pág. 17
Revista Científica y Tecnológica FitoVida - Universidad Interamericana para el Desarrollo
(UNID
Artículo de revisión
Gobernanza algorítmica y responsabilidad social universitaria en
la educación superior peruana
Algorithmic Governance and University Social Responsibility in Peruvian Higher Education
Atilio Rodolfo Buendia Giribaldi
Universidad Interamericana para el Desarrollo, Perú
Celín Pérez Nájera
Universidad de Ciego de Ávila “Máximo Gómez Báez”, Cuba
Willian Alexander Ramírez Salinas
Universidad Nacional de Trujillo, Perú
RESUMEN
El artículo analiza la relación entre la Responsabilidad Social Universitaria (RSU) y el uso de algoritmos sociales en la educación
superior peruana, con el objetivo de examinar cómo la transformación digital puede alinearse con principios de equidad,
transparencia y responsabilidad institucional. El estudio adopta un enfoque cualitativo multimétodo que combina análisis
documental, análisis de casos institucionales y entrevistas semiestructuradas a especialistas. Los resultados identifican tres
dimensiones críticas para la integración ética de tecnologías algorítmicas en la universidad: justicia algorítmica educativa,
transparencia institucional y sostenibilidad digital. A partir de estos resultados se propone el modelo de Gobernanza Algorítmica
Socialmente Responsable (GASR), orientado a innovación tecnológica y RSU en la gestión académica de las instituciones de
educación superior.
Palabras clave: algoritmos sociales; educación superior; gobernanza algorítmica; responsabilidad social universitaria.
ABSTRACT
The article analyzes the relationship between University Social Responsibility (USR) and the use of social algorithms in Peruvian
higher education, with the aim of examining how digital transformation can be aligned with principles of equity, transparency,
and institutional accountability. The study adopts a qualitative multi-method approach that combines document analysis, analysis
of institutional case studies, and semi-structured interviews with specialists. The results identify three critical dimensions for the
ethical integration of algorithmic technologies in universities: educational algorithmic justice, institutional transparency, and
digital sustainability. Based on these findings, the study proposes the Socially Responsible Algorithmic Governance (SRAG)
model, aimed at integrating technological innovation and USR in the academic management of higher education institutions.
Keywords: social algorithms; higher education; algorithmic governance; university social responsibility.
Revista Científica y Tecnológica FitoVida
Universidad Interamericana para el Desarrollo - UNIDX
ISSN: 2955-8034
https://revistas.unidx.edu.pe/index.php/FitoVida
Publicado: 30 de junio de 2025
Recibido: 05 de febrero de 2025
Vol. 4 Núm. 1 – 2025
https://doi.org/10.56275/fitovida.v4i1.46
Revista Científica y Tecnológica FitoVida
pág. 18
Revista Científica y Tecnológica FitoVida - Universidad Interamericana para el Desarrollo
(UNID
Introducción
Durante las últimas dos décadas, la RSU en el Perú ha
evolucionado desde una práctica centrada en la proyección
social hacia un enfoque institucional más integral que abarca
la gestión universitaria, la formación académica, la
investigación y la vinculación con la sociedad (Vallaeys, 2007;
González Alcántara et al., 2022). Dicha evolución ha sido
reforzada por el marco normativo nacional, particularmente
por la Ley Universitaria N.º 30220 y los estándares de
licenciamiento establecidos por la Superintendencia Nacional
de Educación Superior Universitaria (SUNEDU), los cuales
han incorporado progresivamente la RSU como componente
de calidad en la educación superior.
Paralelamente, el desarrollo acelerado de tecnologías digitales
y sistemas algorítmicos está transformando los procesos de
enseñanza, aprendizaje y gestión académica en las
universidades. Los algoritmos sociales, entendidos como
sistemas automatizados capaces de procesar grandes
volúmenes de datos para generar recomendaciones,
predicciones o decisiones con impacto social (Espinoza-
Guanuché et al., 2020; Condori et al., 2022), están adquiriendo
un papel creciente en la organización de los sistemas
educativos contemporáneos.
En el ámbito peruano, la transformación tecnológica se
desarrolla en un escenario marcado por brechas digitales
persistentes y desigualdades estructurales en el acceso a
recursos educativos. Según el Instituto Nacional de Estadística
e Informática (INEI), aproximadamente el 47 % de los hogares
del país no cuenta con acceso a internet, mientras que la
disponibilidad de conectividad de alta velocidad presenta
marcadas diferencias entre Lima Metropolitana y diversas
regiones del territorio nacional. Tales desigualdades
condicionan el impacto potencial de las tecnologías digitales
en la educación superior.
El sistema universitario peruano presenta una marcada
heterogeneidad institucional. De las 92 universidades
licenciadas por SUNEDU, 51 corresponden a instituciones
privadas con fines de lucro, 23 a privadas asociativas y 18 a
universidades públicas, con diferencias sustantivas en recursos
tecnológicos, infraestructura digital y capacidades
institucionales para adoptar innovaciones educativas.
En estas condiciones, el avance de la inteligencia artificial y
de los sistemas de aprendizaje automático introduce nuevas
posibilidades para la educación superior, como la
personalización del aprendizaje, la analítica predictiva de
trayectorias académicas y la optimización de recursos
institucionales (Siemens, 2013; Via Guzmán, 2024;
Villagomez Palacios, 2025). Sin embargo, estas innovaciones
también plantean desafíos éticos y sociales significativos,
particularmente cuando los sistemas algorítmicos pueden
reproducir o amplificar desigualdades existentes en espacios
caracterizados por brechas tecnológicas y socioeconómicas.
A pesar del creciente interés académico en la RSU y en el
impacto de las tecnologías algorítmicas en la educación, la
literatura existente tiende a abordar ambos campos de manera
separada (González Araúz et al., 2024; Infante Rivera et al.,
2024; Inga Barreto, 2026). En el caso del Perú, además, aún
son limitados los estudios que analizan cómo la adopción de
sistemas algorítmicos puede integrarse con los principios de la
RSU en la gestión y el desarrollo académico universitario.
