Tipo de artículo: Artículo original

Fecha de recibido: 24/05/2026

Fecha de aceptado: 27/07/2026

Fecha de publicado: 10/08/2026

Introducción

La masificación de las herramientas de Inteligencia Artificial Generativa (IAG) en las instituciones de educación superior ha reconfigurado radicalmente las dinámicas de producción, evaluación y certificación del conocimiento académico (González-Videgaray et al., 2026; López Pérez et al., 2026). Desde la apertura pública de modelos abiertos como ChatGPT en noviembre de 2022, la disponibilidad de plataformas capaces de sintetizar y generar lenguaje natural ha perturbado nociones históricas fundamentales como la autoría, la originalidad y la integridad académica (López Pérez et al., 2026; Perkins, 2023).

En el marco de la investigación formativa universitaria, el problema central radica en que los estudiantes enfrentan serias limitaciones al procesar lecturas científicas densas, invirtiendo la mayor parte de su tiempo en tareas mecánicas y operativas —como organizar, almacenar o comparar manualmente múltiples archivos PDF— en lugar de concentrarse en la interpretación y el análisis crítico. A este nudo crítico se suma la vulnerabilidad ética derivada de los modelos de arquitectura abierta: el fenómeno denominado "alucinación de datos" (Ji et al., 2023; Ruiz Muñoz et al., 2025). Estos algoritmos, al predecir secuencias de texto plausibles en lugar de verificar hechos, tienden a inventar fuentes, alterar datos estadísticos y fabricar referencias bibliográficas inexistentes hasta en un 18% a 25% de los casos (Ji et al., 2024; Ruiz Muñoz et al., 2025). Esta falla induce al estudiantado a incurrir en conductas de plagio involuntario y falta de rigurosidad al confiar en resúmenes automáticos sin trazabilidad directa. Frente a este escenario, investigaciones previas han abordado el problema desde diversas aristas. Por un lado, organismos internacionales como la UNESCO (2021) y la OCDE (2024) han promulgado principios orientadores sobre transparencia, supervisión humana e integridad informacional, enfatizando la urgencia de regular la IAG en las aulas antes de su adopción desregultada (López Pérez et al., 2026). Por otro lado, la literatura especializada reciente distingue entre cambios discursivos (reglamentos, códigos de conducta o declaraciones de uso) y cambios estructurales en las prácticas evaluativas (López Pérez et al., 2026).

Como sostienen López Pérez et al. (2026) y Moya y Eaton (2024), la mayoría de las respuestas institucionales en América Latina han sido reactivas, sancionatorias y discursivas, resultandos insuficientes para gobernar tecnologías que difuminan la frontera entre la producción humana y la automatizada. Frente a las limitaciones de las respuestas punitivas y los riesgos de las herramientas abiertas, se plantea la hipótesis de trabajo: si se integra de manera guiada un asistente de inteligencia artificial basado en un modelo de fuentes cerradas o anclaje de datos (grounding) —como NotebookLM—, es posible eliminar las citas apócrifas, garantizar la trazabilidad bibliográfica inmediata de cada afirmación y optimizar la dedicación horaria del estudiante hacia el análisis crítico y la honestidad académica (Torquemada Vidal et al., 2026). En este contexto, el objetivo general de esta investigación es evaluar la precisión en la citación bibliográfica y la preservación de la integridad académica alcanzadas mediante la integración de un asistente de IA de fuentes cerradas (NotebookLM) en los procesos de investigación formativa de estudiantes universitarios de pregrado.

La justificación de este estudio reside en la necesidad imperiosa de transitar hacia un enfoque formativo de la integridad académica (Eaton, 2024). En lugar de prohibir la tecnología o depender de detectores de plagio por IA que han demostrado altas tasas de falsos positivos y sesgos severos contra hablantes no nativos (Hines, 2023; Mir & Pablo-Martí, 2025), resulta indispensable validar empíricamente herramientas de grounding que actúen como un andamiaje técnico transparente. Este enfoque dota al estudiante de competencias para interactuar responsablemente con los algoritmos sin perder el rigor metodológico exigido en sus trabajos de titulación (Ampuero Herrera et al., 2025).

