De la coreografía a la computación: un análisis bibliométrico de la inteligencia artificial en la investigación sobre danza
DOI:
https://doi.org/10.55040/7gg8ka88Palabras clave:
inteligencia artificial, danza, análisis bibliométrico, captura de movimiento, coreografía generativaResumen
La inteligencia artificial ha influido cada vez más en la investigación sobre danza mediante avances en la captura e imagen del movimiento, la visión por computadora, la estimación de poses, la realidad virtual, la coreografía generativa y la interacción humano–IA. El presente artículo realiza un análisis bibliométrico de la inteligencia artificial en la investigación sobre danza a partir de documentos indexados en Scopus entre 2000 y 2025. Tras el proceso de selección y depuración, se conservaron 2,445 artículos, revisiones y ponencias en inglés de los 7,300 registros exportados inicialmente. Bibliometrix/Biblioshiny se utilizó para el análisis bibliométrico descriptivo, mientras que VOSviewer se empleó para visualizar redes de coautoría, coocurrencia de palabras clave, acoplamiento bibliográfico y cocitación. La producción científica anual aumentó considerablemente, con mayor aceleración después de 2020. La literatura se concentró en espacios relacionados con la informática, la interacción humano–computadora, la ingeniería, la multimedia y la performance digital, lo que refleja el desarrollo interdisciplinario y tecnológico del campo. Los patrones de colaboración revelaron una red internacionalmente activa, aunque conectada de manera desigual, con la colaboración entre autores concentrada en conglomerados relativamente pequeños. El análisis de coocurrencia de palabras clave identificó 13 clústeres conceptuales relacionados con el reconocimiento del movimiento, la captura de movimiento, la realidad virtual, el aprendizaje automático, la coreografía generativa, la pedagogía inmersiva, la preservación cultural, la rehabilitación, los sensores portables y la interacción humano–IA. El acoplamiento bibliográfico identificó siete comunidades de fuentes, mientras que el análisis de cocitación mostró que la base intelectual se concentró en la generación de danza a partir de música, la síntesis de movimiento, el entrenamiento virtual en danza, el aprendizaje profundo, el modelado del movimiento humano y la IA generativa. En conjunto, la investigación sobre IA en danza ha evolucionado desde aplicaciones aisladas asistidas por tecnología hacia un campo interdisciplinario en expansión. Las investigaciones futuras deberán evaluar la eficacia pedagógica, artística, ética, cultural y práctica de la IA en la educación en danza, la coreografía, la performance, la preservación del patrimonio y la rehabilitación.
Referencias
Aria, M., & Cuccurullo, C. (2017). bibliometrix: An R-tool for comprehensive science mapping analysis. Journal of Informetrics, 11(4), 959–975. https://doi.org/10.1016/j.joi.2017.08.007
Baía Reis, A., Vašků, P., & Solmošiová, S. (2025). Artificial intelligence in dance choreography: A practice-as-research exploration of human–AI co-creation using ChatGPT-4. International Journal of Performance Arts and Digital Media, 21(2), 284–304. https://doi.org/10.1080/14794713.2025.2515754
Bhan, S., Khan, A. K., Bekal, S. K., Saini, P., Singla, A., Thakuriya, K., & Mundada, D. K. (2025). Real-time AI feedback for dance students. ShodhKosh: Journal of Visual and Performing Arts, 6(3s), 122. https://doi.org/10.29121/shodhkosh.v6.i3s.2025.6798