El problema central de esta investigación consiste en analizar
cómo los algoritmos sociales pueden alinearse con los
principios de la responsabilidad social universitaria para
fortalecer el desarrollo académico sostenible del sistema
universitario peruano.
La presente investigación analiza la relación entre la RSU y el
uso de algoritmos sociales en la educación superior peruana,
con el propósito de comprender la manera en que los procesos
de transformación digital pueden integrarse con principios de
equidad, transparencia y responsabilidad institucional. El
estudio tiene como objetivo examinar las implicaciones éticas,
sociales y académicas del uso de sistemas algorítmicos en la
gestión universitaria, considerando las particularidades del
sistema universitario peruano y las persistentes brechas
digitales del país. Como aporte teórico, el artículo propone el
modelo de GASR, un marco conceptual orientado a articular
la innovación tecnológica con los principios de la RSU,
proporcionando una base analítica para orientar la
implementación ética de algoritmos en instituciones de
educación superior.
Marco teórico
Responsabilidad Social Universitaria en el sistema
universitario peruano
La RSU constituye un enfoque de gestión institucional
orientado a articular las funciones sustantivas de la universidad
con el desarrollo humano, social y ambientalmente sostenible.
Desde esta perspectiva, la RSU trasciende las prácticas
tradicionales de proyección social y se concibe como un
modelo que integra la formación académica, la investigación y
la vinculación con la sociedad, con el propósito de reducir
desigualdades y promover transformaciones sociales positivas
(Morante Ríos, 2022).
En el marco del sistema universitario peruano, la
institucionalización de la RSU se ha fortalecido a partir de los
procesos de reforma y regulación del sistema universitario. La
Ley Universitaria N.º 30220 establece que las universidades
deben contribuir al desarrollo integral de la sociedad mediante
la formación ética, científica y socialmente responsable. De la
misma forma, los estándares de calidad impulsados por la
SUNEDU han incorporado progresivamente la
responsabilidad social como un componente estratégico en la
gestión universitaria (Ponce Vega, 2025). Por tanto,
necesariamente el desarrollo de la RSU en el país requiere
superar enfoques asistencialistas de proyección social y
avanzar hacia una responsabilidad institucional más
estructural, crítica y digitalmente consciente.
Diversas universidades peruanas han desarrollado iniciativas
orientadas a integrar la responsabilidad social en sus procesos
académicos e institucionales. La Pontificia Universidad
Católica del Perú (PUCP), por ejemplo, ha vinculado la RSU
con estrategias de innovación tecnológica y sostenibilidad
institucional. De manera similar, la Universidad Nacional
Mayor de San Marcos (UNMSM) ha impulsado programas
enfocados en inclusión educativa y alfabetización digital. Por
su parte, la Universidad Privada Antenor Orrego (UPAO) ha
promovido proyectos de investigación aplicada con enfoque
social y tecnológico, fortaleciendo la articulación entre
docencia, extensión universitaria y compromiso comunitario.
En conjunto, estas experiencias evidencian una tendencia
creciente hacia una concepción de la RSU orientada al impacto
Revista Científica y Tecnológica FitoVida
pág. 19
Revista Científica y Tecnológica FitoVida - Universidad Interamericana para el Desarrollo
(UNID
académico, social y tecnológico en el sistema universitario
peruano.
Algoritmos sociales y ética digital en la educación superior
El creciente uso de sistemas algorítmicos en diversos ámbitos
sociales ha transformado la forma en que se procesan datos, se
generan recomendaciones y se toman decisiones con impacto
colectivo. En el campo educativo, los llamados algoritmos
sociales operan mediante el análisis automatizado de grandes
volúmenes de información para apoyar procesos de gestión
académica, seguimiento del rendimiento estudiantil y
organización de la oferta educativa (Calizaya López et al.,
2026). En consecuencia, estas herramientas permiten
optimizar la toma de decisiones institucionales y mejorar la
eficiencia administrativa de las universidades.
En la educación superior, los algoritmos se utilizan cada vez
con mayor frecuencia para identificar patrones de aprendizaje,
prever riesgos de deserción estudiantil, recomendar
trayectorias académicas y evaluar el desempeño docente. No
obstante, el uso intensivo de datos y sistemas automatizados
también introduce desafíos éticos relacionados con la
transparencia de los procesos algorítmicos, la protección de la
privacidad, la posible reproducción de sesgos y la equidad en
el acceso a recursos educativos (Caicedo Consuegra et al.,
2023; Calizaya López et al., 2026).
Ante estos desafíos, la ética digital ha emergido como un
campo interdisciplinario orientado a garantizar que el
desarrollo y la implementación de tecnologías algorítmicas
respeten los valores humanos, los derechos fundamentales y
los principios del bien común (Floridi et al., 2021). En el
ámbito universitario, la ética digital implica que las
instituciones adopten mecanismos de supervisión y criterios
normativos que aseguren que los sistemas automatizados
complementen, y no sustituyan, el juicio crítico de docentes e
investigadores. La transformación digital de la educación
superior requiere integrar reflexiones éticas que permitan
equilibrar innovación tecnológica con responsabilidad social
(Ramos-Zaga, 2024).
En el marco peruano, algunas universidades han comenzado a
incorporar herramientas de analítica de aprendizaje y sistemas
predictivos en la gestión académica. Instituciones como la
Universidad de Ingeniería y Tecnología (UTEC), la
Universidad Nacional de Ingeniería (UNI) y la PUCP han
desarrollado iniciativas orientadas al uso de datos educativos
para mejorar la planificación académica y el seguimiento del
rendimiento estudiantil. Sin embargo, la expansión de estas
tecnologías aún enfrenta limitaciones institucionales y
regulatorias, particularmente en relación con la ausencia de
marcos de gobernanza algorítmica y protocolos éticos que
garanticen la transparencia y el uso responsable de los datos
educativos. En este sentido, la incorporación de inteligencia
artificial en la educación superior peruana requiere políticas
institucionales claras que prevengan la reproducción de
desigualdades sociales y digitales (Contreras Contreras &
Olaya Guerrero, 2025).
