CoGnosis
Revista de Educación
e-ISNN 2588 – 0578 Vol. X, Edición Especial, abril, 2025 DOI: 10.33936/cognosis.
161
Uso de la inteligencia artificial entre estudiantes
universitarios en la educación superior
Use of artificial intelligence among university students in
higher education
Utilização da inteligência artificial entre estudantes
universitários no ensino superior
AUTORES:
Carolina García-Zambrano
Licenciada en Ciencias de la Educación Mención Psicología Educativa y
Orientación Vocacional. Universidad Técnica de Manabí. Ecuador.
karitogar91@hotmail.com
https://orcid.org/0009-0002-1051-2969
Rafael Tejeda-Díaz
Doctor en Ciencias Pedagógicas. Posdoctorado en la Universidad Federal de
Minas Gerais, Brasil en Formación de Competencias en la Educación Superior.
Licenciado en Educación. Master en Pedagogía Profesional. Profesor titular No 1.
Tiempo completo en la Universidad Técnica de Manabí, Ecuador. Director del
Grupo de investigación PROINNOEDUCA y del Centro de Estudios sobre el
desarrollo de la Educación Superior (CEDES).
rafael.tejeda@utm.edu.ec
https://orcid.org/0000-0001-8098-9661
Fecha de recepción: 2024-08-19
Fecha de aceptación: 2024-10-22
Fecha de publicación: 2025-04-24
162
e-ISNN 2588 – 0578 Vol. X, Edición Especial, abril, 2025
RESUMEN
La inteligencia artificial (IA) se ha consolidado como una herramienta clave en el ámbito
educativo, transformando la manera en que los estudiantes acceden y procesan la
información. Este cambio ha suscitado interés por comprender cómo se percibe y utiliza
la IA en contextos académicos. El presente estudio se enfocó en analizar el uso y la
percepción de las herramientas de IA entre los estudiantes de la Facultad de Ciencias
Humanísticas y Sociales de la Universidad Técnica de Manabí. Se adoptó una
metodología cuantitativa con un diseño descriptivo-correlacional, que permitió examinar
la relación entre la percepción y el uso de IA en la educación superior. Para la recolección
de datos, se aplicó un cuestionario estructurado a una muestra de 211 estudiantes,
analizando la información mediante métodos estadísticos y cumpliendo con las normas
éticas. Los resultados del estudio, validados mediante análisis factorial (KMO = 0,862),
indican que los estudiantes consideran la IA útil para el aprendizaje. Sin embargo, se
observan diferencias significativas según el nivel académico y preocupaciones éticas,
especialmente en estudiantes de niveles avanzados. Los análisis de ANOVA y HSD de
Tukey revelan una percepción más favorable en los niveles iniciales, que disminuye en
los avanzados debido a una exposición crítica. Se concluye que, si bien existe una
aceptación general de la IA como competencia esencial, las diferencias en percepción
sugieren la necesidad de investigar su impacto en diversos contextos académicos y
explorar factores como el soporte institucional y el conocimiento técnico.
PALABRAS CLAVE: Inteligencia artificial; educación superior; percepción; análisis
factorial; ética.
ABSTRACT
Artificial intelligence (AI) has established itself as a key tool in the educational field,
transforming the way students access and process information. This shift has generated
interest in understanding how AI is perceived and utilized in academic contexts. This
study focused on analyzing the use and perception of AI tools among students at the
Faculty of Humanistic and Social Sciences at the Universidad Técnica de Manabí. A
quantitative methodology with a descriptive-correlational design was adopted, allowing
the examination of the relationship between perception and the use of AI in higher
education. Data was collected through a structured questionnaire applied to a sample of
211 students, with information analyzed using statistical methods and ethical guidelines
adhered to throughout the process. The study’s results, validated through factor analysis
(KMO = 0.862), indicate that students consider AI useful for learning. However,
significant differences were observed according to academic level and ethical concerns,
especially among advanced-level students. ANOVA and Tukey HSD analyses reveal a
more favorable perception at initial levels, which decreases in advanced levels due to
critical exposure. In conclusion, while there is a general acceptance of AI as an essential
skill, differences in perception suggest the need to investigate its impact across various
academic contexts and explore factors such as institutional support and technical
knowledge.
KEYWORDS: Artificial intelligence; higher education; perception; factor analysis; ethics.
RESUMO
A inteligência artificial (IA) consolidou-se como uma ferramenta fundamental no campo
educacional, transformando a forma como os estudantes acessam e processam
Uso de la inteligencia artificial entre estudiantes universitarios en la educación superior
Carolina García-Zambrano, Rafael Tejeda-Díaz
CoGnosis
Revista de Educación
e-ISNN 2588 – 0578 Vol. X, Edición Especial, abril, 2025
163
informações. Essa mudança despertou interesse em compreender como a IA é percebida
e utilizada em contextos acadêmicos. O presente estudo analisa o uso e a percepção das
ferramentas de IA entre estudantes da Faculdade de Ciências Humanísticas e Sociais da
Universidade Técnica de Manabí. Adotou-se uma metodologia quantitativa com
delineamento descritivo-correlacional, permitindo examinar a relação entre a percepção e
o uso da IA no ensino superior. Para a coleta de dados, aplicou-se um questionário
estruturado a uma amostra de 211 estudantes, cujas informações foram analisadas por
meio de métodos estatísticos, seguindo rigorosamente as normas éticas. Os resultados,
validados por análise fatorial (KMO = 0,862), indicam que os estudantes consideram a IA
uma ferramenta útil para a aprendizagem. No entanto, observaram-se diferenças
significativas relacionadas ao nível acadêmico e a preocupações éticas, especialmente
entre aqueles que cursam níveis mais avançados. As análises de ANOVA e do teste HSD
de Tukey revelam uma percepção mais favorável nos estudantes iniciantes, a qual tende
a diminuir nos níveis superiores devido a uma exposição mais crítica. Conclui-se que há
uma aceitação geral da IA como competência essencial, embora as diferenças de
percepção evidenciem a necessidade de aprofundar pesquisas sobre seu impacto em
diversos contextos acadêmicos, bem como explorar fatores como o apoio institucional e o
nível de conhecimento técnico dos estudantes.
PALAVRAS-CHAVE: Inteligência artificial; ensino superior; percepção; análise fatorial;
ética.
INTRODUCCIÓN
En la era digital, la inteligencia artificial (IA) se ha consolidado como una
tecnología transformadora, impacta de manera significativa diversos sectores,
incluida la educación superior (Okunlaya et al., 2022). A nivel mundial, el
desarrollo de algoritmos avanzados y la disponibilidad de grandes volúmenes de
datos han permitido la creación de sistemas de IA que prometen mejorar el
proceso educativo (Bhutoria, 2022; Luan et al., 2020). Tecnologías como los
asistentes virtuales, las plataformas de aprendizaje adaptativo y las herramientas
de análisis predictivo son ejemplos de cómo la IA personaliza y optimiza la
experiencia de aprendizaje para estudiantes y docentes. Estas innovaciones no
solo facilitan el acceso al conocimiento, sino que también fomentan un
aprendizaje más autónomo y personalizado (Alamri et al., 2021; Martín-Gutiérrez
et al., 2015).
