados suficientes con las herramientas disponibles;
en segundo lugar, y más críticamente, es posible que no dimensionen plenamente
las capacidades a las que no tienen acceso, lo que constituye en sí mismo una
forma de desigualdad invisible. La desventaja no percibida es particularmente
preocupante en un contexto formativo, pues impide que el estudiantado demande
condiciones más equitativas de acceso tecnológico.
Figura
6. Percepción del impacto del
costo de IA en el rendimiento académico.
Fuente:
Elaboración propia. (2026)
Escepticismo
académico fundamentado en experiencias negativas
Contrario
a lo que podría esperarse en un contexto de alta adopción tecnológica, el
estudiantado exhibió un marcado escepticismo respecto a la confiabilidad
epistémica de las herramientas de IA. El 60% de los estudiantes la califican
como “poco confiable” en términos de la exactitud y validez de la información
que proporciona, mientras solo el 24% la consideró “confiable” y apenas el 16%
la evaluó como “muy confiable” (Figura 7). Esta distribución de percepciones
sugiere que la experiencia de uso no ha generado una confianza epistémica
robusta en estos sistemas.
Figura
7. Percepción de Confiabilidad de
las Herramientas de IA
Fuente: Elaboración propia. (2026)
Este escepticismo encuentra
fundamentación empírica en experiencias concretas de inexactitud. El 64% del
estudiantado manifestó haber detectado referencias bibliográficas inventadas o
inexistentes en las respuestas proporcionadas por herramientas de IA, un
fenómeno conocido en la literatura técnica como “alucinaciones” de los modelos
de lenguaje (Ji et al., 2022). Esta detección de falsedades no es un indicador
de incompetencia del estudiantado, sino, paradójicamente, de su capacidad
crítica para contrastar fuentes y validar información, competencia central en
la formación bibliotecológica. Coherentemente con este escepticismo, el 88% de los
estudiantes manifestó preferir la construcción manual de bibliografías
académicas en lugar de delegar esta tarea a sistemas de IA. Esta preferencia no
debe interpretarse como resistencia tecnológica o conservadurismo pedagógico,
sino como una estrategia racional de garantía de calidad académica fundamentada
en la experiencia directa de las limitaciones de estos sistemas.
Bibliografías:
Manuales vs. Generadas con IA
Figura
8. Preferencia entre
bibliografías manuales y generadas con IA.
Fuente:
Elaboración propia. (2026)
La
marcada preferencia por la construcción manual de referencias a través de bases
de datos institucionales como SIBDI o SIDRE no debe interpretarse como
resistencia tecnológica, sino como una respuesta racional y fundamentada ante
la experiencia documentada de fallas en la fiabilidad de la IA. Este resultado
es coherente con la formación bibliotecológica, que históricamente ha
enfatizado la verificación rigurosa de fuentes como competencia profesional
central. Más aún, evidencia que el estudiantado aplica criterios de evaluación
crítica de herramientas informativas, precisamente la competencia que define al
profesional de la información. El dato adquiere especial relevancia si se
considera que la tendencia contraria, confiar en referencias generadas por IA
sin verificación, representa un riesgo epistémico directo para el ejercicio
profesional futuro.
La
inteligencia artificial como complemento, no como sustituto docente
Con
respecto a la inteligencia artificial como complemento, el 84% del estudiantado
afirmó categóricamente que la Inteligencia Artificial no puede ni debe
sustituir la función docente. Este posicionamiento mayoritario no implica un
rechazo absoluto de la tecnología, sino una comprensión matizada de sus roles,
alcances y limitaciones en el proceso educativo. Los datos cualitativos
recogidos mediante preguntas abiertas sugieren que la IA es valorada
principalmente como un recurso de acompañamiento asíncrono que compensa las
limitaciones estructurales de la educación a distancia, particularmente en
contextos donde la respuesta tutorial no es inmediata.