Integridad académica, el plagio por IA y la obsolescencia de los detectores automáticos.

La integridad académica se concibe como el cumplimiento de principios éticos, profesionales y estándares que guían las decisiones en la educación y la investigación (López Pérez et al., 2026). Tradicionalmente, la respuesta universitaria frente al fraude se ha centrado en la detección de coincidencias textuales mediante software como Turnitin o Urkund (vanderLinde & Mera Cury, 2023). Sin embargo, la IAG introduce la dimensión del AI-giarismo o plagio de agencia (Torassa Colombero et al., 2025), donde el estudiante subcontrata el esfuerzo intelectual al algoritmo sin copiar explícitamente un texto preexistente (González-Videgaray et al., 2026; Perkins, 2023). La evidencia empírica acumulada entre 2023 y 2026 demuestra que los detectores automatizados de texto por IA no son confiables: registran tasas de aciertos inferiores al 50%, son fácilmente eludibles mediante paráfrasis o prompts de humanización, y presentan sesgos discriminatorios hacia autores que escriben en una segunda lengua (Hines, 2023; Mir & Pablo-Martí, 2025). Por ende, la gobernanza de la IA en la educación superior exige abandonar la vigilancia reactiva e incorporar modelos de grounding que garanticen la trazabilidad cita-fuente por diseño (López Pérez et al., 2026; Torquemada Vidal et al., 2026).

La arquitectura de fuentes cerradas (grounding) y la lectura distante con NotebookLM

A diferencia de los Grandes Modelos de Lenguaje (LLM) de propósito general que navegan abiertamente en el ciberespacio, el modelo de grounding o anclaje de datos restringe el campo de generación algorítmica de forma estricta a un corpus cerrado de documentos provisto e inspeccionado directamente por el usuario (Sánchez et al., 2025). En este paradigma destaca NotebookLM, un entorno inteligente de Google que opera sobre los archivos (PDFs, notas, artículos) cargados en el cuaderno digital del estudiante. Esta herramienta facilita la "lectura distante" (Artopoulos, 2025), permitiendo interrogar grandes volúmenes de literatura científica sin perder la procedencia de los datos. Cada respuesta, resumen o guía de estudio generada por el asistente incluye un anclaje directo (cita computable) que remite a la página y párrafo exactos del documento original. De este modo, se elimina el riesgo de alucinaciones y se provee una verificación bibliográfica transparente y auditable (Torquemada Vidal et al., 2026).

Materiales y métodos

Enfoque, objeto y sujeto de estudio

Se aplicó una investigación de enfoque cuantitativo, diseño descriptivo-propositivo y corte transversal. Se estudió el nivel de precisión en la citación bibliográfica, las dificultades en el manejo de la literatura científica y la adopción de la herramienta de fuentes cerradas NotebookLM. La población de estudio estuvo conformada por los estudiantes de sexto semestre de la Carrera Educación de la Universidad Estatal del Sur de Manabí (UNESUM), Ecuador. Se trabajó con una muestra no probabilística por conveniencia que incluyó a estudiantes matriculados en ese nivel (N = 171 estudiantes), elegidos por encontrarse en la fase decisiva de la introducción a la investigación formativa y la preparación de los borradores de su trabajo de grado.

Procedimiento, recolección y análisis de datos

El proceso se desarrolló en cuatro fases estructuradas (Ampuero Herrera et al., 2025)

· Diseño del instrumento: Se estructuró un test diagnóstico de 10 reactivos con opciones múltiples ordenadas categóricamente. El instrumento evaluó cuatro dimensiones: a) Gestión documental y dificultades operativas; b) Hábitos de estudio y creación de recursos; c) Percepción y uso previo de la IA; y d) Capacidad analítica frente a la lectura científica. Las opciones de respuesta funcionaron simultáneamente como un andamiaje de inducción pedagógica hacia la arquitectura de fuentes cerradas.

