ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (julio 2026 - diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1770)
http://www.aulavirtual.web.ve
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1771)
http://www.aulavirtual.web.ve
REVISTA CIENTÍFICA
AULA VIRTUAL
Director Editor:
La Revista seriada Científica Arbitrada e
Indexada Aula Virtual, es de acceso abierto y en
formato electrónico; la misma está orientada a la
divulgación de las producciones científicas
creadas por investigadores en diversas áreas del
conocimiento. Su cobertura temática abarca
Tecnología, Ciencias de la Salud, Ciencias
Administrativas, Ciencias Sociales, Ciencias
Jurídicas y Políticas, Ciencias Exactas y otras
áreas afines. Su publicación es CONTINUA,
indexada y arbitrada por especialistas en el área,
bajo la modalidad de doble ciego. Se reciben las
producciones tipo: Artículo Científico en las
diferentes modalidades cualitativas y
cuantitativas, Avances Investigativos, Ensayos,
Reseñas Bibliográficas, Ponencias o
publicaciones derivada de eventos, y cualquier
otro tipo de investigación orientada al tratamiento
y profundización de la información de los campos
de estudios de las diferentes ciencias. La Revista
Aula Virtual, busca fomentar la divulgación del
conocimiento científico y el pensamiento crítico
reflexivo en el ámbito investigativo.
• Dra. Leidy Hernández PhD.
• Dr. Fernando Bárbara
Consejo Asesor:
• MSc. Manuel Mujica
• MSc. Wilman Briceño
• Dra. Harizmar Izquierdo
• Dr. José Gregorio Sánchez
Revista Científica Arbitrada de
Fundación Aula Virtual
Email: revista@aulavirtual.web.ve
URL: http://aulavirtual.web.ve/revista
ISSN:
Depósito Legal:
País:
Año de Inicio:
Periodicidad:
Sistema de Arbitraje:
Licencia:
Volumen:
Número:
Año:
Período:
Dirección Fiscal:
2665-0398
LA2020000026
Venezuela
2020
Continua
Revisión por pares. “Doble Ciego”
Creative Commons CC BY NC ND
7
15
2026
Julio 2026 – Diciembre 2026 (continua)
Av. Libertador, Arca del Norte, Nro.
52D, Barquisimeto estado Lara,
Venezuela, C.P. 3001
Generando Conocimiento
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (julio 2026 - diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1772)
http://www.aulavirtual.web.ve
HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL EN LMS UNIVERSITARIOS:
IDENTIFICACIÓN, CLASIFICACIÓN Y TENDENCIAS DE INTEGRACIÓN MEDIANTE
REVISIÓN SISTEMÁTICA
ARTIFICIAL INTELLIGENCE TOOLS IN UNIVERSITY LMS: IDENTIFICATION,
CLASSIFICATION, AND INTEGRATION TRENDS THROUGH A SYSTEMATIC REVIEW
Tipo de Publicación: Artículo Científico
Área del Conocimiento: Ciencias Sociales y
Aplicadas
Recibido: 29/09/2026
Aceptado: 01/10/2026
Publicado: 01/10/2026
Código Único AV: e859
Páginas: 1(1770-1788)
DOI: https://doi.org/10.5281/zenodo.23091588
Autores:
Orlando Ascayo León
Licenciado en Educación, especialidad Lengua y
Literatura
Doctor en Ciencias de la Educación
https://orcid.org/0000-0002-5907-5432
E-mail: oascayo@unheval.edu.pe
Afiliación: Universidad Nacional Hermilio
Valdizán
País: República del Perú
José Francisco Robles León
Cirujano Dentista
Doctor en Ciencias de la Salud
https://orcid.org/0000-0002-3238-0672
E-mail: jhoseproblel@gmail.com
Afiliación: Universidad Nacional Hermilio
Valdizán
País: República del Perú
Esteban Naupay Pérez
Contador Público
https://orcid.org/0009-0002-5598-7343
E-mail: enaupay@unheval.edu.pe
Afiliación: Universidad Nacional Hermilio
Valdizán
País: República del Perú
Yonson Tarazona Tucto
Abogado
Maestro en Gestión y Negocios, mención en
Tributación
https://orcid.org/0009-0008-1914-7551
E-mail: ytarazona@unheval.edu.pe
Afiliación: Universidad Nacional Hermilio
Valdizán
País: República del Perú
Resumen
La integración de la inteligencia artificial (IA) en los sistemas de gestión del
aprendizaje (LMS) está transformando la educación superior al favorecer
experiencias más personalizadas, interactivas y orientadas al seguimiento del
estudiante. Sin embargo, la diversidad de herramientas disponibles dificulta su
organización según funciones pedagógicas claramente diferenciadas. El objetivo de
este artículo fue identificar y clasificar los tipos de herramientas de inteligencia
artificial integradas en sistemas de gestión del aprendizaje utilizados en educación
superior. Se desarrolló una revisión sistemática de la literatura, siguiendo las
directrices PRISMA 2020, mediante una búsqueda realizada en Scopus y la
aplicación de criterios de inclusión y exclusión previamente establecidos. Los
resultados permitieron identificar seis categorías funcionales principales: gestión
inteligente, personalización y adaptación, tutoría y asistencia inteligente, evaluación
y retroalimentación, seguimiento y analítica, y generación de contenidos. Entre las
herramientas más frecuentes se encontraron chatbots, asistentes conversacionales,
sistemas adaptativos, analítica predictiva, agentes inteligentes, aplicaciones de IA
generativa y sistemas de recomendación. Los beneficios reportados se relacionaron
principalmente con personalización, retroalimentación inmediata, autonomía,
participación y apoyo continuo, aunque persistieron limitaciones asociadas con
privacidad, sesgo, precisión, infraestructura y dependencia tecnológica. Se concluye
que la integración de IA en LMS debe responder prioritariamente a criterios
pedagógicos y no solo tecnológicos.
Palabras Clave
Inteligencia artificial, sistemas de gestión del aprendizaje,
educación superior, aprendizaje adaptativo, herramientas
educativas.
Abstract
The integration of artificial intelligence (AI) into learning management systems
(LMS) is transforming higher education by enabling more personalized, interactive,
and student-centered learning experiences. However, the growing diversity of
available tools makes it difficult to organize them according to clearly differentiated
pedagogical functions. This article aimed to identify and classify the types of
artificial intelligence tools integrated into learning management systems used in
higher education. A systematic literature review was conducted following the
PRISMA 2020 guidelines, based on a search in Scopus and the application of
previously defined inclusion and exclusion criteria. The findings identified six main
functional categories: intelligent management, personalization and adaptation,
intelligent tutoring and assistance, assessment and feedback, monitoring and
analytics, and content generation. The most frequently reported tools included
chatbots, conversational assistants, adaptive systems, predictive analytics, intelligent
agents, generative AI applications, and recommendation systems. Reported benefits
were mainly associated with personalization, immediate feedback, learner autonomy,
engagement, and continuous academic support, while recurring limitations involved
privacy, bias, accuracy, infrastructure, and technological dependence. The study
concludes that AI integration into LMS should be guided primarily by pedagogical
purposes rather than by technological availability alone.
