IMPACTO DE LA INTELIGENCIA ARTIFICIAL
EN ESTUDIANTES DEL CENTRO
UNIVERSITARIO UAEM TEMASCALTEPEC
EFFECT OF GENOTYPE ON THE OCCURRENCE OF BLOSSOM END
ROT (BER) IN RED TOMATO (SOLANUM LYCOPERSICUM L.)
Arisbe Millan Nava
UAEMex. Centro Universitario UAEM Temascaltepec
Ernesto Joel Dorantes Coronado
UAEMex. Centro Universitario UAEM Temascaltepec
Rafael Valentín Mendoza Méndez
UAEMex. Centro Universitario UAEM Temascaltepec
Gisela Regina Baena Castro
UAEMex. Centro Universitario UAEM Temascaltepec
pág. 6772
DOI: https://doi.org/10.37811/cl_rcm.v9i6.21835
Impacto de la inteligencia artificial en estudiantes del centro universitario
UAEM Temascaltepec
Arisbe Millan Nava1
amillann001@alumno.uaemex.mx
https://orcid.org/0009-0006-3417-8984
UAEMex. Centro Universitario UAEM
Temascaltepec
Mexico
Ernesto Joel Dorantes Coronado
ejdorantesc@uaemex.mx
https://orcid.org/0000-0003-1037-35755
UAEMex. Centro Universitario UAEM
Temascaltepec.
México
Rafael Valentín Mendoza Méndez
rvmendoza@uaemex.mx
https://orcid.org/0000-0003-4420-426X
UAEMex. Centro Universitario UAEM
Temascaltepec.
México
Gisela Regina Baena Castro
grbaenac@uaemex.mx
https://orcid.org/0000-0001-8241-8627
UAEMex. Centro Universitario UAEM
Temascaltepec.
México
RESUMEN
El presente estudio analiza el impacto de la inteligencia artificial (IA) en estudiantes del Centro
Universitario UAEM Temascaltepec, considerando su uso, efectividad, motivación y confianza. Se
empleó un enfoque cuantitativo, con un diseño experimental, transversal y descriptivo, aplicando 225
encuestas a estudiantes de cinco licenciaturas: Ingeniero Agrónomo Zootecnista, Informática
Administrativa, Contaduría, Derecho y Gestión e Innovación Turística. Los resultados muestran que el
uso de la IA es moderado (promedio general de 3.90 horas/semana) y homogéneo entre licenciaturas,
con una participación promedio del 16.5% de tareas académicas y una verificación de la información
cercana al 50%. Variables como edad, frecuencia de uso y confianza no presentaron diferencias
significativas, mientras que horas de estudio, promedio académico, utilidad de la IA, motivación y
dependencia sí evidenciaron variaciones según la disciplina. La integración de la IA se relaciona con el
perfil académico y profesional, fomentando la autorregulación, el aprendizaje autónomo y la mejora de
productos académicos. Sin embargo, persisten brechas en la adopción, comprensión de la tecnología y
competencias críticas. Los hallazgos sugieren que la IA puede ser un recurso pedagógico valioso,
siempre que se promueva su uso ético, reflexivo y contextualizado, adaptado a las necesidades y
características de cada programa académico.
Palabras clave: inteligencia artificial; educacion superior; aprendizaje; percepcion; motivacion.
1 Autor principal
Correspondencia: amillann001@alumno.uaemex.mx
DOI: https://doi.org/10.37811/cl_rcm.v9i6.21835
Impacto de la inteligencia artificial en estudiantes del centro universitario
UAEM Temascaltepec
Arisbe Millan Nava1
amillann001@alumno.uaemex.mx
https://orcid.org/0009-0006-3417-8984
UAEMex. Centro Universitario UAEM
Temascaltepec
Mexico
Ernesto Joel Dorantes Coronado
ejdorantesc@uaemex.mx
https://orcid.org/0000-0003-1037-35755
UAEMex. Centro Universitario UAEM
Temascaltepec.
México
Rafael Valentín Mendoza Méndez
rvmendoza@uaemex.mx
https://orcid.org/0000-0003-4420-426X
UAEMex. Centro Universitario UAEM
Temascaltepec.
México
Gisela Regina Baena Castro
grbaenac@uaemex.mx
https://orcid.org/0000-0001-8241-8627
UAEMex. Centro Universitario UAEM
Temascaltepec.
México
RESUMEN
El presente estudio analiza el impacto de la inteligencia artificial (IA) en estudiantes del Centro
Universitario UAEM Temascaltepec, considerando su uso, efectividad, motivación y confianza. Se
empleó un enfoque cuantitativo, con un diseño experimental, transversal y descriptivo, aplicando 225
encuestas a estudiantes de cinco licenciaturas: Ingeniero Agrónomo Zootecnista, Informática
Administrativa, Contaduría, Derecho y Gestión e Innovación Turística. Los resultados muestran que el
uso de la IA es moderado (promedio general de 3.90 horas/semana) y homogéneo entre licenciaturas,
con una participación promedio del 16.5% de tareas académicas y una verificación de la información
cercana al 50%. Variables como edad, frecuencia de uso y confianza no presentaron diferencias
significativas, mientras que horas de estudio, promedio académico, utilidad de la IA, motivación y
dependencia sí evidenciaron variaciones según la disciplina. La integración de la IA se relaciona con el
perfil académico y profesional, fomentando la autorregulación, el aprendizaje autónomo y la mejora de
productos académicos. Sin embargo, persisten brechas en la adopción, comprensión de la tecnología y
competencias críticas. Los hallazgos sugieren que la IA puede ser un recurso pedagógico valioso,
siempre que se promueva su uso ético, reflexivo y contextualizado, adaptado a las necesidades y
características de cada programa académico.
Palabras clave: inteligencia artificial; educacion superior; aprendizaje; percepcion; motivacion.