No obstante, a pesar del interés creciente en la aplicación de la IA en contextos
educativos, existen insuficiencias notables que justifican la necesidad de
investigación en este campo. En primer lugar, se observa una falta de
estandarización metodológica en las investigaciones actuales, lo que afecta la
comparación y el contraste de resultados. Además, las muestras utilizadas suelen
ser reducidas y no representativas de la población estudiantil en general,
limitando la capacidad de generalizar los hallazgos. Los estudios tienden a ser
predominantemente descriptivos, centrándose en percepciones sin explorar las
causas subyacentes de las actitudes hacia la IA. También existe una desconexión
164
e-ISNN 2588 – 0578 Vol. X, Edición Especial, abril, 2025
entre la teoría y la práctica, lo que lleva a una visión fragmentada de cómo se
integran estas tecnologías en la educación.
Asimismo, se subestiman los factores contextuales, como la infraestructura
tecnológica y el apoyo institucional, y hay una insuficiente consideración de las
implicaciones éticas asociadas con la IA. Por último, la escasa evaluación del
impacto a largo plazo limita la comprensión de cómo la IA afecta el desarrollo de
habilidades críticas y la preparación para el mercado laboral. Particularmente, la
percepción y el uso de la IA por parte de los estudiantes universitarios son
aspectos que requieren una exploración más profunda (Imran & Lashari, 2023;
Kessler & Bikowski, 2010). La percepción de los estudiantes sobre la IA puede
influir significativamente en su disposición a adoptar estas herramientas (Anet
al., 2023).
En el contexto actual, el uso de la IA en la educación superior no solo representa
una tendencia tecnológica, sino también un desafío estratégico para las
instituciones de educación superior (Guàrdia et al., 2021). Estas entidades deben
desarrollar marcos integrales que no solo aborden las consideraciones técnicas,
sino también las sociales y éticas, para integrar eficazmente la IA en sus
programas académicos. A pesar de los avances significativos en el desarrollo de
tecnologías de IA, persisten interrogantes sobre cómo los estudiantes perciben
estas herramientas y cómo estas percepciones afectan su adopción y utilización.
Los estudios existentes se centran principalmente en las capacidades técnicas de
la IA y sus aplicaciones en la enseñanza, dejando un vacío en la comprensión de
las actitudes y experiencias de los estudiantes (Kong et al., 2022; Zawacki-
Richter et al., 2019).
Este vacío en la literatura subraya la necesidad de una investigación detallada
sobre la percepción y uso de la inteligencia artificial entre estudiantes
universitarios. Comprender cómo los estudiantes interactúan con estas
tecnologías es crucial que la institución de educación superior garantice las
implementaciones tecnológicas se alineen con las expectativas y necesidades de
los usuarios finales. Además, esta perspectiva puede guiar a las instituciones en
el desarrollo de estrategias efectivas para fomentar la adopción de la IA y mejorar
la experiencia educativa general.
Desde esta perspectiva se abordan las siguientes hipótesis: (1) Los estudiantes de
la Facultad de Ciencias Humanísticas y Sociales de la Universidad Técnica de
Manabí que tienen una percepción positiva de la inteligencia artificial son más
propensos a utilizarla en sus actividades académicas, y (2) Las herramientas de
inteligencia artificial son percibidas como útiles y accesibles, lo que influye en su
adopción y uso frecuente.
El objetivo general del estudio es analizar el uso y la percepción de las
herramientas de inteligencia artificial por parte de los estudiantes de la Facultad
de Ciencias Humanísticas y Sociales de la Universidad Técnica de Manabí. Este
análisis proporciona información valiosa para las instituciones educativas,
Uso de la inteligencia artificial entre estudiantes universitarios en la educación superior
Carolina García-Zambrano, Rafael Tejeda-Díaz
CoGnosis
Revista de Educación
e-ISNN 2588 – 0578 Vol. X, Edición Especial, abril, 2025
165
permitiéndoles adaptar sus enfoques pedagógicos y tecnológicos para optimizar el
aprendizaje y la satisfacción estudiantil.
DESARROLLO
La inteligencia artificial (IA) ha emergido como una tecnología disruptiva en
diversos sectores, incluyendo la educación superior. Su aplicación en este ámbito
ha generado tanto expectativas como inquietudes respecto a su potencial para
transformar procesos educativos y de aprendizaje. El presente marco teórico
aborda el uso y la percepción de la inteligencia artificial entre estudiantes
universitarios, examinar conceptos fundamentales, teorías relevantes, y estudios
previos que aportan una comprensión integral del fenómeno.
Aplicaciones de la inteligencia artificial en la educación superior
La inteligencia artificial se define como un campo de la informática dedicado al
desarrollo de sistemas capaces de realizar tareas que, en circunstancias
normales, requerirían inteligencia humana, tales como el reconocimiento de
patrones, el aprendizaje y la toma de decisiones (Fetzer, 1990; Korteling et al.,
2021). En el contexto de la educación superior, la IA se aplica para personalizar
experiencias de aprendizaje, automatizar procesos administrativos y proporcionar
análisis predictivos sobre el desempeño estudiantil (Ouyang et al., 2022).
El impacto de la IA en la educación superior se manifiesta en diversas áreas,
mejorando tanto los procesos académicos como la experiencia educativa de los
estudiantes (Maghsudi et al., 2021). Entre las aplicaciones más destacadas, el
aprendizaje personalizado se erige como una de las más prometedoras. Las
plataformas de aprendizaje adaptativo emplean algoritmos de IA para ajustar los
contenidos según el progreso y las necesidades individuales de cada estudiante,
promoviendo un enfoque centrado en el alumno (Faresta, 2024). Esta
personalización permite identificar fortalezas y debilidades, ajustando el material
de estudio en tiempo real para maximizar el aprendizaje, creando un entorno más
efectivo y motivador.
Otro ámbito en el que la IA desempeña un papel fundamental es en la asistencia
virtual, que facilita el acceso a la información y simplifica los procesos
administrativos (Dwivedi et al., 2021). Los chatbots y asistentes virtuales son
herramientas diseñadas para responder a preguntas frecuentes y guiar a los
estudiantes en tareas académicas y administrativas (Chen et al., 2023; Dibitonto
et al., 2018). Esto no solo mejora la eficiencia en la atención al estudiante,
reduciendo los tiempos de espera, sino que también contribuye a una experiencia
educativa más integral al proporcionar asistencia continua y accesible.
El análisis de aprendizaje constituye otra aplicación clave de la IA en la
educación superior. A través del análisis de grandes volúmenes de datos
educativos, es posible predecir resultados académicos y sugerir intervenciones
oportunas (Ifenthaler & Yau, 2020). Estas herramientas permiten a las
instituciones educativas anticipar desafíos potenciales y ajustar sus estrategias
166
e-ISNN 2588 – 0578 Vol. X, Edición Especial, abril, 2025
pedagógicas en consecuencia, lo que contribuye a mejorar la calidad de la
enseñanza (Ifenthaler, 2017). Además, el análisis de aprendizaje ofrece insights
valiosos para el diseño curricular y la planificación educativa, optimizando los
resultados académicos.
