Doctora en Desarrollo Regional por el Centro de Investigación en
alimentación y desarrollo, A.C. (CIAD). Profesora de asignatura de la
Universidad de Sonora, México. ORCID:
Doctor en Innovación Educativa por la Universidad de Sonora. Profesor
investigador de la Universidad de Sonora, México. ORCID:
Doctor en Innovación Educativa por la Universidad de Sonora. Profesor de
asignatura de la Universidad de Sonora, México. ORCID:
El estudio tuvo como objetivo desarrollar y validar un instrumento psicométrico basado en el modelo UTAUT para medir la aceptación y uso de la inteligencia artificial (IA) en estudiantes universitarios mexicanos. Se trató de una investigación cuantitativa, transversal y de tipo instrumental, con una muestra no probabilística por conveniencia de 213 estudiantes de la Universidad de Sonora. Se realizaron análisis de confiabilidad (alfa de Cronbach), análisis factorial confirmatorio y modelo Rasch. Los resultados evidenciaron propiedades psicométricas adecuadas, con buenos niveles de consistencia interna, validez de constructo y ajuste de ítems. La mayoría de las dimensiones mostraron correlaciones significativas, especialmente entre la expectativa de funcionamiento, la actitud hacia la tecnología y la intención de uso. Las limitaciones incluyeron el muestreo por conveniencia y la representación limitada de estudiantes avanzados. El principal aporte fue la validación de una escala contextualizada al uso de IA en la educación superior mexicana. Se concluyó que el instrumento es confiable y útil para futuras investigaciones e intervenciones educativas que promuevan el uso ético y efectivo de la IA.
La inteligencia artificial (IA) ha revolucionado múltiples sectores y la educación
superior no es la excepción. Su implementación ha permitido personalizar la
experiencia de los estudiantes, optimizar la gestión académica y mejorar la
enseñanza mediante sistemas adaptativos y tutorías inteligentes (
El impacto de la IA no se limita solo a la enseñanza o la gestión académica, sino que
ha cambiado la manera en que los estudiantes de educación superior acceden, procesan
y utilizan la información en su práctica estudiantil. Actualmente, los estudiantes
recurren a la IA principalmente para la automatización de tareas, el aprendizaje
personalizado y la investigación académica. Herramientas como asistentes virtuales,
plataformas de aprendizaje adaptativo y aplicaciones basadas en IA permiten
personalizar el estudio de acuerdo con el ritmo y estilo de aprendizaje de cada
estudiante. Diversas investigaciones han documentado un uso creciente de
herramientas de IA generativa entre estudiantes universitarios, destacando su
utilidad en la redacción, resolución de problemas y búsqueda de información (
Además, la IA facilita el acceso y procesamiento de información por parte de los
estudiantes, con herramientas como asistentes virtuales y modelos de procesamiento
de lenguaje natural que apoyan la redacción y análisis de textos (
Instituciones como la Organización de las Naciones Unidas para la Educación, la
Ciencia y la Cultura han destacado la importancia de la formación en ética de la IA
para garantizar su uso responsable en la educación (
Para comprender la adopción de la IA por parte de los estudiantes en la educación
superior, es fundamental analizar modelos teóricos como el Modelo de Aceptación
Tecnológica (TAM) y la Teoría Unificada de Aceptación y Uso de la Tecnología
(UTAUT) contextualizados al uso de IA por estudiantes universitarios. Por su
parte, el modelo TAM, propuesto por
La UTAUT, desarrollada por
La UTAUT se ha consolidado como un modelo robusto y completo para estudiar la
aceptación de tecnologías. En México,
Según la revisión de la literatura hasta la fecha, no existen instrumentos con una teoría sólida y validados con un método riguroso específicamente en el contexto mexicano que permitan medir con precisión la aceptación y uso de tecnologías basadas en IA por parte de estudiantes universitarios. A pesar de que la UTAUT ofrece una estructura teórica sólida, su aplicación directa al uso de IA requiere una adaptación específica, que contemple el carácter emergente de estas tecnologías como propuestas de innovación educativa.
Por ello, este estudio tiene como objetivo principal desarrollar y validar una
escala que permita medir la aceptación y el uso de la IA en estudiantes
universitarios mexicanos, ofreciendo evidencia de validez y confiabilidad. Para
ello, se parte del modelo UTAUT y se adapta el instrumento existente de
Este estudio se enmarca en el enfoque cuantitativo, con un diseño no experimental, transversal y de tipo instrumental.