Bui-Le, G.-C., Truong-Thuy, T.-V., Nguyen, H.-D., & Le, T.-N. (2025). DanceDuo: Bridging human movement and AI choreography. In Communications in Computer and Information Science (Vol. 2352, pp. 368–382). Springer. https://doi.org/10.1007/978-981-96-4288-5_29
Cai, L., Thienmongkol, R., & Nimnoi, R. (2025). Choy Li Fut learning platform based on VR and MoCap: Posture-format standardization and evaluation. In 2025 International Conference on Computer and Information Science (pp. 63–67). IEEE. https://doi.org/10.1109/ICCIS68161.2025.11316875
Chan, J. C. P., Leung, H., Tang, J. K. T., & Komura, T. (2011). A virtual reality dance training system using motion capture technology. IEEE Transactions on Learning Technologies, 4(2), 187–195. https://doi.org/10.1109/TLT.2010.27
Demir, G. (2025). Bibliometric analysis in artificial intelligence and transportation: Evaluation of research and future perspectives. In Reliable decision-making for sustainable transportation (pp. 255–273). Elsevier. https://doi.org/10.1016/B978-0-443-33740-6.00005-0
Donthu, N., Kumar, S., Mukherjee, D., Pandey, N., & Lim, W. M. (2021). How to conduct a bibliometric analysis: An overview and guidelines. Journal of Business Research, 133, 285–296. https://doi.org/10.1016/j.jbusres.2021.04.070
Du, L. (2023). Research on dance training system based on motion capture and virtual reality. In Lecture Notes in Electrical Engineering (Vol. 1037, pp. 165–172). Springer. https://doi.org/10.1007/978-981-99-1983-3_17
El Raheb, K., Stergiou, M., Katifori, A., & Ioannidis, Y. (2020). Dance interactive learning systems: A study on interaction workflow and teaching approaches. ACM Computing Surveys, 52(3), Article 50. https://doi.org/10.1145/3323335
El Yaccoubi, H., Moukhliss, G., Ouchaouka, L., & Saqri, N. (2025). AI and educational assessment: A descriptive analysis and bibliometric exploration of research trends and themes. In Lecture Notes on Data Engineering and Communications Technologies (Vol. 262, pp. 191–204). Springer. https://doi.org/10.1007/978-3-031-98476-1_16
Faella, P., Digennaro, S., & Iannaccone, A. (2025). Educational practices in motion: A scoping review of embodied learning approaches in school. Frontiers in Education, 10, Article 1568744. https://doi.org/10.3389/feduc.2025.1568744
Giuliani, L., De Filippo, A., Borghesi, A., Mello, P., & Milano, M. (2022). A multi-modal perspective for the artistic evaluation of robotic dance performances. CEUR Workshop Proceedings, 3278, 84–93.
Isa, W. M. W., Zin, N. A. M., Rosdi, F., & Sarim, H. M. (2018). Digital preservation of intangible cultural heritage. Indonesian Journal of Electrical Engineering and Computer Science, 12(3), 1373–1379. https://doi.org/10.11591/ijeecs.v12.i3.pp1373-1379
Kim, S. (2025). Agile heritage: Revolutionizing digital content development in cultural preservation and beyond. In Lecture Notes in Networks and Systems (Vol. 1151, pp. 91–99). Springer. https://doi.org/10.1007/978-3-031-80946-0_9
Li, R., Yang, S., Ross, D. A., & Kanazawa, A. (2021). AI Choreographer: Music conditioned 3D dance generation with AIST++. In Proceedings of the IEEE/CVF International Conference on Computer Vision (pp. 13381–13392). IEEE. https://doi.org/10.1109/ICCV48922.2021.01315
Li, S., Yu, W., Gu, T., Lin, C., Wang, Q., Qian, C., Loy, C. C., & Liu, Z. (2022). Bailando: 3D dance generation by actor-critic GPT with choreographic memory. In 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 11040–11049). IEEE.