Finalmente, la evaluación automatizada está revolucionando la forma en que se
realizan las evaluaciones académicas. Los sistemas de evaluación automatizada
utilizan algoritmos para calificar exámenes y trabajos escritos de manera más
rápida y objetiva (Ala-Mutka, 2005; Paiva et al., 2022). Esta tecnología no solo
reduce la carga de trabajo de los docentes, sino que también garantiza la equidad
en la evaluación al eliminar posibles sesgos humanos (Kamalov et al., 2023). La
automatización de las evaluaciones permite a los docentes dedicar más tiempo a
actividades pedagógicas, mejorando la calidad del proceso de enseñanza-
aprendizaje.
Teorías sobre la adopción de la inteligencia artificial
El estudio de la adopción de la inteligencia artificial (IA) en el ámbito educativo
requiere un análisis profundo de diversas teorías que explican cómo y por qué los
usuarios incorporan nuevas tecnologías en sus actividades cotidianas. Estas
teorías ofrecen un marco conceptual que permite entender los factores que
influyen en la aceptación y el uso de la IA entre estudiantes, docentes y
administradores en la educación superior.
El Modelo de Aceptación de Tecnología (TAM), es una de las teorías más
influyentes en el estudio de la adopción tecnológica (Marangunić & Granić, 2015;
Zaineldeen et al., 2020). Este modelo postula que la aceptación de nuevas
tecnologías está significativamente influenciada por dos factores principales: la
percepción de utilidad y la facilidad de uso percibida (Davis & Granić, 2024). La
percepción de utilidad se refiere al grado en que una persona cree que el uso de
una tecnología particular mejorará su desempeño en una tarea específica. Por
otro lado, la facilidad de uso percibida indica el grado en que una persona
considera que utilizar la tecnología será libre de esfuerzo (Addison, 2021). Estos
factores determinan las actitudes hacia la tecnología y, en última instancia, la
intención de uso. En el contexto de la educación superior, el TAM ha sido
ampliamente utilizado para evaluar cómo los estudiantes y el personal académico
perciben la IA y cómo estas percepciones afectan su disposición a integrarla en
procesos de enseñanza y aprendizaje.
Complementando el TAM, la Teoría Unificada de la Aceptación y Uso de
Tecnología (UTAUT) amplía este modelo al incorporar factores adicionales que
influyen en la adopción de tecnología (Dwivedi et al., 2019). Estos factores
incluyen la influencia social, las condiciones facilitadoras, la expectativa de
rendimiento y la expectativa de esfuerzo. La influencia social se refiere a la
medida en que las personas importantes para el usuario creen que debería
utilizar una tecnología en particular. En el ámbito de la educación superior, tanto
el TAM como el UTAUT se han aplicado extensamente para comprender la
Uso de la inteligencia artificial entre estudiantes universitarios en la educación superior
Carolina García-Zambrano, Rafael Tejeda-Díaz
CoGnosis
Revista de Educación
e-ISNN 2588 – 0578 Vol. X, Edición Especial, abril, 2025
167
aceptación de la IA entre estudiantes y profesores. Estudios recientes han
demostrado que la percepción de utilidad y las condiciones facilitadoras juegan
roles cruciales en la disposición de los estudiantes a adoptar herramientas de IA
en sus procesos de aprendizaje (Ma & Lei, 2024; Tian et al., 2024). Además, la
influencia social ha demostrado ser un predictor significativo en el uso de
tecnologías educativas, especialmente cuando los pares o los docentes promueven
activamente su uso (Trivedi et al., 2022).
En este contexto, la percepción de la IA entre los estudiantes universitarios varía
considerablemente, influenciada por factores como el nivel de familiaridad con la
tecnología, la calidad de las aplicaciones implementadas y las expectativas
individuales sobre su impacto educativo (Dai et al., 2020). Mientras algunos
estudiantes consideran la IA como una herramienta que potencia el aprendizaje,
otros expresan preocupaciones relacionadas con la privacidad de los datos y la
posible deshumanización del proceso educativo (Adams et al., 2023). Estos
hallazgos subrayan la necesidad de abordar tanto los beneficios como las
preocupaciones que surgen en torno a la implementación de la IA en la educación
superior, asegurando una adopción más informada y equilibrada.
La presente investigación adopta un enfoque cuantitativo, con un diseño
descriptivo-correlacional que permite evaluar la relación entre la percepción y el
uso de herramientas de inteligencia artificial (IA) en la educación superior. Este
enfoque resulta adecuado para examinar las hipótesis planteadas y ofrecer una
visión detallada sobre cómo los estudiantes de la Facultad de Ciencias
Humanísticas y Sociales de la Universidad Técnica de Manabí perciben y utilizan
la IA en sus actividades académicas.
La población objetivo de este estudio comprende a los estudiantes matriculados
en la Facultad de Ciencias Humanísticas y Sociales de la Universidad Técnica de
Manabí durante el periodo académico 2024-2025. Según los registros de la
universidad, la población estudiantil asciende a aproximadamente 1,200
estudiantes. Para obtener una muestra representativa, se utilizó un muestreo
aleatorio estratificado, considerando las diferentes carreras y niveles académicos
presentes en la facultad. La muestra final estuvo compuesta por 211 estudiantes,
lo que asegura un nivel de confianza del 95% y un margen de error del 5%.
Para la recolección de datos, se utilizó un cuestionario estructurado como
instrumento principal, el cual fue previamente validado por un panel de expertos
en educación y tecnología. El cuestionario se dividió en tres secciones principales
como datos demográficos, percepción de la IA, uso de herramientas de IA.
168
e-ISNN 2588 – 0578 Vol. X, Edición Especial, abril, 2025
Tabla 1. Distribución por edad, género, nivel de carrera y educación
Frecuencia
Porcentaje
18-24 años
77
38,1
25-30 años
41
20,3
31-40 años
51
25,2
41 años o más
33
16,3
Total
202
100,0
Masculino
56
27,7
Femenino
146
72,3
Total
202
100,0
Primero
2
1,0
Segundo
22
10,9
Tercero
19
9,4
Cuarto
31
15,3
Quinto
17
8,4
Sexto
24
11,9
Séptimo
5
2,5
Octavo
79
39,1
Noveno
3
1,5
Total
202
100,0
Primero y Segundo
24
11,9
Tercero a Quinto
67
33,2
Sexto a Noveno
111
55,0
Total
202
100,0
El proceso de recolección de datos se llevó a cabo durante el segundo semestre
del año académico 2024. Los cuestionarios se distribuyeron electrónicamente a
través de la plataforma de gestión académica de la universidad, garantizando el
acceso y la participación voluntaria de los estudiantes. Se incluyó un
Uso de la inteligencia artificial entre estudiantes universitarios en la educación superior
Carolina García-Zambrano, Rafael Tejeda-Díaz
CoGnosis
Revista de Educación
e-ISNN 2588 – 0578 Vol. X, Edición Especial, abril, 2025
169
consentimiento informado al inicio del cuestionario, explicando los objetivos del
estudio y asegurando la confidencialidad de la información proporcionada.