Keywords
Artificial intelligence, learning management systems, higher
education, adaptive learning, educational tools.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1773)
http://www.aulavirtual.web.ve
Introducción
La incorporación de la inteligencia artificial
(IA) en la educación superior ha abierto nuevas
posibilidades para configurar experiencias de
aprendizaje más flexibles y ajustadas a las
particularidades de cada estudiante. Su relevancia
no radica únicamente en la automatización de
determinadas tareas, sino también en la capacidad
de procesar información académica y generar
respuestas diferenciadas según las necesidades,
avances o dificultades detectadas durante el proceso
formativo. Desde esta perspectiva, Vivar (2023)
examina la convergencia entre las herramientas de
IA y las plataformas virtuales de gestión del
aprendizaje (LMS), señalando que dicha
articulación modifica las dinámicas tradicionales de
enseñanza al permitir que los entornos digitales
respondan de manera más específica al
comportamiento y desempeño del estudiante.
En una dirección semejante, Caicedo et al.,
(2024) sostienen que buena parte de las aplicaciones
de IA utilizadas en educación superior se concentran
en la personalización del aprendizaje. Entre ellas se
encuentran los sistemas de tutoría inteligente, las
plataformas adaptativas, los asistentes virtuales y
los mecanismos automatizados de evaluación. Más
allá de su diversidad funcional, estas tecnologías
comparten la posibilidad de ajustar contenidos,
retroalimentaciones y actividades en función de la
información obtenida durante la interacción con los
usuarios. A ello se suma lo planteado por Oke et al.,
(2023), quienes evidencian que la integración de
tecnologías inteligentes en sistemas LMS puede
favorecer experiencias de aprendizaje más
personalizadas y atractivas, al tiempo que
contribuye al fortalecimiento de determinadas
competencias estudiantiles.
Durante los últimos años, distintas
investigaciones han intentado precisar qué
herramientas de IA están siendo incorporadas en los
escenarios universitarios y cuáles son sus
principales aportes. Yaulema & Oviedo (2023), por
ejemplo, identifican entre las aplicaciones más
frecuentes los chatbots, los sistemas de gestión del
aprendizaje, los asistentes virtuales de voz, los
tutores inteligentes y determinados recursos
robóticos. Una característica común en varias de
estas soluciones es su capacidad para ofrecer
acompañamiento y retroalimentación prácticamente
inmediata, cuestión que amplía las posibilidades de
atención individualizada dentro de contextos
educativos con una elevada cantidad de estudiantes.
El interés académico también se ha dirigido
hacia herramientas más concretas. Chamorro-
Atalaya et al., (2023), mediante una revisión
sistemática centrada en el uso de chatbots en la
educación universitaria, encontraron una valoración
predominantemente favorable respecto de su
aceptación e impacto. Sus hallazgos muestran
mejoras asociadas al rendimiento académico, así
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1774)
http://www.aulavirtual.web.ve
como cambios positivos en la interacción entre
docentes y estudiantes. De forma complementaria,
Rodrigo & Nicolayo (2024), al revisar estudios
publicados entre 2018 y 2024, resaltan que la IA
puede contribuir a elevar la calidad del aprendizaje
universitario no solo mediante procesos de
personalización, sino también a través de
evaluaciones más eficientes y nuevas formas de
interacción entre estudiantes e instructores.
A pesar del crecimiento progresivo de esta
línea de investigación, todavía existen aspectos
insuficientemente desarrollados. Plasencia (2023)
advierte que la producción científica sobre la
aplicación de la inteligencia artificial en la
educación universitaria continúa siendo limitada, lo
que deja abierto un espacio para investigaciones
orientadas a sistematizar las herramientas existentes
y, en particular, a comprender de qué manera se
integran dentro de los LMS. Esta limitación resulta
especialmente relevante porque la sola
identificación de tecnologías disponibles no permite
establecer con claridad sus diferencias funcionales
ni los criterios que podrían orientar su
implementación institucional.
Por otra parte, Torres-Barreto et al., (2020)
reconocen el potencial de la inteligencia artificial y
de estrategias como la gamificación dentro de los
entornos virtuales de aprendizaje; sin embargo,
también ponen en evidencia la necesidad de
continuar explorando la forma en que estas
tecnologías son incorporadas y organizadas. La
dificultad, por tanto, no se encuentra
exclusivamente en determinar qué herramientas
existen, sino en comprender bajo qué lógica operan,
qué funciones cumplen dentro de los sistemas
educativos y cómo pueden ser agrupadas de acuerdo
con sus características.
Esta problemática también aparece en el
análisis de Caicedo et al., (2024), aunque existe una
variedad creciente de soluciones basadas en IA, aún
persiste la ausencia de una clasificación
suficientemente articulada que facilite a las
instituciones de educación superior reconocer las
alternativas disponibles y tomar decisiones
informadas sobre su integración en los LMS. Tal
dispersión conceptual y tecnológica dificulta
comparar funcionalidades, identificar patrones de
uso y establecer criterios que permitan valorar su
pertinencia en distintos escenarios formativos.
A partir de los vacíos señalados, el presente
artículo de revisión sistemática tiene como objetivo
identificar y clasificar los tipos de herramientas de
inteligencia artificial integradas en sistemas de
gestión del aprendizaje utilizados en la educación
superior.
Metodología
La presente investigación adoptó un enfoque
de revisión sistemática siguiendo las directrices del
protocolo PRISMA 2020 (Preferred Reporting
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1775)
http://www.aulavirtual.web.ve
Items for Systematic Reviews and Meta-Analyses),
propuesto por Page et al., (2021), el cual establece
criterios orientados a fortalecer la transparencia,
rigurosidad y reproducibilidad en los procesos de
identificación, selección, evaluación y síntesis de
los estudios incluidos. Este protocolo comprende las
fases: identificación, cribado e inclusión.
La búsqueda bibliográfica se realizó
exclusivamente en la base de datos Scopus el 20 de
agosto de 2026, seleccionada por su amplia
cobertura de estudios científicos en el ámbito de la
tecnología educativa y la inteligencia artificial. La
fórmula booleana empleada fue: TITLE-ABS-KEY
(("artificial intelligence" OR "AI") AND ("learning
management system" OR "LMS") AND ("higher
education" OR "university") AND
("tools" OR "applications" OR "platforms")).
Se formularon tres preguntas para guiar la
revisión: P1. ¿Qué tipos de herramientas de IA se
han integrado en los LMS utilizados en educación
superior? P2. ¿Cómo se clasifican estas
herramientas según su funcionalidad pedagógica?
