Resumen
La presente investigación tuvo como objetivo realizar un análisis de la red bibliométrica en Scopus referente a la
integración de la inteligencia artificial con big data para la toma de decisiones de las empresas, desde el año 2014
al 2024. Para ello, se emplearon técnicas cuantitativas y un método bibliométrico. Desde la base de datos Scopus
se seleccionaron 126 documentos. Se identificó que, entre 2020 y 2024, el volumen global de datos publicados
aumentó un 53.8 %. Además, la producción científica de Estados Unidos presentó el mayor crecimiento (34.2 %)
en comparación con otros países. Asimismo, el autor más citado fue Kumar, A., con 205 citas, y la fuente con
mayor número de publicaciones fue el Journal of Industrial Engineering and Engineering Management, con 11
artículos. Los hallazgos evidencian un avance significativo en la investigación sobre inteligencia artificial y big
data en el ámbito empresarial, reflejado en la diversificación temática, el respaldo institucional y la colaboración
entre autores. Se concluye que este estudio bibliométrico proporciona una base para futuras investigaciones,
resaltando la importancia de profundizar en los sistemas de procesamiento y analítica de datos, así como en los
recursos tecnológicos necesarios para desarrollar soluciones que optimicen la toma de decisiones empresariales.
Palabras clave: inteligencia artificial, toma de decisiones, bibliométrico.
Integración de la inteligencia artificial con big
data para la toma de decisiones en las
empresas: un estudio bibliométrico
Integration of artificial intelligence with big data for decision
making in companies: a bibliometric study
Recibido: 09/11/2024 Aceptado: 21/01/2025
Italo Paul Yaranga Vite
https://orcid.org/0000-0001-7380-135X
iyaranga@ucvvirtual.edu.pe
Universidad César Vallejo
Trujillo-Perú.
Lucio Wilfredo Olórtiga Cóndor
https://orcid.org/0000-0002-3766-2142
lolortigac@ucvvirtual.edu.pe
Universidad César Vallejo
Trujillo-Perú.
2025. V5. N 4.
Yaranga, I., Olórtiga, L. (2025). Integración de la inteligencia artificial con big data para la toma de decisiones en las empresas:
un estudio bibliométrico. Revista InveCom, 5(4). 1-10. https://doi.org/10.5281/zenodo.14783686
2
Abstract
The objective of this research was to carry out an analysis of the bibliometric network in Scopus regarding the
integration of artificial intelligence with big data for business decision-making, from 2014 to 2024. To do this,
quantitative techniques and a bibliometric method were used. From the Scopus database, 126 documents were
selected. It was identified that, between 2020 and 2024, the global volume of published data increased by 53.8 %.
According to the data, scientific production in the United States increased at a faster rate (34.2%) compared to In
addition, the scientific production of the United States presented the highest growth (34.2%) compared to other
countries. Likewise, the most cited author was Kumar, A., with 205 citations, and the source with the highest
number of publications was the Journal of Industrial Engineering and Engineering Management, with 11 articles.
The findings show a significant advance in research on artificial intelligence and big data in the business field,
reflected in thematic diversification, institutional support and collaboration between authors. It is concluded that
this bibliometric study provides a basis for future research, highlighting the importance of delving into data
processing and analytics systems, as well as the technological resources necessary to develop solutions that
optimize business decision-making.
Keywords: artificial intelligence, decision making, bibliometrics.
Introducción
La transformación digital ha generado un entorno empresarial donde la información y los datos son el eje
central de las decisiones estratégicas. Entre las herramientas más revolucionarias que han emergido en este
panorama se encuentran la inteligencia artificial (IA) y el big data (Jin et al., 2020). Estas tecnologías están
redefiniendo la manera en que las empresas procesan la información, obtienen conocimientos accionables y
toman decisiones en tiempo real. La IA, con su capacidad para emular procesos de razonamiento humano, y el
big data, con su enfoque en la gestión de grandes volúmenes de datos, han demostrado ser una combinación
poderosa que mejora la eficiencia y competitividad en múltiples sectores (Gandomi & Haider, 2021).