Los datos recolectados fueron analizados utilizando el software estadístico SPSS
(versión 26.0). Se realizaron análisis descriptivos para resumir las características
demográficas y las respuestas generales de los estudiantes. Para evaluar las
hipótesis planteadas, se llevaron a cabo análisis de correlación de Pearson y
regresión lineal, examinando la relación entre la percepción de la IA y su uso en
actividades académicas.
Adicionalmente, se empleó un análisis de varianza (ANOVA) para determinar si
existían diferencias significativas en la percepción y uso de la IA entre diferentes
grupos demográficos, como carrera y nivel académico. Este enfoque analítico
permitió identificar patrones y tendencias clave que contribuyen a comprender
mejor el impacto de la IA en el contexto educativo.
Se siguieron estrictamente las directrices éticas para la investigación en seres
humanos, garantizando la protección de los derechos y la privacidad de los
participantes. Se obtuvo la aprobación del comité de ética de la Universidad
Técnica de Manabí antes de iniciar la recolección de datos. Los resultados se
presentaron de forma agregada, asegurando que ninguna información personal
pudiera ser identificada en los informes finales.
La prueba de adecuación muestral y esfericidad de los datos constituye una
etapa fundamental en el análisis factorial, dado que garantiza la viabilidad del
procedimiento y la robustez de los resultados obtenidos. La medida de
adecuación de muestreo de Kaiser-Meyer-Olkin (KMO) y la prueba de esfericidad
de Bartlett permiten evaluar, respectivamente, la idoneidad de los datos para el
análisis y la correlación entre las variables involucradas. A continuación, se
presentan los resultados obtenidos en estas pruebas, los cuales son interpretados
y discutidos para sustentar su relevancia en el contexto de este estudio.
Tabla 2. Prueba de KMO y Bartlett
Medida Kaiser-Meyer-Olkin de adecuación de muestreo
,862
Prueba de esfericidad de
Bartlett
Aprox. Chi-cuadrado
1272,162
gl
78
Sig.
,000
El valor de KMO de 0,862 indica una alta adecuación muestral para el análisis
factorial, sugiriendo que los datos son apropiados para este tipo de análisis al
contar con una estructura latente bien definida (Gastelum-Acosta et al., 2022).
Esto permite la reducción de datos sin pérdida significativa de información,
respaldado por la literatura que considera valores superiores a 0,8 como
meritorios para la extracción de factores (Tzeng et al., 2007). La prueba de
esfericidad de Bartlett, con un chi-cuadrado de 1272,162 y significancia de
170
e-ISNN 2588 – 0578 Vol. X, Edición Especial, abril, 2025
0,000, confirma que las variables están suficientemente correlacionadas para
justificar el análisis factorial, ya que la matriz de correlación no es una identidad.
A continuación, se presenta la tabla 3 sobre la percepción estudiantil acerca del
uso de herramientas de IA en actividades académicas, con un enfoque en la
frecuencia de uso, los beneficios percibidos, y las preocupaciones éticas. Los
datos han sido evaluados en términos de media y desviación típica para cada
ítem, además de incluir el Alfa de Cronbach, lo cual permite determinar la
fiabilidad de las respuestas.
Tabla 3. Percepciones sobre el uso de la inteligencia artificial en actividades
académicas
Uso de la inteligencia artificial
Media
D.T
Umbral
Alfa de
Cronbach
N
¿Considera que se debe utilizar herramientas
de IA para realizar las actividades académicas?
4,04
1,26
De acuerdo
0,636
202
¿Las herramientas de IA pueden ayudar a
aprender?
4,49
1,22
De acuerdo
0,635
202
¿Las herramientas de IA han ayudado a
mejorar su rendimiento académico?
4,10
1,33
De acuerdo
0,631
202
¿Las herramientas de IA deberían incorporarse
en el aprendizaje estudiantil?
4,30
1,16
De acuerdo
0,630
202
¿Las herramientas de IA serán importantes en
el futuro y es necesario aprendan a utilizarlas?
4,75
1,23
De acuerdo
0,630
202
¿Las herramientas de IA han tenido un impacto
positivo en el aprendizaje?
4,32
1,20
De acuerdo
0,633
202
¿Con qué frecuencia utiliza herramientas de IA
en su práctica educativa?
3,43
1,43
Desacuerdo
0,663
202
¿Para qué utiliza principalmente las
herramientas de IA en su aprendizaje?
3,73
1,61
De acuerdo
0,688
202
¿Considera que se debe sancionar el uso no
ético de la AI al realizar tareas académicas?
3,94
1,48
De acuerdo
0,673
202
¿Cree que se debería restringir el uso de
herramientas de IA a proyectos específicos?
3,69
1,44
De acuerdo
0,688
202
¿No utiliza herramientas de IA porque le
preocupan las implicaciones éticas de su uso?
3,79
1,39
De acuerdo
0,707
202
¿No usa herramientas de IA porque le
preocupan las implicaciones negativas que
puedan tener en el aprendizaje?
3,74
1,44
De acuerdo
0,712
202
¿Consideras que tus profesores son capaces de
reconocer cuándo utilizas IA para realizar tus
trabajos académicos?
4,51
1,26
De acuerdo
0,686
202
Uso de la inteligencia artificial entre estudiantes universitarios en la educación superior
Carolina García-Zambrano, Rafael Tejeda-Díaz
CoGnosis
Revista de Educación
e-ISNN 2588 – 0578 Vol. X, Edición Especial, abril, 2025
171
Los estudiantes muestran una actitud favorable hacia el uso de herramientas de
IA en el ámbito académico, con medias superiores a 4 en preguntas sobre su
relevancia futura y el impacto positivo en el aprendizaje. La media más alta (4,75)
corresponde a la importancia de aprender a utilizar IA en el futuro, lo que sugiere
una aceptación generalizada de la IA como una competencia esencial para el
desarrollo profesional. Esta percepción positiva es consistente con la tendencia
hacia la integración de tecnologías en la educación y el reconocimiento de la IA
como una herramienta valiosa en el contexto académico (Baca & Zhushi, 2024;
Kim & Kim, 2022; Vistorte et al., 2024).
La fiabilidad de las respuestas, medida mediante el Alfa de Cronbach, varía entre
0,630 y 0,712, indicando una consistencia moderada. Aunque algunos valores
están por debajo del umbral de 0,7, la coherencia general de las respuestas
permite inferir una percepción consistente de los estudiantes. La variabilidad en
las respuestas, con desviaciones típicas superiores a 1, señala diferencias
significativas en el uso de la IA y en las preocupaciones éticas (Kaplan et al.,
2023; Vollmer et al., 2020). La media de 3,94 en la cuestión sobre la sanción del
uso no ético y su fiabilidad de 0,673 refleja un consenso parcial sobre la
necesidad de establecer normas claras para el uso de la IA en la educación.
En la tabla 4 se presentan los resultados de las pruebas de efectos inter-sujetos,
las cuales permiten evaluar la influencia de las variables independientes, como
edad, sexo y nivel de carrera, sobre dos variables dependientes: la percepción del
uso de herramientas de inteligencia artificial (IA) en la educación y las
implicaciones éticas y restricciones asociadas a su uso. A continuación, se
interpretan y discuten los hallazgos clave, apoyados en la literatura existente.