1 Autor principal
Correspondencia: amillann001@alumno.uaemex.mx
pág. 6773
Impact of artificial intelligence on students at the UAEM Temascaltepec
university center
ABSTRACT
This study analyzes the impact of artificial intelligence (AI) on students at the UAEM Temascaltepec
University Center, considering its use, effectiveness, motivation, and trust. A quantitative approach was
employed, with an experimental, cross-sectional, and descriptive design, administering 225 surveys to
students from five undergraduate programs: Agricultural Engineering, Administrative Informatics,
Accounting, Law, and Tourism Management and Innovation. The results show that AI use is moderate
(overall average of 3.90 hours/week) and homogeneous across programs, with an average participation
rate of 16.5% in academic assignments and information verification close to 50%. Variables such as
age, frequency of use, and trust did not show significant differences, while study hours, GPA, AI
usefulness, motivation, and dependence did show variations according to the discipline. The integration
of AI is related to the academic and professional profile, fostering self-regulation, autonomous learning,
and the improvement of academic work. However, gaps persist in adoption, understanding of the
technology, and critical skills. The findings suggest that AI can be a valuable pedagogical resource,
provided its ethical, reflective, and contextualized use is promoted, adapted to the needs and
characteristics of each academic program.
Keywords: artificial intelligence; higher education; learning; perception; motivation.
Artículo recibido 20 octubre 2025
Aceptado para publicación: 15 noviembre 2025
Impact of artificial intelligence on students at the UAEM Temascaltepec
university center
ABSTRACT
This study analyzes the impact of artificial intelligence (AI) on students at the UAEM Temascaltepec
University Center, considering its use, effectiveness, motivation, and trust. A quantitative approach was
employed, with an experimental, cross-sectional, and descriptive design, administering 225 surveys to
students from five undergraduate programs: Agricultural Engineering, Administrative Informatics,
Accounting, Law, and Tourism Management and Innovation. The results show that AI use is moderate
(overall average of 3.90 hours/week) and homogeneous across programs, with an average participation
rate of 16.5% in academic assignments and information verification close to 50%. Variables such as
age, frequency of use, and trust did not show significant differences, while study hours, GPA, AI
usefulness, motivation, and dependence did show variations according to the discipline. The integration
of AI is related to the academic and professional profile, fostering self-regulation, autonomous learning,
and the improvement of academic work. However, gaps persist in adoption, understanding of the
technology, and critical skills. The findings suggest that AI can be a valuable pedagogical resource,
provided its ethical, reflective, and contextualized use is promoted, adapted to the needs and
characteristics of each academic program.
Keywords: artificial intelligence; higher education; learning; perception; motivation.
Artículo recibido 20 octubre 2025
Aceptado para publicación: 15 noviembre 2025
pág. 6774
INTRODUCCIÓN
El creciente uso de la inteligencia artificial (IA) en un contexto educativo plantea la necesidad de
analizar su influencia en el proceso enseñanza-aprendizaje y en el rendimiento académico de los
estudiantes universitarios (Cordero Pincay et al., 2025). De esta forma es considerada como sistemas
computacionales capaces de procesar información, generar contenido (imágenes, texto, video, audio)
y asistir en la toma de decisiones, por ello la IA se posiciona como un recurso emergente con impacto
en diferentes dimensiones del aprendizaje(UNESCO, 2025).En esta dirección resulta relevante evaluar
no solo el uso de estas tecnologías, sino la percepción, motivación y grado de dependencia que los
universitarios desarrollan ante esta tecnología (Zambrana Copaja, 2025).
A nivel internacional en investigaciones recientes indican que la IA trae consigo la personalización del
aprendizaje, retroalimentación instantánea y autorregulación de los estudiantes. Asimismo, se
identifican riesgos asociados como dependencia tecnológica, falta de verificación de la información y
uso sin razonamiento de la información (Huang et al., 2024; Vieriu & Petrea, 2025a).Derivado de esto
se encuentra la necesidad de examinar como los estudiantes integran la IA en sus hábitos de estudio y
realización de tareas en un contexto universitario regional donde la infraestructura tecnológica y
capacitación docente puede ser limitadas (Luckin et al., 2022).
En consecuencia, el impacto de la IA en educación superior supera la eficiencia en la elaboración de
tareas, afectando variables socioeducativas y académicas de los estudiantes(Doty & Lipien, 2024). De
tal forma que al analizar las variables se permitirá identificar patrones de uso, efectividad, motivación y
confianza, así como determinar las diferencias significativas entre los programas académicos.
Con el propósito de abordar estas problemáticas, la presente investigación se desarrolló mediante un
enfoque cuantitativo que incluirá la aplicación de encuestas estructuradas y análisis de datos
académicos del Centro Universitario UAEM Temascaltepec. La población de estudio comprende un
aproximado de 1,075 estudiantes matriculados en las cinco licenciaturas (Derecho, Ingeniero Agrónomo
Zootecnista, Gestión e Innovación Turística, Informática Administrativa y Contaduría) que ofrece la
institución, lo que permitirá obtener información sobre el uso y percepción de las herramientas de
inteligencia artificial.
INTRODUCCIÓN
El creciente uso de la inteligencia artificial (IA) en un contexto educativo plantea la necesidad de
analizar su influencia en el proceso enseñanza-aprendizaje y en el rendimiento académico de los
estudiantes universitarios (Cordero Pincay et al., 2025). De esta forma es considerada como sistemas
computacionales capaces de procesar información, generar contenido (imágenes, texto, video, audio)
y asistir en la toma de decisiones, por ello la IA se posiciona como un recurso emergente con impacto
en diferentes dimensiones del aprendizaje(UNESCO, 2025).En esta dirección resulta relevante evaluar
no solo el uso de estas tecnologías, sino la percepción, motivación y grado de dependencia que los
universitarios desarrollan ante esta tecnología (Zambrana Copaja, 2025).
A nivel internacional en investigaciones recientes indican que la IA trae consigo la personalización del
aprendizaje, retroalimentación instantánea y autorregulación de los estudiantes. Asimismo, se
identifican riesgos asociados como dependencia tecnológica, falta de verificación de la información y
uso sin razonamiento de la información (Huang et al., 2024; Vieriu & Petrea, 2025a).Derivado de esto
se encuentra la necesidad de examinar como los estudiantes integran la IA en sus hábitos de estudio y
realización de tareas en un contexto universitario regional donde la infraestructura tecnológica y
capacitación docente puede ser limitadas (Luckin et al., 2022).
