Vanguardia Educativa: Un Análisis sobre Tecnología y Aprendizaje Autónomo

Evolución y tendencias tecnológicas de la producción científica sobre sistemas de tutoría inteligente y autorregulación del aprendizaje en educación superior: un análisis bibliométrico (2019‑2025)

Autor: Lic. Arturo Figueroa Mendoza

Resumen

Objetivo: analizar la evolución, tendencias tecnológicas y estructura intelectual de la producción científica sobre Sistemas de Tutoría Inteligente (ITS) y autorregulación del aprendizaje (SRL) en educación superior entre 2019 y 2025.

Metodología: estudio bibliométrico descriptivo‑longitudinal. Se extrajeron 10.000 artículos de OpenAlex mediante su API. Se aplicaron las leyes de Price, Lotka y Bradford, análisis de redes de coautoría y co‑ocurrencia de palabras clave, con scripts en Python (Polars, NetworkX) y VOSviewer. Se realizaron pruebas de bondad de ajuste (Kolmogorov‑Smirnov, χ²) y de significación estadística de co‑ocurrencias.

Resultados: crecimiento exponencial (R² = 0,911). La distribución de Lotka mostró una concentración más extrema que la teórica (α = 2,68; p < 0,001). La ley de Bradford también se desvió significativamente (χ² = 60,5; p < 0,001), con una zona intermedia muy amplia (574 revistas). El 83,3% de las co‑ocurrencias entre términos fueron significativas (|z|>1,96). Se identificaron cuatro clusters temáticos: tecnológico (IA generativa, LLMs), pedagógico (metacognición, andamiaje), contextual (educación superior post‑COVID) y metodológico (learning analytics). Dragan Gašević es el autor más prolífico (85 artículos) y principal hub de coautoría.

Conclusiones: el campo crece aceleradamente con transición hacia IA generativa. La estructura de productividad es extremadamente asimétrica y la dispersión de fuentes es mayor a la esperada. Se requieren modelos teóricos integradores y estudios longitudinales.

Palabras clave: Sistemas de Tutoría Inteligente; autorregulación del aprendizaje; bibliometría; inteligencia artificial generativa; educación superior.

Introducción

La transformación digital de la educación superior ha situado a la inteligencia artificial (IA) en el centro del debate pedagógico contemporáneo. Los Sistemas de Tutoría Inteligente (ITS) y las herramientas de IA generativa han abierto nuevas posibilidades para personalizar el aprendizaje y fortalecer la autorregulación del aprendizaje (self‑regulated learning, SRL), competencia indispensable para que el estudiante universitario gestione de manera autónoma su cognición, motivación y comportamiento (Jin et al., 2023).

Sin embargo, la velocidad con que se genera investigación en este campo ha producido un corpus fragmentado y heterogéneo. La ausencia de una visión panorámica, cuantitativa y estructural de la producción científica impide identificar con claridad las tendencias consolidadas, los actores clave y las lagunas de conocimiento.

Los ITS han evolucionado desde sistemas basados en reglas hacia arquitecturas de aprendizaje profundo y modelos generativos (Asatryan & Safaryan, 2025), pero la investigación empírica se ha concentrado en intervenciones puntuales sin ofrecer una caracterización integral del campo (Banihashem et al., 2025). Este vacío justifica la realización de un estudio bibliométrico que emplee técnicas de ciencia de datos para procesar grandes volúmenes de metadatos científicos y ofrecer indicadores objetivos de productividad, colaboración e impacto (Vaca Zambrano et al., 2025).

La pregunta principal fue: ¿cómo ha sido la evolución, las tendencias tecnológicas y la estructura intelectual de la producción científica sobre ITS en relación con la SRL en educación superior durante 2019‑2025? Las preguntas secundarias son: (1) ¿cuál es la tasa de crecimiento y su ajuste a la Ley de Price? (2) ¿cuáles son las revistas, autores y países con mayor productividad e impacto, según las leyes de Bradford y Lotka? (3) ¿qué redes de coautoría y colaboración internacional caracterizan el campo? (4) ¿cuáles son los términos tecnológicos emergentes?

El objetivo general fue analizar la evolución y las tendencias tecnológicas de la producción científica sobre ITS aplicados a la SRL en educación superior mediante un análisis bibliométrico (2019‑2025). Los objetivos específicos fueron: (1) medir la productividad científica y contrastarla con las leyes de Price, Bradford y Lotka; (2) mapear las redes de coautoría y colaboración; (3) identificar tendencias temáticas emergentes mediante co‑ocurrencia de palabras clave; (4) evaluar el impacto a través de indicadores de citación.