En
este sentido, la IA cumple una función que puede caracterizarse como “paliativa”
más que “innovadora”, no transforma la pedagogía ni mejora cualitativamente los
procesos de aprendizaje, sino que ofrece una respuesta, limitada y de calidad
variable, ante deficiencias institucionales en los tiempos de retroalimentación
docente y en la disponibilidad de acompañamiento sincrónico. Esta
interpretación se refuerza con el hallazgo de que el 71.4% de los estudiantes
con alta vulnerabilidad digital manifestó que la IA les proporciona “acompañamiento”
en sus procesos de aprendizaje, una proporción significativamente mayor que el
40% observado en el grupo de baja vulnerabilidad.
IA
y Comprensión del Proceso de Aprendizaje
Figura
9. Percepción de la IA como
herramienta para comprender la lógica del proceso académico.
Fuente:
Elaboración propia. (2026)
La
opinión está dividida equitativamente: el 44% siente que la IA le ayuda “Mucho”
a entender mejor la lógica del proceso, otro 44% dice que “Poco”, y el 12%
restante indica “Nada”. Esta polarización sugiere que el impacto pedagógico de
la IA depende fuertemente del uso que cada estudiante le dé y del tipo de
tareas para las que la emplee.
Rol
del Docente frente a la IA: IA como Herramienta de Acompañamiento
Figura
10. Percepción de la IA como
herramienta de acompañamiento en el aprendizaje a distancia.
Fuente:
Elaboración propia. (2026)
El
56% de los estudiantes siente que tener acceso a la IA en cualquier momento le
hace sentir más acompañado en su proceso de aprendizaje. El 44% restante no
comparte esta percepción. Para una universidad a distancia como la UNED, donde
el aislamiento del estudiante es un desafío estructural, la IA está cumpliendo
un rol complementario relevante como “compañero de estudio” disponible las 24
horas.
¿La
IA Sustituye al Docente?
Figura
11. Percepción sobre si la IA
sustituye la interacción con el docente.
Fuente:
Elaboración propia. (2026)
La
respuesta es contundente: el 84% de los estudiantes (21 de 25) afirma que la IA
NO sustituye la necesidad de interactuar con el docente o con otros
estudiantes. Solo el 16% considera que sí lo hace. Este hallazgo es alentador
desde la perspectiva pedagógica: los estudiantes reconocen el valor
insustituible del contacto humano en la educación.
La
IA, en este contexto, no democratiza el acceso al conocimiento, sino que
funciona como un sustituto de baja calidad de los apoyos académicos que otros
estudiantes en mejores condiciones estructurales sí poseen.
Riesgo
epistémico en la formación de profesionales de la información
Un
hallazgo de especial preocupación desde la perspectiva de la formación
profesional es que el 40% del estudiantado manifestó que aceptaría información
proporcionada por la IA sin validarla críticamente si carece de conocimientos
previos sobre el tema consultado. Este dato adquiere particular importancia
cuando se considera que se trata de estudiantes de Bibliotecología, es decir,
futuros profesionales de la información cuya función social incluye
precisamente la evaluación crítica de fuentes, la alfabetización informacional
y la mediación entre usuarios y sistemas de información.
Si
dos de cada cinco estudiantes de bibliotecología consideran legítimo aceptar
información sin contrastarla cuando desconoce el tema, ¿qué garantías existen
de que ejercerán críticamente su rol profesional de curación y validación de
información cuando se desempeñen en bibliotecas, centros de documentación o
servicios de referencia?
Este
hallazgo sugiere la necesidad urgente de fortalecer transversalmente en el
currículo las competencias de pensamiento crítico, verificación de fuentes y
alfabetización en IA, no como contenidos técnicos complementarios, sino como
componentes centrales de la identidad profesional bibliotecológica en el
contexto de la proliferación de sistemas automatizados de generación de
información.
5. DISCUSIÓN
La
IA como amplificadora de desigualdades estructurales
Los
datos analizados permiten responder de manera categórica a la pregunta central
de investigación: en el contexto del Diplomado de las carreras de
Bibliotecología de la UNED, las herramientas de Inteligencia Artificial están
operando como dispositivos de amplificación de desigualdades estructurales
preexistentes, más que como tecnologías democratizadoras del acceso al
conocimiento.