El análisis revela que, aunque la intersección tiene un valor significativo (F =
1582.466, p < 0.001), indicando una influencia general de la variable
independiente en la percepción del uso de herramientas de IA, las variables
principales (edad, sexo y nivel) no muestran significancia a nivel individual. Esto
sugiere que factores demográficos específicos no tienen un impacto considerable
en la percepción de la IA en la educación, lo que concuerda con estudios que han
demostrado la aceptación generalizada de estas herramientas en contextos
educativos, independientemente de diferencias sociodemográficas (Mantello et al.,
2023; Sartori & Bocca, 2023).
Por otro lado, en lo que respecta a las implicaciones éticas, se encontró que la
interacción entre edad y nivel es significativa (F = 2.159, p = 0.049), lo que
sugiere que las actitudes éticas pueden variar según la etapa educativa y la edad,
respaldando investigaciones que relacionan la madurez y las experiencias con
actitudes éticas (Ambrose et al., 2007; Bray et al., 2011; Haski-Leventhal et al.,
2022). A pesar de estos hallazgos, el modelo corregido muestra una varianza
explicada limitada en ambos casos (R² ajustada = 0.042 para percepción de IA y
R² ajustada = 0.011 para implicaciones éticas), lo cual sugiere que hay otros
factores no considerados que podrían estar influyendo en las percepciones de los
172
e-ISNN 2588 – 0578 Vol. X, Edición Especial, abril, 2025
estudiantes. Esta baja varianza es coherente con estudios previos que destacan la
complejidad de los factores que afectan la percepción de la IA, indicando la
necesidad de investigar más allá de las variables demográficas tradicionales,
explorando aspectos como la familiaridad tecnológica y las experiencias
personales con la IA (Bao et al., 2022; Oksanen et al., 2020).
Tabla 4. Pruebas de efectos inter-sujetos
Origen
Tipo III de
Suma de
Cuadrados
Gl
Media
Cuadrática
F
Sig.
Tipo III de
Suma de
Cuadrados
gl
Media
Cuadrática
F
Sig.
Percepción del uso de herramientas de IA en la educación
Implicaciones éticas y restricciones en el
uso de la IA
Modelo
Corregido
1154.408
23
50.192
1.383
.12
4
498.814
23
21.688
1.101
.34
8
Intersecció
n
57445.051
1
57445.05
1
1582.46
6
.00
0
16887.02
5
1
16887.02
5
857.49
6
.00
0
Edad
59.965
3
19.988
0.551
.64
8
61.360
3
20.453
1.039
.37
7
Sexo
0.091
1
0.091
0.002
.96
0
10.862
1
10.862
0.552
.45
9
Nivel
216.782
2
108.391
2.986
.05
3
56.388
2
28.194
1.432
.24
2
Edad *
Sexo
43.236
3
14.412
0.397
.75
5
48.125
3
16.042
0.815
.48
7
Edad *
Nivel
288.531
6
48.089
1.325
.24
8
255.101
6
42.517
2.159
.04
9
Sexo *
Nivel
48.649
2
24.325
0.670
.51
3
1.546
2
0.773
0.039
.96
2
Edad *
Sexo *
Nivel
100.839
6
16.806
0.463
.83
5
108.026
6
18.004
0.914
.48
6
Error
6461.572
17
8
36.301
3505.429
17
8
19.693
Total
144272.00
0
20
2
50389.00
0
20
2
Total
Corregido
7615.980
20
1
4004.243
20
1
R² = .152 (R² ajustada = .042)
R² = .125 (R² ajustada = .011)
La tabla 5 proporciona un análisis descriptivo de la percepción del uso de
herramientas de inteligencia artificial (IA) en la educación, categorizando a los
participantes en tres grupos académicos: "Primero y Segundo", "Tercero a Quinto"
y "Sexto a Noveno". Se reportan las medias de percepción de cada grupo junto
Uso de la inteligencia artificial entre estudiantes universitarios en la educación superior
Carolina García-Zambrano, Rafael Tejeda-Díaz
CoGnosis
Revista de Educación
e-ISNN 2588 – 0578 Vol. X, Edición Especial, abril, 2025
173
con la desviación estándar, el error estándar y el intervalo de confianza al 95%
para la media.
Tabla 5. Descriptivos: Percepción del uso de herramientas de IA en la educación
Grupo
N
Media
Desv.
Desviación
Desv.
Error
95% del intervalo de confianza
para la media
Límite inferior
Límite superior
Primero y
Segundo
24
28,6250
3,66905
,74894
27,0757
30,1743
Tercero a
Quinto
67
26,5373
7,04386
,86054
24,8192
28,2554
Sexto a
Noveno
111
25,1261
5,84826
,55509
24,0261
26,2262
Total
202
26,0099
6,15552
,43310
25,1559
26,8639
Los resultados indican que los estudiantes en los niveles iniciales ("Primero y
Segundo") tienen una percepción más positiva sobre el uso de herramientas de IA
(M = 28.63), en comparación con aquellos en niveles intermedios ("Tercero a
Quinto", M = 26.54) y avanzados ("Sexto a Noveno", M = 25.13). Esta disminución
en la percepción a medida que se progresa en el nivel académico sugiere que los
estudiantes más avanzados, debido a su mayor exposición y experiencia, pueden
desarrollar una visión más crítica hacia la IA en el ámbito educativo (Chen et al.,
2020; Zhai et al., 2021).
Además, el intervalo de confianza más estrecho en los primeros niveles (27.08 -
30.17) sugiere una percepción más uniforme y entusiasta hacia la IA,
posiblemente atribuible a un menor conocimiento de sus implicaciones a largo
plazo (Gerlich, 2023; Nazareno & Schiff, 2021). En cambio, el grupo "Sexto a
Noveno" presenta una mayor variabilidad en su percepción (24.03 - 26.23), lo que
indica que, a medida que los estudiantes avanzan en sus estudios, tienden a
desarrollar opiniones más diversas y complejas.
Tabla 6. Percepción del uso de herramientas de IA en la educación
ANOVA
Fuente de
variación
Suma de
cuadrados
gl
Media
cuadrática
F
Sig.
Entre grupos
269,464
2
134,732
3,650
,028
Dentro de grupos
7346,516
199
36,917
Total
7615,980
201
La tabla 6 muestra los resultados del análisis de varianza (ANOVA) aplicado para
evaluar la percepción del uso de herramientas de inteligencia artificial (IA) en la
174
e-ISNN 2588 – 0578 Vol. X, Edición Especial, abril, 2025
educación entre diferentes grupos de estudio. A continuación, se interpreta y
discute el resultado del análisis, apoyado en hallazgos de estudios previos.
El análisis ANOVA revela una diferencia estadísticamente significativa entre los
grupos en cuanto a su percepción del uso de herramientas de IA en la educación
(F = 3.650, p = 0.028). Este valor de significancia (p < 0.05) indica que las
diferencias observadas entre los grupos no son fruto del azar, sino que reflejan
variaciones reales en la percepción hacia la IA. Este hallazgo sugiere que factores
como el nivel académico o la experiencia previa pueden influir en cómo los
estudiantes perciben la integración de la IA en sus procesos educativos, tal como
se ha señalado en investigaciones anteriores (Chou et al., 2022; Kashive et al.,
2020; Lin & Chen, 2024).