Desde esta perspectiva, la ética digital se configura como un
componente fundamental para orientar el uso responsable de
algoritmos en la educación superior. La integración de
principios éticos en el diseño y la implementación de
tecnologías algorítmicas permite fortalecer la transparencia
institucional, proteger los derechos de los estudiantes y
promover sistemas educativos más equitativos y socialmente
responsables.
Educación superior y desarrollo académico en el Perú
El sistema de educación superior en el Perú atraviesa un
proceso de transformación asociado a la digitalización de los
procesos educativos, la implementación de mecanismos de
aseguramiento de la calidad y la creciente internacionalización
académica. En este entorno, el desarrollo académico se
entiende como un proceso integral orientado a mejorar la
calidad de la enseñanza, fortalecer la producción científica y
optimizar la gestión institucional de las universidades.
Diversos estudios destacan que la incorporación de tecnologías
digitales, particularmente aquellas basadas en análisis de datos
y sistemas algorítmicos, puede contribuir significativamente a
mejorar la eficiencia de los procesos educativos y
administrativos (González Araúz et al., 2024; Inga Barreto,
2026). El uso de herramientas de analítica educativa y sistemas
inteligentes de gestión académica constituye un componente
clave para fortalecer la innovación educativa y la toma de
decisiones basada en evidencia en las instituciones de
educación superior (Valencia Camacho & Almeida Delgado,
2024).
Sin embargo, la incorporación de estas tecnologías también
exige considerar sus implicaciones sociales y educativas,
particularmente en escenarios caracterizados por
desigualdades de acceso a infraestructura tecnológica. Con esa
mirada, la transformación digital de la educación superior debe
sustentarse en una perspectiva humanista que garantice que la
eficiencia tecnológica no sustituya los principios éticos que
orientan la formación universitaria (Sesento García, 2021;
Sandoval-Benavides & López Ornelas, 2025).
En un país caracterizado por importantes brechas de acceso a
infraestructura tecnológica y conectividad digital, el desarrollo
académico no puede limitarse únicamente a indicadores de
rendimiento o productividad científica. La consolidación de
sistemas universitarios sostenibles requiere integrar criterios
de equidad educativa, inclusión social y responsabilidad
institucional.
Desde esta perspectiva, la articulación entre desarrollo
académico y RSU adquiere una relevancia estratégica. Tal
como se plantea, una universidad comprometida con el
desarrollo social debe integrar la racionalidad técnica con una
sensibilidad ética orientada a formar ciudadanos capaces de
comprender y enfrentar los desafíos de sociedades cada vez
más complejas e interconectadas (Matamoros Umaña &
Zamora Víctor, 2026).
Intersección conceptual: RSU, algoritmos sociales y
desarrollo académico
La creciente digitalización de los procesos educativos plantea
la necesidad de repensar el papel de la universidad en un
entorno caracterizado por la expansión de tecnologías basadas
en datos y sistemas algorítmicos. Por ello, la convergencia
entre RSU, algoritmos sociales y desarrollo académico
constituye un campo emergente de reflexión académica
orientado a comprender cómo la innovación tecnológica puede
integrarse con principios éticos y sociales en la educación
superior.
Revista Científica y Tecnológica FitoVida
pág. 20
Revista Científica y Tecnológica FitoVida - Universidad Interamericana para el Desarrollo
(UNID
Desde la perspectiva de la RSU, las instituciones educativas
cumplen la función de producir conocimiento y formar
profesionales, además de contribuir activamente al desarrollo
sostenible de la sociedad. En este marco, la incorporación de
tecnologías algorítmicas en los sistemas universitarios
requiere evaluarse a la luz de principios fundamentales como
la equidad, la inclusión, la sostenibilidad y la rendición de
cuentas (Infante Rivera et al., 2024).
La expansión de herramientas basadas en inteligencia artificial
y análisis de datos ofrece oportunidades para mejorar la
gestión académica, optimizar la asignación de recursos
educativos y personalizar los procesos de aprendizaje
(Ramírez et al., 2025). Sin embargo, la adopción de estas
tecnologías también introduce desafíos relacionados con la
transparencia de los sistemas automatizados, la protección de
los datos educativos y la posibilidad de reproducir
desigualdades estructurales si los algoritmos no se diseñan
bajo criterios de responsabilidad social.
En este escenario, diversos autores han planteado la necesidad
de desarrollar marcos de gobernanza algorítmica orientados a
regular el uso de tecnologías basadas en datos en las
instituciones educativas. La gobernanza algorítmica puede
entenderse como el conjunto de principios, políticas y
mecanismos institucionales destinados a supervisar el diseño,
implementación y evaluación de sistemas algorítmicos en la
toma de decisiones organizacionales (Estrada Merino, 2025;
Segarra Figueroa et al., 2025; Chiquito Macías et al., 2026).
Aplicada al ámbito universitario, la gobernanza algorítmica
implica la creación de estructuras institucionales que permitan
garantizar la transparencia en los procesos automatizados, la
participación de la comunidad académica en la evaluación de
tecnologías digitales y la protección de los derechos de los
estudiantes en el uso de datos educativos.
La integración entre RSU, ética digital y gobernanza
algorítmica permite construir un marco analítico orientado a
promover formas de innovación tecnológica socialmente
responsables. Dicha perspectiva reconoce que el desarrollo
académico sostenible depende tanto de la incorporación de
tecnologías avanzadas como de la capacidad institucional para
orientarlas hacia objetivos educativos, sociales y éticos.
Metodología
El estudio adopta un enfoque cualitativo de carácter
exploratorio–analítico, orientado a comprender la relación
entre la RSU y el uso de algoritmos sociales en la educación
superior peruana, que permite examinar fenómenos
emergentes asociados a la transformación digital universitaria
desde una perspectiva interpretativa y contextual.
En el plano de los métodos teóricos, la investigación combinó
razonamientos inductivo-deductivos para la construcción del
marco analítico del estudio. El razonamiento inductivo
permitió identificar categorías conceptuales emergentes a
partir de la revisión de literatura y del análisis de experiencias
institucionales, entre ellas justicia algorítmica educativa,
transparencia institucional y sostenibilidad digital.