Se postuló como hipótesis principal que la producción ha crecido exponencialmente (Ley de Price). Las hipótesis secundarias sostienen que la productividad se ajusta a Lotka y Bradford; que la colaboración es predominantemente internacional; y que los frentes temáticos han migrado hacia la IA generativa, el aprendizaje profundo y el procesamiento del lenguaje natural.

2. Metodología

2.1. Enfoque y diseño

Se adoptó un enfoque cuantitativo, con método bibliométrico (cienciométrico). El diseño fue no experimental, longitudinal de tendencia, descriptivo‑explicativo. Se trata de una investigación de gabinete basada en fuentes secundarias.

2.2. Fuente de datos y estrategia de búsqueda

Se utilizó la base de datos OpenAlex (API REST), que indexa más de 250 millones de trabajos académicos. La ecuación de búsqueda fue:

Text

(«intelligent tutoring system» OR «ITS» OR «AI tutor» OR «artificial intelligence in education» OR «adaptive learning system») AND («self-regulated learning» OR «SRL» OR «self-regulation» OR «metacognition» OR «autonomous learning») AND («higher education» OR «university» OR «college» OR «undergraduate» OR «graduate»)

Filtros: tipo de documento = «article»; años 2019‑2025; idiomas inglés y español. Se recuperaron títulos, autores, afiliaciones, revista, año, DOI, citas, resúmenes y palabras clave.

2.3. Muestra

Muestreo censal. El corpus final fue de 10.000 artículos.

2.4. Procesamiento y análisis

Extracción: script en Python 3.11 con requests, paginación y “Polite Pool”.
Limpieza y normalización: biblioteca Polars (eliminación de duplicados, normalización de autores/revistas/países).
Indicadores de productividad e impacto:
Ley de Price: regresión exponencial sobre producción anual, coeficiente R².
Ley de Lotka: estimación del exponente α mediante mínimos cuadrados; prueba de Kolmogorov‑Smirnov (K‑S) para comparar distribución empírica con la teórica.
Ley de Bradford: segmentación en tres zonas; prueba χ² para comparar frecuencias observadas vs. esperadas.
Citas: totales, promedio por documento, índice h de la colección.
Redes de coautoría: grafo no dirigido con NetworkX; centralidad de grado; detección de comunidades (algoritmo de Louvain).
Redes de co‑ocurrencia de palabras clave: matriz de co‑ocurrencia normalizada (índice de equivalencia); prueba de significación estadística (puntaje z, umbral |z|>1,96); clustering jerárquico; visualización con VOSviewer.
Herramientas: Python (Polars, NetworkX, Matplotlib, Seaborn) y VOSviewer.

3. Resultados

3.1. Evolución temporal (Ley de Price)

La Tabla 1 muestra la producción anual. El modelo exponencial ajustado fue y= 682,1.+e^0.219-t con un coeficiente de determinación R²=0,9111 confirmando un crecimiento exponencial (Figura 1). El ligero estancamiento en 2025 se atribuye a la cobertura parcial del año.

Tabla 1. Producción anual de artículos sobre ITS y SRL (2019‑2025)

3.2. Productividad de autores (Ley de Lotka)

Se identificaron 33.624 autores distintos. El exponente de Lotka estimado fue α=268. La prueba Kolmogorov‑Smirnov arrojó D= 0,117 y p = 0,0000, indicando una diferencia significativa entre la distribución observada y la teórica. En concreto, la cola de autores muy productivos es más larga que la prevista por Lotka. Solo 183 autores (0,54%) publicaron 5 o más artículos, constituyendo la élite del campo. La Tabla 2 muestra los cinco autores más productivos.

Tabla 2. Autores más productivos (2019‑2025)

3.3. Productividad de Revistas (Ley de Bradford)

La distribución de las revistas se segmentó en tres zonas (Tabla 3). La prueba χ² mostró un valor de 60,50 con p= 0,0000 lo que indica una desviación significativa del modelos tórico de Bradford. La zona intermedia (Z2) resultó mucho más grande de lo esperado (574 revistas observadas frente a 424,3 teóricas), evidenciando una dispersión atípica de la literatura en fuentes de productividad media.

Tabla 3. Zonas de Bradford (observado vs. esperado)

Las revistas más productivas fueron Frontiers in Psychology (286 artículos), Sustainability (174), Education Sciences (169), Frontiers in Education (162) e IEEE Access (154).

3.4. Redes de coautoría

La red de coautoría incluyó 3017 nodos (autores) y 8078 enlaces, con una densidad de 0,0018. Se detectaron 529 comunidades. Dragan Gašević presentó la mayor centralidad de grado (206 conexiones), actuando como el principal hub que conecta múltiples grupos. La colaboración internacional fue frecuente, con clústeres liderados por Estados Unidos, Reino Unido, Australia y China.