La suma de cuadrados entre grupos (269.464) y dentro de grupos (7346.516)
refleja que, aunque existen diferencias entre los grupos, la mayor parte de la
variabilidad se encuentra dentro de ellos. Este resultado es consistente con
estudios que sugieren que la percepción de la IA en la educación puede estar
influenciada por factores individuales y subjetivos, tales como el grado de
familiaridad con la tecnología y las experiencias personales (Chen et al., 2021; S.
Wang & Sun, 2024).
El valor relativamente alto de la media cuadrática dentro de grupos (36.917)
también sugiere una considerable variabilidad individual en las percepciones, lo
cual podría indicar que los estudiantes tienen opiniones diversas y matizadas
sobre el uso de la IA. Este resultado resalta la necesidad de un enfoque
personalizado en la implementación de IA en contextos educativos, teniendo en
cuenta las diferencias en habilidades y expectativas entre los estudiantes
(Gligorea et al., 2023; Ouyang & Jiao, 2021).
Tabla 7. Percepción del uso de herramientas de IA en la educación
HSD Tukeya,b
Nivel de educación
N
Subconjunto para alfa = 0.05
1
2
Sexto a Noveno
111
25,1261
Tercero a Quinto
67
26,5373
26,5373
Primero y Segundo
24
28,6250
Sig.
,509
,230
Se visualizan las medias para los grupos en los subconjuntos homogéneos.
a. Utiliza el tamaño de la muestra de la media armónica = 45,731.
b. Los tamaños de grupo no son iguales. Se utiliza la media armónica de los tamaños de grupo. Los niveles de error de tipo I no están
garantizados.
La tabla 7 presenta los resultados del análisis post-hoc HSD de Tukey, que se
utilizó para identificar diferencias específicas entre los niveles de educación en
cuanto a la percepción del uso de herramientas de inteligencia artificial (IA) en la
Uso de la inteligencia artificial entre estudiantes universitarios en la educación superior
Carolina García-Zambrano, Rafael Tejeda-Díaz
CoGnosis
Revista de Educación
e-ISNN 2588 – 0578 Vol. X, Edición Especial, abril, 2025
175
educación. A continuación, se interpretan y discuten los resultados, tomando
como referencia estudios previos.
Los resultados del HSD de Tukey muestran que los estudiantes de "Sexto a
Noveno" (M = 25.13) y "Tercero a Quinto" (M = 26.54) comparten un subconjunto
homogéneo, lo que indica que no hay diferencias significativas en su percepción
del uso de herramientas de IA en la educación. Sin embargo, el grupo de "Primero
y Segundo" (M = 28.63) no coincide en los subconjuntos de los otros niveles, lo
que sugiere que su percepción es significativamente diferente, especialmente en
comparación con el grupo de "Sexto a Noveno". Este hallazgo indica que los
estudiantes en los niveles iniciales perciben el uso de la IA de manera más
positiva, posiblemente debido a su menor exposición y experiencia crítica con
estas tecnologías (Flavián et al., 2022; Margaryan et al., 2011; Wang et al., 2024).
La significancia para el subconjunto de "Sexto a Noveno" es de p = 0.509,
mientras que para "Tercero a Quinto" y "Primero y Segundo" es de p = 0.230, lo
cual confirma que no todas las diferencias son significativas al nivel de alfa =
0.05. Estos resultados sugieren que, aunque las medias de percepción varían
entre los grupos, solo hay diferencias considerables en los extremos, apoyando la
teoría de que el entusiasmo hacia la IA puede disminuir conforme los estudiantes
avanzan en su formación académica (Crittenden et al., 2019; Hooda et al., 2022).
El hecho de que los estudiantes de niveles más avanzados compartan
subconjuntos homogéneos con percepciones menos positivas de la IA concuerda
con estudios que indican un mayor escepticismo en los estudiantes a medida que
adquieren una comprensión más profunda y crítica sobre el impacto de estas
tecnologías en la educación (Kirkwood & Price, 2014; Papanastasiou et al., 2019).
Esta tendencia subraya la importancia de integrar la educación sobre ética y el
uso responsable de la IA en todos los niveles, para que los estudiantes puedan
hacer juicios informados sobre sus beneficios y limitaciones (Holmes et al., 2022;
Mouta et al., 2024).
Tabla 8. Relación entre el nivel de educación y la percepción del uso de
herramientas de IA en la educación
176
e-ISNN 2588 – 0578 Vol. X, Edición Especial, abril, 2025
La Tabla 8 presenta la relación entre el nivel educativo de los estudiantes y su
percepción sobre el uso de herramientas de inteligencia artificial (IA) en la
educación. En ella, se observa cómo la media de percepción disminuye a medida
que los estudiantes avanzan en su trayectoria académica, desde los niveles
"Primero y Segundo" hasta "Sexto a Noveno".
El descenso progresivo en la media de percepción de la IA en la educación, desde
un valor promedio de 28.63 en los niveles "Primero y Segundo" hasta 25.13 en
"Sexto a Noveno", sugiere que los estudiantes de niveles iniciales presentan
actitudes más positivas hacia el uso de IA. Este hallazgo es consistente con
estudios que indican un mayor entusiasmo y aceptación de nuevas tecnologías
entre estudiantes menos avanzados, quienes pueden no haber tenido suficiente
exposición a los posibles inconvenientes o limitaciones de la IA (Nguyen et al.,
2023). A medida que los estudiantes avanzan en su educación, es posible que
desarrollen una comprensión más crítica y matizada de la tecnología, lo que
podría explicar la disminución en la percepción positiva.
La diferencia en las percepciones también puede estar vinculada a la creciente
conciencia sobre las implicaciones éticas y los desafíos de la IA en entornos
educativos. Investigaciones previas sugieren que, a medida que los estudiantes
avanzan en sus estudios, tienden a desarrollar una visión más crítica de las
herramientas tecnológicas, considerando no solo su utilidad, sino también sus
posibles efectos adversos (Lawless & Pellegrino, 2007; Sung et al., 2016). Este
cambio puede reflejar una mayor comprensión de los aspectos éticos y del
impacto a largo plazo de la IA, alineándose con la necesidad de educar sobre el
uso responsable y ético de la tecnología en todos los niveles educativos
(Abulibdeh et al., 2024; Chaudhry & Kazim, 2022).
Figura 1. Pruebas de Efectos Inter-Sujetos: análisis de valores de F según
variables dependientes
Uso de la inteligencia artificial entre estudiantes universitarios en la educación superior
Carolina García-Zambrano, Rafael Tejeda-Díaz
CoGnosis
Revista de Educación
e-ISNN 2588 – 0578 Vol. X, Edición Especial, abril, 2025
177
La figura 1. muestra los resultados de las pruebas de efectos inter-sujetos,
destacando los valores de F para tres variables dependientes: "Implicaciones
Éticas", "Capacidad de Identificación" y "Frecuencia y Tipos de Uso". Los valores
de F permiten evaluar la magnitud del efecto de diversas variables independientes
(como la edad, el sexo y el nivel académico) sobre las variables dependientes,
facilitando la identificación de interacciones significativas. A continuación, se
interpreta y discute el comportamiento de estos efectos con base en la
información visualizada y estudios previos.