P3. ¿Qué beneficios y limitaciones se reportan en la
literatura sobre estas herramientas?
Las palabras clave utilizadas fueron:
inteligencia artificial, sistemas de gestión del
aprendizaje, educación superior, herramientas
educativas y aprendizaje adaptativo. Los criterios
de inclusión fueron: a) artículos publicados entre
2020 y 2026; b) escritos en inglés o español; c)
publicados en revistas revisadas por pares con
acceso abierto; d) estudios empíricos o revisiones
que aborden directamente herramientas de IA
integradas en LMS en contextos universitarios.
Los criterios de exclusión fueron: a) artículos
de opinión sin respaldo empírico; ) estudios no
enfocados en educación superior; (c) publicaciones
duplicadas; d) documentos sin disponibilidad de
texto completo; e) estudios que abordarán la IA en
educación sin relación específica con LMS.
La selección y extracción de la información
fueron desarrolladas por los cuatro investigadores
mediante revisión conjunta, aplicando de manera
uniforme los criterios de inclusión y exclusión
previamente establecidos. El proceso se realizó de
forma secuencial: inicialmente se revisaron los
títulos y resúmenes de los registros recuperados en
Scopus y, posteriormente, los documentos
potencialmente pertinentes fueron examinados a
texto completo para determinar su elegibilidad
definitiva.
Las discrepancias surgidas durante el cribado
y la selección fueron discutidas entre los
investigadores hasta alcanzar consenso. La
extracción de la información se efectuó mediante
una matriz estructurada elaborada para la revisión,
en la que se registraron el autor y año de
publicación, LMS o plataforma analizada,
herramienta de inteligencia artificial, tipo de IA
integrada, función pedagógica, finalidad de uso,
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1776)
http://www.aulavirtual.web.ve
beneficios, limitaciones y aspectos relacionados con
la motivación o interés de los estudiantes.
La calidad metodológica de los estudios se
valoró considerando la claridad del objetivo, la
correspondencia entre el diseño metodológico y el
propósito del estudio, la descripción de la muestra o
unidad de análisis, la transparencia del
procedimiento, la claridad de los resultados y la
coherencia entre los hallazgos y las conclusiones.
Los documentos que no cumplieron suficientemente
estos criterios o que no respondieron directamente
al objeto de la revisión fueron excluidos durante la
fase de elegibilidad.
Figura 1. Flujograma del método PRISMA
Fuente: elaboración propia
La búsqueda inicial en Scopus permitió
identificar 338 registros. Antes del cribado se
eliminaron 283 registros mediante la aplicación de
los filtros y criterios previamente establecidos,
correspondientes a documentos fuera del periodo
definido, publicaciones en idiomas distintos del
inglés o español, documentos que no correspondían
a artículos de investigación o revisión y
publicaciones que no cumplían con el criterio de
acceso establecido. Como resultado, 55 registros
fueron sometidos a cribado. Posteriormente, se
buscó recuperar el texto completo de los 55
documentos potencialmente pertinentes; dos no
pudieron ser recuperados, por lo que 53 documentos
fueron evaluados para determinar su elegibilidad.
Tras la lectura a texto completo, se excluyeron
37 documentos por no corresponder a contextos de
educación superior, abordar la inteligencia artificial
sin vinculación específica con sistemas de gestión
del aprendizaje, no analizar herramientas de IA
integradas en LMS o no cumplir con los criterios
metodológicos establecidos. Finalmente, 16
estudios cumplieron con la totalidad de los criterios
de inclusión y conformaron el corpus definitivo de
la revisión sistemática.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1777)
http://www.aulavirtual.web.ve
Resultados
Autor
LMS o plataforma
Herramienta de IA
Tipo de IA integrada
Uso principal
Alieksieieva et
al., (2025)
Moodle y plataformas
institucionales
Chatbots impulsados por
IA
IA conversacional /
asistente virtual
Información y apoyo
académico en tiempo real
Aliyeva et al.,
(2026)
AI-LMS y plataformas
educativas
AI-LMS, sistemas
adaptativos, chatbots,
analítica y GenAI
IA adaptativa,
conversacional,
generativa y analítica
Personalización, asistencia,
evaluación y seguimiento
Al-Taai et al.,
(2025)
AI-powered LMS /
entornos combinados
AI-LMS, ChatGPT,
Copilot, NLP, evaluación
y analítica
IA generativa,
adaptativa, NLP y
predictiva
Gestión, contenidos,
personalización y
evaluación
Alubthane (2026)
Blackboard Ultra
AI Conversation
IA conversacional
generativa
Diálogo socrático y
simulación de roles
Chiu et al.,
(2026)
Blackboard LMS
AI early-warning
framework
Machine learning /
analítica predictiva
Detección temprana de
estudiantes en riesgo
Lim et al., (2026)
P-WBLE / LMS
personalizado
Intelligent Learning
Pathways
IA/ML adaptativo
Personalización automática
de rutas y contenidos
Lutfiani et al.,
(2023)
Moodle
Chatbot con Dialogflow
IA conversacional
Consultas, orientación y
acceso a recursos
Mohareb et al.,
(2026)
Blackboard
AI Conversation
IA conversacional
Brainstorming, ideación y
apoyo autónomo
Mutambik (2024)
LMS universitarios /
Blackboard predominante
Automatización IA,
chatbot, feedback y
grading
IA automatizada y
personalizada
Evaluación, recordatorios,
soporte y personalización
Mzwri &
Turcsányi-Szabo
(2025)
Canvas LMS
EnSmart (GPT-4)
IA generativa
Generación, calificación y
feedback de evaluaciones
Mzwri &
Turcsányi-Szabo
(2026)
Canvas LMS
Ask ME + DCCI
LLM / chatbot
contextual
Consulta curricular y
asistencia 24/7
Pesovski et al.,
(2024)
LMS institucional
Generador vía OpenAI
API
LLM / IA generativa
Materiales personalizados
y cuestionarios
Risdianto et al.,
(2026)
AI-augmented LMS
Personalized Learning
Pathway
IA adaptativa + learning
analytics
Recomendación,
adaptación y evaluación
personalizada
Sajja et al.,
(2026)
Moodle, Blackboard,
Canvas, Schoology y
Google Classroom
AI-driven Learning
Analytics Tool
GPT-4 + NLP +
analítica
Seguimiento de
engagement, emociones y
progreso
Vu et al., (2026)
LMS + ecosistema n8n
AI Agent
IA agente / NLP /
automatización
Planificación,
coordinación, monitoreo y
feedback
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1778)
http://www.aulavirtual.web.ve
Autor
LMS o plataforma
Herramienta de IA
Tipo de IA integrada
Uso principal
Weber et al.,
(2022)
Stud.IP
SIDDATA Digital Study
Assistant
Sistema recomendador /
ML
Recomendaciones,
planificación y
autorregulación
Tabla 1. Herramientas de IA integradas en LMS
Fuente: elaboración propia
La Tabla 1 evidencia una amplia
heterogeneidad tecnológica en la integración de IA
dentro de los LMS universitarios. Las herramientas
identificadas abarcan desde asistentes
conversacionales y sistemas recomendadores hasta
soluciones adaptativas, generativas y de analítica
predictiva, lo que refleja que la incorporación de IA
no responde a un modelo único, sino a distintas
arquitecturas y niveles de integración según las
necesidades institucionales y formativas.