En consecuencia, el impacto de la IA en educación superior supera la eficiencia en la elaboración de
tareas, afectando variables socioeducativas y académicas de los estudiantes(Doty & Lipien, 2024). De
tal forma que al analizar las variables se permitirá identificar patrones de uso, efectividad, motivación y
confianza, así como determinar las diferencias significativas entre los programas académicos.
Con el propósito de abordar estas problemáticas, la presente investigación se desarrolló mediante un
enfoque cuantitativo que incluirá la aplicación de encuestas estructuradas y análisis de datos
académicos del Centro Universitario UAEM Temascaltepec. La población de estudio comprende un
aproximado de 1,075 estudiantes matriculados en las cinco licenciaturas (Derecho, Ingeniero Agrónomo
Zootecnista, Gestión e Innovación Turística, Informática Administrativa y Contaduría) que ofrece la
institución, lo que permitirá obtener información sobre el uso y percepción de las herramientas de
inteligencia artificial.
pág. 6775
Basado en lo anterior el objetivo principal del estudio es evaluar el impacto de la inteligencia artificial
en el aprendizaje de los estudiantes del Centro Universitario UAEM Temascaltepec, considerando su
utilización, efectividad, motivación y confianza. De esta forma los resultados permitirán generar
información relevante sobre el impacto de la inteligencia artificial en la institución.
METODOLOGÍA
El presente estudio adopto un enfoque cuantitativo, con un diseño experimental, transversal y de tipo
descriptivo, dado que se buscó analizar el impacto de la inteligencia artificial en la percepción, uso,
efectividad y motivación de los estudiantes del Centro Universitario UAEM Temascaltepec en un
momento especifico, sin manipulación de variables.
Descripción del área de estudio
Este estudio se llevó a cabo en el Centro Universitario UAEM Temascaltepec, ubicado en el Sur del
Estado de México. El municipio de Temascaltepec cuenta con una población estimada de 35,014
habitantes distribuidos entre hombres y mujeres (Secretaría de Economía, 2023). Donde las principales
actividades económicas son la ganadería, agricultura, turismo y educación (Gobierno del Estado de
México, 2023).
Descripción general del centro universitario
El Centro Universitario UAEM Temascaltepec forma parte de la Universidad Autónoma del Estado de
México (UAEMex) y se localiza en el Sur del Estado de México, específicamente en el municipio de
Temascaltepec de González. Esta institución fue inaugurada en la década de 1980 con la licenciatura de
Ingeniero Agrónomo Zootecnista y desde entonces ha ampliado su oferta académica con las licenciaturas
de Derecho, Informática administrativa, Gestión e innovación turística y Contaduría(Gobierno del
Estado de México, 2023; Universidad Autónoma del Estado de México, 2024).
Aplicación de la encuesta
Para este estudio se aplicaron 225 encuestas a estudiantes del Centro Universitario UAEM
Temascaltepec de las cinco licenciaturas: Ingeniero Agrónomo Zootecnista, Informática Administrativa,
Basado en lo anterior el objetivo principal del estudio es evaluar el impacto de la inteligencia artificial
en el aprendizaje de los estudiantes del Centro Universitario UAEM Temascaltepec, considerando su
utilización, efectividad, motivación y confianza. De esta forma los resultados permitirán generar
información relevante sobre el impacto de la inteligencia artificial en la institución.
METODOLOGÍA
El presente estudio adopto un enfoque cuantitativo, con un diseño experimental, transversal y de tipo
descriptivo, dado que se buscó analizar el impacto de la inteligencia artificial en la percepción, uso,
efectividad y motivación de los estudiantes del Centro Universitario UAEM Temascaltepec en un
momento especifico, sin manipulación de variables.
Descripción del área de estudio
Este estudio se llevó a cabo en el Centro Universitario UAEM Temascaltepec, ubicado en el Sur del
Estado de México. El municipio de Temascaltepec cuenta con una población estimada de 35,014
habitantes distribuidos entre hombres y mujeres (Secretaría de Economía, 2023). Donde las principales
actividades económicas son la ganadería, agricultura, turismo y educación (Gobierno del Estado de
México, 2023).
Descripción general del centro universitario
El Centro Universitario UAEM Temascaltepec forma parte de la Universidad Autónoma del Estado de
México (UAEMex) y se localiza en el Sur del Estado de México, específicamente en el municipio de
Temascaltepec de González. Esta institución fue inaugurada en la década de 1980 con la licenciatura de
Ingeniero Agrónomo Zootecnista y desde entonces ha ampliado su oferta académica con las licenciaturas
de Derecho, Informática administrativa, Gestión e innovación turística y Contaduría(Gobierno del
Estado de México, 2023; Universidad Autónoma del Estado de México, 2024).
Aplicación de la encuesta
Para este estudio se aplicaron 225 encuestas a estudiantes del Centro Universitario UAEM
Temascaltepec de las cinco licenciaturas: Ingeniero Agrónomo Zootecnista, Informática Administrativa,
pág. 6776
Contaduría, Derecho y Gestión e innovación Turística, aplicado en el mes de septiembre de 2025. Dicho
instrumento fue realizado en línea y estuvo compuesta por 26 ítems distribuidos de la siguiente manera:
• 5 preguntas de carácter personal para conocer diversos aspectos sociodemográficos y
académicos de los estudiantes, de las cuales tres preguntas fueron de opción múltiple y dos
abiertas.
• 5 preguntas sobre el uso de la IA, de las cuales tres preguntas fueron de opción múltiple y dos
abiertas.
• 8 preguntas sobre la efectividad de la IA, de las cuales cinco preguntas fueron de opción múltiple
y tres abiertas.
• 4 preguntas sobre la motivación de la IA, de las cuatro preguntas fueron abiertas.
• 4 preguntas sobre el uso de la IA, de las cuatro preguntas fueron abiertas.