Esta
conclusión se fundamenta en la convergencia de múltiples indicadores que
documentan sistemáticamente que los estudiantes en situación de mayor
desventaja socioeconómica y territorial experimentan condiciones de acceso, uso
y aprovechamiento de la IA cualitativamente distintas y significativamente
peores que aquellas experimentadas por estudiantes en condiciones más
favorables.
Discusión
de los resultados
Los
hallazgos de esta investigación presentan una paradoja que merece ser
problematizada teóricamente, ¿cómo es posible que una tecnología con una
penetración del 92% en la población estudiantil opere simultáneamente como un
factor de amplificación de desigualdades? Esta paradoja desafía las narrativas
tecno-optimistas que asumen automáticamente que la democratización del acceso
tecnológico conduce a la democratización de oportunidades educativas.
Los
resultados obtenidos presentan tanto convergencias como matices respecto a
investigaciones previas. La constatación de que el 92% del estudiantado utiliza
herramientas de IA es consistente con la tendencia global documentada por
Quezada et al. (2025) y Molina y Medina (2025), quienes señalan la penetración
acelerada de estas tecnologías en entornos educativos universitarios. Sin
embargo, mientras dichos estudios tienden a enfatizar el potencial
democratizador de la IA, los datos de esta investigación evidencian que la alta
adopción no se traduce automáticamente en condiciones equitativas de uso, en
línea con las advertencias de Farahani y Ghasemi (2024) sobre los riesgos de
profundización de desigualdades. La brecha territorial identificada —donde el 33,3%
de estudiantes rurales debe desplazarse para acceder a conectividad estable—
coincide con los hallazgos de Vázquez, Martínez y Mendoza (2020), quienes
documentan que las dimensiones de acceso y uso de la brecha digital operan de
manera diferenciada según factores socioeconómicos y geográficos. Asimismo, el
escepticismo del 60% del estudiantado hacia la fiabilidad de la IA y la
detección de referencias fabricadas por el 64% de los participantes conecta
directamente con los planteamientos de Clark et al. (2025) sobre el uso
superficial o instrumental de estas herramientas sin las competencias para
evaluarlas críticamente. A diferencia de estudios en contextos con mayor
infraestructura digital, como los revisados por Chalkiadakis et al. (2024), la
presente investigación documenta que en contextos de desigualdad estructural
preexistente, la IA actúa como amplificador de brechas y no como nivelador,
hallazgo que refuerza la pertinencia del marco teórico de la reproducción
social de Bourdieu y Passeron (1977) para analizar el fenómeno tecnológico
educativo en América Latina.
La
resolución de esta paradoja requiere comprender que la equidad en el ecosistema
digital no se agota en la universalización del acceso, sino que depende
críticamente de las condiciones estructurales en las que ese acceso ocurre. En
el contexto estudiado, todos los estudiantes “usan” IA, pero las condiciones,
recursos, competencias y resultados asociados a ese uso son profundamente
desiguales.
Esta
observación es consistente con los planteamientos teóricos de la “tercera
brecha digital” (Van Deursen y Helsper, 2015), que sostienen que las
desigualdades contemporáneas en el ecosistema digital no residen primariamente
en el acceso físico a tecnologías, sino en las capacidades, competencias y
contextos de uso que permiten traducir ese acceso en resultados tangibles de bienestar,
aprendizaje o movilidad social.
En
el caso específico de las herramientas de IA aplicadas a la educación, esta
investigación documenta que la mera disponibilidad tecnológica puede incluso
profundizar desigualdades cuando se implementa en contextos estructuralmente
desiguales sin las mediaciones pedagógicas, formativas e infraestructurales
necesarias para garantizar un aprovechamiento equitativo.
El
mecanismo causal identificado en esta investigación, caracterizado como un
círculo vicioso de amplificación de desigualdades, no debe interpretarse como
un conjunto de deficiencias individuales, sino como la manifestación de un
problema estructural que requiere respuestas sistémicas.
El
perfil predominante de los estudiantes con alta vulnerabilidad digital, mujeres
de zonas rurales con limitaciones económicas, no es aleatorio, sino que refleja
la sedimentación de desigualdades históricas de género, territorio y clase
socioeconómica que anteceden y trascienden el fenómeno específico de la
inteligencia artificial. La IA, lejos de interrumpir estas desigualdades
estructurales, las reproduce y amplifica a través de nuevos mecanismos.