Autor
Herramienta
Función pedagógica
Clasificación analítica
Finalidad
Alieksieieva et
al., (2025)
Chatbot IA
Consultas, información y
apoyo continuo
Tutoría y asistencia
inteligente
Facilitar
acompañamiento
académico
Aliyeva et al.,
(2026)
AI-LMS, sistemas
adaptativos, chatbots,
evaluación y GenAI
Personalizar, orientar,
evaluar, monitorear y
generar contenidos
Personalización; tutoría;
evaluación; seguimiento;
generación de contenidos
Adaptar y apoyar
integralmente el
aprendizaje
Al-Taai et al.,
(2025)
AI-LMS, Adaptive
Learning, Smart
Assistants, Assessment y
Analytics
Gestión, adaptación,
asistencia, evaluación y
monitoreo
Gestión inteligente;
personalización; tutoría;
evaluación; seguimiento
Optimizar el
aprendizaje combinado
Alubthane
(2026)
AI Conversation
Diálogo socrático y
simulación de roles
Tutoría y asistencia
inteligente
Promover reflexión y
aprendizaje contextual
Chiu et al.,
(2026)
AI early-warning
framework
Predicción de riesgo
académico
Seguimiento y analítica
Facilitar intervención
temprana
Lim et al.,
(2026)
Intelligent Learning
Pathways / P-WBLE
Adaptar materiales y
detectar necesidades
Personalización y
adaptación; seguimiento y
analítica
Individualizar rutas de
aprendizaje
Lutfiani et al.,
(2023)
Chatbot Dialogflow
Responder consultas y
orientar
Tutoría y asistencia
inteligente
Proporcionar apoyo
permanente
Mohareb et al.,
(2026)
AI Conversation
Ideación, preguntas y
retroalimentación
Tutoría y asistencia
inteligente; evaluación y
retroalimentación
Favorecer creatividad y
comprensión
Mutambik
(2024)
Feedback IA, grading,
chatbot y recordatorios
Personalizar apoyo,
evaluar y organizar tareas
Personalización; evaluación;
tutoría y asistencia
Mejorar soporte e
interacción con el LMS
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1779)
http://www.aulavirtual.web.ve
Autor
Herramienta
Función pedagógica
Clasificación analítica
Finalidad
Mzwri &
Turcsányi-
Szabo (2025)
EnSmart
Generar evaluaciones,
calificar y retroalimentar
Generación de contenidos;
evaluación y
retroalimentación
Favorecer
autoevaluación y
autonomía
Mzwri &
Turcsányi-
Szabo (2026)
Ask ME + DCCI
Resolver consultas y
recuperar contenido
contextual
Tutoría y asistencia
inteligente; personalización
y adaptación
Ofrecer apoyo
curricular
contextualizado
Pesovski et al.,
(2024)
Generador LLM y
quizzes IA
Generar materiales y
autoevaluaciones
Generación de contenidos;
evaluación y
retroalimentación
Personalizar contenidos
y comprobar
comprensión
Risdianto et al.,
(2026)
PLP, Learner Analytics y
Adaptive Assessment
Recomendar, monitorear y
adaptar evaluación
Personalización;
seguimiento; evaluación
Construir trayectorias
individualizadas
Sajja et al.,
(2026)
GPT-4 Learning
Analytics / Sentiment
Analysis
Analizar progreso,
interacción y estados
afectivos
Seguimiento y analítica;
personalización y adaptación
Detectar dificultades y
orientar intervenciones
Vu et al., (2026)
AI Agent / n8n
Orientar, recomendar,
monitorear y ofrecer
feedback
Tutoría; personalización;
seguimiento; evaluación
Acompañar el
aprendizaje basado en
problemas
Weber et al.,
(2022)
SIDDATA
Recomendar recursos,
planificar metas y
procesar datos
Personalización y
adaptación; tutoría;
seguimiento y analítica
Favorecer
autorregulación y
decisiones académicas
Tabla 2. Funciones pedagógicas de la IA
Fuente: elaboración propia
La Tabla 2 permite observar que una misma
herramienta puede cumplir más de una función
pedagógica dentro del LMS. Predominan las
aplicaciones vinculadas con la personalización, la
asistencia inteligente, el seguimiento y la
evaluación, mientras que la gestión y la generación
de contenidos aparecen de forma más específica.
Esta distribución muestra que la clasificación
funcional resulta más útil que una organización
basada exclusivamente en el tipo de tecnología
utilizada.