La muestra estuvo conformada por 213 estudiantes universitarios de la Universidad de Sonora, seleccionados mediante un muestreo no probabilístico por conveniencia. En cuanto a la preparatoria de origen, la mayoría provenía de COBACH (31.6%), seguido de escuelas privadas (26.9%), CECYTES (16.5%), CBTIS (15.1%) y otras instituciones públicas (9.9%). El rango de edad de los participantes fue de 17 a 34 años, con una media de 19.47 años (DE = 2.22), el grupo etario predominante fue el de 17 a 18 años (45.5%), seguido del grupo de 19 a 20 años (34.7%) y finalmente el de 21 años en adelante (19.7%). En cuanto al semestre que cursaban, la mayoría se encontraba en los primeros dos semestres (74.6%), lo que indica una alta representación de estudiantes de nuevo ingreso.
Se utilizó un cuestionario basado en la adaptación al español del instrumento
UTAUT realizado por
Todos los ítems fueron valorados en una escala tipo Likert de cinco puntos, donde uno correspondía a “totalmente en desacuerdo” y cinco a “totalmente de acuerdo”.
La recolección de datos se realizó a través de un formulario en línea mediante Formularios de Google, aplicado entre noviembre de 2023 y febrero de 2024. Antes de responder al cuestionario, los estudiantes fueron informados sobre los objetivos del estudio, el carácter anónimo de las respuestas y la confidencialidad de los datos. La participación fue voluntaria.
Para evaluar la validez y confiabilidad del instrumento, se llevaron a cabo
diversas pruebas estadísticas. La prueba de confiabilidad se realizó mediante el
cálculo del coeficiente alfa de Cronbach para determinar la consistencia interna
del instrumento, tanto en cada dimensión como en su conjunto. Se incluyeron los
índices de Kaiser-Meyer-Olkin (KMO) y la prueba de esfericidad de Bartlett, con
el fin de verificar la adecuación de la matriz de correlaciones para el análisis
factorial. Para la interpretación de los resultados, se consideró que valores de
KMO superiores a .80 indican una adecuación muestral meritoria o excelente, y
que la significancia estadística en la prueba de Bartlett confirma que la matriz
no es identidad y, por tanto, es factorizable (
El análisis factorial confirmatorio (AFC) se utilizó para evaluar la validez de
constructo del modelo, analizando los índices de ajuste y la carga factorial de
los ítems. Para evaluar el ajuste global, se utilizaron los criterios
específicos del Índice de Ajuste Comparativo (CFI) y el Índice Tucker-Lewis
(TLI), ambos con valores superiores a 0.9, además el Error de Aproximación
(RMSEA) y la Raíz Cuadrática Media Residual Estandarizada (SRMR) con valores
inferiores a 0.08 (
A partir de los resultados del AFC, se empleó la Teoría de Respuesta al Ítem
(TRI) bajo el modelo de Rasch, utilizando el Modelo de Escala de Calificación de
Andrich (RSM) para ítems politómicos. Esto permitió evaluar el ajuste de los
ítems al modelo y confirmar la unidimensionalidad de las dimensiones, basándose
en los valores Infit y Outfit dentro de un rango de 0.5 a 1.5. También se
examinó la dificultad de cada ítem (
Finalmente, se evaluaron las correlaciones entre las distintas dimensiones del
modelo UTAUT con el propósito de determinar asociaciones relevantes, utilizando
el coeficiente
Inicialmente, se exploró el acceso a recursos tecnológicos por parte de los
participantes. Los datos muestran una alta disponibilidad de dispositivos y
conectividad, ya que 98.1% reportó contar con un teléfono inteligente, 84.5% con una
computadora portátil y 98.6% con conexión a internet en el hogar. No obstante,
únicamente 67.1% indicó tener un plan de datos móviles, lo que podría limitar el
acceso constante a recursos digitales fuera del entorno doméstico. Asimismo, 87.8%
señaló utilizar servicios de pago por internet como plataformas de
En relación con el uso de inteligencia artificial, se identificó una frecuencia de uso considerable. De los estudiantes, 63.4% indicó emplearla en sus actividades académicas con distintas frecuencias, desde ocasional hasta muy frecuente. En cuanto a la percepción de su experiencia con estas herramientas, 30.9% la consideró importante y 19.2% muy importante, lo que sugiere una valoración positiva emergente, aunque 49.8% la clasificó como sin importancia.
