Integración Algorítmica Transparente en la Revisión Sistemática (IATSR): Una propuesta metodológica para la investigación educativa en la era de la inteligencia artificial
DOI:
https://doi.org/10.7346/-fei-XXIV-02-26_03Palabras clave:
Revisión sistemática, PRISMA 2020, PRISMA-trAIce, Inteligencia artificial, Human-in-the-loop, Transparencia, Reproducibilidad, Investigación educativa, Formación para la investigaciónResumen
Este artículo propone, describe y fundamenta una estructura metodológica (IATSR, Integración Algorítmica Transparente en la Revisión Sistemática) para realizar revisiones sistemáticas asistidas por herramientas algorítmicas en los ámbitos no bibliométricos de la investigación educativa. La propuesta parte de un problema ya advertido en la práctica editorial y documentado en la literatura internacional: la difusión del uso no declarado de la denominada inteligencia artificial generativa en la producción científica, con efectos sobre la calidad, la verificabilidad y la equidad de la investigación educativa. Se sostiene que la integración algorítmica, si se incorpora como elemento constitutivo y se declara dentro de un protocolo basado en PRISMA 2020, puede llevarse a cabo de manera rigurosa, transparente y verificable. El flujo de trabajo se articula en siete fases, adopta los ítems ya presentes en PRISMA-trAIce y considera ineludible el principio human-in-the-loop. La contribución ofrece cinco productos teórico-metodológicos —la formalización del flujo de trabajo en siete fases, la clasificación R1/R2 de las fuentes, la matriz de riesgo epistemológico, el mapeo de los ítems de la lista de comprobación PRISMA 2020 y el diagrama de flujo adaptado—, reutilizables con independencia de la adopción integral del flujo de trabajo. La propuesta se acompaña de juicios cualitativos explícitos de validez, formulados como estimaciones expertas a priori y no como resultado de un estudio piloto o de una validación de la concordancia entre evaluadores: la comprobación empírica del protocolo constituye la principal línea de investigación futura. La contribución se sitúa, por tanto, como una aportación a la metodología de la investigación educativa, a la formación para la investigación y al debate sobre la evaluación transparente de la producción científica.
Citas
Aloe, A. M., Dewidar, O., Hennessy, E. A., Pigott, T., Stewart, G., Welch, V., Wilson, D. B., & Campbell MECCIR Working Group. (2024). Campbell standards: Modernizing Campbell’s methodologic expectations for Campbell Collaboration intervention reviews (MECCIR). Campbell Systematic Reviews, 20, Article e1445. https://doi.org/10.1002/cl2.1445
American Psychological Association. (2024). APA PsycInfo [Research database]. APA PsycNet. https://www.apa.org/pubs/databases/psycinfo
Aromataris, E., Lockwood, C., Porritt, K., Pilla, B., & Jordan, Z. (Eds.). (2024). JBI manual for evidence synthesis. JBI. https://doi.org/10.46658/JBIMES-24-01
Pullin, A. S., Frampton, G. K., Livoreil, B., & Petrokofsky, G. (Eds.). (2022). Guidelines and standards for evidence synthesis in environmental management (Version 5.1). Collaboration for Environmental Evidence. https://www.environmentalevidence.org/information-for-authors
Consensus NLP, Inc. (2024). Consensus [AI-powered academic search engine]. https://consensus.app
COPE Council. (2023). COPE position statement on AI tools in scholarly publishing. https://doi.org/10.24318/cCVRZBms
Culbert, J. H., Hobert, A., Jahn, N., Haupka, N., Schmidt, M., Donner, P., & Mayr, P. (2025). Reference coverage analysis of OpenAlex compared to Web of Science and Scopus. Scientometrics, 130, 2475–2492. https://doi.org/10.1007/s11192-025-05293-3
Elsevier. (2024). Scopus AI (AI Discovery) [Generative AI research tool]. https://www.elsevier.com/products/scopus/scopus-ai
Flemyng, E., Noel-Storr, A., Macura, B., Gartlehner, G., Thomas, J., Meerpohl, J. J., Jordan, Z., Minx, J., Eisele-Metzger, A., Hamel, C., Jemioło, P., Porritt, K., & Grainger, M. (2025). Position statement on artificial intelligence (AI) use in evidence synthesis across Cochrane, the Campbell Collaboration, JBI and the Collaboration for Environmental Evidence 2025. Environmental Evidence, 14, Article 20. https://doi.org/10.1186/s13750-025-00374-5
Glynn, A. (2024). Suspected undeclared use of artificial intelligence in the academic literature: An analysis of the Academ-AI dataset [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2411.15218
Grant, M. J., & Booth, A. (2009). A typology of reviews: An analysis of 14 review types and associated methodologies. Health Information & Libraries Journal, 26(2), 91–108. https://doi.org/10.1111/j.1471-1842.2009.00848.x
Gray, A. (2024). ChatGPT “contamination”: Estimating the prevalence of LLMs in the scholarly literature [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2403.16887
Higgins, J. P. T., Thomas, J., Chandler, J., Cumpston, M., Li, T., Page, M. J., & Welch, V. A. (Eds.). (2024). Cochrane handbook for systematic reviews of interventions (Version 6.5, updated August 2024). Cochrane. https://training.cochrane.org/handbook
Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial intelligence in education: Promises and implications for teaching and learning. Center for Curriculum Redesign.