Autor
Herramienta/LMS
Beneficios
Limitaciones/riesgos
Motivación/interés
Alieksieieva et
al., (2025)
Chatbots IA / LMS
Acceso inmediato;
continuidad; satisfacción;
participación
Conectividad e
infraestructura
Mayor involucramiento
Aliyeva et al.,
(2026)
AI-LMS, sistemas
adaptativos y GenAI
Personalización,
retroalimentación, detección
de dificultades y generación
rápida de ideas y contenidos
Infraestructura, recursos,
idioma, ética e integridad
académica
Mayor aceptación, uso y
adopción tecnológica
Al-Taai et al.,
(2025)
AI-LMS
Personalización; apoyo;
autoaprendizaje
Infraestructura;
capacitación; resistencia
Mayor participación
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 14, Año: 2026 (Enero 2026 - Junio 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1780)
http://www.aulavirtual.web.ve
Autor
Herramienta/LMS
Beneficios
Limitaciones/riesgos
Motivación/interés
Alubthane
(2026)
Blackboard AI
Conversation
Diálogo; feedback;
interacción personalizada
Verbosidad; bucles; fatiga
cognitiva
Motivación hedónica y
engagement
Chiu et al.,
(2026)
Blackboard / IA
predictiva
Predicción temprana;
intervención; escalabilidad
Granularidad limitada de
datos
No medido directamente
Lim et al.,
(2026)
P-WBLE
Personalización; rendimiento;
eficiencia; satisfacción
Costos; resistencia;
generalización
Mayor engagement
Lutfiani et al.,
(2023)
Moodle / chatbot
Acceso continuo; asistencia y
recursos
Usabilidad y seguridad
No medido directamente
Mohareb et al.,
(2026)
Blackboard / AI
Conversation
Creatividad; comprensión;
autonomía
Distracción; dependencia;
ética
Mayor motivación y
aprendizaje autónomo
Mutambik
(2024)
Automatización IA-
LMS
Personalización; rapidez;
soporte
Diseño transversal;
generalización
Mayor disposición de
uso
Mzwri &
Turcsányi-
Szabo (2025)
EnSmart / Canvas
Feedback inmediato; grading;
autonomía
Alucinaciones; sesgo;
adaptabilidad limitada
Favorece autonomía;
engagement variable
Mzwri &
Turcsányi-
Szabo (2026)
Ask ME-DCCI /
Canvas
Satisfacción; precisión; acceso
24/7
Dependencia; plagio;
privacidad
Mayor engagement y
autonomía
Pesovski et al.,
(2024)
LLM / LMS
Personalización;
autoevaluación; mayor tiempo
de estudio
Muestra pequeña; variantes
limitadas
Atractivo e inspirador
Risdianto et
al., (2026)
PLP / AI-LMS
Personalización; feedback;
rendimiento; finalización
Opacidad algorítmica;
intervención breve
Mayor motivación y
engagement
Sajja et al.,
(2026)
GPT-4 Analytics /
LMS
Monitoreo; detección;
intervención personalizada
Privacidad; sesgo;
precisión
Engagement analizado;
motivación no probada
Vu et al.,
(2026)
AI Agent / LMS-n8n
Personalización;
colaboración; feedback;
autorregulación
Duración; generalización;
novelty bias
Mayor participación;
posible efecto de
novedad
Weber et al.,
(2022)
SIDDATA / Stud.IP
Personalización;
planificación; nudging;
autorregulación
Privacidad e
interoperabilidad
Apoya intereses y metas;
no mide motivación
directamente
Tabla 3. Beneficios y limitaciones de la IA
Fuente: elaboración propia
La Tabla 3 muestra que los beneficios y
riesgos asociados con la IA presentan una relación
estrecha con el grado de automatización de cada
herramienta. Mientras las soluciones más
personalizadas ofrecen mayor capacidad de apoyo,
seguimiento y retroalimentación, también
concentran mayores exigencias relacionadas con
privacidad, confiabilidad y dependencia
tecnológica. Asimismo, la motivación y el interés
estudiantil no fueron evaluados de manera uniforme
en todos los estudios, por lo que su presencia debe
interpretarse como un resultado variable y
dependiente del tipo de intervención.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1781)
http://www.aulavirtual.web.ve
Discusión de los resultados
Los resultados de esta revisión sistemática
muestran que la integración de inteligencia artificial
en los sistemas de gestión del aprendizaje de
educación superior no responde a una única
modalidad tecnológica, sino a un conjunto de
soluciones que pueden agruparse en seis grandes
categorías funcionales: sistemas de gestión
inteligente, herramientas de personalización y
adaptación, tutores y asistentes inteligentes,
mecanismos automatizados de evaluación y
retroalimentación, sistemas de seguimiento y
analítica, y herramientas de generación de
contenidos.
Esta clasificación responde al objetivo de
identificar y organizar las principales formas de
incorporación de IA en los LMS universitarios y
permite superar una lectura centrada únicamente en
aplicaciones o marcas específicas. En la muestra
analizada se identificaron chatbots y asistentes
conversacionales, sistemas adaptativos, analítica
predictiva, agentes inteligentes, herramientas
generativas sustentadas en grandes modelos de
lenguaje y sistemas de recomendación,
implementados en plataformas como Moodle,
Blackboard, Canvas, Stud.IP y entornos LMS
personalizados.
Este resultado converge con Caicedo et al.,
(2024), quienes sostienen que las aplicaciones de IA
en educación superior se concentran principalmente
en la personalización mediante tutores inteligentes,
plataformas adaptativas, asistentes virtuales y
evaluación automatizada. También coincide con
Yaulema & Oviedo (2023), quienes identifican
chatbots, tutores inteligentes y asistentes virtuales
entre las aplicaciones educativas más frecuentes.
No obstante, los resultados de la presente
revisión permiten ampliar esta clasificación al
incorporar modalidades que han adquirido mayor
relevancia recientemente, como los sistemas de
analítica predictiva, los agentes inteligentes y las
herramientas generativas conectadas directamente
con LMS. Esta diferencia puede explicarse por la
rápida evolución del campo: mientras algunos
estudios previos ofrecen clasificaciones generales
de IA educativa, investigaciones más recientes
documentan integraciones técnicamente más
sofisticadas que combinan generación de
contenidos, análisis de datos, automatización y
personalización dentro de una misma arquitectura
tecnológica (Aliyeva et al., 2026; Sajja et al., 2026;
Vu et al., 2026). En este sentido, la clasificación
obtenida refleja una evolución desde herramientas
aisladas hacia ecosistemas inteligentes con
múltiples funciones pedagógicas.
Dentro de esta evolución, la personalización y
adaptación constituyen uno de los patrones más
consistentes. Lim et al., (2026), Risdianto et al.,
(2026) y Weber et al., (2022) muestran que la IA
puede utilizar información sobre rendimiento,
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1782)
http://www.aulavirtual.web.ve
comportamiento, necesidades o metas académicas
para recomendar recursos, modificar rutas de
aprendizaje o facilitar decisiones individualizadas.
Estos resultados son coherentes con Oke et al.,
(2023), quienes concluyen que la incorporación de
tecnologías inteligentes en LMS favorece
experiencias más personalizadas y atractivas.
Asimismo, respaldan lo señalado por Vivar (2023),
quien plantea que la convergencia entre IA y LMS
permite que los entornos digitales respondan de
manera diferenciada al progreso y las dificultades
del estudiante. La coincidencia entre los estudios
sugiere que la personalización no constituye
únicamente una característica tecnológica, sino una
de las principales lógicas pedagógicas que justifican
la integración de IA en los sistemas de gestión del
aprendizaje.
Una segunda tendencia relevante corresponde
a la consolidación de la IA conversacional como
mecanismo de acompañamiento. Los estudios de
Alieksieieva et al., (2025), Alubthane (2026),
Lutfiani et al., (2023), Mohareb et al., (2026) y
Mzwri & Turcsányi-Szabo (2026) muestran que
chatbots y asistentes pueden proporcionar
orientación, resolver consultas, estimular procesos
de ideación y mantener asistencia disponible dentro
del entorno de aprendizaje.
Estos resultados convergen con Chamorro-
Atalaya et al., (2023), quienes encontraron una
valoración predominantemente favorable de los
chatbots universitarios, asociada con mejoras en
interacción y rendimiento académico. Sin embargo,
los artículos más recientes de esta revisión muestran
un cambio cualitativo importante: los asistentes
actuales no se limitan a respuestas predeterminadas,
sino que pueden contextualizar la conversación con
contenidos del curso, asumir roles pedagógicos o
desarrollar diálogos de carácter socrático. De esta
manera, el chatbot evoluciona desde una
herramienta de consulta hacia una interfaz de
interacción pedagógica integrada al LMS.