En lo que respecta a las herramientas utilizadas, ChatGPT fue la más mencionada por los participantes (79.8%), seguida de Bing (7.5%) y otras plataformas (3.3%). Solo 9.4% reportó no hacer uso de ninguna herramienta basada en inteligencia artificial. Entre los principales propósitos de uso destacaron la búsqueda de información (53.1%), la corrección de textos (24.4%) y la elaboración de ensayos o trabajos para entrega (11.7%). Otros usos como la generación de imágenes, videos o audios fueron reportados con menor frecuencia, en todos los casos por debajo de 3%.
Los resultados del análisis de confiabilidad mostraron que la mayoría de las dimensiones del instrumento alcanzaron niveles aceptables de consistencia interna. Se observó que las dimensiones de “expectativa de funcionamiento” (.866), “actitud frente al uso de la tecnología” (.846), “influencia social” (.812), “autoeficacia” (.813), “ansiedad” (.863) e “intención de uso de la tecnología” (.924) presentaron alta fiabilidad; sin embargo, “expectativa del esfuerzo” (.742) se ubicó en un rango aceptable, mientras que “condiciones facilitadoras” (.698) estuvo por debajo del umbral recomendado, lo que sugirió la posible presencia de ítems que no contribuían adecuadamente a la consistencia de la escala.
Para mejorar la fiabilidad de esta dimensión, se realizó un nuevo análisis eliminando el ítem 20 (“Reconozco que existen personas o grupos que me pueden ayudar si se presentan problemas con el uso de inteligencia artificial”), lo que resultó en un incremento del coeficiente alfa de Cronbach de 0.698 a 0.756, mejorando la consistencia interna de la escala.
Los análisis complementarios de adecuación muestral indicaron un índice KMO = 0.890 y
una prueba de esfericidad de Bartlett estadísticamente significativa (χ² = 3946.619,
Seguido de esto, se realizó un AFC inicial según la estructura sugerida por
* p < .001. Fuente: elaboración propia.
Índice de ajuste
χ 2(gl)
CFI
TLI
RMSEA
SRMR
AFC inicial
787.086 (377) *
0.89
0.874
0.071
0.064
AFC final
638.680 (375) *
0.93
0.918
0.057
0.06
Se realizó un análisis detallado de los valores de ajuste del modelo Rasch para
evaluar la adecuación de los ítems en el instrumento (
En cuanto a la dificultad de los ítems, se identificó que los ítems más complicados
incluyen: “Estoy seguro de que utilizaré IA en los próximos tres meses” (ítem 30,
Dificultad = 0.08) y “Puedo llamar a alguien para que me ayude si me atoro en mi
tarea con IA” (ítem 22, Dificultad = 0.63), lo que sugiere problemas para al momento
de contestarlo. En contraste, los ítems más fáciles incluyen: “Tengo los recursos
necesarios para usar IA” (ítem 17, Dificultad = -1.18) y “Usar IA es una buena idea”
(ítem 9, Dificultad = -0.34), lo que indica una mayor comprensión por parte de los
participantes (
Fuente: elaboración propia.
Subescala
Ítem
Dificultad
Infit
Outfit
Expectativa de funcionamiento
1
-0.45
1.0482
1.0518
2
-1.55
1.1546
1.2782
3
1.17
0.8417
0.8563
4
0.82
0.9081
0.9276
Expectativa de esfuerzo
5
0.2
1.043
1.0154
6
0.94
1.1244
1.1509
7
-0.87
1.0917
1.1533
8
-0.27
0.7165
0.6987
Actitud frente al uso de la
tecnología
9
-0.34
1.1441
1.1659
10
0.83
1.0352
1.0377
11
-0.40
0.9535
0.9320
12
-0.10
0.8172
0.8288
Influencia social
13
0.33
0.9743
0.9701
14
0.52
0.9305
0.9113
15
-0.17
0.8482
0.8384
16
-0.68
1.2338
1.2350
Condiciones facilitadoras
17
-1.18
1.1687
1.1480
18
0.97
0.9736
0.9143
19
0.21
0.8262
0.7779
Autoeficacia
21
0.29
0.9625
0.9557
22
0.63
1.0073
1.0908
23
-0.29
1.0100
0.9853
24
-0.63
0.9688
0.8507
Ansiedad
25
-0.32
1.2228
1.2086
26
-0.32
0.7906
0.8206
27
-0.01
0.7631
0.7484
28
0.64
1.1761
1.1803
Intención de uso de la tecnología
29
-0.04
1.2360
0.9381
30
0.08
1.1397
0.8788
31
-0.04
0.5885
0.3421
En el análisis de correlación de Pearson los resultados mostraron asociaciones
estadísticamente significativas entre todas las variables, consistente con lo
esperado teóricamente, lo que refuerza la validez estructural del instrumento. Se
encontró una fuerte correlación positiva entre la expectativa de funcionamiento y la
actitud hacia el uso de la tecnología (
* p < .05, ** p < .001. Fuente: elaboración propia.