Este
hallazgo es coherente con los planteamientos de la teoría de la reproducción
social (Bourdieu y Passeron, 1977), que sostiene que las instituciones
educativas, lejos de operar como mecanismos de movilidad social, tienden a
reproducir las desigualdades de origen de sus estudiantes cuando operan en
contextos de desigualdad estructural sin políticas explícitas de compensación
de desventajas.
En
el caso de las tecnologías educativas emergentes, esta reproducción ocurre
porque los estudiantes que llegan a la educación superior con mayores capitales
económicos, culturales y tecnológicos están sistemáticamente mejor posicionados
para aprovechar las nuevas herramientas, mientras que aquellos que llegan con
menores recursos enfrentan barreras adicionales que limitan su capacidad de
beneficiarse de las mismas oportunidades formalmente disponibles para todos.
El
hallazgo de que el 40% de los estudiantes de Bibliotecología aceptaría
información proporcionada por IA sin validarla críticamente cuando desconocen
el tema tiene implicaciones profundas para la reflexión sobre la identidad y
función social de los profesionales de la información en el siglo XXI.
Tradicionalmente,
la bibliotecología se ha definido profesionalmente por su competencia
distintiva en la evaluación, organización, preservación y mediación de
información confiable. En un ecosistema informacional saturado de contenidos
generados automáticamente, muchos de ellos epistémicamente cuestionables, esta
competencia adquiere una relevancia renovada y crítica.
6. CONCLUSIONES
Es
importante reconocer que los resultados de esta investigación tienen un alcance
contextual específico. El tamaño muestral de 25 estudiantes y el muestreo no
probabilístico por conveniencia limitan la posibilidad de generalización
estadística a la totalidad del estudiantado de Bibliotecología de la UNED. Los
hallazgos deben interpretarse como tendencias emergentes que requieren
confirmación mediante estudios con muestras más amplias y diseños
confirmatorios.
La
integración de herramientas de Inteligencia Artificial en la educación superior
representa simultáneamente una oportunidad y un riesgo. La oportunidad reside
en la posibilidad de que estas tecnologías potencien procesos de aprendizaje,
faciliten el acceso a información y apoyen la realización de tareas académicas
complejas. El riesgo, documentado empíricamente en esta investigación, es que,
en contextos de desigualdad estructural, la mera disponibilidad tecnológica
puede profundizar brechas educativas en lugar de reducirlas.
La
diferencia entre que la IA opere como factor de democratización o como
dispositivo de amplificación de desigualdades no reside en las características
intrínsecas de la tecnología, sino en las decisiones institucionales,
pedagógicas y políticas que median su implementación. Una integración
equitativa de la IA en la educación superior requiere intervenciones integrales
que articulen tres dimensiones inseparables: infraestructura material que
garantice acceso de calidad para todos, formación crítica que desarrolle
competencias de evaluación y uso responsable, y rediseño pedagógico que
incorpore estas herramientas como complementos del acompañamiento humano, nunca
como sustitutos.
La
equidad en la era de la Inteligencia Artificial no se logrará mediante la
provisión técnica de acceso universal, sino mediante la construcción de
condiciones estructurales, formativas y pedagógicas que permitan que todos los
estudiantes, independientemente de su ubicación geográfica, género, nivel
socioeconómico o capital tecnológico previo, puedan aprovechar críticamente
estas herramientas para potenciar su aprendizaje, desarrollar su autonomía
intelectual y ejercer plenamente su derecho a una educación de calidad.
A
partir de los hallazgos, se proponen las siguientes recomendaciones para una
integración equitativa de la IA en la formación bibliotecológica: (1) que la
UNED desarrolle políticas institucionales de conectividad que garanticen acceso
de calidad para estudiantes en zonas rurales o periféricas; (2) que se
incorpore de forma transversal en el currículo de Bibliotecología un módulo de
alfabetización en IA con énfasis en pensamiento crítico, verificación de
fuentes y uso ético de estas herramientas; (3) que se evalúe la posibilidad de
proveer licencias institucionales de herramientas de IA a estudiantes con
limitaciones económicas; y (4) que se realicen estudios periódicos para
monitorear la evolución de la brecha digital asociada al uso de IA en el
contexto de la educación a distancia.
