Modelos de inteligencia artificial para la detección predictiva de riesgos de ciberseguridad en entornos educativos digitales
DOI:
https://doi.org/10.63969/df80hs86Palabras clave:
Inteligencia artificial, ciberseguridad, detección predictiva, aprendizaje automático, entornos educativos digitalesResumen
La consolidación de los entornos educativos digitales ha incrementado la interdependencia entre plataformas de aprendizaje, sistemas académicos, redes institucionales, servicios en la nube y dispositivos conectados, ampliando simultáneamente la exposición a riesgos de ciberseguridad. Frente a esta situación, la inteligencia artificial ofrece capacidades para procesar grandes volúmenes de información, reconocer patrones, detectar anomalías y anticipar señales asociadas con posibles amenazas. El análisis se orientó a examinar los enfoques de inteligencia artificial abordados en la producción científica especializada para la detección predictiva de riesgos en entornos educativos digitales, considerando características, aplicaciones, variables, capacidades y limitaciones. Se desarrolló bajo un enfoque cualitativo, descriptivo y documental, mediante el protocolo PRISMA 2020 para la selección y análisis de publicaciones especializadas. Los hallazgos identificaron enfoques supervisados, no supervisados, semisupervisados, aprendizaje profundo, detección de anomalías y predicción. Su alcance depende de la calidad de los datos, representatividad, generalización e interpretación de las señales detectadas.
Descargas
Referencias
Alhasnawi, B. N., & al, e. (2026). Un análisis exhaustivo de los ciberataques, la ciberseguridad y la gestión energética en redes inteligentes, incluyendo los últimos avances y el aprendizaje automático. Conversión y gestión de energía: X, https://www.sciencedirect.com/science/article/pii/S2590174525006038.
Bernal, O. J., & al, e. (2025). Ciberseguridad: Métodos de Defensa Ante Ataques de Infiltraciones. RIDE. Revista Iberoamericana para la Investigación y el Desarrollo Educativo, https://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S2007-74672025000200926.
Cruz, S. J., & al, e. (2026). Revisión sistemática sobre identificación de anomalías en el consumo de servicios web masivos mediante técnicas de aprendizaje automático. Revista Colombiana de Tecnologías de Avanzada , https://doi.org/10.24054/rcta.v1i47.4356.
Espinoza, O. M., & Quevedo, S. A. (2025). Impacto de la Inteligencia Artificial en los Procesos de Ciberseguridad en la seguridad industrial. Revisión narrativa. MQRInvestigar, https://doi.org/10.56048/MQR20225.9.1.2025.e68.
Guerrero, G. K., & al, e. (2026). Modelos de aprendizaje automático en la detección de intrusiones para la protección de entornos educativos digitales. Revista De Producción, Ciencias E Investigación, https://journalprosciences.com/index.php/ps/article/view/940.
López, Á. L., & al, e. (2019). Detección de anomalías basada en aprendizaje profundo: Revisión. Revista Cubana de Ciencias Informáticas, https://www.redalyc.org/journal/3783/378365913008/html/.
Martínez, A. F., & Hernández, R. J. (2018). Técnicas de minería de datos con software libre para la detección de factores asociados al rendimiento. REXE. Revista de Estudios y Experiencias en Educación, https://www.redalyc.org/journal/2431/243156768012/html/.
Merino, V. K., Merino, V. E., Salazar, Á. E., & Yungán, C. J. (2026). Selección de características y evaluación de algoritmos de aprendizaje automático para la detección de ataques PortScan utilizando el conjunto de datos CICIDS2017. Dominio De Las Ciencias, https://dominiodelasciencias.com/ojs/index.php/es/article/view/4954.
Peizhi, Y. T. (2025). Garantizando la seguridad del internet de las cosas: Un análisis exhaustivo de los ataques de ransomware, su detección, las contramedidas y las perspectivas de futuro. Franklin Abierto, https://www.sciencedirect.com/science/article/pii/S2773186325000465.
Pérez, V. C., & Reeves, H. E. (2023). Educación inclusiva digital: Una revisión bibliográfica actualizada. Las brechas digitales en la educación inclusiva. Revista Electrónica "Actualidades Investigativas en Educación", https://www.redalyc.org/journal/447/44775742004/html/.
Quirumbay, Y. D., & al, e. (2022). Una revisión del aprendizaje profundo aplicado a la ciberseguridad. Revista Científica y Tecnológica UPSE (RCTU), https://doi.org/10.26423/rctu.v9i1.671 .
Salas, M. Á., & al, e. (2026). Algoritmos de aprendizaje automático aplicados en analíticas de aprendizaje en la educación superior. Revista latinoamericana de estudios educativos, https://doi.org/10.48102/rlee.2026.56.2.802 .
Sánchez, M. K., & al, e. (2026). Modelo de inteligencia artificial para la detección de intrusiones según características de la red y prácticas de los usuarios. Revista Logos Ciencia & Tecnología, http://www.scielo.org.co/scielo.php?pid=S2422-42002026000100036&script=sci_arttext.
Santillan, V. R., & Naranjo, S. R. (2026). Detección de intrusiones en redes informáticas mediante aprendizaje automático supervisado. Saleciana, https://dspace.ups.edu.ec/handle/123456789/33051.
Yaranga, V. I., Trelles, S. J., & Pizarro, P. P. (2025). Integración de la inteligencia artificial y la ciencia de datos para la toma de decisiones en las empresas: un estudio bibliométrico. Revista InveCom, https://ve.scielo.org/scielo.php?script=sci_arttext&pid=S2739-00632026000203071.
Descargas
Publicado
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los artículos publicados en la revista se distribuyen bajo la licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0). Esta licencia permite a terceros descargar, copiar, distribuir, adaptar y reutilizar una obra, incluso con fines comerciales, siempre que se otorgue el crédito adecuado al autor original.