Las preguntas abiertas tuvieron la finalidad de obtener variables cuantitativas o métricas de tipo continuo
(valores lineales) que son las pertinentes para realizar análisis de varianza (ANDEVA) en los diseños
experimentales para determinar la relación causa-efecto, respaldando o refutando una hipótesis.
Para evaluar la confiabilidad del instrumento de recolección, se utilizó el coeficiente de fiabilidad alfa
de Cronbach, la tabla 1 muestra los datos obtenidos. La encuesta, con todos los ítems antes mencionados,
reportó un alfa de Cronbach de 0.787, lo cual se considerada bueno en términos de la confiabilidad del
instrumento utilizado para la recolección de datos (Frías-Navarro, n.d.).
Tabla 1: Análisis de Fiabilidad del Instrumento
Estadísticas de Fiabilidad
Alfa de Cronbach N de elementos
.787 26
Fuente: Elaboración Propia
Tamaño de la muestra
Contaduría, Derecho y Gestión e innovación Turística, aplicado en el mes de septiembre de 2025. Dicho
instrumento fue realizado en línea y estuvo compuesta por 26 ítems distribuidos de la siguiente manera:
• 5 preguntas de carácter personal para conocer diversos aspectos sociodemográficos y
académicos de los estudiantes, de las cuales tres preguntas fueron de opción múltiple y dos
abiertas.
• 5 preguntas sobre el uso de la IA, de las cuales tres preguntas fueron de opción múltiple y dos
abiertas.
• 8 preguntas sobre la efectividad de la IA, de las cuales cinco preguntas fueron de opción múltiple
y tres abiertas.
• 4 preguntas sobre la motivación de la IA, de las cuatro preguntas fueron abiertas.
• 4 preguntas sobre el uso de la IA, de las cuatro preguntas fueron abiertas.
Las preguntas abiertas tuvieron la finalidad de obtener variables cuantitativas o métricas de tipo continuo
(valores lineales) que son las pertinentes para realizar análisis de varianza (ANDEVA) en los diseños
experimentales para determinar la relación causa-efecto, respaldando o refutando una hipótesis.
Para evaluar la confiabilidad del instrumento de recolección, se utilizó el coeficiente de fiabilidad alfa
de Cronbach, la tabla 1 muestra los datos obtenidos. La encuesta, con todos los ítems antes mencionados,
reportó un alfa de Cronbach de 0.787, lo cual se considerada bueno en términos de la confiabilidad del
instrumento utilizado para la recolección de datos (Frías-Navarro, n.d.).
Tabla 1: Análisis de Fiabilidad del Instrumento
Estadísticas de Fiabilidad
Alfa de Cronbach N de elementos
.787 26
Fuente: Elaboración Propia
Tamaño de la muestra
pág. 6777
Para la determinación de la muestra por licenciatura se utilizó un muestreo aleatorio simple (Ojeda,
2016) utilizando la siguiente fórmula (Castañeda-Bustos et al., 2014) tomando en consideración que el
centro universitario UAEM Temascaltepec cuenta con una matrícula de 1075 estudiantes para el
periodo 2025B
𝑛 = 𝑍2(𝑝 ∗ 𝑞)𝑁
𝐸2(𝑛 − 1) + 𝑍2 (𝑝 ∗ 𝑞)
Donde n= Tamaño de la muestra, N=Tamaño de la población a muestrear=1075, Z=Confiabilidad 90%,
p=Proporción esperada de éxito=0.5, q=Proporción esperada de fracaso=0.5 y E=Error=10.
Al sustituir y resolver la formula con los datos anteriores se obtuvieron los siguientes resultados:
Licenciatura en Ingeniero Agrónomo Zootecnista n=59.29 se aplicaron 59 encuestas, Licenciatura en
Derecho n=56.36 de las cuales se aplicaron 56, Licenciatura en Contaduría n=45.29 aplicación de 45,
Licenciatura en Gestión e Innovación Turística n=36.90 con la aplicación de 37, Licenciatura en
Informática Administrativa n=27.97 con aplicación de 28; en total se aplicaron 225 encuestas.
Análisis de la información
Con las variables cuantitativas (valores lineales) producto de la encuesta, se realizó un análisis de
varianza (ANDEVA) donde las licenciaturas se tomaron como efecto fijo, es decir, los tratamientos
fueron las 5 licenciaturas y las repeticiones se integraron con las encuestas de los estudiantes de cada
licenciatura del Centro Universitario, para la comparación múltiple de medias se utilizó el método de
Tukey. A través del paquete estadístico SPSS (versión 25).
Consideraciones éticas
El estudio se realizó siguiendo los principios éticos de confidencialidad, consentimiento informado y
respeto a los participantes. La participación fue completamente voluntaria y anónima, y los datos fueron
utilizados con fines académicos y de investigación.
Para la determinación de la muestra por licenciatura se utilizó un muestreo aleatorio simple (Ojeda,
2016) utilizando la siguiente fórmula (Castañeda-Bustos et al., 2014) tomando en consideración que el
centro universitario UAEM Temascaltepec cuenta con una matrícula de 1075 estudiantes para el
periodo 2025B
𝑛 = 𝑍2(𝑝 ∗ 𝑞)𝑁
𝐸2(𝑛 − 1) + 𝑍2 (𝑝 ∗ 𝑞)
Donde n= Tamaño de la muestra, N=Tamaño de la población a muestrear=1075, Z=Confiabilidad 90%,
p=Proporción esperada de éxito=0.5, q=Proporción esperada de fracaso=0.5 y E=Error=10.
Al sustituir y resolver la formula con los datos anteriores se obtuvieron los siguientes resultados:
Licenciatura en Ingeniero Agrónomo Zootecnista n=59.29 se aplicaron 59 encuestas, Licenciatura en
Derecho n=56.36 de las cuales se aplicaron 56, Licenciatura en Contaduría n=45.29 aplicación de 45,
Licenciatura en Gestión e Innovación Turística n=36.90 con la aplicación de 37, Licenciatura en
Informática Administrativa n=27.97 con aplicación de 28; en total se aplicaron 225 encuestas.