7. AGRADECIMIENTOS
8. CITAS Y REFERENCIAS BIBLIOGRÁFICAS
Ahmed, M. I., Spooner, B., Isherwood, J., Lane, M.,
Orrock, E., y Dennison, A. (2023). A systematic review of the barriers to the
implementation of artificial intelligence in healthcare. Cureus, 15(10).
https://doi.org/10.7759/cureus.46454
Bourdieu, P., y Passeron, J.
(1977). Reproduction in education, society and culture. Sage
Publications. https://monoskop.org/images/8/82/Bourdieu_Pierre_Passeron_Jean_Claude_Reproduction_in_Education_Society_and_Culture_1990.pdf
Calderón Badilla, Y., y Ulate Sánchez, R. (2020).
Caracterización de la evaluación de los aprendizajes en una universidad con
modalidad a distancia: el caso de la Universidad Estatal a Distancia (UNED) -
2017. Revista Ensayos Pedagógicos, 15(2), 173–192. https://doi.org/10.15359/rep.15-2.8
Chalkiadakis, A., Seremetaki,
A., Kanellou, A., Kallishi,
M., Morfopoulou, A., Moraitaki, M., y Mastrokoukou, S. (2024). Impact of artificial intelligence and virtual reality
on educational inclusion: A systematic review of technologies supporting
students with disabilities. Education Sciences, 14(11), 1223. https://doi.org/10.3390/educsci14111223
Clark, A. K., Hirt, A., Whitcomb, D. H., Thompson, W.,
Wine, M., y Karvonen, M. (2025). Artificial intelligence in science and
mathematics assessment for students with disabilities: Opportunities and
challenges. Education Sciences, 15(2). https://doi.org/10.3390/educsci15020233
Creswell, J. W., y Plano Clark, V. L. (2018). Designing
and conducting mixed methods research (3.ª ed.). SAGE Publications.
Etikan, I., Musa, S. A., y Alkassim, R. S. (2016). Comparison of convenience sampling and purposive
sampling. American Journal of Theoretical and Applied Statistics, 5(1).
https://doi.org/10.11648/j.ajtas.20160501.11
Eziamaka, N., Odonkor, T., y Akinsulire, A. (2024). AI-driven accessibility: Transformative software
solutions for empowering individuals with disabilities. International
Journal of Applied Research in Social Sciences, 6(8), 1612-1641. https://doi.org/10.51594/ijarss.v6i8.1373
Farahani, M. S., y Ghasemi, G. (2024). Artificial intelligence and inequality: Challenges and
opportunities. Qeios. https://doi.org/10.32388/7hwuz2
Hernández-Sampieri, R., Fernández-Collado, C., y
Baptista-Lucio, P. (2014). Metodología de la investigación (6.ª ed.).
McGraw-Hill.
Li, Y., Li, Y., Wei, M., y Li, G. (2024). Innovation and challenges of artificial intelligence
technology in personalized healthcare. Scientific
Reports, 14(1), 18994. https://doi.org/10.1038/s41598-024-70073-7
Laínez, F., Arriaga, M., Cueva, K., y Tituana, G. (2025). El rol de la IA en la educación a
distancia: retos y oportunidades. Revista Imaginario Social, 8(1).