Posteriormente, la deducción dio lugar a contrastar dichas
categorías con enfoques teóricos consolidados sobre
responsabilidad social universitaria, ética digital y gobernanza
algorítmica, reforzando la coherencia entre la evidencia
empírica y el fundamento conceptual del estudio.
De manera complementaria, el método de análisis-síntesis
facilitó descomponer el fenómeno de la transformación digital
universitaria en dimensiones analíticas: tecnológica,
institucional y ética, para integrarlas posteriormente en una
explicación articulada de la relación entre algoritmos sociales
y responsabilidad social universitaria. El enfoque abstracto-
concreto tradujo constructos teóricos como gobernanza
algorítmica, equidad digital y transparencia institucional en
dimensiones observables dentro de las prácticas de gestión
académica y tecnológica de las universidades analizadas. Los
métodos teóricos orientaron la interpretación de la evidencia
empírica obtenida a partir del análisis documental, los estudios
de caso y las entrevistas realizadas.
En el plano de los métodos empíricos, la investigación se
desarrolló mediante una estrategia cualitativa multimétodo que
combinó tres técnicas principales: análisis documental, estudio
de casos institucionales y entrevistas semiestructuradas a
especialistas.
El análisis documental incluyó la revisión de literatura
científica reciente y documentos institucionales relacionados
con transformación digital, responsabilidad social
universitaria y uso de sistemas algorítmicos en la educación
superior.
El estudio de casos institucionales se centró en experiencias de
universidades peruanas que han incorporado herramientas de
analítica educativa y plataformas digitales en su gestión
académica. Entre los casos considerados figuran instituciones
con iniciativas de innovación tecnológica como la PUCP, la
UTEC y la UNMSM. El análisis comparativo de estas
experiencias propició identificar patrones institucionales
asociados con el uso de algoritmos en la gestión académica, la
personalización del aprendizaje y la toma de decisiones basada
en datos.
Como complemento, se realizaron entrevistas
semiestructuradas a especialistas vinculados con educación
superior, responsabilidad social universitaria y tecnología
educativa. La selección de participantes se realizó mediante un
criterio de muestreo intencional, considerando la experiencia
académica o profesional en procesos de innovación educativa
y transformación digital universitaria. En total se desarrollaron
ocho entrevistas entre los meses de enero y abril de 2025.
La información obtenida fue transcrita y analizada mediante
análisis temático, a partir de un proceso de codificación abierta
y categorización interpretativa de los discursos. El
procedimiento dio lugar a identificar patrones asociados con
equidad digital, gobernanza algorítmica, transparencia
institucional y responsabilidad social universitaria.
La estrategia metodológica integró evidencia conceptual,
institucional y empírica, lo que hizo posible construir un marco
analítico orientado a comprender la articulación entre
algoritmos sociales y los principios de la responsabilidad
social universitaria en la educación superior peruana.
Resultados y análisis
Contexto estructural que condiciona la adopción
algorítmica en la educación superior peruana
La adopción y el impacto de los algoritmos sociales en la
universidad peruana se comprenden con mayor claridad al
Revista Científica y Tecnológica FitoVida
pág. 21
Revista Científica y Tecnológica FitoVida - Universidad Interamericana para el Desarrollo
(UNID
considerar las condiciones estructurales del país en
conectividad, pobreza y distribución territorial de recursos
educativos. Los datos oficiales indican que la penetración del
servicio de Internet en los hogares peruanos aún es limitada:
en el cuarto trimestre de 2023, alrededor del 57,0 % de los
hogares reportó conexión a Internet, con variaciones marcadas
entre Lima Metropolitana (entre 78 % y 89 %) y las zonas
rurales (entre 20 % y 51 %), dependiendo del periodo y la
fuente estadística. Por ello, la heterogeneidad espacial es una
restricción directa para la equidad en el acceso a plataformas
algorítmicas y a los beneficios asociados (Instituto Nacional
de Estadística e Informática, 2023).
Adicionalmente, la estructura socioeconómica reciente, con
aumentos en las tasas de pobreza rural y urbana registrados por
el INEI en 2023, afecta la capacidad de estudiantes para
acceder de forma constante a servicios digitales y dispositivos
adecuados, condicionando la efectividad de cualquier
intervención algorítmica orientada a mejorar la retención o el
rendimiento. La fragilidad económica regional implica que los
algoritmos, sin medidas compensatorias, corren el riesgo de
magnificar desigualdades existentes (Instituto Nacional de
Estadística e Informática, 2023).
En cuanto a la dimensión educativa, las cifras de matrícula y
cobertura de la educación superior (indicadores de la
UNESCO / Banco Mundial y reportes nacionales) muestran
una expansión de la matrícula universitaria en las últimas
décadas, pero con heterogeneidad por región y por tipo de
institución (públicas versus privadas). Las diferencias en masa
estudiantil y estructura institucional son relevantes: los
algoritmos necesitan datos de calidad (completos y
desagregados) para funcionar con justicia; las universidades
con mejor capacidad técnica y recursos (PUCP, UTEC) están
en ventaja para desarrollar analítica propia frente a
instituciones con menor capacidad operativa.
Beneficios observados en implementaciones universitarias
peruanas
A partir de la revisión de programas y proyectos institucionales
de universidades peruanas (PUCP, UTEC, UNMSM, UNI),
emergen beneficios concretos asociados al uso de algoritmos
sociales en la gestión académica universitaria:
Detección temprana de riesgo académico: sistemas de learning
analytics en plataformas institucionales (por ejemplo,
proyectos de modelamiento de analítica en la PUCP y
soluciones de analítica desarrolladas en UTEC) permitieron
identificar señales tempranas de deserción y rendimiento
atípico, facilitando acciones tutorales focalizadas. En estos
casos, la tasa de seguimiento individualizado aumentó,
mientras que las intervenciones tutorales mostraron mejoras en
la tasa de aprobación en cursos críticos (informes y proyectos
PUCP/UTEC).
Personalización del aprendizaje: algoritmos de recomendación
y trayectorias adaptativas, cuando se apoyan en diseño
instruccional y monitoreo docente, contribuyen a mejorar la
alineación entre necesidades del estudiante y recursos
formativos, facilitando trayectorias más coherentes y
pertinencia curricular.