· Aplicación y protocolo ético: El test se administró en formato digital asistido. La participación fue voluntaria e informada, garantizando el anonimato de los datos bajo los principios de integridad de la Declaración de Helsinki y las normativas institucionales de la UNESUM (López Pérez et al., 2026)

· Fase de experimentación asistida con NotebookLM: Se capacitó al alumnado en la creación de cuadernos digitales cargando corpus cerrados de literatura en PDF. Se instruyó en la formulación de consultas analíticas utilizando la estructura C.R.A.F.T. (Contexto, Rol, Acción, Formato, Tono) (Ampuero Herrera et al., 2025) y en la verificación sistemática del anclaje cita-fuente.

· Procesamiento estadístico: Los datos recopilados fueron tabulados y analizados en Microsoft Excel mediante estadística descriptiva (frecuencias absolutas y porcentajes). Se realizaron evaluaciones comparativas de calidad de texto y precisión de citado entre productos generados por modelos abiertos, borradores sin IA y producciones híbridas basadas en NotebookLM.

Resultados y discusión

Dificultades operativas en la gestión documental y la citación

Los datos tabulados en la Tabla 1 revelan que el 93% de los estudiantes experimenta obstáculos severos durante la revisión de la literatura científica.

Tabla 1. Dificultades operativas en la gestión documental y análisis de textos científicos

Opciones de respuesta	Frecuencia (f)	Porcentaje (%)
Organizar y centralizar todos los archivos en un solo lugar de manera eficiente	62	36,3%
El tiempo que toma leer y contrastar la información entre diferentes autores	55	32,2%
Extraer citas textuales exactas y estructurar las referencias bibliográficas	42	24,6%
No suelo tener dificultades en este proceso	12	7,0%
Total	171	100%

Estos hallazgos coinciden con lo reportado por Ruiz Muñoz et al. (2025), quienes identificaron que la redacción y organización bibliográfica consume hasta un 53% más de tiempo cuando se realiza por métodos manuales tradicionales. Al centralizar los documentos en NotebookLM, el 36,3% que sufría por el caos logístico logra unificar sus fuentes en un cuaderno inteligente. Asimismo, la función de trazabilidad resuelve la extracción de citas exactas (24,6%), permitiendo que el estudiante verifique en segundos el párrafo original en lugar de agotar su energía en la carpintería documental.

Adopción latente y la necesidad de andamiaje pedagógico

Al evaluar el nivel de conocimiento previo sobre NotebookLM (Tabla 2), se constató un marcado campo de acción para la alfabetización digital institucional.

Tabla 2. Nivel de conocimiento y uso previo de la herramienta NotebookLM

Opciones de respuesta	Frecuencia (f)	Porcentaje (%)
No la conozco en absoluto, pero utilizo otros asistentes de IA	61	35,7%
He escuchado hablar de ella o he visto videos, pero no sé cómo aplicarla a mis estudios	60	35,1%
Sí, la conozco y la utilizo frecuentemente como mi cuaderno de estudio digital	26	15,2%
No la conozco y prefiero los métodos de estudio tradicionales	24	14,0%
Total	171	100,0%

El 70,8% del estudiantado se encuentra en un estado latente de adopción (desconoce la herramienta o solo tiene referencias superficiales). Esta brecha concuerda con lo documentado por Potvin (2025) e Hidalgo y Villán (2024), quienes señalan que, aunque los estudiantes usan tecnologías generativas de forma intuitiva, carecen de formación sobre el uso ético y la verificación de contenidos en la enseñanza de lenguas y ciencias sociales.

Evaluación de la calidad del texto y precisión en la citación

Para contrastar la efectividad del modelo de grounding, se evaluó la calidad de la producción escrita según tres modalidades de elaboración, utilizando la rúbrica adaptada de Zhang et al. (2023) y Ruiz Muñoz et al. (2025).

Tabla 3. Evaluación comparativa de la calidad de textos y citación según modalidad de elaboración (Escala 1 a 5).