Análisis de la información
Con las variables cuantitativas (valores lineales) producto de la encuesta, se realizó un análisis de
varianza (ANDEVA) donde las licenciaturas se tomaron como efecto fijo, es decir, los tratamientos
fueron las 5 licenciaturas y las repeticiones se integraron con las encuestas de los estudiantes de cada
licenciatura del Centro Universitario, para la comparación múltiple de medias se utilizó el método de
Tukey. A través del paquete estadístico SPSS (versión 25).
Consideraciones éticas
El estudio se realizó siguiendo los principios éticos de confidencialidad, consentimiento informado y
respeto a los participantes. La participación fue completamente voluntaria y anónima, y los datos fueron
utilizados con fines académicos y de investigación.
pág. 6778
Asimismo, la investigación se ajustó a lo establecido en el Aviso de Privacidad Integral de la Universidad
Autónoma del Estado de México (UAEMéx), disponible en:
https://www.uaemex.mx/avisos/Aviso_Privacidad.pdf.
Criterios de inclusión y exclusión
Se incluyeron únicamente estudiantes matriculados durante el periodo 2025B de las cinco licenciaturas
del Centro Universitario UAEM Temascaltepec. Se excluyeron las encuestas que no corresponden a
estudiantes matriculados en dicho periodo.
Limitaciones del estudio
Una de las limitaciones del presente estudio fue que solo se aplicó de manera virtual, lo que pudo
restringir la participación de ciertos estudiantes que no contaban con el enlace.
RESULTADOS Y DISCUSIÓN
Con el objeto de conocer el comportamiento de las variables entre las licenciaturas se desarrolló el
análisis de varianza (ANDEVA), con lo cual se organizó el cuadro 2, que refleja los resultados de los
valores de F y la significancia de las variables, así el ANDEVA muestra no significancia p>0.05 con las
variables: edad (0.555), % tareas con IA (.053), Verificar información con IA(0.87), Uso de la
IA/semana(0.157), % De verificación de la información(.066) y % confianza de la experiencia(.059) ,es
decir variables que son estadísticamente iguales entre las licenciaturas.
Aunque las variables anteriores son estadísticamente homogéneas, resulta relevante considerar que los
planes educativos de cada programa presentan enfoques diferenciados que es importante revelar debido
a que estos pueden influir en la manera en que los estudiantes adoptan y utilizan la inteligencia artificial.
A continuación, se presentan las características generales de los planes de estudio de las cinco
licenciaturas del Centro Universitario UAEM Temascaltepec(Universidad Autónoma del Estado de
México, 2024) :
Asimismo, la investigación se ajustó a lo establecido en el Aviso de Privacidad Integral de la Universidad
Autónoma del Estado de México (UAEMéx), disponible en:
https://www.uaemex.mx/avisos/Aviso_Privacidad.pdf.
Criterios de inclusión y exclusión
Se incluyeron únicamente estudiantes matriculados durante el periodo 2025B de las cinco licenciaturas
del Centro Universitario UAEM Temascaltepec. Se excluyeron las encuestas que no corresponden a
estudiantes matriculados en dicho periodo.
Limitaciones del estudio
Una de las limitaciones del presente estudio fue que solo se aplicó de manera virtual, lo que pudo
restringir la participación de ciertos estudiantes que no contaban con el enlace.
RESULTADOS Y DISCUSIÓN
Con el objeto de conocer el comportamiento de las variables entre las licenciaturas se desarrolló el
análisis de varianza (ANDEVA), con lo cual se organizó el cuadro 2, que refleja los resultados de los
valores de F y la significancia de las variables, así el ANDEVA muestra no significancia p>0.05 con las
variables: edad (0.555), % tareas con IA (.053), Verificar información con IA(0.87), Uso de la
IA/semana(0.157), % De verificación de la información(.066) y % confianza de la experiencia(.059) ,es
decir variables que son estadísticamente iguales entre las licenciaturas.
Aunque las variables anteriores son estadísticamente homogéneas, resulta relevante considerar que los
planes educativos de cada programa presentan enfoques diferenciados que es importante revelar debido
a que estos pueden influir en la manera en que los estudiantes adoptan y utilizan la inteligencia artificial.
A continuación, se presentan las características generales de los planes de estudio de las cinco
licenciaturas del Centro Universitario UAEM Temascaltepec(Universidad Autónoma del Estado de
México, 2024) :
pág. 6779
• Licenciatura en informática administrativa (LIA): Duración de 9 periodos. Formas profesionales
capaces de gestionar y diseñar sistemas de información administrativa, administrar proyectos
informáticos y desarrollo de negocios electrónicos. Promoviendo el uso ético de las TIC
(Tecnologías de la información y de la comunicación), la innovación y la seguridad de la
información en las organizaciones.
• Licenciatura en contaduría (LCN): Duración de 9 periodos. Forma profesionistas capaces de
diseñar y analizar sistemas contables, financieros y fiscales, realizar auditorías y proponer
soluciones estratégicas para las organizaciones con ética, responsabilidad y compromiso con
el desarrollo sustentable.
• Licenciatura en Derecho (LDE): Duración de 10 periodos. Forma profesionistas capaces de
representar intereses jurídicos, asesorar y gestionar asuntos legales, participar en la procuración
y administración de justicia, realizar investigación y docencia jurídica, así como ejercer
funciones notariales con ética, responsabilidad y respeto a los derechos humanos.
• Licenciatura en gestión e innovación turística (LGIT): Duración de 9 periodos. Forma
Profesionistas capaces de diseñar, gestionar y evaluar organizaciones y proyectos turísticos
innovadores, sustentables y éticos, así como generar experiencias turísticas adaptadas a las
tendencias de los mercados y al aprovechamiento responsables del patrimonio natural y cultural.
• Licenciatura en ingeniero agrónomo Zootecnia (LIAZ): Duración diez periodos Forma
profesionales en producción y manejo de animales, administración de proyectos agropecuarios
y aprovechamiento de recurso sustentable de los recursos. Promoviendo competencias en ética
sustentabilidad y uso de tecnologías aplicadas al sector agropecuario
Tras evidenciar estos planes, se procedió a examinar las variables estadísticamente iguales previamente
descritas de los estudiantes entre las cuales destaca la edad, debido a la influencia en la adopción y
uso de la IA.
