Fecha de recepción: 00/10/2023 Fecha de aprobación: 00/11/2023 https://www.riceso.org 134 | Página Revista Interdisciplinaria de Ciencias de la Educación, Salud y Sociología, ISSN 3117-2660. Vol. 1, No. 2, Año 2026

https://www.riceso.org 135 | Página Revista Interdisciplinaria de Ciencias de la Educación, Salud y Sociología. ISSN 3117-2660 Vol. 1, No. 2, Año 2026 Ensayo Académico Mayo – agosto 2026 RICESO INTEGRACIÓN DE LA INTELIGENCIA ARTIFICIAL EN EL CURRÍCULO ESCOLAR: DESAFÍOS Y PERCEPCIONES DOCENTES INTEGRATION OF ARTIFICIAL INTELLIGENCE IN THE SCHOOL CURRICULUM: CHALLENGES AND TEACHER PERCEPTIONS El rápido avance de la Inteligencia Artificial (IA) representa una transformación radical que interpela directamente los fundamentos y la praxis del sistema educativo, exigiendo una reestructuración curricular urgente, por lo que se estila el propósito que se tiene al realizar este ensayo, el cual es analizar los desafíos y las percepciones de los docentes de Educación Media General respecto a la integración de la IA en el Liceo Bolivariano “San Carlos” como herramienta pedagógica y como contenido curricular en el subsistema escolar venezolano. Metodológicamente, se adoptó un enfoque mixto, predominando el diseño exploratorio-descriptivo, con la aplicación de encuestas a una muestra intencional de ochenta y cinco (85) docentes y entrevistas en profundidad a diez (10) informantes clave. Corresponde decir que los resultados develaron que, si bien existe una percepción positiva del potencial de la IA para la personalización del aprendizaje y la diferenciación curricular, el proceso de integración está profundamente obstaculizado por la brecha de la formación (92% sin preparación formal), el miedo ético ante el sesgo algorítmico y la preocupación por la autonomía profesional. Se concluye que el desafío principal no es tecnológico, sino humano y político, requiriendo una inversión estatal urgente en la alfabetización digital y ética docente para transitar de la resistencia a la apropiación crítica. Palabras Clave: Inteligencia Artificial; Currículo escolar; Percepción docente; Desafíos éticos; Educación Media General. Received: 17/05/2026 Accepted: 19/05/2026 Published: 23/05/2026 Revista Interdisciplinaria de Ciencias de la Educación, Salud y Sociología https://www.riceso.org editor@riceso.org © 2026. Este artículo es un documento de acceso abierto distribuido bajo los términos y condiciones de la Licencia Creative Commons, Atribución-NoComercial 4.0 Internacional. Adriana Noiralit Ruiz Flores https://orcid.org/0009-0009-1247-8486 ruiznoiralith@gmail.com Universidad Pedagógica Experimental Libertador (UPEL). Venezuela https://doi.org/10.66136/mpywny38

https://www.riceso.org 136 | Página Revista Interdisciplinaria de Ciencias de la Educación, Salud y Sociología. ISSN 3117-2660 Vol. 1, No. 2, Año 2026 Ensayo Académico Mayo – agosto 2026 RICESO ABSTRACT The rapid advancement of Artificial Intelligence (AI) represents a radical transformation that directly challenges the foundations and practices of the educational system, demanding an urgent curricular restructuring. Therefore, the purpose of this article is to analyze the challenges and perceptions of secondary school teachers regarding the integration of AI at the "San Carlos" Bolivarian High School as a pedagogical tool and as curricular content within the Venezuelan school system. Methodologically, a mixed-methods approach was adopted, predominantly exploratory-descriptive, with surveys administered to a purposive sample of eighty-five (85) teachers and in-depth interviews conducted with ten (10) key informants. It should be noted that the results revealed that, while there is a positive perception of AI's potential for personalized learning and differentiated curricula, the integration process is severely hampered by the skills gap (92% without formal training), ethical concerns about algorithmic bias, and worries about professional autonomy. The conclusion is that the main challenge is not technological, but human and political, requiring urgent state investment in digital literacy and teacher ethics to move from resistance to critical appropriation. Keywords: Artificial Intelligence; School Curriculum; Teacher perception; Ethical challenges; General Secondary Education. Ensayo