La IA ha evolucionado desde sistemas basados en reglas hacia enfoques más sofisticados, como el
aprendizaje automático (machine learning) y el aprendizaje profundo (deep learning). Estas tecnologías permiten
a las máquinas analizar grandes volúmenes de datos, identificar patrones y tomar decisiones basadas en
evidencia, superando las limitaciones de los métodos analíticos tradicionales (Nguyen et al., 2020). Según Zhang
et al. (2020), sectores como la salud y el comercio minorista han empleado algoritmos de IA para prever
tendencias, optimizar inventarios y personalizar servicios. Además, Shrestha et al. (2020) indican que los
algoritmos de aprendizaje profundo pueden mejorar la toma de decisiones organizacionales, asistiendo en el
procesamiento de información y aumentando las capacidades analíticas de los empleados.
Por otro lado, el concepto de big data, que abarca datos de gran volumen, variedad y velocidad,
proporciona el combustible necesario para que la IA funcione de manera efectiva (Chen et al., 2021). Según Tong
D. (2023), en la era del big data, la información y los datos ha explotado y todos los ámbitos de la vida se ven
afectados. Carrillo Barragán et al. (2024) destacan la relevancia de big data y la inteligencia empresarial (Business
Intelligence, BI) en la toma de decisiones estratégicas empresariales. Estas tecnologías permiten manejar
eficientemente grandes volúmenes de datos y extraer insights valiosos que guían las decisiones estratégicas. En
este mismo sentido, León García (2023) investigó el impacto de las capacidades de análisis de big data en la
innovación empresarial.
En la última década, numerosos estudios han documentado la relevancia y los beneficios de la integración
entre IA y big data. En el sector minorista, por ejemplo, las empresas han utilizado algoritmos de aprendizaje
profundo para predecir patrones de compra y optimizar inventarios (Wamba et al., 2020). En el ámbito de la salud,
los sistemas basados en IA han mejorado el diagnóstico de enfermedades mediante el análisis de datos médicos
a gran escala (Esteva et al., 2021). Sin embargo, también existen desafíos significativos, como la calidad de los
datos, la interpretabilidad de los modelos y las preocupaciones éticas (Sharma et al., 2020).
A través de un estudio en 91 pequeñas y medianas empresas (pymes) de Bogotá, Shkarupylo et al. (2024)
encontraron que aquellas con mayores capacidades en gestión de datos, tecnologías, habilidades técnicas y
cultura organizacional basada en datos presentan un rendimiento innovador superior. No obstante, el volumen y
la complejidad de los datos industriales generan desafíos en términos de análisis, seguridad y privacidad. En este
contexto, los sistemas industriales modernos han incorporado la IA y el machine learning para optimizar el análisis,
procesamiento y almacenamiento de datos. En Europa, las pequeñas y medianas empresas (PYMES) también
enfrentan un desafío crucial en términos de digitalización. Azevedo y Almeida (2021) señalan que más de la mitad
Yaranga, I., Olórtiga, L. (2025). Integración de la inteligencia artificial con big data para la toma de decisiones en las empresas:
un estudio bibliométrico. Revista InveCom, 5(4). 1-10. https://doi.org/10.5281/zenodo.14783686
3
de las pymes están preocupadas por perder competitividad si no adoptan nuevas tecnologías digitales. Sin
embargo, un obstáculo clave radica en la falta de conciencia entre los responsables de la toma de decisiones
sobre el potencial y las implicaciones de estas tecnologías.
En este escenario, los estudios bibliométricos juegan un papel esencial al reunir y analizar
exhaustivamente las publicaciones académicas sobre un tema específico. Según Tomás-Górriz y Tomás-Casterá
(2018), estos estudios permiten identificar tendencias, enfoques metodológicos y áreas de conocimiento aún por
explorar (García et al., 2021; Ribeiro & Aroni, 2019). Asimismo, el análisis bibliométrico y el uso de indicadores
posibilitan la cuantificación de la información obtenida mediante la evaluación métrica de trabajos científicos en
diversas disciplinas (Caló, 2022). Así, el presente estudio tiene como objetivo sistematizar las investigaciones
previas para identificar las principales tendencias y hallazgos que puedan optimizar la implementación de
actividades relacionadas con la obtención de conocimiento a partir de los datos (Sanz, 2022).
En la actualidad, los datos se han convertido en uno de los principales recursos de las empresas
contemporáneas. Como consecuencia de la digitalización, las corporaciones han generado enormes volúmenes
de datos a lo largo de sus cadenas de suministro (Chen et al., 2024). Para comprender cómo las organizaciones
perciben y utilizan los datos y las herramientas tecnológicas en el análisis de información, es fundamental
identificar y categorizar las tendencias y los avances en este campo (Chacón-Rivadeneira et al., 2024).