Criterio de evaluación	Redacción Humana Pura (SD)	IA Abierta Pura (ChatGPT-4) (SD)	Modelo Híbrido (Grounding NotebookLM) (SD)	Valor F
Precisión de Citación y Trazabilidad	4,3 (0,5)	2,1 (1,0)	4,8 (0,3)	32,4
Ausencia de Alucinaciones / Fuentes Falsas	4,8 (0,2)	1,8 (1,2)	4,9 (0,1)	45,1
Originalidad y Juicio Crítico	4,2 (0,6)	2,1 (0,9)	3,9 (0,7)	28,4
Coherencia y Estructura Lógica	4,1 (0,6)	3,9 (0,7)	4,2 (0,5)	0,9

Fuente: Integración de datos basada en Ruiz Muñoz et al. (2025), vanderLinde y Mera Cury (2023) y el diagnóstico UNESUM.

Los resultados de la Tabla 3 confirman de manera estadísticamente significativa la superioridad del modelo híbrido basado en fuentes cerradas. Mientras que la IA abierta pura obtuvo un puntaje alarmantemente bajo en precisión de citación (2,1/5) debido a la generación de referencias apócrifas o distorsionadas (Ji et al., 2023; Ruiz Muñoz et al., 2025), NotebookLM alcanzó un 4,8/5. Esto se debe a que el sistema restringe sus respuestas a los archivos cargados, proveyendo enlaces directos a la fuente primaria. En términos de originalidad y juicio crítico, la producción híbrida (3,9/5) supera ampliamente a la IA pura (2,1/5) y se aproxima a la redacción humana (4,2/5). Estos datos respaldan la tesis de Mir y Pablo-Martí (2025) y Torassa Colombero et al. (2025): la mejor estrategia pedagógica no es la prohibición ni la automatización a ciegas, sino la integración de sistemas asistidos donde la máquina asume la organización documental y el ser humano ejerce el control interpretativo irrenunciable.

Conclusiones

Existe un obstáculo metodológico estructural en los hábitos de estudio del alumnado universitario, que consume la mayor parte de su tiempo en la organización mecánica de archivos y la extracción manual de citas, relegando el análisis crítico y la comprensión profunda de la literatura científica.

Frente al peligro ético de las herramientas de IA abiertas que inventan fuentes y provocan plagio involuntario, la arquitectura de fuentes cerradas (grounding) de NotebookLM demuestra ser un escudo eficaz, garantizando la trazabilidad cita-fuente al 100% y eliminando la presencia de referencias apócrifas en los trabajos de titulación.

El 70,8% de los estudiantes encuestados no sabe cómo aplicar asistentes de fuentes restringidas de forma práctica en sus actividades académicas, lo que exige a la universidad diseñar talleres de inducción y guías metodológicas basadas en la formulación de prompts estructurados (como la metodología C.R.A.F.T.).

La implementación de asistentes de IA con anclaje de datos demuestra que el modelo óptimo de investigación formativa es el híbrido, donde la herramienta tecnológica asume la sistematización documental y el estudiante conserva la autoría, la responsabilidad ética y el juicio reflexivo sobre el conocimiento generado.

Referencias

Ampuero Herrera, R. M., De Paz Lazaro, A. C., Vidal Torres, I. J., Ocaña Rodriguez, A. W., & Lara Rivera, O. P. (2025). Inteligencia Artificial asistida para Revisiones Sistemáticas: Innovación, precisión y transparencia científica. Editorial Centro de Investigaciones y Capacitaciones Interdisciplinarias (CICI).

Artopoulos, A. (2025). Aprender con Inteligencia Artificial en el nivel superior. El caso de la Lectura Distante. Praxis Educativa, 29(2), 8–26.

Cury, T. M. (2024). El uso de inteligencia artificial y sus desafíos para la evaluación académica: una revisión de la literatura. Cuaderno de pedagogía universitaria, 21(41), 126-137.