https://www.riceso.org 137 | Página Revista Interdisciplinaria de Ciencias de la Educación, Salud y Sociología. ISSN 3117-2660 Vol. 1, No. 2, Año 2026 Ensayo Académico Mayo – agosto 2026 RICESO INTRODUCCIÓN La irrupción de la Inteligencia Artificial (IA) en el panorama social, económico y laboral ha generado un cambio de paradigma cuya onda expansiva alcanza inexorablemente al sistema educativo, lejos de ser una herramienta complementaria, la IA, en sus diversas formas desde sistemas de tutoría adaptativa y automatización de la evaluación, hasta la generación de contenido mediante modelos de lenguaje (LLMs), está redefiniendo los propósitos y las metodologías del aprendizaje. En este contexto, la Educacion Media General, y particularmente el currículo escolar, se enfrenta a la doble disyuntiva de integrar la tecnología para preparar a los estudiantes para el futuro, al tiempo que debe preservar la esencia humanística y crítica de la formación. Concatenado a ello, el interés por integrar la IA en los planes de estudio no es simplemente técnico, sino epistemológico y ético, por lo que la capacidad de la IA para procesar información a una escala y velocidad inalcanzables obliga a cuestionar el valor del conocimiento fáctico y fragmentado (el "logos" rígido), de modo que, esta automatización del saber disciplinario exige, como lo plantea Morín (1999), una revalorización del rol docente, que debe pasar de ser un "simple transmisor de contenido" a un "estratega y mentor" (p. 55). es esencia, que la meta educativa se desplaza, entonces, hacia la formación de competencias complejas: pensamiento crítico, creatividad, ética de la IA y la capacidad de afrontar la incertidumbre, es decir, cultivar el "pathos" y la complejidad humana. Sin embargo, la implementación de esta tecnología no está exenta de riesgos, especialmente si se realiza sin la debida reflexión crítica, es por ello, que, el uso de modelos algorítmicos en la toma de decisiones (como la admisión de estudiantes o la asignación de recursos) ha sido objeto de serios cuestionamientos por su opacidad y potencial para perpetuar sesgos. Por su parte, O'Neil (2016), en su tesis crítica, advierte que si los "modelos algorítmicos" son opacos, injustos y escalables, se convierten en Armas de Destrucción Matemática, capaces de aumentar la desigualdad en lugar de mitigarla, así pues, esta perspectiva es fundamental en el ámbito curricular, donde la justicia y la equidad deben ser principios innegociables, por lo que la integración de la

https://www.riceso.org 138 | Página Revista Interdisciplinaria de Ciencias de la Educación, Salud y Sociología. ISSN 3117-2660 Vol. 1, No. 2, Año 2026 Ensayo Académico Mayo – agosto 2026 RICESO IA debe, por tanto, estar acompañada de una alfabetización crítica que enseñe a la comunidad educativa a auditar y cuestionar la tecnología. Por lo anteriormente expuesto, la literatura especializada ha abordado mayoritariamente los aspectos técnicos y las potencialidades de la IA, pero ha dejado un vacío significativo en la comprensión de la perspectiva del actor central de la reforma curricular: el docente. Es el profesorado quien, en última instancia, debe negociar la tensión entre las directrices curriculares y las realidades del aula; a pesar de la basta literatura existente, sus percepciones, miedos y desafíos constituyen el principal motor o, en su defecto, la barrera más significativa para una integración exitosa, además, las preocupaciones sobre el aumento de la vigilancia, la evaluación algorítmica y la presión por el rendimiento, se insertan en la crítica de la psicopolítica de Han (2015), donde la tecnología podría convertirse en un nuevo mecanismo de auto explotación si no se protege la autonomía profesional. Bajo estas consideraciones, la presente investigación se justifica en la necesidad de documentar y analizar el impacto de la inmersión de la IA desde la óptica de los profesionales que la implementan, requiriendo un análisis que vaya más allá de la estadística, utilizando un enfoque hermenéutico que interprete las experiencias vividas. Por consiguiente, el objetivo general de este esnsayo es analizar los desafíos éticos, pedagógicos y tecnológicos, así como las percepciones del profesorado, en relación con la integración de la Inteligencia Artificial dentro del currículo escolar contemporáneo, sustentándolo el estudio en el rigor cualitativo, asegurando la credibilidad mediante la saturación de categorías y la transferibilidad a través de la descripción densa del contexto, según los criterios de Guba y Lincoln (1985). Se asume la definición de IA propuesta por Russell y Norvig (2020) como "el nacimiento de la inteligencia artificial" (p. 42); partiendo de esta premisa, la misma tiene la capacidad de sistemas para percibir su entorno y tomar acciones que maximicen la probabilidad de lograr sus objetivos, por lo tanto, la Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura (UNESCO) (2023), distingue a la IA en dos (02) dimensiones esenciales:

https://www.riceso.org 139 | Página Revista Interdisciplinaria de Ciencias de la Educación, Salud y Sociología. ISSN 3117-2660 Vol. 1, No. 2, Año 2026 Ensayo Académico Mayo – agosto 2026 RICESO - IA para la Educación: Uso de herramientas de IA para optimizar procesos (tutoría personalizada, evaluación automatizada, learning analytics). - IA como Educación: Integración de la IA como un tema curricular que promueve la comprensión de sus fundamentos éticos, sociales y técnicos, por lo que el desafío curricular reside en transitar de la mera automatización a la comprensión crítica de la tecnología. La integración de la IA impone desafíos que van más allá de la infraestructura, de modo que, O'Neil (ob cit.) refiere sobre: Los modelos matemáticos, escribió, pueden “codificar los prejuicios, los malentendidos y los sesgos humanos en los sistemas de software que gestionan cada vez más nuestras vidas. […] Sus veredictos, incluso cuando son erróneos y nocivos, son inapelables. Y tienden a castigar a las personas pobres y oprimidas de nuestra sociedad, mientras enriquecen más a los ricos”. (p. 3) En este orden de ideas advierte sobre los peligros del sesgo algorítmico, que perpetúa o amplifica discriminaciones sociales en los procesos de aprendizaje automatizados, a su vez se hacen referencia, de otros desafíos éticos incluyendo la privacidad de los datos estudiantiles y la transparencia del funcionamiento algorítmico (black box problem). Curricularmente, la IA exige un currículo flexible y una redefinición de la inteligencia humana, priorizando competencias como el pensamiento crítico, la creatividad y la resolución de problemas complejos sobre la memorización factual. La resistencia o el éxito de cualquier innovación curricular depende de la aceptación y apropiación de los docentes, por lo tanto, las percepciones están a menudo polarizadas: Miedo: A la obsolescencia laboral y a la pérdida de control pedagógico. Esperanza: En la capacidad de la IA para liberar tiempo de tareas administrativas y atender la diversidad del aula, así pues, esta investigación se ancla en la necesidad de entender esa tensión afectiva que, siguiendo a Hargreaves (1998), en el que indica a "la enseñanza y el aprendizaje no solo tienen que ver con el conocimiento, la cognición y la habilidad. También son prácticas emocionales" (p. 835-854) e influye directamente en la geografía emocional del aula y, por ende, en la efectividad de la implementación.

https://www.riceso.org 140 | Página Revista Interdisciplinaria de Ciencias de la Educación, Salud y Sociología. ISSN 3117-2660 Vol. 1, No. 2, Año 2026 Ensayo Académico Mayo – agosto 2026 RICESO RECORRIDO METODOLÓGICO Naturaleza y Enfoque de la Investigación En referencia a la naturaleza del estudio es no experimental, según Hernández-Sampieri et al. (2014), refiriendo a “la investigación no experimental es la que se realiza sin manipular deliberadamente variables; lo que se hace en este tipo de investigación es observar fenómenos tal y como se dan en su contexto natural, para después analizarlos" (p. 120); donde implica que la investigadora no manipula intencionalmente las variables (la IA, el currículo o las percepciones docentes), sino que observa el fenómeno, tal como se da en su contexto natural, acorde al objetivo es analizar las percepciones y desafíos que ya existen en el colectivo docente al momento de realizar la investigación; por su parte, como enfoque se estima el mixto (cuantitativo y cualitativo), el cual es el más adecuado para este título, aunque con una clara inclinación hacia lo cualitativo debido al término "percepciones". A. Dimensión Cuantitativa (Medición de Actitudes) Propósito: Cuantificar el nivel de conocimiento, la frecuencia de uso de herramientas de IA, o la magnitud de la actitud (positiva, neutra, negativa) de los docentes hacia la integración curricular. Fundamento Teórico: Permite establecer patrones estadísticos y generalizar los resultados de la muestra a la población docente. B. Dimensión Cualitativa (Comprensión de Percepciones) Propósito: Comprender en profundidad los significados, las razones subyacentes a los desafíos y la experiencia vivida por los docentes en el proceso de integración. Fundamento Teórico: Este enfoque establecido por Stake (1995) como: El verdadero propósito del estudio de casos es la particularización, no la generalización. Tomamos un caso particular y llegamos a conocerlo bien, no principalmente con el propósito de conocer otro caso...sino para aprender sobre este fenómeno, este programa, esta única instancia” (p. 8)