Optimización administrativa: algoritmos para la planificación
de horarios, asignación de docentes y gestión de plazas han
reducido tiempos de análisis y permitieron una reasignación
más eficiente de recursos, liberando capacidad para
actividades de RSU vinculadas a extensión y servicio
comunitario.
Riesgos y limitaciones detectadas con evidencia empírica
contextual
Aunque los beneficios son reales, los resultados muestran
también riesgos con evidencia:
✓ Sesgos en modelos predictivos: cuando los datos
históricos reflejan desigualdades (por ejemplo, bajos
rendimientos sistemáticos de estudiantes rurales o de
primera generación universitaria), los modelos
predictivos tienden a reproducir esas tendencias si no se
corrigen explícitamente.
✓ Opacidad y déficit de explicabilidad: en varias unidades
académicas, los equipos técnicos reportaron resistencia
estudiantil y docente frente a resultados recomendados
por el sistema, debido a la imposibilidad de explicar la
lógica que los generó. Tal situación afecta la legitimidad
y la confianza institucional.
✓ Brechas de acceso y dependencia tecnológica: la
heterogeneidad de conectividad implica que la
implantación de algoritmos en plataformas en línea
favorece a estudiantes con mejor acceso y dispositivos,
dejando en desventaja a poblaciones rurales o en
condiciones de pobreza. Además, la dependencia de
proveedores externos (plataformas comerciales) reduce la
capacidad de auditoría y control institucional.
✓ Capacidad institucional insuficiente: solo algunas
universidades (PUCP, UTEC, UNMSM) cuentan con
equipos de ciencia de datos o unidades de analítica
educativa robustas; la mayoría no dispone de capacidades
para auditar modelos, realizar validaciones
independientes o traducir outputs técnicos a decisiones
pedagógicas inclusivas.
En conjunto, los resultados evidencian que la adopción de
tecnologías algorítmicas en la educación superior peruana
configura un escenario ambivalente: por un lado, estas
herramientas pueden contribuir a mejorar la gestión académica
y la eficiencia institucional; por otro, introducen riesgos
vinculados con la equidad educativa, la transparencia y la
gobernanza de datos. La coexistencia de beneficios potenciales
y desafíos éticos pone de relieve la necesidad de desarrollar
marcos institucionales que orienten el uso responsable de
algoritmos en el ámbito universitario. A partir de estos
resultados, se propone el modelo de GASR, orientado a
integrar principios de RSU con mecanismos de supervisión
ética en la implementación de sistemas algorítmicos.
Discusión
Interpretación crítica: ¿por qué los algoritmos pueden
fallar desde la RSU?
Los resultados del análisis evidencian que la eficacia técnica
de los sistemas algorítmicos no garantiza necesariamente la
justicia social en los procesos educativos. Los algoritmos
operan mediante la optimización de funciones objetivo
definidas en su diseño; cuando dichas funciones no incorporan
variables asociadas a la equidad, como las condiciones
socioeconómicas de los estudiantes o las limitaciones de
acceso a dispositivos y conectividad, los sistemas tienden a
Revista Científica y Tecnológica FitoVida
pág. 22
Revista Científica y Tecnológica FitoVida - Universidad Interamericana para el Desarrollo
(UNID
maximizar la eficiencia operativa a costa de la inclusión
educativa. En términos prácticos, un modelo predictivo de
deserción que prioriza intervenciones según probabilidades
calculadas a partir del rendimiento previo puede favorecer
sistemáticamente a estudiantes con trayectorias académicas
más estables, generalmente vinculadas a espacios urbanos con
mayores recursos, y relegar a aquellos cuyas trayectorias
educativas se encuentran condicionadas por desigualdades
estructurales. Estas dinámicas resultan incompatibles con los
principios de la RSU, cuya orientación ética plantea la
necesidad de priorizar la atención a los sectores más
vulnerables del sistema educativo (Vallaeys, 2007).
Resignificación del rol universitario: de proveedor de
tecnología a garante de justicia algorítmica
La creciente incorporación de sistemas algorítmicos en la
gestión académica exige replantear el papel de las
universidades en los procesos de transformación digital. Más
allá de la simple adopción de herramientas tecnológicas, las
instituciones de educación superior deben asumir un rol activo
en la gobernanza ética de los datos y de los sistemas
algorítmicos utilizados en sus procesos educativos y
administrativos. La adquisición de plataformas digitales o
soluciones basadas en inteligencia artificial resulta insuficiente
si no se acompaña de capacidades institucionales orientadas a
supervisar su funcionamiento y evaluar sus implicaciones
sociales.
La construcción de una gobernanza algorítmica responsable
implica el desarrollo de competencias interdisciplinarias
dentro de las universidades, incluyendo especialistas en
ciencia de datos, expertos en ética digital, juristas en
protección de datos y profesionales capaces de traducir los
resultados de los sistemas analíticos en decisiones pedagógicas
inclusivas. De esta manera, la implementación de protocolos
de transparencia, mecanismos de auditoría algorítmica y
espacios de deliberación institucional se vuelve fundamental
para garantizar que los sistemas automatizados operen de
manera coherente con los principios de la RSU.
Por lo tanto, la participación de la comunidad universitaria
adquiere una relevancia estratégica. La incorporación de
docentes, estudiantes e investigadores en los procesos de
evaluación y supervisión de tecnologías educativas permite
fortalecer la legitimidad institucional y fomentar prácticas de
innovación tecnológica más inclusivas. Algunas universidades
peruanas han comenzado a avanzar en esta dirección.
Instituciones como la PUCP y la UTEC, por ejemplo, han
desarrollado iniciativas que articulan el uso de analítica
educativa con enfoques pedagógicos centrados en el
estudiante, promoviendo modelos de innovación que
combinan desarrollo tecnológico, reflexión ética y diseño
pedagógico. Experiencias de este tipo evidencian que la
universidad no puede limitarse a ser usuaria de tecnologías
desarrolladas por actores externos. Un rol más activo en la
gobernanza algorítmica implica asumir responsabilidades en el
diseño, evaluación y regulación de las herramientas digitales
que influyen en la vida académica. Desde la perspectiva de la
RSU, este proceso supone transitar desde un modelo de
adopción tecnológica pasiva hacia una gestión institucional
orientada a garantizar justicia algorítmica, transparencia y
responsabilidad social en la transformación digital
universitaria.