1
2
3
4
5
6
7
8
1. Expectativa de funcionamiento
-
-
-
-
-
-
-
-
2. Expectativa de esfuerzo
0.464**
-
-
-
-
-
-
-
3. Actitud hacia el uso de la tecnología
0.710**
0.532**
-
-
-
-
-
-
4. Influencia social
0.564**
0.239**
0.511**
-
-
-
-
-
5. Condiciones facilitadoras
0.346**
0.670**
0.505**
0.189*
-
-
-
-
6. Autoeficacia
0.433**
0.494**
0.616**
0.389**
0.454**
-
-
-
7. Ansiedad
0.063
0.247**
0.128
-0.044
0.196*
-0.030
-
-
8. Intención de uso
0.650**
0.486**
0.665**
0.500**
0.468**
0.409**
0.158*
-
Asimismo, la actitud hacia el uso de la tecnología correlacionó de manera
significativa con la intención de uso (
También se hallaron correlaciones entre la expectativa de esfuerzo y la actitud hacia
el uso de la tecnología (
En contraste, la dimensión de ansiedad presentó correlaciones débiles o no
significativas con la mayoría de las variables. En particular, se observó una
correlación negativa no significativa con la influencia social (
En conjunto, estos resultados muestran el funcionamiento individual de los ítems, la validez de constructo, la validez convergente y consistencia interna en la estructura del modelo UTAUT adaptado al contexto del uso de inteligencia artificial en la educación superior.
Los resultados de este estudio muestran que el instrumento basado en el modelo UTAUT,
adaptado al contexto del uso de inteligencia artificial en educación superior,
presenta propiedades psicométricas sólidas. En particular, las dimensiones de
expectativa de funcionamiento, actitud frente al uso de la tecnología e intención de
uso mostraron altos niveles de confiabilidad y fuertes correlaciones entre sí, lo
cual coincide con lo reportado por
La presente investigación complementa los aportes previos al enfocar el análisis en el uso de herramientas de inteligencia artificial, una dimensión emergente que amplía el alcance del instrumento original. Además, el uso del modelo Rasch permitió observar con mayor precisión el comportamiento de los ítems, identificando aquellos con menor ajuste o discriminación. Esta aproximación metodológica enriqueció el proceso de validación y constituye una de las fortalezas del estudio, al ofrecer un análisis más detallado que va más allá del enfoque tradicional basado únicamente en confiabilidad interna.
Adicionado a esto, el análisis factorial confirmatorio reveló índices de ajuste
aceptables que mejoraron tras la incorporación de correlaciones entre errores, lo
cual también ha sido observado en adaptaciones culturales de UTAUT en otras
investigaciones (
También es relevante considerar el contexto tecnológico de los participantes al interpretar estos hallazgos. El alto nivel de acceso a dispositivos electrónicos, como teléfonos inteligentes y computadoras portátiles, junto con una amplia disponibilidad de internet en el hogar, ofrece un entorno favorable para la incorporación de herramientas de inteligencia artificial en el ámbito académico. No obstante, el hecho de que un tercio de los estudiantes no cuente con un plan de datos móviles sugiere posibles limitaciones en el acceso continuo a estos recursos fuera del hogar, lo cual podría impactar en la frecuencia y profundidad del uso de estas tecnologías.
Los datos también revelan un uso extendido de herramientas de IA, en particular de
plataformas como ChatGPT, así como una percepción mayoritariamente positiva sobre su
utilidad académica. Estos resultados coinciden con investigaciones recientes que han
documentado una adopción creciente de ChatGPT por parte de estudiantes
universitarios como apoyo en la búsqueda de información, redacción de textos y
resolución de tareas académicas (
Por tanto, la aceptación de la IA por parte de los estudiantes parece estar influenciada no solo por actitudes positivas, sino también por condiciones materiales y culturales que favorecen su integración en las prácticas académicas cotidianas. Esta relación entre acceso, uso y percepción podría explorarse más a fondo en futuros estudios, considerando también variables como la frecuencia de uso, el propósito académico y el tipo de herramientas empleadas.
Los resultados también evidencian diferencias interesantes respecto a otros trabajos.