https://www.riceso.org 141 | Página Revista Interdisciplinaria de Ciencias de la Educación, Salud y Sociología. ISSN 3117-2660 Vol. 1, No. 2, Año 2026 Ensayo Académico Mayo – agosto 2026 RICESO Por tal motivo, es esencial para estudiar fenómenos subjetivos como las "percepciones", permitiendo al investigador capturar la rica complejidad del contexto pedagógico y las implicaciones éticas y didácticas de la IA, a su vez, se trabajara con el tipo de investigación, el cual es el descriptivo-exploratorio, donde Hernández-Sampieri et al. (ob cit.), indica a "los estudios exploratorios se realizan cuando el objetivo es examinar un tema o problema de investigación poco estudiado, o que no ha sido abordado antes" (p. 91); a su vez el estudio es descriptivo ya sea porque Hernández-Sampieri et al. (ob cit.), lo establece como "el propósito es describir situaciones y eventos. Esto es, decir cómo es y cómo se manifiesta determinado fenómeno" (p. 93). Adicional a ello, se utilizará el diseño transversal que lo refiere Hernández-Sampieri et al. (ob cit.), como “los diseños de investigación transeccional (transversal) recolectan datos en un solo momento, en un tiempo único. Su propósito es describir variables, y analizar su incidencia e interrelación en un momento dado" (p. 154); esto significa que la investigadora actúa como una fotógrafa que congela la realidad en un instante específico, además, no hay seguimiento a lo largo del tiempo ni mediciones repetidas meses o años después, siendo un trabajo de campo (encuestas, entrevistas, observaciones) se concentra en un periodo corto y delimitado. Sujetos, Muestra y Escenario Población: Según Hernández-Sampieri et al. (ob cit.) establece a la población como “una población es el conjunto de todos los casos que concuerdan con una serie de especificaciones" (p. 175), para que un estudio sea metodológicamente sólido, el investigador debe establecer criterios claros y específicos (especificaciones) que determinen quiénes forman parte de la población y quiénes no, estos criterios son los que otorgan el "rigor" mencionado en la frase original del usuario, asegurando que todos los participantes potenciales compartan características comunes (como estar en una ubicación geográfica particular y tener un nivel educativo específico); teniendo en cuenta que será representada como los Docentes activos de Educación Media General del Liceo Bolivariano “San Carlos” del municipio San Carlos, del Estado Cojedes.

https://www.riceso.org 142 | Página Revista Interdisciplinaria de Ciencias de la Educación, Salud y Sociología. ISSN 3117-2660 Vol. 1, No. 2, Año 2026 Ensayo Académico Mayo – agosto 2026 RICESO Cuadro 1. Población del Estudio. Elaboración propia (2025) Muestra Cuantitativa: Por su parte, la muestra será no probabilística intencional o por conveniencia, referida por Hernández-Sampieri et al. (ob cit.), en el que la conceptualiza como “en las muestras no probabilísticas, la elección de los elementos no depende de la probabilidad, sino de causas relacionadas con las características de la investigación o los propósitos del investigador" (p. 177), por lo tanto, el punto más importante es que la selección de los participantes no es aleatoria, significando que no se puede calcular con precisión la probabilidad que tiene cada individuo de la población de ser seleccionado para el estudio; seleccionándola intencionalmente de ochenta y cinco (85) docentes, solo diez (10) docentes manifestaron usar tecnologías digitales de forma regular. Cuadro 2. Muestra del Estudio. Elaboración propia (2025) Informantes Clave Cualitativos: Se seleccionaron diez (10) docentes con experiencia diversa (cinco (05) con más de 15 años y cinco (05) con menos de 5 años) para contrastar percepciones generacionales. Técnicas de Aprehensión y Análisis de la Información Encuesta Descriptiva (Cuantitativa): Arias (2012) en su obra sobre investigación, conceptualiza la encuesta de la siguiente manera: Docentes activos Educación Media General del Liceo Bolivariano “San Carlos” 85 docentes Activos Total 85 Docentes activos Educación Media General del Liceo Bolivariano “San Carlos” 10 docentes Activos Total 10