En particular la edad de los estudiantes universitarios encuestados, al ser analizada resultó
estadísticamente igual entre las licenciaturas (p0.05) de esta forma se evidencia un promedio de 19.6
años, por lo que la mayoría de los participantes se encuentran en un rango juvenil. De acuerdo con la
• Licenciatura en informática administrativa (LIA): Duración de 9 periodos. Formas profesionales
capaces de gestionar y diseñar sistemas de información administrativa, administrar proyectos
informáticos y desarrollo de negocios electrónicos. Promoviendo el uso ético de las TIC
(Tecnologías de la información y de la comunicación), la innovación y la seguridad de la
información en las organizaciones.
• Licenciatura en contaduría (LCN): Duración de 9 periodos. Forma profesionistas capaces de
diseñar y analizar sistemas contables, financieros y fiscales, realizar auditorías y proponer
soluciones estratégicas para las organizaciones con ética, responsabilidad y compromiso con
el desarrollo sustentable.
• Licenciatura en Derecho (LDE): Duración de 10 periodos. Forma profesionistas capaces de
representar intereses jurídicos, asesorar y gestionar asuntos legales, participar en la procuración
y administración de justicia, realizar investigación y docencia jurídica, así como ejercer
funciones notariales con ética, responsabilidad y respeto a los derechos humanos.
• Licenciatura en gestión e innovación turística (LGIT): Duración de 9 periodos. Forma
Profesionistas capaces de diseñar, gestionar y evaluar organizaciones y proyectos turísticos
innovadores, sustentables y éticos, así como generar experiencias turísticas adaptadas a las
tendencias de los mercados y al aprovechamiento responsables del patrimonio natural y cultural.
• Licenciatura en ingeniero agrónomo Zootecnia (LIAZ): Duración diez periodos Forma
profesionales en producción y manejo de animales, administración de proyectos agropecuarios
y aprovechamiento de recurso sustentable de los recursos. Promoviendo competencias en ética
sustentabilidad y uso de tecnologías aplicadas al sector agropecuario
Tras evidenciar estos planes, se procedió a examinar las variables estadísticamente iguales previamente
descritas de los estudiantes entre las cuales destaca la edad, debido a la influencia en la adopción y
uso de la IA.
En particular la edad de los estudiantes universitarios encuestados, al ser analizada resultó
estadísticamente igual entre las licenciaturas (p0.05) de esta forma se evidencia un promedio de 19.6
años, por lo que la mayoría de los participantes se encuentran en un rango juvenil. De acuerdo con la
pág. 6780
Organización de Naciones Unidas (ONU), la juventud se considera entre los 15 y 24 años, rango que
coincide con la población universitaria evaluada(United Nations, 2025).
La importancia de la edad en el uso de la IA y su impacto es un determinante que poco se ha estudiado
y que puede representar un sesgo en el impacto de la inteligencia artificial en la sociedad. Este sesgo se
conoce como edaismo (edadismo de la IA), el cual está relacionado con la discriminación negativa por
edad y que se encuentra más marcada en los adultos mayores (Castro-Manzano, 2022).
Considerando estos resultados, dentro de la variable edad, se resalta la importancia de integrar la
inteligencia artificial en los programas educativos, de manera que se minimicen los sesgos algorítmicos
y se facilite la adopción responsable de parte de los jóvenes. Esta integración podría contribuir a
promover una alfabetización digital e igualdad de oportunidades, fomentando el uso crítico, ético y
equitativo de la IA en la educación superior (Zeind Chávez & Bonilla Gutiérrez, 2024).Asimismo, se
puede identificar el sesgo de edaismo y el algorítmico como pueden influir en la programación
neurolingüística del procesamiento natural y la selección de datos para la creación de un algoritmo,
representando una forma discriminación de usuarios de acuerdo con la edad (Hajian et al., 2016).
Por otra parte, según el índice Latinoamericano de la IA(ILIA), México se clasifica dentro de la categoría
de Adoptantes de la inteligencia artificial, los cuales forman parte de nuevos usuarios conocidos como
early bird(pájaro madrugador), con un puntaje de 47.03, lo que indica un desempeño intermedio en las
dimensiones de factores habilitantes, investigación, desarrollo y adopción, así como la gobernanza.
Reflejando en si cierto nivel de estructura tecnológica y talento humano, pero con áreas de mejora en el
despliegue de la IA(Salazar-Márquez et al., 2024).
En relación con el porcentaje de tareas realizadas utilizando inteligencia artificial (Cuadro 2), los
resultados mostraron un valor promedio de 16.5% entre los estudiantes, sin diferencias significativas
entre las licenciaturas(p=0.053). Este porcentaje se considera bajo, el cual es un indicativo de la
existencia de “edad temprana” del uso de la IA para un contexto universitario, especialmente si se toma
en cuenta que la IA tiene el potencial de mejorar el aprendizaje, la motivación y el rendimiento
académico cuando está integrada de manera más amplia en procesos de estudio (Vieriu & Petrea, 2025b).
Organización de Naciones Unidas (ONU), la juventud se considera entre los 15 y 24 años, rango que
coincide con la población universitaria evaluada(United Nations, 2025).
La importancia de la edad en el uso de la IA y su impacto es un determinante que poco se ha estudiado
y que puede representar un sesgo en el impacto de la inteligencia artificial en la sociedad. Este sesgo se
conoce como edaismo (edadismo de la IA), el cual está relacionado con la discriminación negativa por
edad y que se encuentra más marcada en los adultos mayores (Castro-Manzano, 2022).
Considerando estos resultados, dentro de la variable edad, se resalta la importancia de integrar la
inteligencia artificial en los programas educativos, de manera que se minimicen los sesgos algorítmicos
y se facilite la adopción responsable de parte de los jóvenes. Esta integración podría contribuir a
promover una alfabetización digital e igualdad de oportunidades, fomentando el uso crítico, ético y
equitativo de la IA en la educación superior (Zeind Chávez & Bonilla Gutiérrez, 2024).Asimismo, se
puede identificar el sesgo de edaismo y el algorítmico como pueden influir en la programación
neurolingüística del procesamiento natural y la selección de datos para la creación de un algoritmo,
representando una forma discriminación de usuarios de acuerdo con la edad (Hajian et al., 2016).
