Dies ist eine Übersichtsseite mit Metadaten zu dieser wissenschaftlichen Arbeit. Der vollständige Artikel ist beim Verlag verfügbar.
Desafíos ético-jurídicos de la integridad académica en la era de la inteligencia artificial
0
Zitationen
1
Autoren
2026
Jahr
Abstract
El uso creciente de herramientas de inteligencia artificial generativa, como ChatGPT, en entornos académicos ha generado profundos debates éticos y jurídicos. Este artículo examina los desafíos que plantea la IA para la integridad académica desde una perspectiva de filosofía del derecho. Se abordan conceptos clave como responsabilidad, autoría, verdad y mérito, recurriendo a los aportes de Immanuel Kant y Paul Ricoeur para repensar los fundamentos éticos de la práctica académica en la era digital. Mientras Kant resalta la autonomía moral y el deber como base de la acción ética, Ricoeur introduce la noción de responsabilidad narrativa: responder por los propios actos y palabras como autor de una historia significativa. En el contexto de la producción académica asistida por IA, estos marcos permiten problematizar si es posible preservar la integridad cuando una parte sustancial del proceso intelectual se delega a sistemas que carecen de conciencia. El artículo también aborda cuestiones de justicia epistémica, desigualdad en el acceso a tecnologías y la posible erosión del mérito académico cuando los contenidos automatizados se vuelven indistinguibles de los elaborados por personas. Finalmente, se proponen principios normativos para orientar a las instituciones: transparencia, autonomía, proporcionalidad y rendición de cuentas ética. Lejos de rechazar la IA de forma categórica, se plantea su integración crítica y responsable, situando al ser humano como agente central del proceso educativo. La filosofía del derecho se presenta como una herramienta clave para resguardar la verdad y la justicia en tiempos de transformación tecnológica.
Ähnliche Arbeiten
Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI
2019 · 8.460 Zit.
Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead
2019 · 8.341 Zit.
High-performance medicine: the convergence of human and artificial intelligence
2018 · 7.791 Zit.
Proceedings of the 19th International Joint Conference on Artificial Intelligence
2005 · 5.781 Zit.
Peeking Inside the Black-Box: A Survey on Explainable Artificial Intelligence (XAI)
2018 · 5.536 Zit.