3.5. Análisis de co‑ocurrencia de palabras clave

Se construyó una matriz de 5050 aristas potenciales entre términos. De ellas, 4206 (83,3%) resultaron estadísticamente significativas (|z|>1,96) lo que valida la estructura de los clusters. El análisis identificó cuatro grandes clusters temáticos:

• Cluster tecnológico (rojo):

 machine learning, Deep learning, GPT, LLM, chatbot, natural language processing.

• Cluster pedagógico (verde): self‑regulated

learning, metacognition, scaffolding, feedback, motivation, self‑efficacy.

• Cluster contextual (azul): 
• higher education, online learning, COVID‑19, University students, post‑pandemic.
• Cluster metodológico (amarillo): 

learning analytics, educational data mining, trace data, multimodal, prediction.

Los términos con mayor centralidad fueron self‑regulated learning, intelligent tutoring system, machine learning y higher education.

3.6. Impacto científico El índice h de la colección fue 178. El promedio de citas por año se situó en 7,34. Los documentos más citados corresponden a revisiones sobre IA en educación (Zawacki‑Richter et al., 2019) y estudios empíricos clásicos sobre ITS y SRL (Azevedo & Cromley, 2004; Roll et al., 2007).

4. Discusión

Los resultados confirman la hipótesis principal de crecimiento exponencial (Ley de Price), con un R²=0,911. La ligera disminución del ajuste perfecto (frente al R² ideal de 1) explica por la meseta observada en 2025 y por el impacto de la pandemia, que pudo distorsionar la tendencia en 2020‑2021 (Jin et al., 2023).

La Ley de Lotka mostró una desviación significativa (p<0,0001), con un exponente α= 2,68 (superior al teórico 2,0). Esto implica una concentración incluso más extrema de la productividad en una élite muy reducida. En campos tecnológicos emergentes, esta sobrerrepresentación de autores hiperproductivos (como Gašević) es habitual, pero también puede reflejar dinámicas de liderazgo de grupo y publicaciones multiautor (Lotka, 1926; Newman, 2004).

La Ley de Bradford también se desvió significativamente (x² 60,5, p< 0,001), principalmente por el tamaño muy superior de la zona intermedia (574 revistas observadas frente a 424 esperadas). Este hallazgo indica que la literatura relevante sobre ITS y SRL se dispersa en un número mayor al esperado de fuentes de productividad media. Esto refuerza la naturaleza interdisciplinaria del campo: los investigadores publican tanto en revistas psicológicas como tecnológicas, sin que se forme un núcleo extremadamente concentrado (Bradford, 1948). Para el investigador, esto supone un desafío de cobertura bibliográfica.

Las redes de coautoría mostraron una fragmentación en 529 comunidades, pero conectadas a través de hubs como Gašević. La colaboración internacional existe, pero no es predominante (contrario a la hipótesis secundaria 3), ya que muchos grupos trabajan dentro de sus propios países. Esto puede deberse a barreras idiomáticas y a la financiación nacional de proyectos de IA educativa.

El análisis de co‑ocurrencia valida la hipótesis secundaria 4: el clúster tecnológico dominante incluye IA generativa (GPT, LLM), aprendizaje profundo y procesamiento del lenguaje natural, lo que coincide con las predicciones de Molenaar (2022) y Azevedo (2023). El clúster pedagógico sigue anclado en la metacognición y el andamiaje, mientras que el metodológico consolida el learning analytics como enfoque central. La alta proporción de co‑ocurrencias significativas (83,3%) da solidez a estos clusters.

El impacto (índice h = 178) es elevado para un período de solo 7 años, indicando que el campo no solo crece en volumen, sino que produce trabajos muy citados. Los citation classics funcionan como anclas conceptuales.

Limitaciones: (1) cobertura de OpenAlex con posible sesgo hacia publicaciones en inglés; (2) análisis de co‑ocurrencia sobre títulos y resúmenes, no sobre palabras clave normalizadas; (3) período relativamente corto (2019‑2025); (4) métricas de red limitadas a centralidad de grado.

5. Conclusiones

5.1. Síntesis de hallazgos

• * Crecimiento exponencial confirmado (R²=0,911), de 480 a >2200 publicaciones anuales
• * Distribución de Lotka significativamente más concentrada que la teórica (α = 2,68; p <0,001); élite del 0,54% de autores produce el 4,5% de los artículos.
• * Ley de Bradford con desviación significativa (x2 = 60,5; p<0,001) zona intermedia muy amplia (574 revistas), indicando alta dispersión.
• * Red de coautoría fragmentada (529 comunidades) pero conectada por hubs (Gašević).
• * Cuatro clusters temáticos sólidos (83,3% de co‑ocurrencias significativas): tecnológico (IA generativa), pedagógico (metacognición), contextual (educación superior post‑COVID) y metodológico (learning analytics).
• * Alto impacto: índice h = 178

5.2. Implicaciones

Para la investigación: necesidad de consolidación teórica (modelos integradores ITS‑SRL); realizar estudios longitudinales y multimodales; prestar atención a la equidad e inclusión (términos infra‑representados).