La evaluación y la retroalimentación
constituyen otra función transversal. Mutambik
(2024), Mzwri & Turcsányi-Szabo (2025), Pesovski
et al., (2024), Risdianto et al., (2026) y Vu et al.,
(2026) muestran aplicaciones orientadas a generar
evaluaciones, automatizar la calificación, adaptar la
dificultad o proporcionar retroalimentación
inmediata. Este hallazgo coincide con Rodrigo &
Nicolayo (2024), quienes destacan que la IA puede
contribuir a mejorar la calidad del aprendizaje
universitario mediante procesos evaluativos más
eficientes y nuevas formas de interacción entre
estudiante e instructor.
La diferencia observada en la presente
revisión radica en que la evaluación automatizada
aparece vinculada progresivamente con la
personalización: no se limita a corregir respuestas,
sino que puede ajustar el tipo de actividad, generar
feedback contextualizado o modificar la trayectoria
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1783)
http://www.aulavirtual.web.ve
de aprendizaje según el desempeño registrado. Por
ello, evaluación y personalización tienden a
converger dentro de sistemas LMS más dinámicos.
El seguimiento y la analítica representan,
asimismo, una línea consolidada de integración.
Chiu et al., (2026) emplean analítica predictiva para
identificar tempranamente estudiantes en riesgo;
Sajja et al., (2026) incorporan GPT-4,
procesamiento de lenguaje natural y analítica para
observar progresión, interacción y estados
afectivos; mientras que Risdianto et al., (2026)
combinan recomendación, análisis del
comportamiento y evaluación adaptativa.
Estos resultados amplían lo señalado por
Caicedo et al., (2024), dado que muestran que la IA
no solamente personaliza contenidos, sino que
transforma los datos generados por el LMS en
información susceptible de orientar intervenciones
pedagógicas. No obstante, esta capacidad introduce
desafíos relacionados con la privacidad, precisión,
sesgo e interpretabilidad de los algoritmos. De ahí
que el valor de la analítica inteligente dependa no
solo de su capacidad predictiva, sino también de la
transparencia con que se utilicen los datos
estudiantiles.
En relación con los beneficios, la evidencia
revisada converge principalmente en
personalización, acceso continuo al apoyo
académico, retroalimentación inmediata,
autonomía, eficiencia, participación y mejor
seguimiento del estudiante. Algunos estudios
ofrecen además resultados directamente
relacionados con motivación e interés. Mohareb et
al., (2026), Risdianto et al., (2026), Alubthane
(2026) y Mzwri & Turcsányi-Szabo (2026) reportan
incrementos o percepciones favorables en
motivación, engagement o aprendizaje autónomo.
Estos hallazgos son compatibles con Oke et
al., (2023), quienes relacionan la incorporación de
IA en LMS con experiencias de aprendizaje más
atractivas. Sin embargo, la evidencia no es
uniforme. Chiu et al., (2026), Lutfiani et al., (2023)
y Weber et al., (2022), por ejemplo, no evalúan
directamente la motivación, mientras que Sajja et
al., (2026) analizan engagement sin demostrar un
efecto motivacional con estudiantes reales. Esta
diferencia es relevante porque impide afirmar que
toda integración de IA en LMS incrementa
automáticamente el interés estudiantil. Más bien, los
resultados sugieren que dicho efecto depende del
tipo de herramienta, de la función pedagógica que
desempeña y de la manera en que se incorpora al
diseño formativo.
Las limitaciones identificadas en los estudios
incluidos también muestran patrones recurrentes. Se
reportan problemas de infraestructura y
conectividad, costos de implementación, privacidad
de los datos, posibles sesgos, alucinaciones,
opacidad algorítmica, dependencia tecnológica,
necesidad de capacitación y riesgo de disminución
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1784)
http://www.aulavirtual.web.ve
de la interacción humana. En determinadas
herramientas conversacionales también aparecen
problemas de verbosidad, fatiga cognitiva o
distracción.
En este punto, los resultados complementan la
preocupación señalada por Torres-Barreto et al.,
(2020) acerca de la necesidad de analizar no solo la
disponibilidad tecnológica, sino las condiciones
bajo las cuales estas soluciones son incorporadas en
los entornos virtuales. De forma semejante, la
heterogeneidad encontrada confirma lo planteado
por Caicedo et al., (2024) respecto de la ausencia de
una clasificación articulada que facilite a las
instituciones comparar opciones y decidir qué
herramientas resultan más pertinentes para cada
propósito pedagógico.
La presente revisión también presenta
limitaciones que deben considerarse al interpretar
los resultados. La búsqueda se efectuó
exclusivamente en Scopus, por lo que pueden
haberse omitido investigaciones indexadas en Web
of Science, ERIC, IEEE Xplore, SciELO u otras
fuentes especializadas. Asimismo, la selección se
restringió al periodo 2020-2026, a publicaciones en
inglés o español, artículos revisados por pares y
documentos con acceso abierto, criterios que
fortalecen la delimitación del corpus, pero pueden
haber excluido evidencia relevante publicada en
otros idiomas o bajo modalidades de acceso
restringido.
También existe heterogeneidad entre los
estudios en términos de diseño, población, LMS
utilizado, tipo de IA, duración de las intervenciones
y variables analizadas, lo que limita la comparación
directa de resultados y hace poco apropiado
interpretar los beneficios como efectos
homogéneos. Adicionalmente, algunos trabajos se
concentran en arquitectura tecnológica o percepción
de usuarios, mientras otros evalúan resultados
educativos, lo que produce diferentes niveles de
evidencia respecto de la efectividad pedagógica.
Otra limitación radica en que la pregunta
general del estudio incorpora interés y motivación,
mientras que el objetivo principal se concentra en
identificar y clasificar herramientas. Como
consecuencia, no todos los artículos incluidos miden
variables motivacionales de forma explícita. La
Tabla 3 muestra precisamente que varios estudios
reportan engagement, aceptación, autonomía o
disposición de uso, pero no necesariamente
motivación mediante instrumentos específicos. Por
tanto, cualquier conclusión sobre el efecto
motivacional de la IA debe formularse con cautela y
entenderse como una tendencia emergente más que
como un resultado causal generalizable.
Las futuras investigaciones deberían avanzar
hacia estudios experimentales y longitudinales que
comparen LMS convencionales con LMS
potenciados por IA utilizando indicadores comunes
de motivación, interés, engagement, rendimiento y
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1785)
http://www.aulavirtual.web.ve
autorregulación. También sería pertinente evaluar
de manera diferenciada qué funciones producen
mayores efectos: personalización, chatbot, feedback
automatizado, recomendación o analítica predictiva.