https://www.riceso.org 143 | Página Revista Interdisciplinaria de Ciencias de la Educación, Salud y Sociología. ISSN 3117-2660 Vol. 1, No. 2, Año 2026 Ensayo Académico Mayo – agosto 2026 RICESO La encuesta es una técnica que pretende obtener información que suministra un grupo o muestra de sujetos acerca de sí mismos, o en relación con un tema en particular. Puede ser oral (entrevista) o escrita (cuestionario), pero siempre implica un proceso de recolección de datos estandarizado. (p. 75). Su mayor fortaleza radica en señalar la estandarización como el rasgo definitorio de la técnica, independientemente de si se administra de forma oral o escrita, además, su principal implicación es que la encuesta funciona como un puente entre una muestra y la estadística inferencial. Si bien es flexible en su forma de aplicación (cuestionario o entrevista estructurada), es intransigente en su requisito de uniformidad, lo que la posiciona como la técnica fundamental para la investigación descriptiva de base censal o muestral en el ámbito social y organizacional. Partiendo de esta premisa, se aplicó un cuestionario con escalas Likert y preguntas de opción múltiple para medir el nivel de conocimiento y acceso a herramientas de IA (ChatGPT, Bard, entre otras) y las actitudes generales hacia su uso. Entrevista Semi-Estructurada (Cualitativa): Patton (2002), una autoridad en métodos de evaluación e investigación cualitativa subraya la naturaleza equilibrada de esta técnica, que es esencial para su éxito en la recopilación de datos ricos en significado: El principal instrumento de la entrevista semiestructurada es la guía de entrevista, que incluye los temas o las áreas de contenido que se deben explorar, pero sin especificar el orden ni las palabras exactas de cada pregunta. Esto permite al investigador seguir el flujo de la conversación y adaptar las preguntas a lo que el participante tiene que decir. (p. 349). La Entrevista Semi-Estructurada es el punto de encuentro entre la intencionalidad investigativa (representada por el guion temático) y la realidad subjetiva (representada por el flujo libre del discurso), por lo que, la conceptualización es rigurosa al definir la técnica como una conversación dirigida a la comprensión, cuya validez se ancla en la riqueza del dato interpretativo, haciendo de la flexibilidad y la habilidad de la investigadora sus mayores activos metodológicos. Se utilizó un guion con preguntas generadoras abiertas enfocadas en las vivencias, desafíos y creencias del docente sobre la IA; de modo, la estadística descriptiva es la rama de la estadística que se ocupa de recolectar, ordenar, analizar y presentar datos para caracterizar a un grupo y su función principal es resumir la información de una muestra o población de manera comprensible, en este sentido, Hernández Sampieri, Fernández Collado y Baptista Lucio (ob cit.) definen la

https://www.riceso.org 144 | Página Revista Interdisciplinaria de Ciencias de la Educación, Salud y Sociología. ISSN 3117-2660 Vol. 1, No. 2, Año 2026 Ensayo Académico Mayo – agosto 2026 RICESO estadística descriptiva en el contexto de la investigación: “La estadística descriptiva, como su nombre lo indica, describe los datos, valores o puntuaciones obtenidos para cada variable... Es decir, [sirve] para resumir, organizar y simplificar los datos de la investigación con el propósito de describirlos”. (p. 285). Desde este punto metodológico, el uso exclusivo de la estadística descriptiva indica que el diseño de la investigación es descriptivo o transeccional descriptivo, ya que la investigadora no busca establecer causalidad ni realizar inferencias a la población (objetivo de la estadística inferencial), sino únicamente mostrar cómo se distribuyen las variables en la muestra. Por otra parte, la categorización es el proceso primario de análisis que sigue a la epojé (suspensión de juicios previos) y a la reducción fenomenológica. No es una simple clasificación, sino un acto intelectual que busca la esencia del fenómeno en el discurso, así lo refiere Martínez (2006): El proceso de categorización implica aislar y agrupar aquellos elementos de información que son recurrentes y relevantes en el discurso de los informantes, transformando la realidad textual extensa en unidades de significado que reflejan la estructura esencial del fenómeno investigado. Esta operación es el primer paso en la reducción de la multiplicidad de datos a la unidad conceptual. (p. 115). A su vez, así como la categorización es un proceso primario que tiene el análisis de la información, existe la triangulación como criterio de rigor hermenéutico, que es el mecanismo de validación y rigor por excelencia en la metodología cualitativa, por lo que Martínez (ob cit.) la define no solo como la simple confrontación de fuentes (investigadores, métodos o teorías), sino como un proceso inmerso en el círculo hermenéutico: La triangulación hermenéutica constituye el criterio de validación de los resultados cualitativos, al exigir la confrontación constante entre las categorías emergentes, las fuentes de información y los referentes teóricos. Este proceso cíclico asegura que la interpretación final sea la más completa, coherente y saturada posible, confiriéndole validez al conocimiento construido. (p. 178). Desde este orden de ideas, la conceptualización de Martínez trasciende una simple descripción de la triangulación, ya que, la define como una técnica de rigor fenomenológico-hermenéutico que exige la inmersión total y la reflexión constante del investigador, además, es la prueba de fuego del análisis cualitativo, que transforma la subjetividad inicial de la interpretación en conocimiento válido y científico.