Con base en estos antecedentes, la presente investigación se estructura considerando factores como el
año de publicación, el país, la temática abordada, el tipo de documento, la fuente de publicación, la afiliación
institucional y el autor principal. El propósito de este estudio es realizar un análisis bibliométrico sobre el uso de
la IA y el big data en el periodo comprendido entre 2014 y 2024.
Metodología
Este estudio se basa en un análisis bibliométrico que permite identificar y evaluar la producción científica
relacionada con la integración de la inteligencia artificial (IA) y el big data en la toma de decisiones empresariales.
Para ello, se realizó una búsqueda sistemática de literatura en bases de datos académicas como Scopus
(Elsevier) y Google Scholar, entre otras. La información recopilada fue analizada mediante técnicas bibliométricas,
lo que permitió obtener resultados cuantificables (Tomás-Górriz & Tomás-Casterá, 2018). Se emplearon
ecuaciones de búsqueda con operadores booleanos (Inteligencia Artificial AND Big Data AND Empresas AND
Toma de decisiones) para explorar títulos, resúmenes y palabras clave de los documentos, asegurando así la
selección de información relevante. Además, se aplicaron diversos criterios de inclusión para acotar la
recopilación de datos, considerando estudios que aborden la IA y el big data como herramientas de software para
la toma de decisiones empresariales. Los parámetros de inclusión considerados fueron: el rango de años de
publicación (2014-2024), el tipo de documento (artículos, libros y capítulos de libros), el idioma (inglés y español),
la accesibilidad priorizando los documentos.
Con el objetivo de lograr una comprensión integral del estado actual y las tendencias futuras en la
investigación, se seleccionan 126 documentos de la base de datos Scopus, Google Scholar, entre otras para
llevar a cabo un análisis bibliométrico. Tras la normalización de los metadatos y la eliminación de duplicados, se
analizaron los patrones de producción científica utilizando indicadores bibliométricos como el año de publicación,
el tipo de documento, el autor principal, las áreas temáticas, la revista o fuente, el país de origen, el número de
citas y la afiliación institucional (Salinas & García, 2022).
Para el análisis de contenido, se empleó un mapa de co-ocurrencia de palabras clave, lo que permitió
identificar las relaciones entre términos presentes en diferentes tipos de producción científica (Flores-Fernández
& Aguilera-Eguía, 2020). El procesamiento y visualización de los datos se realizó mediante el software VOSviewer,
facilitando la exploración de redes de co-ocurrencias y la generación del mapa correspondiente. Además, se
utilizó Microsoft Excel para elaborar tablas y gráficos que presentan de manera descriptiva las frecuencias y
porcentajes.
Resultados y discusión
Se realizó un análisis bibliométrico de los trabajos publicados en diversas fuentes académicas sobre la
integración de la inteligencia artificial con big data para la toma de decisiones de las empresas en el período 2014-
2024. La Figura 1 ilustra esta tendencia, evidenciando un aumento significativo en el número de publicaciones.
Entre 2020 y 2024, se registraron 126 documentos, lo que representa una proporción considerable de la
producción total a nivel mundial.
Yaranga, I., Olórtiga, L. (2025). Integración de la inteligencia artificial con big data para la toma de decisiones en las empresas:
un estudio bibliométrico. Revista InveCom, 5(4). 1-10. https://doi.org/10.5281/zenodo.14783686
4
Figura 1.
Documentos publicados por año
En la Figura 2 se muestra la distribución global de publicaciones por países. La investigación abarcó un
total de 30 naciones, destacando las 5 con mayor producción académica en este campo. En términos de
productividad científica, Estados Unidos ocupa el primer puesto con un 34.2 % (n=41), seguido por Reino Unido
con un 21.7 % (n=26) e India, en tercera posición, con un 18.3 % (n=22).
Figura 2.
Cantidad de publicación de los principales países
Tabla 1.