Por otra parte, según el índice Latinoamericano de la IA(ILIA), México se clasifica dentro de la categoría
de Adoptantes de la inteligencia artificial, los cuales forman parte de nuevos usuarios conocidos como
early bird(pájaro madrugador), con un puntaje de 47.03, lo que indica un desempeño intermedio en las
dimensiones de factores habilitantes, investigación, desarrollo y adopción, así como la gobernanza.
Reflejando en si cierto nivel de estructura tecnológica y talento humano, pero con áreas de mejora en el
despliegue de la IA(Salazar-Márquez et al., 2024).
En relación con el porcentaje de tareas realizadas utilizando inteligencia artificial (Cuadro 2), los
resultados mostraron un valor promedio de 16.5% entre los estudiantes, sin diferencias significativas
entre las licenciaturas(p=0.053). Este porcentaje se considera bajo, el cual es un indicativo de la
existencia de “edad temprana” del uso de la IA para un contexto universitario, especialmente si se toma
en cuenta que la IA tiene el potencial de mejorar el aprendizaje, la motivación y el rendimiento
académico cuando está integrada de manera más amplia en procesos de estudio (Vieriu & Petrea, 2025b).
pág. 6781
Esto indica que, a pesar de la homogeneidad de la juventud en la edad de los estudiantes, solo han
adoptado un moderado uso de la IA de forma uniforme entre los distintos programas de estudio. La
homogeneidad del uso de la IA sugiere que su incorporación no depende tanto de la disciplina
académica, sino de factores comunes como el acceso a la tecnología, la alfabetización digital y la
curiosidad individual. Este patrón coincide con lo señalado por Hajian et al. (2016), quienes advierten
que los algoritmos pueden reproducir sesgos si los datos de entrenamiento no reflejan la diversidad
social o educativa, pero también muestran el potencial democratizador de la IA cuando su acceso se
distribuye equitativamente.
En cuanto a la verificación de la información con inteligencia artificial los resultados del ANDEVA
muestran que aunque no existen diferencias significativas entre las licenciaturas (p=0.87), la media
de verificación de la información da promedios entre los programas, donde LIA presenta un promedio
de (63.68%)seguido por LDE (50.29%),LIAZ(49.82%), LCN(47.43%) y LGIT(42.11%),dando así una
media general de 49.8% reflejando que los estudiantes revisan entre la mitad y más de la mitad la
información generada por la IA.
Esto sugiere que independiente de su programa de estudios, los estudiantes mantienen una postura
homogénea al momento de revisar y validar la información obtenida mediante herramientas de IA. De
tal forma se mantiene una postura crítica y reflexiva en el uso de estas tecnologías, con el fin de prevenir
la propagación incorrecta o sesgada de la información. Al implementar la capacidad de verificar la
información se toma en cuenta la importancia de fomentar la alfabetización algorítmica, entendida
como la habilidad para analizar, comprender, evaluar y cuestionar la información generada por sistemas
inteligentes, garantizando un uso ético en el contexto educativo (Hajian et al., 2016; Zeind Chávez &
Bonilla Gutiérrez, 2024).
Mientras la frecuencia de uso de la IA por semana muestra que no existen diferencias significativas entre
las licenciaturas p=0.157.los promedios semanales de uso de la IA por parte de los estudiantes son los
siguiente: LIA (3.86), LDE (3.89), LIAZ 2.70, LCN (3.50) Y LGIT (5.44). Estos valoren reflejan un
comportamiento homogéneo en la frecuencia con los estudiantes que emplean estas herramientas de
inteligencia artificial, independientemente del campo disciplinar al que pertenecen. Sin embargo, el
Esto indica que, a pesar de la homogeneidad de la juventud en la edad de los estudiantes, solo han
adoptado un moderado uso de la IA de forma uniforme entre los distintos programas de estudio. La
homogeneidad del uso de la IA sugiere que su incorporación no depende tanto de la disciplina
académica, sino de factores comunes como el acceso a la tecnología, la alfabetización digital y la
curiosidad individual. Este patrón coincide con lo señalado por Hajian et al. (2016), quienes advierten
que los algoritmos pueden reproducir sesgos si los datos de entrenamiento no reflejan la diversidad
social o educativa, pero también muestran el potencial democratizador de la IA cuando su acceso se
distribuye equitativamente.
En cuanto a la verificación de la información con inteligencia artificial los resultados del ANDEVA
muestran que aunque no existen diferencias significativas entre las licenciaturas (p=0.87), la media
de verificación de la información da promedios entre los programas, donde LIA presenta un promedio
de (63.68%)seguido por LDE (50.29%),LIAZ(49.82%), LCN(47.43%) y LGIT(42.11%),dando así una
media general de 49.8% reflejando que los estudiantes revisan entre la mitad y más de la mitad la
información generada por la IA.
Esto sugiere que independiente de su programa de estudios, los estudiantes mantienen una postura
homogénea al momento de revisar y validar la información obtenida mediante herramientas de IA. De
tal forma se mantiene una postura crítica y reflexiva en el uso de estas tecnologías, con el fin de prevenir
la propagación incorrecta o sesgada de la información. Al implementar la capacidad de verificar la
información se toma en cuenta la importancia de fomentar la alfabetización algorítmica, entendida
como la habilidad para analizar, comprender, evaluar y cuestionar la información generada por sistemas
inteligentes, garantizando un uso ético en el contexto educativo (Hajian et al., 2016; Zeind Chávez &
Bonilla Gutiérrez, 2024).