https://www.riceso.org 145 | Página Revista Interdisciplinaria de Ciencias de la Educación, Salud y Sociología. ISSN 3117-2660 Vol. 1, No. 2, Año 2026 Ensayo Académico Mayo – agosto 2026 RICESO Criterios de Rigor Científico La Transferibilidad se logra mediante la descripción densa, término acuñado por el antropólogo Clifford Geertz y adoptado por Guba y Lincoln (ob cit.), por lo que la descripción densa obliga a la investigadora a proveer detalles exhaustivos del contexto, el escenario, los sujetos y las narrativas: La Transferibilidad se establece cuando el investigador proporciona los datos de base suficientes para hacer posible que aquellos que deseen 'transferir' el hallazgo a otro contexto tomen una decisión informada respecto a la posibilidad de hacerlo... Esto requiere de una 'descripción densa' del contexto de estudio. (p. 316). Al proporcionar una descripción densa del contexto y las narrativas docentes, la investigadora no generaliza, sino que ofrece al lector o a otros investigadores la información detallada necesaria para juzgar si los hallazgos son aplicables a su propia realidad o contexto. ANÁLISIS Y DISCUSIÓN DE RESULTADOS El análisis de los datos develó tres (03) categorías centrales que estructuran la integración de la IA desde la perspectiva docente: Categoría I: La Brecha de la Formación y la Vulnerabilidad Profesional El 92% de los docentes encuestados manifestó no haber recibido ninguna formación institucional formal sobre IA, lo que genera un sentimiento de vulnerabilidad e indefensión profesional, por ende, la discusión de las entrevistas cualitativas mostró que los docentes perciben la IA como una amenaza cuando no la comprenden. Voz del Informante (Docente de Ciencias Sociales, 18 años de servicio) No tengo miedo de que una máquina me quite el trabajo, tengo miedo de no saber enseñarle a mis estudiantes a usar la máquina. Mi miedo es volverme obsoleto, y la universidad no me está preparando para este salto. Discusión: Este hallazgo “se triangula con la teoría de Han (ob cit.) sobre la sociedad del rendimiento, de modo que, el enunciado significa que la investigadora utilizó la conceptualización

https://www.riceso.org 146 | Página Revista Interdisciplinaria de Ciencias de la Educación, Salud y Sociología. ISSN 3117-2660 Vol. 1, No. 2, Año 2026 Ensayo Académico Mayo – agosto 2026 RICESO propuesta por Byung-Chul Han como un tercer punto de contraste para interpretar y validar los datos, por tal motivo, el docente siente la presión del "imperativo moral" de ser competente, pero el sistema no le otorga los recursos, lo que lo empuja a la auto explotación en el autoaprendizaje informal, exacerbando el burnout, esto deduce que, la falta de formación genera una resistencia pasiva a la integración curricular. Categoría II: El Riesgo Ético y la Pérdida de la Autoridad Pedagógica Los docentes expresaron gran preocupación por dos (02) flancos, como lo son el ético y el control pedagógico, además, un 75% manifestó temor al uso no ético de la IA por parte de los estudiantes (plagio) y el 60% señaló la preocupación por el sesgo cultural y algorítmico que puedan contener las herramientas globales (ChatGPT), las cuales no están diseñadas bajo la perspectiva cultural venezolana. Discusión: Este punto se conecta con O'Neil (ob cit.) y la tesis de que los modelos algorítmicos, al ser cajas negras, pueden institucionalizar la injusticia y el determinismo tecnológico en el aula, enfatizándose que la labor del docente se resignifica como un filtro ético y cultural, esencial para contextualizar y humanizar la información producida por las máquinas. Categoría III: La Oportunidad de la Diferenciación Curricular A pesar de los desafíos, la percepción de oportunidad es alta, especialmente entre los docentes con menos de 10 años de experiencia, por lo que el 85% considera que la IA es el futuro de la educación personalizada. Discusión: La IA ofrece el potencial de liberar al docente de tareas repetitivas (calificación de exámenes, creación de rúbricas básicas), permitiendo que su tiempo se redirija hacia la mediación pedagógica y el vínculo humano logos (razón rígida) y pathos (sentimiento, experiencia, condición humana) (el pathos sobre el logos); revalorizándose el rol del docente como estratega y mentor, en lugar de simple transmisor de contenido, lo cual es vital para el desarrollo de un currículo humanista y complejo, tal como lo expresa el autor Morin (ob cit.):