País
f
%
Estados Unidos
41
34.2%
Reino Unido
26
21.7%
India
22
18.3%
Italia
16
13.3%
Francia
15
12.5%
La información recopilada para este estudio proviene de 126 fuentes académicas. En la Tabla 2 se
presentan los documentos considerados en el análisis. En cuanto al número de publicaciones, la principal fuente
es IEEE Access, con 7 artículos en esta área. Le siguen Association for Information Systems y Technological
Yaranga, I., Olórtiga, L. (2025). Integración de la inteligencia artificial con big data para la toma de decisiones en las empresas:
un estudio bibliométrico. Revista InveCom, 5(4). 1-10. https://doi.org/10.5281/zenodo.14783686
5
Forecasting and Social Change, cada una con 4 publicaciones. Además, la posición en los dos cuartiles superiores
de los factores de impacto de sus respectivos campos muestra la importancia de estas revistas.
Tabla 2.
Publicación de documentos por fuente o revista
Fuente
N°
Fuente
N°
AI and Society
2
International Journal of Knowledge Management
1
Algorithms
1
International Journal of Logistics Management
1
Applied Sciences (Switzerland)
1
International Journal of Performability Engineering
1
Artificial Intelligence Review
1
International Journal of Production Economics
2
Big Data and Cognitive
Computing
1
International Journal of Production Research
1
Brazilian Journal of Operations
and Production Management
1
International Journal of Research in Marketing
1
Business and Society
1
Iraqi Journal for Computer Science and
Mathematics
1
Catholic University Law Review
1
Issues in Information Systems
1
Chemical Engineering
Transactions
1
Italian Journal of Marketing
1
Chemical Engineering
Transactions
1
Journal of Business Research
1
Communications of the
Association for Information
Systems
4
Journal of Business Strategy
1
Complex and Intelligent
Systems
1
Journal of Cleaner Production
1
Computer Standards and
Interfaces
1
Journal of Computing and Information Science in
Engineering
1
Computers and Industrial
Engineering
2
Journal of Engineering and Technology
Management - JET-M
1
Computers and Operations
Research
1
Journal of Engineering Science and Technology
Review
1
Corporate Governance and
Organizational Behavior Review
1
Journal of Environmental Informatics
1
Cuadernos de Derecho
Transnacional
1
Journal of Family Business Management
1
Current Cardiology Reports
1
Journal of Financial Data Science
1
Current Medicinal Chemistry
1
Journal of Interconnection Networks
1
Data and Knowledge
Engineering
1
Journal of Portfolio Management
1
Decision Support Systems
3
Journal of Revenue and Pricing Management
1
Electronics (Switzerland)
1
Journal of Risk Management in Financial
Institutions
2
Energies
2
Journal of Self-Governance and Management
Economics
1
Energy Economics
1
Journal of Supercomputing
1
Entrepreneurship and
Sustainability Issues
1
Journal of the Academy of Marketing Science
1
Environmental Science and
Pollution Research
1
Journal of the Knowledge Economy
1
Yaranga, I., Olórtiga, L. (2025). Integración de la inteligencia artificial con big data para la toma de decisiones en las empresas:
un estudio bibliométrico. Revista InveCom, 5(4). 1-10. https://doi.org/10.5281/zenodo.14783686
6
Equilibrium. Quarterly Journal of
Economics and Economic
Policy
1
Journal of Universal Computer Science
1
Erasmus Law Review
1
Kybernetes
1
European Radiology
1
Lecture Notes in Business Information Processing
3
Expert Systems with
Applications
1
Long Range Planning
1
Frontiers in Education
1
Materials Today: Proceedings
1
Frontiers in Public Health
1
Materiaux et Techniques
1
Futures
1
Oeconomia Copernicana
1
Heliyon
1
Organizations and Markets in Emerging Economies
1
IEEE Access
7
Proceedings of the IEEE
1
IEEE Multimedia
1
Processes
1
IEEE Open Journal of Intelligent
Transportation Systems
1
Quintessence International
1
IEEE Systems Journal
1
Research in International Business and Finance
1
IEEE Transactions on
Engineering Management
2
Research Policy
1
IEEE Transactions on Industrial
Informatics
1
Resources Policy
1
IEEE Transactions on Intelligent
Transportation Systems
1
Scandinavian Journal of Information Systems
1
Industrial Marketing
Management
3
Sensors
1
Information (Switzerland)
1
Soft Computing
1
Information Systems
1
Sustainability (Switzerland)
3
International Journal of
Advanced Manufacturing
Technology
2
Technological Forecasting and Social Change
4
International Journal of
Advances in Soft Computing
and its Applications
1
Technology Analysis and Strategic Management
1
International Journal of Decision
Support System Technology
1
Technovation
1
International Journal of E-
Planning Research
1
Thunderbird International Business Review
1
International Journal of
Information Management Data
Insights
1
Transfer
1
International Journal of
Intelligent Systems and
Applications in Engineering
1
Total de Revistas:
126
Entre 2014 y 2024, las publicaciones académicas sobre la integración de inteligencia artificial y big data
para la toma de decisiones en los negocios han abarcado diversas áreas temáticas, como se observa en la Figura
4. Los datos analizados provienen de 13 campos distintos, destacando que las ciencias de la computación
representan el 22 % de la producción científica mundial, seguidas por negocios y contabilidad con un 18 %.