https://doi.org/10.1109/CVPR52688.2022.01077
Li, X. (2024). Cultural inheritance and artistic construction of non-heritage dance in Northern Anhui in the era of artificial intelligence. Applied Mathematics and Nonlinear Sciences, 9(1). https://doi.org/10.2478/amns-2024-0770
Mattsson, T., & Lundvall, S. (2015). The position of dance in physical education. Sport, Education and Society, 20(7), 855–871. https://doi.org/10.1080/13573322.2013.837044
Reshma, M. R., Kannan, B., Jagathyraj, V. P., & Sabu, M. K. (2023). Recognizing Indian classical dance forms using transfer learning. In Lecture Notes in Electrical Engineering (Vol. 998, pp. 413–423). Springer. https://doi.org/10.1007/978-981-99-0047-3_36
Setia, N., Singh, A. K., Dhingra, L., Pandey, S., Aggarwal, M., Lakshman, K., & Jadhav, M. T. (2025). Motion capture and AI in dance performance analysis. ShodhKosh: Journal of Visual and Performing Arts, 6(3s), 102–111. https://doi.org/10.29121/shodhkosh.v6.i3s.2025.6795
Stavrakis, E., Aristidou, A., Savva, M., Himona, S. L., & Chrysanthou, Y. (2012). Digitization of Cypriot folk dances. In Lecture Notes in Computer Science (Vol. 7616, pp. 404–413). Springer. https://doi.org/10.1007/978-3-642-34234-9_41
Stavrakis, E., Chrysanthou, Y., & Aristidou, A. (2014). Motion analysis for folk dance evaluation. In Eurographics Workshop on Graphics and Cultural Heritage (pp. 55–64). Eurographics Association. https://doi.org/10.2312/gch.20141304
Sun, G., Wong, Y., Cheng, Z., Kankanhalli, M. S., Geng, W., & Li, X. (2021). DeepDance: Music-to-dance motion choreography with adversarial learning. IEEE Transactions on Multimedia, 23, 497–509. https://doi.org/10.1109/TMM.2020.2981989
Swain, M. K., Simonthomas, S., Sharma, M., Singh, P., Kulkarni, N., & Dev, R. (2025). Evaluating the impact of AI on dance pedagogy. ShodhKosh: Journal of Visual and Performing Arts, 6(5s), 109–119. https://doi.org/10.29121/shodhkosh.v6.i5s.2025.6912
Tang, T., Jia, J., & Mao, H. (2018). Dance with Melody: An LSTM-autoencoder approach to music-oriented dance synthesis. In Proceedings of the 26th ACM International Conference on Multimedia (pp. 1598–1606). Association for Computing Machinery. https://doi.org/10.1145/3240508.3240526
Trajkova, M., Long, D., Deshpande, M., Knowlton, A., & Magerko, B. (2024). Exploring collaborative movement improvisation towards the design of LuminAI—A co-creative AI dance partner. In Proceedings of the 2024 CHI Conference on Human Factors in Computing Systems (pp. 1–22). Association for Computing Machinery. https://doi.org/10.1145/3613904.3642677
Triebus, C., Druzetic-Vogel, I., & Geiger, C. (2025). Precious Camouflage—Artistic research for the creation of a dance piece with humans and AI. In Expanded Conference 2025—Animation and Interactive Art (pp. 188–198). Association for Computing Machinery. https://doi.org/10.1145/3749893.3749964
Tromp, J., Schofield, D., Raeisian Parvari, P., Poyade, M., Eaglesham, C., Torres, J. C., Johnson, T., Jürivete, T., Lauer, N., Reyes-Lecuona, A., González-Toledo, D., Cuevas-Rodríguez, M., & Molina-Tanco, L. (2025). Designing and evaluating XR cultural heritage applications through human–computer interaction methods: Insights from ten international case studies. Applied Sciences, 15(14), Article 7973. https://doi.org/10.3390/app15147973
Tsuchida, S., Fukayama, S., Hamasaki, M., & Goto, M. (2019). AIST Dance Video Database: Multi-genre, multi-dancer, and multi-camera database for dance information processing. In Proceedings of the 20th International Society for Music Information Retrieval Conference (pp. 501–510).