Políticas públicas y coordinación interinstitucional:
condición necesaria
Los resultados del análisis muestran que las desigualdades
estructurales en el Perú, particularmente las asociadas a
pobreza, brecha digital y desigual distribución territorial de
recursos educativos, condicionan de manera significativa las
posibilidades de implementar sistemas algorítmicos de manera
equitativa en la educación superior. En este escenario, la
justicia algorítmica no depende únicamente de decisiones
institucionales dentro de las universidades, sino también de las
condiciones estructurales del sistema educativo y de las
políticas públicas que regulan el desarrollo tecnológico.
En consecuencia, las universidades no pueden asumir de forma
aislada la responsabilidad de garantizar el uso ético de
algoritmos en la gestión académica. La construcción de un
entorno de gobernanza algorítmica responsable requiere la
participación coordinada de múltiples actores institucionales.
En el caso peruano, organismos como el Ministerio de
Educación (MINEDU), la SUNEDU, el Sistema Nacional de
Evaluación, Acreditación y Certificación de la Calidad
Educativa (SINEACE) y el Consejo Nacional de Ciencia,
Tecnología e Innovación Tecnológica (CONCYTEC)
desempeñan un papel estratégico en la definición de marcos
regulatorios que orienten la transformación digital del sistema
universitario.
La formulación de políticas públicas orientadas a la
transparencia algorítmica en educación, la protección de datos
educativos, el desarrollo de estándares éticos para el uso de
inteligencia artificial y la reducción de brechas de conectividad
resulta fundamental para garantizar que la adopción de
tecnologías digitales contribuya efectivamente al desarrollo
académico sostenible. Asimismo, la creación de mecanismos
de financiamiento público para auditorías tecnológicas
independientes y para el fortalecimiento de capacidades
institucionales en ciencia de datos y ética digital podría
favorecer una adopción más responsable de estas
herramientas.
Las experiencias internacionales y las recomendaciones de
organismos multilaterales como la Comisión Económica para
América Latina y el Caribe (CEPAL) y la Organización de las
Naciones Unidas para la Educación, la Ciencia y la Cultura
(UNESCO) subrayan la importancia de desarrollar marcos
regulatorios y estándares de gobernanza para la inteligencia
artificial en el ámbito educativo. Dichos marcos buscan
asegurar que la innovación tecnológica se implemente en
consonancia con principios de equidad, transparencia y
responsabilidad social, evitando que la automatización
profundice desigualdades existentes.
En este sentido, la coordinación entre universidades,
organismos reguladores y actores del ecosistema científico-
tecnológico se presenta como una condición necesaria para
promover modelos de transformación digital que integren
innovación tecnológica con RSU.
Modelo de Gobernanza Algorítmica Socialmente
Responsable
A partir del análisis teórico y empírico desarrollado en esta
investigación, se propone el Modelo de GASR, concebido
como un marco conceptual orientado a integrar la innovación
tecnológica con los principios de la RSU en la educación
superior. El modelo busca orientar el diseño, implementación
Revista Científica y Tecnológica FitoVida
pág. 23
Revista Científica y Tecnológica FitoVida - Universidad Interamericana para el Desarrollo
(UNID
y supervisión de sistemas algorítmicos en las universidades,
garantizando que su uso contribuya al desarrollo académico
sostenible sin comprometer criterios de equidad, transparencia
y responsabilidad institucional.
El modelo GASR plantea que la adopción de tecnologías
algorítmicas en las instituciones universitarias debe
sustentarse en cinco dimensiones interrelacionadas, las cuales
articulan principios éticos, institucionales y tecnológicos en la
gestión de sistemas basados en datos.
✓ Transparencia algorítmica
La transparencia algorítmica se refiere a la capacidad
institucional para explicar y comunicar el funcionamiento de
los sistemas automatizados utilizados en la gestión académica.
La explicabilidad de los algoritmos permite que estudiantes,
docentes y autoridades comprendan los criterios mediante los
cuales se generan recomendaciones, predicciones o decisiones
automatizadas, fortaleciendo la confianza institucional y la
rendición de cuentas.
✓ Equidad educativa digital
La equidad educativa digital busca garantizar que la utilización
de algoritmos no reproduzca ni amplifique desigualdades
estructurales presentes en el sistema educativo. La dimensión
incluye la incorporación de mecanismos para evaluar posibles
sesgos algorítmicos, así como el desarrollo de políticas
institucionales orientadas a reducir brechas en el acceso a
tecnologías, dispositivos y conectividad entre los estudiantes.
✓ Responsabilidad institucional
La gobernanza algorítmica requiere que las universidades
establezcan marcos normativos y estructuras organizacionales
orientadas a supervisar el impacto social de las tecnologías
utilizadas. La responsabilidad institucional implica reconocer
que las decisiones basadas en algoritmos forman parte de la
gestión universitaria y, por lo tanto, deben someterse a
principios de transparencia, control institucional y rendición
de cuentas.
✓ Participación de la comunidad universitaria
La participación de la comunidad universitaria constituye un
componente fundamental para la legitimidad de los procesos
de gobernanza tecnológica. La inclusión de docentes,
estudiantes e investigadores en los procesos de evaluación,
diseño y supervisión de sistemas algorítmicos permite
incorporar diversas perspectivas académicas y sociales en la
toma de decisiones relacionadas con la transformación digital
universitaria.
✓ Soberanía y protección de datos educativos
La creciente dependencia de plataformas digitales externas
plantea desafíos relacionados con la privacidad, la seguridad y
la gobernanza de los datos educativos. Por ello, la dimensión
propone que las universidades desarrollen políticas claras
sobre el uso, almacenamiento y protección de la información
académica, con el fin de garantizar la autonomía institucional
y la protección de los derechos de los estudiantes en entornos
digitales.