Además, este ámbito de estudio integra fundamentos teóricos de múltiples disciplinas, incluyendo ingeniería (16
%), ciencias sociales (7 %), economía (7 %), matemáticas (5 %) y química (1 %), entre otras.
Yaranga, I., Olórtiga, L. (2025). Integración de la inteligencia artificial con big data para la toma de decisiones en las empresas:
un estudio bibliométrico. Revista InveCom, 5(4). 1-10. https://doi.org/10.5281/zenodo.14783686
7
Figura 3.
Publicación de documentos por área temática
La Figura 4 presenta los resultados de un análisis de co-ocurrencia de palabras clave, realizado a partir
de la revisión de los campos de resumen, palabras clave y título de las publicaciones. Se seleccionaron aquellas
frases que aparecieron con una frecuencia superior a tres veces. Para visualizar los conjuntos de palabras
conectadas, se utilizó VOSviewer, que asignó un color distinto a cada grupo según el nivel de conectividad según
el grado de conectividad detectado por el software de VOSviewer. (Van Eck, N., & Waltman, L. (2010). Los
principales clústeres identificados fueron:
- Clúster rojo “big data” (n=270 ocurrencias) refiere a un grupo de palabras relacionadas que incluyen: big data,
business analytics, digital transformation, decisions makings, information análisis.
- Clúster verde “machine learning” (n=30 ocurrencias) agrupa a las siguientes palabras: data mining, Deep
learning, learning algorithms, learning system, predictive analytics.
- Clúster azul “artificial intelligence” (n= 6 ocurrencias) está asociado con las palabras: IA, data handling, decisión
making, industry 4.0, internet of things.
- Clúster amarillo “data analytics” (n= 19 ocurrencias) agrupa a las siguientes palabras: big data analytic, data
analytics.
El análisis de conglomerados identificó que las palabras más frecuentes eran las más relevantes para el
tema del estudio. Se destacó que big data tiene una fuerte relación con el ámbito empresarial, ya que su
implementación permite procesar grandes volúmenes de datos para extraer conocimiento y generar ventajas
competitivas para las empresas. En este contexto, el éxito de la toma de decisiones depende del conocimiento
obtenido tanto de la IA como del big data. Así, se garantiza que los datos registrados en diversas fuentes sean
analizados de manera eficiente, transformándolos en información valiosa para las empresas.
Ciencias de la
Computación
22%
Negocios, Gestión y
Contabilidad
18%
Ingeniería
16%
Ciencias de la
decisión
8%
Economía,
Econometría y
Finanzas
7%
Ciencias Sociales
7%
Matemáticas
5%
Ciencias de los
materiales
4%
Artes y humanidades
3%
Ciencia ambiental
3%
Energía
3%
Psicología
3%
Ingeniería química
1%
Yaranga, I., Olórtiga, L. (2025). Integración de la inteligencia artificial con big data para la toma de decisiones en las empresas:
un estudio bibliométrico. Revista InveCom, 5(4). 1-10. https://doi.org/10.5281/zenodo.14783686
8
Figura 4.
Co-ocurrencia de palabras clave
De acuerdo con los datos bibliométricos, se observa un incremento constante en la cantidad de
publicaciones relacionadas con este tema desde el año 2020. En este contexto, destaca Kumar, A., académico
de la Universidad de Delhi en la India, reconocido por sus aportes en tecnología de software, inteligencia de
negocios y ciencia de datos. Asimismo, sobresale el trabajo de Xiao, J., quien ha investigado Machine Learning
y el control de Big Data financiero mediante IoT para la aplicación práctica en las empresas.