Holst, D., Moenck, K., Koch, J., Schmedemann, O., & Schüppstuhl, T. (2025). Transparent reporting of AI in systematic literature reviews: Development of the PRISMA-trAIce checklist. JMIR AI, 4, Article e80247. https://doi.org/10.2196/80247
Incorrect terminology in Table 2 [Correction]. (2019). JAMA, 322(20), 2026. https://doi.org/10.1001/jama.2019.18307
Institute of Education Sciences. (2024). Education Resources Information Center (ERIC) [Bibliographic database]. U.S. Department of Education. https://eric.ed.gov
International Committee of Medical Journal Editors. (2023). Recommendations for the conduct, reporting, editing, and publication of scholarly work in medical journals. https://www.icmje.org/recommendations/
Kobak, D., González-Márquez, R., Horvát, E.-Á., & Lause, J. (2025). Delving into LLM-assisted writing in biomedical publications through excess vocabulary. Science Advances, 11(27), Article eadt3813. https://doi.org/10.1126/sciadv.adt3813
Kung, J. (2023). Elicit (product review). Journal of the Canadian Health Libraries Association / Journal de l’Association des bibliothèques de la santé du Canada, 44(1), 15–18. https://doi.org/10.29173/jchla29657
Landis, J. R., & Koch, G. G. (1977). The measurement of observer agreement for categorical data. Biometrics, 33(1), 159–174.
Linardon, J., Jarman, H. K., McClure, Z., Anderson, C., Liu, C., & Messer, M. (2025). Influence of topic familiarity and prompt specificity on citation fabrication in mental health research using large language models: Experimental study. JMIR AI, 4, Article e80371. https://doi.org/10.2196/80371
Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence unleashed: An argument for AI in education. Pearson Education.
McInnes, M. D. F., Moher, D., Thombs, B. D., McGrath, T. A., Bossuyt, P. M., & the PRISMA-DTA Group. (2018). Preferred reporting items for a systematic review and meta-analysis of diagnostic test accuracy studies: The PRISMA-DTA statement. JAMA, 319(4), 388–396. https://doi.org/10.1001/jama.2017.19163
Moher, D., Liberati, A., Tetzlaff, J., Altman, D. G., & The PRISMA Group. (2009). Preferred reporting items for systematic reviews and meta-analyses: The PRISMA statement. PLOS Medicine, 6(7), Article e1000097. https://doi.org/10.1371/journal.pmed.1000097
O’Mara-Eves, A., Thomas, J., McNaught, J., Miwa, M., & Ananiadou, S. (2015). Using text mining for study identification in systematic reviews: A systematic review of current approaches. Systematic Reviews, 4, Article 5. https://doi.org/10.1186/2046-4053-4-5
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. https://doi.org/10.1136/bmj.n71
Topaz, M., Roguin, N., Gupta, P., Zhang, Z., & Peltonen, L.-M. (2026). Fabricated citations: An audit across 2·5 million biomedical papers. The Lancet, 407, 1779–1781. https://doi.org/10.1016/S0140-6736(26)00603-3
Tricco, A. C., Lillie, E., Zarin, W., O’Brien, K. K., Colquhoun, H., Levac, D., Moher, D., Peters, M. D. J., Horsley, T., Weeks, L., Hempel, S., Akl, E. A., Chang, C., McGowan, J., Stewart, L., Hartling, L., Aldcroft, A., Wilson, M. G., Garritty, C., … Straus, S. E. (2018). PRISMA Extension for Scoping Reviews (PRISMA-ScR): Checklist and Explanation. Annals of Internal Medicine, 169(7), 467–473. https://doi.org/10.7326/M18-0850
Xiao, Y., & Watson, M. (2019). Guidance on conducting a systematic literature review. Journal of Planning Education and Research, 39(1), 93–112. https://doi.org/10.1177/0739456X17723971
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education: Where are the educators? International Journal of Educational Technology in Higher Education, 16, Article 39. https://doi.org/10.1186/s41239-019-0171-0
Descargas
Publicado
Cómo citar
Número
Sección
Categorías
Licencia
Derechos de autor 2026 Maurizio Gentile, Piergiuseppe Ellerani
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Formazione & insegnamento se distribuye bajo la licencia Atribución 4.0 Internacional (CC BY 4.0).
Para más detalles, por favor refiérase a nuestra Política de Repositorio y Archivo, así como a nuestros Términos de Derechos de Autor y Licencia.