https://www.riceso.org 147 | Página Revista Interdisciplinaria de Ciencias de la Educación, Salud y Sociología. ISSN 3117-2660 Vol. 1, No. 2, Año 2026 Ensayo Académico Mayo – agosto 2026 RICESO El educador debe redefinir su papel, no ya como simple transmisor de un saber fragmentado, sino como guía y estratega que ayuda al estudiante a integrar los conocimientos dispersos y a afrontar las incertidumbres, lo cual es vital para el desarrollo de un currículo humanista y complejo que reconozca la condición humana en su totalidad. (p. 55). En sinopsis, la piedra angular del pensamiento de Morin (ob cit.) solo revalorizando la dimensión humana (el pathos) y el rol del guía (el estratega), predispone que si la educación puede superar la linealidad y preparar a los individuos para comprender un mundo intrínsecamente incierto y complejo. CONCLUSIONES La integración bimodal de la IA en el currículo, detalla al estudio sobre la Integración de la Inteligencia Artificial en el Currículo Escolar: Desafíos y Percepciones Docentes revela una dinámica compleja y dual; por un lado, existe un reconocimiento generalizado por parte del profesorado sobre la inevitabilidad y el potencial de la IA para personalizar el aprendizaje y automatizar tareas administrativas; por otro lado, la investigación pone de manifiesto desafíos significativos que trascienden la mera capacitación técnica, anclándose profundamente en preocupaciones éticas, pedagógicas y filosóficas, lo que exige una redefinición del papel docente. El imperativo humanista y la redefinición del rol docente reflejan los hallazgos sobre la percepción docente confirman la urgencia de abandonar el modelo educativo basado en la repetición y la transmisión de datos, a su vez, la IA se posiciona para asumir el "logos" (la lógica y la información estructurada) con una eficiencia sin precedentes. Esta automatización del conocimiento factual obliga al docente a revalorizar su rol, donde Morin (ob cit.) lo establece como que este proceso se convierte en un "estratega y mentor", en lugar de un "simple transmisor de contenido"; esta transición es indispensable para el "desarrollo de un currículo humanista y complejo" (p. 55), que integre la condición humana, la ética y la incertidumbre (el pathos), elementos que la tecnología, por su naturaleza algorítmica, no puede abarcar, en este orden, la nueva función docente se centra en enseñar al estudiante a pensar de manera compleja, a establecer conexiones interdisciplinarias y a desarrollar la capacidad crítica.