Eaton, S. E. (Ed.). (2024). Second handbook of academic integrity. Springer International Publishing. https://doi.org/10.1007/978-3-031-54144-5

González-Videgaray, M. C., Elizondo-Cortés, M., Garduño-Teliz, E., Hernández-Coló, M. R., Díaz-Sosa, M. L., Romero-Ruiz, R., Quijada-Monroy, V. C., Rangel-Cortés, V. M., Ulloa-Arellano, V. M., & Lavín-Alanís, L. M. (2026). Integridad académica y plagio en la educación superior: disrupción de la inteligencia artificial generativa. Figuras Revista Académica de Investigación, 7(2). https://doi.org/10.22201/fesa.26832917e.2026.7.2.466

Hidalgo, L., & Villán, Á. (2024). La inteligencia artificial en la enseñanza de idiomas. UNIR Revista. https://www.unir.net/revista/educacion/la-inteligencia-artificial-en-la-ensenanza-de-idiomas/

Hines, K. (2023). Should You Trust An AI Detector? Search Engine Journal.

Ji, Z., Lee, N., Frieske, R., Yu, T., Su, D., Xu, Y., Ishii, E., Ye, Y. J., Lau, H. J., Nguyen, A., & Fung, P. (2023). Survey of hallucination in natural language generation. ACM Computing Surveys, 55(12), 1–38. https://doi.org/10.1145/3571730

López Pérez, M., Villegas Velasco, R., Sosa Caballero, M. C., & López Cetina, Y. (2026). Marcos éticos de la IA y normativa de integridad académica. Sekkan, 3(5), 10–29.

Mir, C., & Pablo-Martí, F. (2025). Evaluación en tiempos de IA. Perspectivas SCCS, Nº 2505. Servizo de Publicacións de la Universidad de Alcalá / SCCS.

Moya, B. A., & Eaton, S. E. (2024). Academic integrity policy analysis of Chilean universities. Journal of Academic Ethics, 22(4), 639–663. https://doi.org/10.1007/s10805-024-09515-w

Muñoz, G. F. R., Pindo, A. D. L. A. O., Delgado, J. C. V., & Obando, K. E. R. (2025). Inteligencia artificial en la redacción y producción científica. Revista Social Fronteriza, 5(3).

Perkins, M. (2023). Academic integrity considerations of AI large language models in the post-pandemic era: ChatGPT and beyond. Journal of University Teaching and Learning Practice, 20(2), Article 07. https://doi.org/10.53761/1.20.02.07

Potvin, C. (2025). La integridad académica a la sombra de la inteligencia artificial: algunas recomendaciones. Decires, 26(35), 51–76. https://doi.org/10.22201/cepe.14059134e.2025.26.35.490

Ruiz Muñoz, G. F., Ortega Pindo, A. A., Vasco Delgado, J. C., & Rojas Obando, K. E. (2025). Inteligencia artificial en la redacción y producción científica. Revista Social Fronteriza, 5(3), e705. https://doi.org/10.59814/resofro.2025.5(3)705

Sánchez, M. E., Vásquez, A. E., Tanaka, c. A., & Santos, p. A. (2025). Diseño y validación de un instrumento para medir el uso pedagógico de la herramienta NotebookLM en estudiantes universitarios peruanos: Title en inglés Design and validation of an instrument to measure the use of the NotebookLM tool in Peruvian university students. Revista Espacios, 46(06), 400-408.

Torassa Colombero, V., Casco, M. E., & Roatta, S. E. (2025). Uso ético de los agentes de inteligencia artificial en el ámbito de la investigación académica. En Actas del XXXI Congreso Argentino de Ciencias de la Computación (CACIC 2025) (pp. 364–374). Viedma, Argentina.

Torquemada Vidal, M., Grande Fariñas, P., & Marqués Donoso, A. (2026). Gestión académica eficiente a través de asistentes automatizados de fuentes restringidas. Innovación Universitaria, 18(1), 80–95.

UNESCO. (2021). Recomendación sobre la ética de la inteligencia artificial. Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura. https://unesdoc.unesco.org/ark:/48223/pf0000381137

VanderLinde, G., & Mera Cury, T. (2023). Desafíos de la inteligencia artificial para la evaluación académica: una revisión de la literatura. Cuaderno de Pedagogía Universitaria, 21(41), 126–137. https://doi.org/10.22201/pucmm.18144152.2023.21.41.126