Además, la revista Journal of Industrial Engineering and Engineering Management reveló una tendencia
de publicaciones que incluían temas como inteligencia artificial, big data, data analytics, machine learning, entre
otros. Los temas de mayor relevancia fueron: impacto del apoyo de la toma de decisiones mediante modelos de
aprendizaje automático y la exploración para el conocimiento de datos (Gonçalves et al., 2024), ChatGPT y el big
data pueden reformular el paradigma de la gestión del conocimiento para la toma de decisiones (Sumbal et al.,
2024), inteligencia artificial para los negocios internacionales, entre otros.
Por otro lado, los datos sobre colaboraciones internacionales revelan que la mayoría de los estudios
publicados en este ámbito provienen de países como Estados Unidos, India, España, Reino Unido y Francia,
entre otros. Lograr mejores predicciones a partir del análisis de datos requiere el uso de tecnologías de software
avanzadas, que permitan generar conocimiento estratégico para mejorar la toma de decisiones en las empresas
(Guo et al., 2024).
Finalmente, se observa que las empresas toman decisiones sobre cómo o qué tipos de análisis son más
apropiados, incorporando inteligencia artificial para analizar las diversas estructuras de datos generadas en las
empresas. En este estudio, se analizó una muestra de 3.574 especialistas en ciencia y analítica de datos de
países utilizando una base de datos del sitio web Kaggle. Los resultados indicaron una relación entre big data e
inteligencia, así como entre inteligencia artificial y diferentes tipos de análisis de datos que contribuyen en la mejor
toma de decisiones (Ojeda et al., 2024).
Conclusiones
En la evaluación inicial, el 71 % de los directivos presentaba un nivel bajo en relación con el liderazgo
transformacional. Sin embargo, tras la realización de 12 talleres, este mismo porcentaje logró elevar su nivel al
adquirir estrategias de liderazgo transformacional enfocadas en la gestión escolar. Durante el desarrollo de los
talleres, se abordaron cuatro áreas clave: el liderazgo carismático, la consideración individualizada, la
estimulación intelectual y el liderazgo inspiracional. Todas estas dimensiones estuvieron orientadas a fortalecer
la gestión escolar.
Yaranga, I., Olórtiga, L. (2025). Integración de la inteligencia artificial con big data para la toma de decisiones en las empresas:
un estudio bibliométrico. Revista InveCom, 5(4). 1-10. https://doi.org/10.5281/zenodo.14783686
9
Al comparar los resultados de las evaluaciones de entrada y salida, en la variable gestión escolar y sus
dimensiones, se determinó que, luego de la aplicación de 12 talleres de liderazgo transformacional, existe una
mejora significativa en la gestión escolar, con un aumento del 24,0 %, una mejora de 7,5 % en la dimensión
estratégica, una mejora de 10,57 % en la dimensión administrativa, una mejora de 9,72 % en la dimensión
pedagógica y una mejora de 11.72 % en la dimensión comunitaria.
Referencias
Abrego, L. (2023). Liderazgo transformacional y la gestión educativa en la Institución Educativa N° 36003 de
primaria del distrito de Huancavelica 2022. [Tesis de Maestría] Universidad Continental.
https://repositorio.continental.edu.pe/bitstream/20.500.12394/13977/8/IV_PG_MGP_TE_Abregu_Arevalo_202
3.pdf
Aedi, N. (2018). Manajemen Pendidikan & Tenaga Pendidik. Gosyen Publishing.
https://gosyenpublishing.web.id/?product=manajemen-pendidik-%20tenaga-pendidikan
Álvarez, A., Guzmán, E., Higuera, J. & López, J. (2021). Metodología de la investigación en enfermería. Ediciones La
Biblioteca S.A.
Ball, S. (1989). La Micropolítica de la Escuela. Hacia una teoría de la organización escolar. Editorial Paidós Ibérica.
Batista, A., López, J. & Díaz, T. (2020). Liderazgo transformacional para mejorar la calidad educativa en el centro Santa
María del proyecto Esperanza. UCE Revista de Postgrado, 9(1).
https://uceciencia.edu.do/index.php/OJS/article/view/225/212
Bonifaz, C. (2024). La investigación cuantitativa. Corporación Universitaria de Asturias.