Esta distinción permitiría determinar si los
beneficios dependen de la presencia de IA en
términos generales o de funciones pedagógicas
concretas. A su vez, sería recomendable ampliar las
revisiones posteriores a varias bases de datos y
desarrollar procedimientos sistemáticos de
evaluación de calidad metodológica y riesgo de
sesgo.
Finalmente, se requiere profundizar en la
interoperabilidad de las herramientas inteligentes
con LMS institucionales, la protección de datos
estudiantiles, la explicabilidad de los sistemas
predictivos y los efectos de una utilización
prolongada. También resulta necesario analizar si
los incrementos iniciales de motivación se
mantienen en el tiempo o responden parcialmente al
efecto de novedad tecnológica, aspecto señalado
entre las limitaciones de algunas intervenciones.
En conjunto, los resultados permiten concluir
que la integración de IA en los LMS de educación
superior está evolucionando desde aplicaciones
puntuales hacia arquitecturas que combinan
personalización, conversación, evaluación, analítica
y generación de contenidos. Esta transformación
amplía las posibilidades pedagógicas de los LMS,
pero su valor educativo depende de que la selección
de herramientas responda a finalidades formativas
claramente definidas y no únicamente a su
disponibilidad tecnológica.
Conclusiones
La revisión sistemática permitió identificar
una diversidad de herramientas de inteligencia
artificial integradas en sistemas de gestión del
aprendizaje en educación superior, entre las que
destacan los chatbots y asistentes conversacionales,
los sistemas adaptativos, las herramientas de
evaluación automatizada, los sistemas de analítica y
predicción, las aplicaciones de inteligencia artificial
generativa, los agentes inteligentes y los sistemas de
recomendación.
En conjunto, estas tecnologías muestran una
evolución de los LMS desde plataformas
principalmente administrativas hacia entornos más
dinámicos, capaces de personalizar contenidos,
acompañar al estudiante, automatizar procesos de
evaluación, monitorear el progreso y generar
recursos de apoyo. Los resultados también
evidencian que los principales beneficios se
relacionan con la personalización, la
retroalimentación oportuna, el acceso continuo, la
autonomía y el engagement, aunque persisten
limitaciones vinculadas con privacidad, sesgo,
precisión, infraestructura, dependencia tecnológica
y transparencia algorítmica.
En relación con el objetivo de identificar y
clasificar los tipos de herramientas de inteligencia
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1786)
http://www.aulavirtual.web.ve
artificial integradas en LMS utilizados en educación
superior, el estudio permitió establecer seis
categorías funcionales principales: gestión
inteligente; personalización y adaptación; tutoría y
asistencia inteligente; evaluación y
retroalimentación; seguimiento y analítica; y
generación de contenidos.
Esta clasificación ofrece una estructura útil
para comprender la función pedagógica de las
distintas herramientas y facilita distinguir entre
tecnologías que, aunque comparten una base de
inteligencia artificial, responden a propósitos
educativos diferentes. Así, el aporte principal del
estudio radica no solo en reconocer qué
herramientas se están incorporando en los LMS,
sino también en organizar sus usos de acuerdo con
la finalidad que cumplen dentro del proceso de
enseñanza-aprendizaje.
El estudio se desarrolló como un artículo de
revisión sistemática, lo que permitió examinar y
sintetizar de manera estructurada la evidencia
científica seleccionada sobre integración de
inteligencia artificial y LMS en educación superior.
Este enfoque posibilitó identificar patrones
comunes, diferencias entre herramientas y
tendencias emergentes en su implementación. Sin
embargo, la heterogeneidad metodológica de los
estudios, la diversidad de plataformas analizadas y
la desigual presencia de indicadores sobre
motivación e interés limitan la posibilidad de
generalizar los efectos de estas tecnologías de
manera uniforme.
Finalmente, los resultados sugieren que
futuras investigaciones deberían profundizar en la
comparación entre tipos específicos de herramientas
de IA y sus efectos sobre motivación, interés,
engagement, autorregulación y rendimiento
académico. También sería pertinente desarrollar
estudios longitudinales y experimentales que
permitan determinar si los beneficios observados se
mantienen en el tiempo, así como analizar con
mayor detalle cuestiones de privacidad,
explicabilidad, interoperabilidad y dependencia
tecnológica. En términos aplicados, la integración
de IA en los LMS debería orientarse por criterios
pedagógicos claros, de modo que la elección de una
herramienta responda a necesidades formativas
concretas y no únicamente a la disponibilidad de
nuevas tecnologías.
Referencias
Alieksieieva, H., Kravchenko, N., Horbatiuk, L.,
Nestorenko, T., Zhyhir, V., Kalinichenko, A., &
Glazova, Y. (2025). Digital transformation of
relocated higher education institutions in Ukraine
under martial law. Problems and Perspectives in
Management, 23(2-si), 71–85. Documento en
línea. Disponible
https://doi.org/10.21511/ppm.23(2-si).2025.06
Aliyeva, G. B., Saktaganov, B., Meljnyk, K.,
Stepanets, N., & Vasiuta, V. (2026). Analysis of
the evolution of artificial intelligence as a key
tool in digital education. Periodicals of
Engineering and Natural Sciences, 14(1), 123–
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1787)
http://www.aulavirtual.web.ve
140. Documento en línea. Disponible
https://doi.org/10.21533/pen.v14.i1.1538
Al-Taai, S., Kanber, H. A., Al-Dulaimi, W., &
Jassim, K. (2025). The role of artificial
intelligence applications in improving blended
learning in Iraqi universities. Educational
Process: International Journal, 17, e2025409.
Documento en línea. Disponible
https://doi.org/10.22521/edupij.2025.17.409
Alubthane, F. O. (2026). Exploring students’
experiences with Blackboard’s AI Conversation
tool: A qualitative study based on the AIDUA
model. Frontiers in Education, 11, 1838188.
Documento en línea. Disponible
https://doi.org/10.3389/feduc.2026.1838188
Caicedo, S. S. G., Zambrano, Á. A. S., Godoy, N.
A. Q., & Macías, J. (2024). Análisis al uso de
herramientas de inteligencia artificial para la
personalización del aprendizaje en la Educación
Superior. Revista Científica Multidisciplinar G-
Nerando, 5(1), 573–598. Documento en línea.
Disponible
https://doi.org/10.60100/rcmg.v5i1.214
Chamorro-Atalaya, O., Huarcaya-Godoy, M.,
Durán-Herrera, V., Nieves-Barreto, C., Suarez-
Bazalar, R., Cruz-Telada, Y., Alarcón-Anco, R.,
Huayhua-Mamani, H., Vargas-Díaz, A., &
Balarezo-Mares, D. (2023). Application of the
Chatbot in University Education: A Systematic
Review on the Acceptance and Impact on
Learning. International Journal of Learning
Teaching and Educational Research, 22(9), 156–
178. Documento en línea. Disponible
https://doi.org/10.26803/ijlter.22.9.9
Chiu, H.-S., Wong, A., & Wong, T.-L. (2026). A
privacy-conscious AI framework for early
identification of at-risk students across
disciplines using LMS engagement data.