La figura destaca que el valor de F más alto corresponde a la "Intersección" para
todas las variables dependientes, lo que indica una influencia significativa de la
combinación de factores sobre las percepciones y actitudes hacia la IA,
especialmente en términos de implicaciones éticas, identificación de usos y
frecuencia de utilización. Este resultado sugiere que la interacción de las
variables demográficas puede jugar un papel importante en cómo los estudiantes
evalúan el uso de la IA, lo que concuerda con estudios que han encontrado que la
experiencia acumulada y el contexto académico modulan las actitudes hacia la
tecnología (Kim et al., 2018; Vidanaralage et al., 2022).
CONCLUSIONES
El estudio logró alcanzar su objetivo de analizar el uso y la percepción de
herramientas de inteligencia artificial (IA) entre estudiantes de la Facultad de
Ciencias Humanísticas y Sociales de la Universidad Técnica de Manabí. Los
resultados permitieron responder a la pregunta de investigación y validar las
hipótesis planteadas, evidenciando que los estudiantes con una percepción
positiva de la IA tienden a utilizarla en actividades académicas. Se observó,
además, una aceptación generalizada de la IA como competencia esencial para el
desarrollo profesional; sin embargo, se identificaron diferencias significativas en
la percepción según el nivel educativo, con actitudes más favorables en los
niveles iniciales en comparación con los avanzados.
Entre los hallazgos principales, destaca el surgimiento de preocupaciones éticas,
especialmente en estudiantes de niveles avanzados, lo cual sugiere un
escepticismo creciente y una necesidad de mayor educación sobre el uso ético de
la IA. Las limitaciones del estudio radican en la representatividad de la muestra y
su enfoque en una sola facultad, lo cual restringe la generalización de los
resultados. Para investigaciones futuras, se recomienda ampliar el análisis a
otros contextos académicos y explorar la influencia de factores como la
familiaridad tecnológica y el soporte institucional en la adopción de la IA.
Asimismo, resultaría valioso investigar las implicaciones a largo plazo de la IA en
el desarrollo de habilidades críticas, con el fin de obtener una visión más
completa de su impacto en la educación superior.
178
e-ISNN 2588 – 0578 Vol. X, Edición Especial, abril, 2025
DECLARACIÓN DE CONFLICTO DE INTERESES
Los autores declaran que no existen conflictos de intereses en relación con
este artículo. No han recibido financiamiento ni apoyo de ninguna
organización o entidad que pudiera influir en el contenido del trabajo
CONTRIBUCIÓN DE LOS AUTORES
Autor 1
Recopilación de datos para el diagnóstico, Fundamentación del
problema, Búsqueda bibliográfica, Fundamentación teórica,
Elaboración de la estrategia didáctica, Redacción – borrador original –
Autor 2
Recopilación de datos para el diagnóstico, Fundamentación del
problema, Elaboración del diseño de la investigación, Búsqueda
bibliográfica, Fundamentación teórica, Elaboración de la estrategia
didáctica, Redacción – revisión y edición –
REFERENCIAS BIBLIOGRÁFICAS
Abulibdeh, A., Zaidan, E., & Abulibdeh, R. (2024). Navigating the confluence of artificial intelligence and education
for sustainable development in the era of industry 4.0: Challenges, opportunities, and ethical dimensions. Journal of
Cleaner Production, 437, 140527. https://doi.org/10.1016/j.jclepro.2023.140527
Adams, C., Pente, P., Lemermeyer, G., & Rockwell, G. (2023). Ethical principles for artificial intelligence in K-12
education. Computers and Education: Artificial Intelligence, 4, 100131. https://doi.org/10.1016/j.caeai.2023.100131
Alamri, H. A., Watson, S., & Watson, W. (2021). Learning Technology Models that Support Personalization within
Blended Learning Environments in Higher Education. TechTrends, 65(1), 62–78. https://doi.org/10.1007/s11528-020-
00530-3
Ala-Mutka, K. M. (2005). A Survey of Automated Assessment Approaches for Programming Assignments. Computer
Science Education, 15(2), 83–102. https://doi.org/10.1080/08993400500150747
Ambrose, M. L., Arnaud, A., & Schminke, M. (2007). Individual Moral Development and Ethical Climate: The
Influence of Person–Organization Fit on Job Attitudes. Journal of Business Ethics, 77(3), 323–333.
https://doi.org/10.1007/s10551-007-9352-1
An, X., Chai, C. S., Li, Y., Zhou, Y., & Yang, B. (2023). Modeling students’ perceptions of artificial intelligence
assisted language learning. Computer Assisted Language Learning, 1–22.
https://doi.org/10.1080/09588221.2023.2246519
Baca, G., & Zhushi, G. (2024). Assessing attitudes and impact of AI integration in higher education. Higher Education,
Skills and Work-Based Learning. https://doi.org/10.1108/HESWBL-02-2024-0065
Bao, L., Krause, N. M., Calice, M. N., Scheufele, D. A., Wirz, C. D., Brossard, D., Newman, T. P., & Xenos, M. A.
(2022). Whose AI? How different publics think about AI and its social impacts. Computers in Human Behavior, 130,
107182. https://doi.org/10.1016/j.chb.2022.107182
Bhutoria, A. (2022). Personalized education and Artificial Intelligence in the United States, China, and India: A
systematic review using a Human-In-The-Loop model. Computers and Education: Artificial Intelligence, 3, 100068.
https://doi.org/10.1016/j.caeai.2022.100068
Chen, L., Chen, P., & Lin, Z. (2020). Artificial Intelligence in Education: A Review. IEEE Access, 8, 75264–75278.
https://doi.org/10.1109/ACCESS.2020.2988510
Uso de la inteligencia artificial entre estudiantes universitarios en la educación superior
Carolina García-Zambrano, Rafael Tejeda-Díaz
CoGnosis
Revista de Educación
e-ISNN 2588 – 0578 Vol. X, Edición Especial, abril, 2025
179
Chen, T., Guo, W., Gao, X., & Liang, Z. (2021). AI-based self-service technology in public service delivery: User
experience and influencing factors. Government Information Quarterly, 38(4), 101520.
https://doi.org/10.1016/j.giq.2020.101520
Chen, Y., Jensen, S., Albert, L. J., Gupta, S., & Lee, T. (2023). Artificial Intelligence (AI) Student Assistants in the
Classroom: Designing Chatbots to Support Student Success. Information Systems Frontiers, 25(1), 161–182.
https://doi.org/10.1007/s10796-022-10291-4
Chou, C.-M., Shen, T.-C., Shen, T.-C., & Shen, C.-H. (2022). Influencing factors on students’ learning effectiveness of
AI-based technology application: Mediation variable of the human-computer interaction experience. Education and
Information Technologies, 27(6), 8723–8750. https://doi.org/10.1007/s10639-021-10866-9
Crittenden, W. F., Biel, I. K., & Lovely, W. A. (2019). Embracing Digitalization: Student Learning and New
Technologies. Journal of Marketing Education, 41(1), 5–14. https://doi.org/10.1177/0273475318820895
Dai, Y., Chai, C.-S., Lin, P.-Y., Jong, M. S.-Y., Guo, Y., & Qin, J. (2020). Promoting Students’ Well-Being by
Developing Their Readiness for the Artificial Intelligence Age. Sustainability, 12(16), 6597.