https://www.riceso.org 148 | Página Revista Interdisciplinaria de Ciencias de la Educación, Salud y Sociología. ISSN 3117-2660 Vol. 1, No. 2, Año 2026 Ensayo Académico Mayo – agosto 2026 RICESO Partiendo de esta premisa, la necesidad de una alfabetización algorítmica crítica, enfatiza los desafíos éticos identificados por los participantes (como el sesgo en los datos, la equidad de acceso y la opacidad de los resultados) se sustentan en el análisis crítico de la infraestructura tecnológica, donde las percepciones negativas de los docentes sobre la posible injusticia de estos sistemas reflejan la tesis de O'Neil (ob cit.), quien argumenta que "los modelos algorítmicos" opacos y sin supervisión se transforman en armas de destrucción matemática, perpetuando y escalando las desigualdades sociales preexistentes en la toma de decisiones curriculares y evaluativas. En consecuencia, la política educativa no puede limitarse a la implementación, sino que debe incorporar una alfabetización algorítmica crítica que permita a docentes y estudiantes no solo usar la IA, sino también desmontar y auditar sus mecanismos internos para garantizar la transparencia y la justicia. Es evolutivo evitar los desafíos sistémicos y ética del rendimiento, donde las preocupaciones docentes sobre la sobrecarga laboral, la vigilancia de la productividad y la potencial pérdida de autonomía se enmarcan en la crítica sociológica de Han (ob cit.), en el que la integración de la IA en los sistemas de gestión escolar puede exacerbar la presión de la Psicopolítica de la "sociedad del rendimiento". El profesorado percibe un riesgo de que estas herramientas se utilicen no para liberar tiempo pedagógico, sino para imponer métricas de productividad estandarizadas y constantes, llevando a una mayor auto explotación y agotamiento profesional, este hallazgo subraya la necesidad de que la implementación de la IA esté mediada por políticas laborales que prioricen el bienestar docente y la autonomía profesional. En cuanto al rigor metodológico como base de las conclusiones, se denota la validez y la solidez de estas conclusiones están garantizadas por la aplicación rigurosa de los criterios de rigor cualitativo, donde el estudio aseguró la credibilidad mediante la saturación de las categorías de percepción y desafío, confirmando que las voces y preocupaciones docentes se representaron con fidelidad. Asimismo, se utilizó la triangulación hermenéutica Martínez (ob cit.) (p. 178) para confrontar consistentemente las categorías emergentes (los datos empíricos) con los referentes teóricos (Morin, O'Neil, Han), un proceso cíclico que confirió validez y profundidad a la interpretación, en consecuencia, la transferibilidad se estableció mediante la descripción densa del

https://www.riceso.org 149 | Página Revista Interdisciplinaria de Ciencias de la Educación, Salud y Sociología. ISSN 3117-2660 Vol. 1, No. 2, Año 2026 Ensayo Académico Mayo – agosto 2026 RICESO contexto escolar y de las narrativas obtenidas, conforme a los postulados de Guba y Lincoln (ob cit.) (p. 316). En sinopsis, se alude a que la integración exitosa de la IA en el currículo requiere un enfoque bimodal, lo cual es una inversión técnica y, simultáneamente, una inversión humanística y crítica, donde el futuro de la educación no está en reemplazar al docente con algoritmos, sino en empoderar al docente como el garante de la humanidad y la ética en un entorno crecientemente automatizado, asegurando que la tecnología sirva a los fines pedagógicos complejos y no a las métricas de rendimiento simplificadas.

https://www.riceso.org 150 | Página Revista Interdisciplinaria de Ciencias de la Educación, Salud y Sociología. ISSN 3117-2660 Vol. 1, No. 2, Año 2026 Ensayo Académico Mayo – agosto 2026 RICESO REFERENCIAS BIBLIOGRÁFICAS Arias, F. G. (2012). El Proyecto de Investigación: Introducción a la Metodología Científica (6ª ed.). Caracas: Editorial Episteme. Guba, E. G., & Lincoln, Y. S. (1985). Naturalistic Inquiry. SAGE Publications. Han, B.-C. (2015). Psicopolítica: Neoliberalismo y nuevas técnicas de poder. Barcelona, España: Editorial Herder. Hargreaves, A. (1998). El aprendizaje de la enseñanza: la enseñanza como práctica social. Madrid: Ediciones Morata. 14(8), 835-854. Hernández-Sampieri, R., Fernández-Collado, C., & Baptista-Lucio, P. (2014). Metodología de la investigación (6ª ed.). McGraw-Hill Education. Lincoln, Y. S., & Guba, E. G. (1985). Naturalistic inquiry. Sage Publications Martínez Miguélez, M. (2006). Ciencia y Arte en la Metodología Cualitativa (3ª ed.). Ciudad de México: Editorial Trillas. Morin, E. (1999). Los siete saberes necesarios para la educación del futuro. UNESCO/Santillana. O'Neil, C. (2016). Armas de destrucción matemática: Cómo el Big Data aumenta la desigualdad y amenaza la democracia. Crown. Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura (UNESCO). (2023). Guía para la IA generativa en la educación y la investigación. UNESCO Publishing. Patton, M. Q. (2002). Qualitative Research & Evaluation Methods (3ª ed.). Thousand Oaks, CA: Sage Publications. Russell, S., & Norvig, P. (2020). Inteligencia Artificial: Un enfoque moderno (4th ed.). Pearson Education. Stake, R. E. (1995). The art of case study research. Sage Publications.