van Eck, N. J., & Waltman, L. (2010). Software survey: VOSviewer, a computer program for bibliometric mapping. Scientometrics, 84(2), 523–538. https://doi.org/10.1007/s11192-009-0146-3
Verma, R., Garg, M., Roy, A., Panigra, A., Nayak, G., & Kaushik, S. (2025). AI-generated dance movements and creative ownership. ShodhKosh: Journal of Visual and Performing Arts, 6(2s), 149–157. https://doi.org/10.29121/shodhkosh.v6.i2s.2025.6694
Wang, J., Miao, Z., Xie, N., Xu, W., & Li, A. (2020). Labanotation generation from motion capture data for protection of folk dance. IEEE Access, 8, 154186–154197. https://doi.org/10.1109/ACCESS.2020.3014157
Wang, K. (2024). Research on application of computer vision in movement recognition system of sports athletes. In 2024 International Conference on Education, Digitalization and Computer Science (pp. 999–1004). IEEE. https://doi.org/10.1109/ICEDCS64328.2024.00184
Wang, X., & Chen, L. (2022). Research on dance form modeling technology based on motion capture: Taking dance teaching as an example. Proceedings of SPIE, 12246. https://doi.org/10.1117/12.2643503
Wu, L. (2023). Evaluation on multimodal dance action recognition based on artificial intelligence image technology. In ACM International Conference Proceeding Series (pp. 112–117). Association for Computing Machinery. https://doi.org/10.1145/3616901.3616927
Wu, R., & Pan, Y. (2025). Providing music selection and matching suggestions for dance creations using music information retrieval and artificial intelligence techniques. Journal of Computational Methods in Sciences and Engineering, 25(4), 3340–3354. https://doi.org/10.1177/14727978251318807
Yang, K., Tang, X., Wu, H., Qin, B., Liu, H., He, J., & Fan, Z. (2025). CoheDancers: Enhancing interactive group dance generation through music-driven coherence decomposition. In Proceedings of the 33rd ACM International Conference on Multimedia (pp. 6663–6671). Association for Computing Machinery. https://doi.org/10.1145/3746027.3755267
Yue, Z. (2025). Investigating the application of computer VR technology and AI in the examination of dance movement patterns. Journal of Ambient Intelligence and Humanized Computing, 16(4), 629–640. https://doi.org/10.1007/s12652-025-04968-2
Zahid, M. F. A. M., Rahman, M. K. A., Salehuddin, A. K. B., Musa, S. F., & Heriyawati, Y. (2025). Embodied cognition in ‘1st appeal’: Integrating spoken word, sound, and movement as choreographic tools. Harmonia: Journal of Arts Research and Education, 25(1), 227–252. https://doi.org/10.15294/harmonia.v25i1.22120
Zhen, W., & Luan, L. (2021). Physical world to virtual reality—Motion capture technology in dance creation. Journal of Physics: Conference Series, 1828(1), Article 012097. https://doi.org/10.1088/1742-6596/1828/1/012097
Zhou, Q., Wang, J., Wu, P., & Qi, Y. (2021). Application development of dance pose recognition based on embedded artificial intelligence equipment. Journal of Physics: Conference Series, 1757(1), Article 012011. https://doi.org/10.1088/1742-6596/1757/1/012011
Zhuang, W., Wang, C., Chai, J., Wang, Y., Shao, M., & Xia, S. (2022). Music2Dance: DanceNet for music-driven dance generation. ACM Transactions on Multimedia Computing, Communications, and Applications, 18(2), Article 65. https://doi.org/10.1145/3485664
Zupic, I., & Čater, T. (2015). Bibliometric methods in management and organization. Organizational Research Methods, 18(3), 429–472. https://doi.org/10.1177/1094428114562629
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Emilio Cruz (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Las obras que se publican en esta revista están sujetas a los siguientes términos:
1. El autor conserva los derechos patrimoniales (copyright) de las obras publicadas, y concede el derecho de la primera publicación a la revista.
2. Las obras se publican en la edición electrónica de la revista bajo una licencia Reconocimiento-NoComercial-CompartirIgual (texto legal). Se pueden copiar, usar, difundir, transmitir y exponer públicamente, siempre que: i) se cite la autoría y la fuente original de su publicación (revista, editorial y URL de la obra); ii) no se usen para fines comerciales; iii) se mencione la existencia y especificaciones de esta licencia de uso.
3. Condiciones de auto-archivo. Se permite y se anima a los autores a difundir electrónicamente las versiones post-print (versión editorial), ya que favorece su circulación y difusión más temprana y con ello un posible aumento en su citación y alcance entre la comunidad académica. Además de poder publicar los artículos en repositorios y diferentes soportes que colaboren en la difusión de la información, siempre que sea la versión post-print (versión editorial). Color RoMEO: Azul.