Buchholz, W. (2021). Quantitative Designs for Practice Scholarship. Springer eBooks.
https://doi.org/10.1891/9780826151339.0009
Camacho, R., Castro, A., Orbe, M. & Gavilanes, N. (2024). Liderazgo educativo transformacional y su impacto en el
rendimiento académico: un análisis empírico en instituciones educativas. Ciencia Latina Revista
Multidisciplinar, 8(3), 22-39. https://doi.org/10.37811/cl_rcm.v8i4.12823
Cavagnaro, C. & Carvajal, C. (2020). El liderazgo transformacional en la gestión educativa en la Unidad Educativa
República de Francia de Guayaquil. Digital Publisher CEIT, 6(1), 132-149.
https://doi.org/10.33386/593dp.2021.1.457
Cevallos, F. & Cruz, M. (2024). La evolución de la teoría de la contingencia: enfoques paradigmáticos y estrategias
metodológica. Revista electrónica Tambara, 24(131), 61-82. http://tambara.org/wp-
content/uploads/2024/08/2.Evoluci%C3%B3n_Teor%C3%ADa_comtingencia_Cevallos_F_Cruz_M..pdf
Chioma, U. (2024). Transformational Leadership Style: How to Inspire and Motivate. Simply Psychology
https://www.simplypsychology.org/what-is-transformational-leadership.html
Crispín, R. L., Huayta-Franco, Y. J., Pimentel, F., Arenas, D. & Flores, E. (2022). Management performance, pedagogical
leadership and school management in the learning. MOJEM: Malaysian Online Journal of Educational
Management, 10(2).
https://www.researchgate.net/publication/375668349_MANAGEMENT_PERFORMANCE_PEDAGOGICAL_L
EADERSHIP_AND_SCHOOL_MANAGEMENT_IN_THE_LEARNING
Fiedler, F. E. (1978). The contingency model and the dynamics of the leadership process. En Berkowitz (Ed.), Advances
in experimental social psychology. Academic Press.
Garzón, K., Jiménez, J. & Ortega, L. (2024). Gestión escolar para la mejorar de la calidad educativa en la educación
ecuatoriana. Ciencia Latina Revista Científica Multidisciplinar, 8(2), 44-58.
https://doi.org/10.37811/cl_rcm.v8i2.10725
Gunawan, G. (2020). The influence of transformational leadership, school culture and work motivation on school
effectiveness in junior high school in Medan. Budapest International Research and Critics Institute-Journal
(BIRCI- Journal), 3(1), 625-634. https://doi.org/10.33258/birci.v3i1.824
House, R. J. (1977). A 1976 theory of charismatic leadership. En J. G. Hunt & L. L. Larson (Eds.), Leadership. The
cutting edge. Southern Illinois University Press.
León, R. & Gallardo, Y. (2024). Influence of transformational leadership on teacher performance in a Peruvian
educational institution. Espergesia, 11 (1), e110103. https://doi.org/10.18050/rev.espergesia.v11i1.2851
López, L. & Polanco, M. (2023). Transformational Leadership in Educational Management: Effective Strategies for
Innovation and Continuous Improvement in Educational Institutions. Ciencias y Descubrimiento, 1(2).
https://cienciaydescubrimiento.com/index.php/cyd/article/view/10/11
Lu, Q., Liu, Y. & Huang, X. (2020). Follower dependence, independence, or interdependence: A multi-foci framework to
unpack the mystery of transformational leadership effects. International Journal of Environmental Research and
Public Health, 17(12), 4534. https://doi.org/10.3390/ijerph17124534
Yaranga, I., Olórtiga, L. (2025). Integración de la inteligencia artificial con big data para la toma de decisiones en las empresas:
un estudio bibliométrico. Revista InveCom, 5(4). 1-10. https://doi.org/10.5281/zenodo.14783686
10
Metaferia, T., Baraki, Z. & Mebratu, B. (2023). Transformational leadership practices and its influence on teachers' job
satisfaction in Addis Ababa government secondary schools. Compelling Education, 10(2).
https://doi.org/10.1080/2331186X.2023.2249658
Mincu, M. (2022). Why is school leadership key to transforming education? Structural and cultural assumptions for quality
education in diverse contexts. Perspectives 52, 231-242. https://doi.org/10.1007/s11125-022-09625-6
Moller, J., Petersen, K. & Mendes, E. (2016). Survey Guidelines in Software Engineering: An Annotated Review. ESEM
'16: Proceedings of the 10th ACM/IEEE International Symposium on Empirical Software Engineering and
Measurement. https://doi.org/10.1145/2961111.2962619
Muñoz, E., Muñoz, S., Muñoz, M. & Mateo, C. (2023). Modelo de gestión escolar educativa basado en el liderazgo
transformacional para mejorar el desempeño docente. Ciencia Latina Revista Científica Multidisciplinar, 7(2),
49-67. https://doi.org/10.37811/cl_rcm.v7i2.5684
Palomo, T. (2008). Liderazgo y motivación de equipos de trabajo (8a ed.). EDIS Editorial.