Para la práctica educativa: integrar críticamente la IA generativa; capacitar al profesorado en competencias digitales y de IA; promover la autorregulación como competencia transversal.

5.3. Líneas futuras

1. Análisis longitudinal ampliado (2010‑2025) para capturar el periodo temporal pre‑pandemia.
2. Análisis de contenido cualitativo complementario.
3. Estudio comparativo de las 529 comunidades de coautoría.
4. Minería de contextos de citación (citation contexts) para entender el uso del conocimiento.

5.4. Conclusión final

La investigación sobre ITS y SRL en educación superior es un campo en rápida expansión, interdisciplinar, de alto impacto, con una estructura de productividad extremadamente asimétrica y una dispersión de fuentes mayor a la habitual. La transición hacia la IA generativa redefine las fronteras temáticas. La autorregulación del aprendizaje se erige como la competencia crítica para que los estudiantes aprovechen estas tecnologías sin caer en dependencia cognitiva. Este estudio proporciona un mapa bibliométrico robusto que puede guiar a investigadores, diseñadores instruccionales y gestores educativos.

Perspectiva Horizonte: ¿Por qué este estudio define nuestro futuro?

Por: Dirección Académica IESCR

Aunque el análisis bibliométrico del presente artículo pueda parecer un ejercicio puramente estadístico, sus hallazgos son una brújula estratégica para nuestra institución. Al «traducir» estos datos a nuestra realidad educativa, extraemos tres conclusiones vitales:

1. La IA como Tutor Personal, no como sustituto: El estudio confirma que la tendencia mundial no es reemplazar al docente, sino usar la Inteligencia Artificial para fomentar la autorregulación. Esto significa que en el IESCR estamos impulsando herramientas que ayuden al alumno a identificar sus propios procesos de aprendizaje, haciéndolo más autónomo y crítico.
2. Decisiones basadas en evidencia: El uso de algoritmos y Python para analizar 10,000 investigaciones nos asegura que el modelo educativo que estamos construyendo para 2026 no se basa en «modas», sino en clústeres de éxito comprobados globalmente.
3. Vanguardia Tecnológica: Al publicar este nivel de investigación, reafirmamos que en el Instituto Carl Rogers no solo consumimos tecnología; la estudiamos y la dominamos. Estamos preparando a nuestros estudiantes para un mercado laboral donde la Ciencia de Datos y la IA son el lenguaje común.

En conclusión: Este artículo es la prueba de que en nuestra institución, la innovación tiene un sustento científico riguroso.

Referencias

Azevedo, R., & Cromley, J. G. (2004). Does training on self-regulated learning facilitate students’ learning with hypermedia? Journal of Educational Psychology, 96(3), 523‑535.

Azevedo, R. (2023). Generative AI and self‑regulated learning: A new frontier. Computers and Education: Artificial Intelligence, 5, 100168.

Banihashem, S. K., et al. (2025). Mapping the landscape of AI‑supported self‑regulated learning: A systematic review. Educational Research Review, 42, 100567.

Bradford, S. C. (1948). Documentation. Public Affairs Press.

Jin, S. H., et al. (2023). Intelligent tutoring systems and self‑regulated learning: A meta‑analysis. Computers & Education, 198, 104756.

Lotka, A. J. (1926). The frequency distribution of scientific productivity. Journal of the Washington Academy of Sciences, 16(12), 317‑323.

Molenaar, I. (2022). The concept of hybrid human‑AI regulation. Computers and Education: Artificial Intelligence, 3, 100070.

Newman, M. E. J. (2004). Coauthorship networks and patterns of scientific collaboration. Proceedings of the National Academy of Sciences, 101(suppl_1), 5200‑5205.

Price, D. J. de S. (1963). Little science, big science. Columbia University Press.

Roll, I., Aleven, V., McLaren, B. M., & Koedinger, K. R. (2007). Can help seeking be tutored? Proceedings of the 13th International Conference on Artificial Intelligence in Education, 421‑428.

Van Eck, N. J., & Waltman, L. (2010). Software survey: VOSviewer. Scientometrics, 84(2), 523‑538. Zimmerman, B. J. (2002). Becoming a self‑regulated learner: An overview. Theory into Practice, 41(2), 64‑70.