En conjunto, estas dimensiones configuran un enfoque de
gobernanza orientado a equilibrar innovación tecnológica,
responsabilidad social y justicia educativa, permitiendo que la
transformación digital universitaria contribuya de manera ética
y sostenible al desarrollo académico.
La Figura 1 sintetiza gráficamente las dimensiones del modelo
de GASR y su articulación con los principios de la RSU.
Figura 1. Modelo de GASR.
El modelo GASR integra los principios de la RSU con un
marco de gobernanza ética para la implementación de sistemas
algorítmicos en la educación superior. Se estructura en cinco
dimensiones interrelacionadas: transparencia algorítmica,
equidad educativa digital, responsabilidad institucional,
participación de la comunidad universitaria y soberanía y
protección de datos educativos. En conjunto, estas
dimensiones orientan la adopción de tecnologías basadas en
datos hacia prácticas institucionales que promuevan
transparencia, inclusión, rendición de cuentas y protección de
los derechos de los estudiantes en entornos digitales.
Entre las limitaciones del estudio se encuentra el número
reducido de entrevistas realizadas y la concentración de los
casos analizados en universidades con mayor capacidad
tecnológica. Dichas condiciones restringen la posibilidad de
generalizar los resultados a instituciones con menores recursos
digitales dentro del sistema universitario peruano.
RESPONSABILIDAD
SOCIAL
UNIVERSITARIA (RSU)
TRANSPARENCIA
ALGORÍTMICA
EQUIDAD EDUCATIVA
DIGITAL
RESPONSABILIDAD
INSTITUCIONAL
PARTICIPACIÓN DE LA
COMUNIDAD
UNIVERSITARIA
SOBERANÍA Y
PROTECCIÓN DE DATOS
EDUCATIVOS
GOBERNANZA
ALGORÍTMICA
SOCIALMENTE
RESPONSABLE (GASR)
Revista Científica y Tecnológica FitoVida
pág. 24
Revista Científica y Tecnológica FitoVida - Universidad Interamericana para el Desarrollo
(UNID
Conclusiones
Los resultados de esta investigación contribuyen a ampliar el
debate académico entre transformación digital y RSU en
espacios caracterizados por desigualdades tecnológicas y
educativas.
El análisis desarrollado en este estudio evidencia que la
intersección entre RSU y algoritmos sociales constituye un
campo emergente de innovación responsable en la educación
superior latinoamericana. La creciente incorporación de
tecnologías basadas en datos y sistemas algorítmicos en los
procesos académicos ofrece oportunidades relevantes para
mejorar la gestión educativa, pero también plantea desafíos
éticos relacionados con la equidad, la transparencia y la
responsabilidad institucional.
Los resultados muestran que el éxito de la transformación
digital universitaria depende de la capacidad de las
instituciones para integrar la ética algorítmica como principio
transversal de su gestión académica y administrativa. En este
ámbito, las universidades deben promover una formación
digital humanista que articule competencias tecnológicas con
valores éticos y ciudadanos, garantizando que la innovación
tecnológica contribuya al desarrollo humano y social.
En el caso del Perú, caracterizado por brechas digitales
persistentes y desigualdades estructurales en el acceso a
recursos educativos, resulta particularmente relevante avanzar
hacia estrategias nacionales orientadas a una inteligencia
educativa ética. La reducción de las brechas de conectividad,
el fortalecimiento de capacidades institucionales en ciencia de
datos y la implementación de marcos regulatorios adecuados
constituyen condiciones necesarias para una adopción
responsable de tecnologías algorítmicas en la educación
superior.
Como aporte conceptual, el estudio propone el Modelo de
GASR, que ofrece un marco analítico para orientar la
implementación ética de sistemas algorítmicos en las
universidades. Dicho modelo articula dimensiones de
transparencia algorítmica, equidad educativa digital,
responsabilidad institucional, participación de la comunidad
universitaria y soberanía de datos educativos, contribuyendo a
orientar la transformación digital universitaria hacia formas de
innovación tecnológica socialmente responsables.
En este escenario, la gobernanza algorítmica socialmente
responsable emerge como una condición fundamental para
garantizar que la transformación digital universitaria
contribuya al desarrollo académico equitativo y sostenible.
Referencias Bibliográficas
Caicedo Consuegra, L. D., Márquez Vásquez, P. A., & Meza
Pérez, A. M. (2023). Algoritmos de inteligencia
artificial basada en perfiles socioconductuales para la
segmentación inteligente de clientes: Estudio de caso.
Ingeniería y Competitividad, 25(3), e-20812658.
https://doi.org/10.25100/iyc.v25i3.12658
Calizaya López, J., Roldan Polo-Escobar, B., Aguilar Paredes,
O. M., Hilario Barreda Coaquira, E., & Carita
Choquecahua, A. (2026). Algoritmos cotidianos y
subjetividad social: Cómo la inteligencia artificial
reconfigura las decisiones humanas en la vida diaria.
Revista Athenea, 7(23), 41–53.
https://doi.org/10.47460/athenea.v7i23.128
Chiquito Macías, J. M., Espinoza Laine, J. L., & Bone
Caicedo, O. K. (2026). Gobernanza algorítmica en
universidades y su impacto en la eficiencia
institucional. Visión Académica, 4(1), 50–60.
https://doi.org/10.70577/r5ag7629
Condori, M., Villavicencio, A. C., & Reyna, G. A. (2022).
Responsabilidad social universitaria: Percepción de
docentes y autoridades de universidades públicas
peruanas. Revista de Ciencias Sociales, 28(Especial 6),
314–328.
Contreras Contreras, F., & Olaya Guerrero, J. C. (2025). La
inteligencia artificial en la educación superior peruana:
Tendencias y desafíos. Revista Tribunal, 5(13), 39–61.
https://doi.org/10.59659/revistatribunal.v5i13.254
Espinoza-Guanuché, D. G., Campoverde-Molina, M., &
Maldonado-Mahaud, J. (2020). Análisis bibliométrico
sobre learning analytics en Latinoamérica. Dominio de
las Ciencias, 6(4), 780–826.
https://doi.org/10.23857/dc.v6i4.1504
Estrada Merino, A. (2025). Inteligencia artificial: Hacia una
gobernanza ética. Acta Herediana, 68(2), 33–40.
https://doi.org/10.20453/ah.v68i2.7505
Floridi, L., Cowls, J., Beltrametti, M., Chatila, R., Chazerand,
P., Dignum, V., Luetge, C., Madelin, R., Pagallo, U.,
Rossi, F., Schäfer, B., Valcke, P., & Vayena, E. (2021).