https://doi.org/10.3390/su12166597
Davis, F. D., & Granić, A. (2024). The Technology Acceptance Model. Springer International Publishing.
https://doi.org/10.1007/978-3-030-45274-2
Dwivedi, Y. K., Hughes, L., Ismagilova, E., Aarts, G., Coombs, C., Crick, T., Duan, Y., Dwivedi, R., Edwards, J.,
Eirug, A., Galanos, V., Ilavarasan, P. V., Janssen, M., Jones, P., Kar, A. K., Kizgin, H., Kronemann, B., Lal, B., Lucini,
B., … Williams, M. D. (2021). Artificial Intelligence (AI): Multidisciplinary perspectives on emerging challenges,
opportunities, and agenda for research, practice and policy. International Journal of Information Management, 57,
101994. https://doi.org/10.1016/j.ijinfomgt.2019.08.002
Dwivedi, Y. K., Rana, N. P., Jeyaraj, A., Clement, M., & Williams, M. D. (2019). Re-examining the Unified Theory of
Acceptance and Use of Technology (UTAUT): Towards a Revised Theoretical Model. Information Systems Frontiers,
21(3), 719–734. https://doi.org/10.1007/s10796-017-9774-y
Fetzer, J. H. (1990). What is Artificial Intelligence? In Artificial Intelligence: Its Scope and Limits (pp. 3–27).
https://doi.org/10.1007/978-94-009-1900-6_1
Guàrdia, L., Clougher, D., Anderson, T., & Maina, M. (2021). IDEAS for Transforming Higher Education: An
Overview of Ongoing Trends and Challenges. The International Review of Research in Open and Distributed Learning,
22(2), 166–184. https://doi.org/10.19173/irrodl.v22i2.5206
Holmes, W., Porayska-Pomsta, K., Holstein, K., Sutherland, E., Baker, T., Shum, S. B., Santos, O. C., Rodrigo, M. T.,
Cukurova, M., Bittencourt, I. I., & Koedinger, K. R. (2022). Ethics of AI in Education: Towards a Community-Wide
Framework. International Journal of Artificial Intelligence in Education, 32(3), 504–526.
https://doi.org/10.1007/s40593-021-00239-1
Imran, A. A., & Lashari, A. A. (2023). Exploring the World of Artificial Intelligence: The Perception of the University
Students about ChatGPT for Academic Purpose. Global Social Sciences Review, VIII(I), 375–384.
https://doi.org/10.31703/gssr.2023(VIII-I).34
Kashive, N., Powale, L., & Kashive, K. (2020). Understanding user perception toward artificial intelligence (AI)
enabled e-learning. The International Journal of Information and Learning Technology, 38(1), 1–19.
https://doi.org/10.1108/IJILT-05-2020-0090
Kessler, G., & Bikowski, D. (2010). Developing collaborative autonomous learning abilities in computer mediated
language learning: attention to meaning among students in wiki space. Computer Assisted Language Learning, 23(1),
41–58. https://doi.org/10.1080/09588220903467335
Kim, N. J., & Kim, M. K. (2022). Teacher’s Perceptions of Using an Artificial Intelligence-Based Educational Tool for
Scientific Writing. Frontiers in Education, 7. https://doi.org/10.3389/feduc.2022.755914
Kim, Y., Soyata, T., & Behnagh, R. F. (2018). Towards Emotionally Aware AI Smart Classroom: Current Issues and
Directions for Engineering and Education. IEEE Access, 6, 5308–5331. https://doi.org/10.1109/ACCESS.2018.2791861
180
e-ISNN 2588 – 0578 Vol. X, Edición Especial, abril, 2025
Kong, S.-C., Cheung, W. M.-Y., & Zhang, G. (2022). Evaluating artificial intelligence literacy courses for fostering
conceptual learning, literacy and empowerment in university students: Refocusing to conceptual building. Computers in
Human Behavior Reports, 7, 100223. https://doi.org/10.1016/j.chbr.2022.100223
Korteling, J. E. (Hans)., van de Boer-Visschedijk, G. C., Blankendaal, R. A. M., Boonekamp, R. C., & Eikelboom, A.
R. (2021). Human- versus Artificial Intelligence. Frontiers in Artificial Intelligence, 4.
https://doi.org/10.3389/frai.2021.622364
Luan, H., Geczy, P., Lai, H., Gobert, J., Yang, S. J. H., Ogata, H., Baltes, J., Guerra, R., Li, P., & Tsai, C.-C. (2020).
Challenges and Future Directions of Big Data and Artificial Intelligence in Education. Frontiers in Psychology, 11.
https://doi.org/10.3389/fpsyg.2020.580820
Maghsudi, S., Lan, A., Xu, J., & van der Schaar, M. (2021). Personalized Education in the Artificial Intelligence Era:
What to Expect Next. IEEE Signal Processing Magazine, 38(3), 37–50. https://doi.org/10.1109/MSP.2021.3055032
Mantello, P., Ho, M.-T., Nguyen, M.-H., & Vuong, Q.-H. (2023). Bosses without a heart: socio-demographic and cross-
cultural determinants of attitude toward Emotional AI in the workplace. AI & SOCIETY, 38(1), 97–119.
https://doi.org/10.1007/s00146-021-01290-1
Marangunić, N., & Granić, A. (2015). Technology acceptance model: a literature review from 1986 to 2013. Universal
Access in the Information Society, 14(1), 81–95. https://doi.org/10.1007/s10209-014-0348-1
Martín-Gutiérrez, J., Fabiani, P., Benesova, W., Meneses, M. D., & Mora, C. E. (2015). Augmented reality to promote
collaborative and autonomous learning in higher education. Computers in Human Behavior, 51, 752–761.
https://doi.org/10.1016/j.chb.2014.11.093
Okunlaya, R. O., Syed Abdullah, N., & Alias, R. A. (2022). Artificial intelligence (AI) library services innovative
conceptual framework for the digital transformation of university education. Library Hi Tech, 40(6), 1869–1892.
https://doi.org/10.1108/LHT-07-2021-0242
Ouyang, F., Zheng, L., & Jiao, P. (2022). Artificial intelligence in online higher education: A systematic review of
empirical research from 2011 to 2020. Education and Information Technologies, 27(6), 7893–7925.
https://doi.org/10.1007/s10639-022-10925-9
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artificial
intelligence applications in higher education – where are the educators? International Journal of Educational
Technology in Higher Education, 16(1), 39. https://doi.org/10.1186/s41239-019-0171-0
Zhai, X., Chu, X., Chai, C. S., Jong, M. S. Y., Istenic, A., Spector, M., Liu, J.-B., Yuan, J., & Li, Y. (2021). A Review
of Artificial Intelligence (AI) in Education from 2010 to 2020. Complexity, 2021(1).
https://doi.org/10.1155/2021/8812542