https://doi.org/10.59155/is.v8i1.277
Luna Velastegui, A. (2025). Brecha digital y su
incidencia en la educación básica superior en Quisapincha,
Tungurahua: Estudio sobre el acceso a la tecnología y desarrollo de
competencias 2024 [Tesis de posgrado, Universidad Nacional de La Plata]. https://www.memoria.fahce.unlp.edu.ar/tesis/te.3277/te.3277.pdf
Ji, Z., Lee, N., Frieske,
R., Yu, T., Su, D., Xu, Y.,
Ishii, E., Bang, Y. J., Madotto, A., y Fung, P. (2023). Survey of hallucination in natural language
generation. ACM Computing Surveys, 55(12), 1–38. https://doi.org/10.1145/3571730
Martínez-Márquez, M. A. (2025). Inteligencia
artificial y educación. Revista Docentes 2.0, 18(1), 245–257. https://doi.org/10.37843/rted.v18i1.614
Molina, E., y Medina, E. (2025). La revolución de
la IA en educación superior: lo que hay que saber. Banco Mundial. https://documents1.worldbank.org/curated/en/099809404152514027/pdf/IDU-91d6e888-fcbd-4694-ac88-18bcae998934.pdf
Múnera, M. (2018). Algunas tendencias de la formación
bibliotecológica en América Latina. Investigación Bibliotecológica
Archivonomía Bibliotecología E Información, 32(74), 101. https://doi.org/10.22201/iibi.24488321xe.2018.74.57912
Osonuga, A., Osonuga, A., Fidelis,
S., Osonuga, G., Juckes, J., y Olawade,
D. (2025). Bridging the digital divide: artificial intelligence as a catalyst
for health equity in primary care settings. International Journal of Medical
Informatics, 204, 106051. https://doi.org/10.1016/j.ijmedinf.2025.106051
Peres,
W., y Hilbert, M. (Eds.). (2009). La sociedad de la información en América
Latina y el Caribe: desarrollo de las tecnologías y tecnologías para el
desarrollo. CEPAL. https://www.cepal.org/es/publicaciones/2537-la-sociedad-la-informacion-america-latina-caribe-desarrollo-tecnologias
Quezada
Tumalli, K. A., Saquisilli Bajaña, I. M., Kanki
Peñafiel, M. A., y Macías Baldeon, D. P. (2025). La inteligencia artificial y
la producción científica en el campo de la educación. Una revisión
sistemática. RECIMUNDO, 9(2), 141–159. https://doi.org/10.26820/recimundo/9.(2).abril.2025.141-159
Santistevan Sotomayor, D. L., Tapia Villarreal, L. del
R., Orellana Acosta, K. E., Peñafiel García, R. Y., & Córdova Hernández, S.
J. (2025). La inteligencia artificial como herramienta de Inclusión Educativa:
Adaptación de Materiales para estudiantes con Necesidades Especiales. Educational Regent Multidisciplinary Journal, 2(4), 1-15. https://doi.org/10.63969/3qz4sd35
Schmelzer, R. (2026, 25 de abril).
The AI subscription buffet may not last much longer. Forbes. https://www.forbes.com/sites/ronschmelzer/2026/04/24/the-ai-subscription-buffet-may-not-last-much-longer/
Silgado-Tuñón, J., y López-Flores, R. (2024). El rol
de la inteligencia artificial en la enseñanza universitaria. Innovarium, (1), 55–68. https://revinde.org/index.php/innovarium/article/download/55/56/230
Soto, S., y Tencio, C. (2018). Estudiantes a distancia
en regiones agrícolas y costeras de Costa Rica: características
socio-demográficas, preferencias y acceso a tecnologías. Cuadernos de
Investigación UNED, 10(1), 209–213. https://doi.org/10.22458/urj.v10i1.2028
Van Deursen, A. J., y Helsper, E. J. (2015). The third-level digital divide: Who benefits most from
being online? Communication and Information Technologies Annual, 10,
29–53. https://www.emerald.com/books/edited-volume/11159/chapter-abstract/80957701/The-Third-Level-Digital-Divide-Who-Benefits-Most?redirectedFrom=fulltext
Vázquez Arango, M. de L., Martínez Helmes, A., y
Mendoza Solano, M. M. (2020). Aproximación teórica de la brecha digital en el
contexto universitario de Oaxaca. En S. de la Vega Estrada, R. E. Rózga Luter, y G. del C. Hoyos Castillo (Coords.), Factores
críticos y estratégicos en la interacción territorial: desafíos actuales y
escenarios futuros (Vol. III). Universidad Nacional Autónoma de México;
Asociación Mexicana de Ciencias para el Desarrollo Regional A.C. http://ru.iiec.unam.mx/5157/1/3-116-Vazquez-Martinez-Mendoza.pdf