An ethical framework for a good AI society:
Opportunities, risks, principles, and recommendations.
En Ethics, governance, and policies in artificial
intelligence (pp. 19–39). Springer.
González Alcántara, Ó. J., Fontaneda González, I., & Camino
López, M. Á. (2022). Responsabilidad social
universitaria: El caso de las universidades españolas.
Herramientas para su comunicación. Visual Review:
International Visual Culture Review.
https://doi.org/10.37467/revvisual.v9.3614
González Araúz, R. I., Hurtado Mendoza, N. R., Alvarado
Pincay, R. C., Díaz Estacio, F. J., & Chávez Solorzano,
C. M. (2024). Impacto de las tecnologías de la
información en la educación: Una revisión de la
literatura. Ciencia Latina Revista Científica
Multidisciplinar, 8(3), 11426–11439.
https://doi.org/10.37811/cl_rcm.v8i3.12362
Infante Rivera, L. J., Castillo Rodríguez, M. N., Fernández
Meza, G., & Viterbo Sinche Crispín, F. (2024). El uso
de la inteligencia artificial y su impacto en el
aprendizaje de los estudiantes universitarios: Una
revisión de la literatura. Revista Ibero-Americana de
Estudos em Educação, 19, e18712.
https://doi.org/10.21723/riaee.v19i00.187120
Revista Científica y Tecnológica FitoVida
pág. 25
Revista Científica y Tecnológica FitoVida - Universidad Interamericana para el Desarrollo
(UNID
Inga Barreto, M. E. (2026). Inteligencia artificial en el
aprendizaje significativo en estudiantes de educación
superior no universitaria: Una revisión sistemática.
Revista InveCom, 6(4), 1–12.
https://doi.org/10.5281/zenodo.18826101
Instituto Nacional de Estadística e Informática. (2023).
Economía, sociedad y estadística (Revista del Centro
de Investigación y Desarrollo – CIDE, N.º 14). INEI.
https://webinei.inei.gob.pe/revistas-
cide/archivos/REVISTA_Economia_Sociedad_y_Esta
d%C3%ADstica_N_14.pdf
Matamoros Umaña, E. A., & Zamora Víctor, R. (2026).
Aplicaciones de inteligencia artificial y aprendizaje
automático en la personalización de la educación
superior. Revista Veritas de Difusão Científica, 6(3),
3779–3795. https://doi.org/10.61616/rvdc.v6i3.1127
Morante Ríos, E. A. (2022). La responsabilidad social
universitaria: Retos y perspectivas en el siglo XXI.
Revista de Ciencias Sociales, 177(3), 107–122.
Ponce Vega, L. A., Zevallos Castañeda, M. E., Pongo Águila,
O. E., & Rivas Peña, C. A. (2025). Calidad educativa y
satisfacción estudiantil: Regulación e importancia en la
educación universitaria del Perú. Revista de Ciencias
Sociales y Humanas.
https://doi.org/10.47606/ACVEN/PH0391
Ramírez, E., Vázquez, M., & Luna, T. (2025). Uso de
inteligencia artificial para adaptar el aprendizaje en
contextos universitarios: Retos, ventajas y efectos en la
optimización del desempeño académico. Reincisol,
4(7), 4636–4659.
https://doi.org/10.59282/reincisol.V4(7)4636-4659
Ramos-Zaga, F. (2024). Transformación digital en las
instituciones de educación superior: Retos, estrategias
y perspectivas para el siglo XXI. Punto Cero, 29(48),
42–52. https://doi.org/10.35319/puntocero.202448229
Sandoval-Benavides, V. L., & López Ornelas, M. (2025).
Transformación digital en la educación superior desde
la perspectiva internacional: Mapeo sistemático de la
literatura. Texto Livre: Linguagem e Tecnologia, 18,
e51996. https://doi.org/10.1590/1983-
3652.2025.51996
Segarra Figueroa, O. P., Neira Quinteros, V. P., Sumba
Arévalo, V. M., & Rosado Espinoza, J. D. (2025).
Gobernanza algorítmica y democracia: Desafíos éticos
de la inteligencia artificial en el Estado. Esfera de
Salvia en Inteligencia Artificial, 3(1), 1–11.
https://sagespherejournal.com/index.php/SSAI/article/
view/91
Sesento García, L. (2021). La formación humanista en
educación superior: Programas de tutorías en las
universidades. Innovaciones Educativas, 23(34), 70–
80.
Siemens, G. (2013). Learning analytics: The emergence of a
discipline. American Behavioral Scientist, 57(10),
1380–1400.
https://doi.org/10.1177/0002764213498851
Valencia Camacho, C., & Almeida Delgado, V. (2024). La
tecnología en la gestión educativa. Revista de
Investigación Latinoamericana en Competitividad
Organizacional (RILCO), 6(23).
Vallaeys, F. (2007). Responsabilidad social universitaria:
Propuesta para una definición madura y eficiente.
Ponencia presentada en el Programa para la Formación
en Humanidades del Tecnológico de Monterrey,
México.
Via Guzmán, I. A. (2024). Potencialidades de la inteligencia
artificial en la educación superior. Ciencia Latina
Revista Científica Multidisciplinar, 8(4), 2842–2854.
https://doi.org/10.37811/cl_rcm.v8i4.12533
Villagomez Palacios, A. H. (2025). El impacto de la
inteligencia artificial en la sociedad: Una revisión
sistemática de su influencia en ámbitos sociales,
económicos y tecnológicos. Ciencia Latina Revista
Científica Multidisciplinar, 9(1).
https://doi.org/10.37811/cl_rcm.v9i1.16468