Parra, L. & Prieto, C. (2020). Pedagogical Leadership for Educational Management: An Alternative for Change in Higher
Education. Verba Iuris, 1(44), 91-105.
https://revistas.unilibre.edu.co/index.php/verbaiuris/article/view/6885/6507
Paterson, A., Dumont, H., Lafuente, M. & Law, N. (2018). Understanding innovative pedagogies. OECD.
http://dx.doi.org/10.1787/9f843a6e-en
Peralta, M., Horna, E., Horna, E. & Heredia, F. (2023). Gestión administrativa en unidades de gestión educativa: una
revisión literaria. Revista Educación, 47(1), 663-675. https://doi.org/10.15517/revedu.v47i1.49904
Porras, D. & Duche, A. (2023). Transformational Leadership and Pedagogical Management in Basic Education Teachers
in Peru: A Case Study. https://doi.org/10.55454/rcsas.3.11.2023.006
Pugsley, L. (2016). Undertake ethically sound medical education research. Education For Primary Care, 27(2), 148-150.
https://doi.org/10.1080/14739879.2016.1149955
Quiñones, A., Menacho, I., Sánchez, S., Cervera, L. & Pedroza, R. (2022). Transformational Leadership in Interpersonal
Relationships and Collaborative Work of the Managers of a Local Management Unit, Peru. Webology, 19(1),
1945-1957. https://doi.org/10.14704/WEB/V19I1/WEB19131
Quispe, S., Dávila, M., Cubas, M. & Tapia, A. (2023). Transformational leadership in the institutional climate and teacher
performance in Peru. Horizontes. Revista de Investigación en Ciencias de la Educación, 7(27), 359-371.
https://doi.org/10.33996/revistahorizontes.v7i27.520
Robles, A. & Arguedas, R. (2020). Critical pedagogical leadership: teaching and organic intellectuality. Educational
Innovations, 22(33), 196- 207. http://dx.doi.org/10.22458/ie.v22i33.3051
Rodríguez, V. H. P., Morales, A. J. G., Navarro, L. R. R., Rosado, C. E. S., Espinoza, L. V. & Hernández, O. H. (2023).
Pedagogical Leadership in the Educational Management of Peruvian Educational Institutions. International
Journal of Professional Business Review, 8(4), e01548.
https://doi.org/10.26668/businessreview/2023.v8i4.1548
Sarkar, D. (2022). Engaging Young Minds to Research and Publishing: Takeaway Points From Recent Interactive Events
[Young Professionals]. IEEE Antennas & Propagation Magazine, 64(4), 163-166.
https://doi.org/10.1109/map.2022.3178898
Serrano, K., Jaramillo, M. & Prieto, Y. (2022). El liderazgo transformacional y su incidencia en la gestión educativa de
la escuela Héroes del Cenepa. Digital Publisher CEIT, 7(1), 258-273. https://doi.org/10.33386/593dp.2022.1-
1.1008
Shah, C. (2023). Defining the study population. En Elsevier eBooks. 107-108. https://doi.org/10.1016/b978-0-323-
88423-5.00023-6
Suhayda, R. & Dave, U. (2021). Designing questionnaires and data collection forms. En Springer eBooks.
https://doi.org/10.1891/9780826151339.0012
Tanner, K. (2018). Experimental research. En Elsevier eBooks, 337-356). https://doi.org/10.1016/b978-0-08-102220-
7.00014-5
Tantaléan, O., Delgado, R., Tasayco, A. & Marujo, M. (2022). Transformational managerial leadership and collaborative
teacher work in a public educational institution in Peru. Horizontes Revista de Investigación, 6(25), 1649-1662.
https://doi.org/10.33996/revistahorizontes.v6i25.443
UNESCO (2021). Futures of education: Learning to become. UNESCO. https://iccglobal.org/wp-content/uploads/World-
Council-Futures-of-Education- Learning-to-Become-Initiative_.pdf
Wofford, J. C. (1982). An integrative theory of leadership. Sage Journal. 8(1), 9-25.
https://doi.org/10.1177/014920638200800102