Education Sciences, 16, 1046. Documento en
línea. Disponible
https://doi.org/10.3390/educsci16071046
Lim, E. H., Muniandy, M., Cheang, K. W., Chai, T.
Y., Yong, T. F., & Kok, H. M. (2026). Intelligent
learning pathways: A customizable LMS
framework for modern education. International
Journal of Information and Education
Technology, 16(2), 436–445. Documento en
línea. Disponible
https://doi.org/10.18178/ijiet.2026.16.2.2516
Lutfiani, N., Wijono, S., Rahardja, U., Iriani, A.,
Aini, Q., & Septian, R. A. D. (2023). A
bibliometric study: Recommendation based on
artificial intelligence for I Learning education.
Aptisi Transactions on Technopreneurship, 5(2),
109–117. Documento en línea. Disponible
https://doi.org/10.34306/att.v5i2.279
Mohareb, T., Al-Qayyem, R., & Elbarazi, A. (2026).
Students’ perspectives on AI conversations in
brainstorming within learning management
systems in higher education. Research in
Learning Technology, 34, 3674. Documento en
línea. Disponible
https://doi.org/10.25304/rlt.v34.3674
Mutambik, I. (2024). The use of AI-driven
automation to enhance student learning
experiences in the KSA: An alternative pathway
to sustainable education. Sustainability, 16(14),
Documento en línea. Disponible 5970.
https://doi.org/10.3390/su16145970
Mzwri, K., & Turcsányi-Szabo, M. (2025). The
impact of prompt engineering and a generative
AI-driven tool on autonomous learning: A case
study. Education Sciences, 15(2), 199.
Documento en línea. Disponible
https://doi.org/10.3390/educsci15020199
Mzwri, K., & Turcsányi-Szabo, M. (2026).
Bridging LMS and generative AI: Dynamic
course content integration (DCCI) for enhancing
student satisfaction and engagement via the Ask
ME assistant. Journal of Computers in
Education, 13, 585–622. Documento en línea.
Disponible https://doi.org/10.1007/s40692-025-
00367-w
Oke, O. A., Jamil, D. I., & Çavuş, N. (2023). The
impact of Artificial Intelligence in foreign
language learning using learning management
systems: a Systematic Literature Review.
Information Technologies and Learning Tools,
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1788)
http://www.aulavirtual.web.ve
95(3), 215–228. Documento en línea. Disponible
https://doi.org/10.33407/itlt.v95i3.5233
Page, M. J., McKenzie, J. E., Bossuyt, P. M.,
Boutron, I., Hoffmann, T. C., Mulrow, C. D.,
Shamseer, L., Tetzlaff, J. M., Akl, E. A.,
Brennan, S. E., Chou, R., Glanville, J.,
Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M.,
Li, T., Loder, E. W., Mayo-Wilson, E.,
McDonald, S., … Moher, D. (2021). The
PRISMA 2020 statement: An updated guideline
for reporting systematic reviews. BMJ, 372, n71.
Documento en línea. Disponible
https://doi.org/10.1136/bmj.n71
Pesovski, I., Santos, R., Henriques, R., & Trajkovik,
V. (2024). Generative AI for customizable
learning experiences. Sustainability, 16(7), 3034.
Documento en línea. Disponible
https://doi.org/10.3390/su16073034
Plasencia, C. J. T. (2023). Empleo de la inteligencia
artificial en la educación universitaria: una
revisión sistemática. Paideia, 13(2), 359–375.
Documento en línea. Disponible
https://doi.org/10.31381/paideiaxxi.v13i2.6002
Risdianto, E., Santos, J., Lomerio, N., Sinthia, R.,
Kurniawan, T. B., Dewi, D. A., Tjahjono, L. M.,
Ardina, M., & Wahyuni, D. (2026). Beyond one-
size-fits-all learning: An AI-driven personalized
learning pathway framework. Online Learning in
Educational Research, 6(2), 205–220.
Documento en línea. Disponible
https://doi.org/10.58524/oler.v6i2.1101
Rodrigo, T. A. V., & Nicolayo, B. M. R. (2024).
Integración de la inteligencia artificial en la
enseñanza universitaria para optimizar el proceso
de aprendizaje. Magazine de las Ciencias Revista
de Investigación e Innovación, 9(2), 68–94.
Documento en línea. Disponible
https://doi.org/10.33262/rmc.v9i2.3104
Sajja, R., Sermet, Y., Cwiertny, D., & Demir, I.
(2026). Integrating AI and learning analytics for
data-driven pedagogical decisions and
personalized interventions in education.
Technology, Knowledge and Learning, 31,
1289–1319. Documento en línea. Disponible
https://doi.org/10.1007/s10758-025-09897-9
Torres-Barreto, M. L., Acosta-Medina, J. K., &
Melgarejo, M. Á. (2020). DIDACTIC -
Aplicación de la Gamificación y la Inteligencia
Artificial en la Educación Virtual. Revista
Innovación Y Desarrollo Sostenible, 1(1), 105–
112. Documento en línea. Disponible
https://doi.org/10.47185/27113760.v1n1.13
Vivar, J. M. F. (2023). Paradigmas de la inteligencia
artificial en los nuevos escenarios de enseñanza
y aprendizaje: Desafíos tecnológicos,
pedagógicos y éticos. Brazilian Journal of
Development, 9(05), 14718–14732. Documento
en línea. Disponible
https://doi.org/10.34117/bjdv9n5-015
Vu, D.-M., Le, H.-H., Tan, P. X., & Tu, N. T. T.
(2026). Personalized and scalable problem-based
learning in soft skills education: The role of AI
agents in multidisciplinary contexts.
International Journal of Engineering Pedagogy,
16(1), 24–43. Documento en línea. Disponible
https://doi.org/10.3991/ijep.v16i1.57581
Weber, F., Schrumpf, J., Dettmer, N., & Thelen, T.
(2022). A web-based recommendation system
for higher education: SIDDATA—History,
architecture, and future of a digital data-driven
study assistant. International Journal of
Emerging Technologies in Learning, 17(22),
246–253. Documento en línea. Disponible
https://doi.org/10.3991/ijet.v17i22.31887
Yaulema, L. P. B., & Oviedo, S. (2023). La
aplicación de la inteligencia artificial para
mejorar la enseñanza y el aprendizaje en el
ámbito educativo. Esprint Investigación, 2(1),
52–60. Documento en línea. Disponible
https://doi.org/10.61347/ei.v2i1.52