Por ejemplo, mientras que en estudios previos se ha reportado que la ansiedad hacia
la tecnología actúa como barrera para su uso (
La dimensión de ansiedad mostró correlaciones débiles con la mayoría de las
variables, lo cual coincide con investigaciones recientes que indican que, gracias a
su familiaridad digital, los estudiantes actuales experimentan menos ansiedad como
barrera para usar nuevas tecnologías (
Por otro lado, la dimensión de condiciones facilitadoras presentó una confiabilidad
marginal en su forma original, situación similar a la reportada por
Entre las limitaciones del estudio destaca el muestreo no probabilístico por conveniencia y el tamaño moderado de la muestra. Estos factores reducen la posibilidad de generalizar los hallazgos a la totalidad de la población universitaria, en especial porque el grupo de participantes estuvo sobrerrepresentado por estudiantes de primeros semestres. Esta condición podría sesgar los resultados hacia una visión más exploratoria de la IA, diferente de la que podrían mostrar estudiantes de niveles avanzados o de otras instituciones con características socioculturales distintas. Por lo tanto, los resultados deben interpretarse con cautela y como un primer acercamiento contextualizado al fenómeno. Se recomienda replicar el estudio en poblaciones más amplias, diversas y con muestreo probabilístico, de manera que sea posible comprobar la estabilidad del modelo y avanzar hacia conclusiones de mayor alcance en términos de validez externa.
Otra limitación que debe considerarse es que, aunque este estudio aportó evidencia sólida de validez de constructo mediante AFC y TRI, no se exploraron otras formas de validez como la convergente o la predictiva. Esto se debe a que no se aplicaron instrumentos adicionales de comparación ni se contó con un diseño longitudinal que permitiera observar relaciones prospectivas entre las puntuaciones y conductas de uso real de IA. Reconocemos que estas limitaciones restringen la generalización de las inferencias sobre el alcance del instrumento. No obstante, se considera fundamental que futuras investigaciones incorporen medidas externas relacionadas (como alfabetización digital, actitudes hacia la tecnología o desempeño académico) y diseños longitudinales, a fin de evaluar si la escala predice el uso sostenido de la IA y se correlaciona de manera significativa con constructos teóricamente vinculados. De esta manera, se podrá robustecer la validez del instrumento y confirmar su aplicabilidad en diferentes contextos educativos.
A pesar de estas limitaciones, el estudio ofrece varias fortalezas: la adaptación
cuidadosa del instrumento a un contexto tecnológico emergente, el uso combinado de
métodos clásicos y modernos de análisis psicométrico, y la incorporación de datos
recientes que permiten actualizar el marco de análisis sobre aceptación de
tecnología. Además, representa una oportunidad para iniciar un diálogo más amplio
sobre el papel de la inteligencia artificial en la formación universitaria, tanto
desde una perspectiva técnica como ética, como han planteado organismos
internacionales como la
Finalmente, los resultados abren múltiples oportunidades para futuras investigaciones. El instrumento validado puede aplicarse en otras instituciones y regiones, explorarse en distintas disciplinas académicas o compararse con otros modelos teóricos como el TAM. También puede servir para evaluar el impacto de intervenciones educativas dirigidas a fomentar un uso responsable y reflexivo de la inteligencia artificial en el aula.
Este estudio ofrece un aporte significativo al adaptar y validar un instrumento para medir la aceptación y uso de la inteligencia artificial en estudiantes universitarios, con base en un modelo teórico consolidado. La escala resultante demostró propiedades psicométricas adecuadas, incluyendo consistencia interna, validez de constructo y ajuste del modelo, lo que la convierte en una herramienta útil para evaluar la disposición de los estudiantes hacia el uso de tecnologías emergentes en el contexto educativo.
La validación del instrumento en población mexicana permite contar con una medida específica y contextualizada, lo cual contribuye a llenar una brecha importante en la investigación sobre inteligencia artificial en educación superior. Este instrumento puede ser utilizado tanto por investigadores como por instituciones educativas interesadas en diseñar políticas, intervenciones o estrategias de formación relacionadas con el uso ético y efectivo de estas tecnologías.
Como proyección futura, se recomienda replicar este estudio en muestras más amplias y diversas, aplicar el instrumento en distintos contextos educativos y explorar relaciones con otras variables relevantes como habilidades digitales, rendimiento académico, motivación, actitudes éticas o trabajo colaborativo. También sería valioso desarrollar estudios longitudinales que permitan observar cambios en la aceptación tecnológica a lo largo del tiempo o ante distintas intervenciones formativas.