Hacia una innovación de proceso de evaluación docente sostenible: Revisión Sistemática de Aplicaciones de IA, Ciencia de Datos y PLN en Educación Superior

Contexto. La evaluación docente en universidades públicas multicampus depende aún de promedios y encuestas cerradas, limitadas para captar la complejidad del desempeño académico. Ante ello, este estudio presenta una revisión sistemática (2019–2024) sobre el uso de la Inteligencia Artificial (IA) y el Procesamiento de Lenguaje Natural (PLN) en procesos de evaluación docente universitaria, siguiendo como innovaciones de proceso enunciadas en el Manual de Oslo, alineadas con los Objetivos de Desarrollo Sostenibles (ODS) 4 y 9. Problema. Los sistemas tradicionales en instituciones de alta matrícula presentan baja precisión analítica, escaso aprovechamiento de datos cualitativos y retroalimentación tardía. Ante esto, se plantea la pregunta de investigación: ¿qué técnicas y algoritmos reporta la literatura para el análisis integrado de datos cuantitativos y cualitativos en la evaluación docente universitaria? Objetivo. Analizar críticamente el uso de la ciencia de datos y la IA —especialmente el PLN— para mejorar la retroalimentación docente, superando las limitaciones de los enfoques tradicionales y promover procesos evaluativos oportunos, profundos y escalables. Metodología. Se siguió el protocolo PRISMA mediante búsquedas con operadores booleanos en Scopus, Web of Science, IEEE Xplore y ERIC. Tras aplicar criterios de inclusión y un proceso de revisión por pares en dos fases, se analizaron 17 estudios publicados entre 2019 y 2024. Hallazgos. Las técnicas como el análisis de sentimientos, el modelado de tópicos (LDA) y modelos de lenguaje de gran escala (LLM) —notablemente DistilBERT, con precisiones cercanas al 93%— superan consistentemente a los métodos tradicionales en la gestión de grandes volúmenes de información. Originalidad. Radica en la integración de literatura dispersa sobre IA y PLN en educación superior bajo un marco de innovación de procesos, articulando rigor técnico, empírico y ético. Conclusiones y Limitaciones. Se concluye que los modelos avanzados de IA y PLN poseen un alto potencial para transformar la evaluación en redes universitarias latinoamericanas al permitir retroalimentación personalizada. No obstante, persisten desafíos en la interpretabilidad de modelos, mitigación de sesgos, escasez de datos etiquetados en español y resistencia institucional, lo que abre relevantes líneas para futuras investigaciones y desarrollos aplicados.