Mientras la frecuencia de uso de la IA por semana muestra que no existen diferencias significativas entre
las licenciaturas p=0.157.los promedios semanales de uso de la IA por parte de los estudiantes son los
siguiente: LIA (3.86), LDE (3.89), LIAZ 2.70, LCN (3.50) Y LGIT (5.44). Estos valoren reflejan un
comportamiento homogéneo en la frecuencia con los estudiantes que emplean estas herramientas de
inteligencia artificial, independientemente del campo disciplinar al que pertenecen. Sin embargo, el
pág. 6782
promedio general de 3.90 horas por semana, se considera un uso moderado-bajo, lo que indica que la IA
no se ha consolidado como un recurso central en las practicas académicas de los estudiantes (Freeman,
2025; Vieriu & Petrea, 2025) .
De manera similar, Vásquez-Parra et al (2024) sostienen que la adopción de herramientas de la IA en el
ámbito universitario mexicano depende de los factores transversales como la alfabetización digital,
disposición del aprendizaje autónomo y la accesibilidad tecnológica, de esta manera no depende de las
diferencias curriculares de los distintos programas. Esto coincide con los resultados del uso de la IA
por semana donde no se vincula directamente con la disciplina académica, sino que responde a factores
individuales como el interés personal, la autogestión del aprendizaje y la familiaridad con los entornos
digitales.
De igual forma el porcentaje de verificación de la información obtiene resultados ANDEVA de p=.066
donde refleja que no existen diferencias significativas, aunque se observan valores en las medias de:
LIA(61.36%),LDE(42.64%), LIAZ(42.27%) ,LCN(49.34%) Y LGIT (50.92%), con una media general
de 49.3%.Estos datos indican que los estudiantes revisan un aproximado de la mitad de la información
proporcionada por las herramientas de IA, esto da origen al uso crítico y reflexivo de la tecnología en
sus procesos académicos.
Siguiendo este comportamiento se identifica que el Centro Universitario UAEM Temascaltepec, tienen
un impacto moderado en la formación de los estudiantes, al fomentar competencias de evaluación,
análisis y autonomía en la gestión de la información digital. De acuerdo con Perdomo (2025) la
percepción va a depender a la aplicabilidad y precisión de los contenidos generados por herramientas
inteligentes. Asimismo, González-Campos (2024) menciona que al integrar la ética y crítica de las
herramientas consolidad habilidades que promueven un aprendizaje informado y responsable. Por lo
tanto, la verificación de información constituye una estrategia de uso reflexivo en la formación
académica independientemente de la licenciatura que se curse el alumno.
promedio general de 3.90 horas por semana, se considera un uso moderado-bajo, lo que indica que la IA
no se ha consolidado como un recurso central en las practicas académicas de los estudiantes (Freeman,
2025; Vieriu & Petrea, 2025) .
De manera similar, Vásquez-Parra et al (2024) sostienen que la adopción de herramientas de la IA en el
ámbito universitario mexicano depende de los factores transversales como la alfabetización digital,
disposición del aprendizaje autónomo y la accesibilidad tecnológica, de esta manera no depende de las
diferencias curriculares de los distintos programas. Esto coincide con los resultados del uso de la IA
por semana donde no se vincula directamente con la disciplina académica, sino que responde a factores
individuales como el interés personal, la autogestión del aprendizaje y la familiaridad con los entornos
digitales.
De igual forma el porcentaje de verificación de la información obtiene resultados ANDEVA de p=.066
donde refleja que no existen diferencias significativas, aunque se observan valores en las medias de:
LIA(61.36%),LDE(42.64%), LIAZ(42.27%) ,LCN(49.34%) Y LGIT (50.92%), con una media general
de 49.3%.Estos datos indican que los estudiantes revisan un aproximado de la mitad de la información
proporcionada por las herramientas de IA, esto da origen al uso crítico y reflexivo de la tecnología en
sus procesos académicos.
Siguiendo este comportamiento se identifica que el Centro Universitario UAEM Temascaltepec, tienen
un impacto moderado en la formación de los estudiantes, al fomentar competencias de evaluación,
análisis y autonomía en la gestión de la información digital. De acuerdo con Perdomo (2025) la
percepción va a depender a la aplicabilidad y precisión de los contenidos generados por herramientas
inteligentes. Asimismo, González-Campos (2024) menciona que al integrar la ética y crítica de las
herramientas consolidad habilidades que promueven un aprendizaje informado y responsable. Por lo
tanto, la verificación de información constituye una estrategia de uso reflexivo en la formación
académica independientemente de la licenciatura que se curse el alumno.
pág. 6783
Para las respuestas de la pregunta cuál es el porcentaje de confianza en la experiencia con la
inteligencia artificial, los resultados del ANDEVA muestran que no existen diferencias significativas
entre las licenciaturas p=0.059.Los promedios observados fueron: LIA (43.50%),LDE(47.60%),
LIAZ(32.49%).LCN(41.41%) Y LGIT(42.76%), con una media general de 41.55%.Esto indica que los
estudiantes utilizan herramientas de IA de forma moderada, mostrando una actitud cautelosa ante los
posibles errores o información no verificada.
Este nivel de confianza influye en el impacto en la forma de disponer la integración de la tecnología
en el aprendizaje, desarrollar competencias de análisis crítico y la toma de decisiones
informada(González Campos et al., 2024; Perdomo, 2025). De esta manera se crea un impacto positivo.
Por otro lado, las variables que muestran diferencias significativas p<0.001 son: Horas estudio/semana
(.000), Promedio licenciatura (.000), N° horas de IA/Semana (.004), Utilidad en aprendizaje (.000),
Mejora de trabajos (.000), Motivación de trabajos (.000) , % interés por estudiar (.003), Frecuencia al
mes de investigar (.005), Confianza de la información (.001) y % de dependencia (.000). En otras
palabras, son variables que estadísticamente difieren entre las licenciaturas.
El análisis evidencia diferencias significativas en la horas de estudio semanal entre las licenciaturas
(F=6.087, p=0.000), y al realizar la comparación múltiple por Tukey resultaron estadísticamente iguales
las licenciaturas: LIA (8.46 h), LCN (8.13 h) y LDE (8.02 h) las cuales mostraron las medias en horas
de estudio más altas, en contraste las licenciaturas LGIT (7.62 h) y LIAZ (6.39 h) tienen medias
estadísticamente iguales pero con las horas de estudio más bajas. De esta forma ciertas carreras requieren
un esfuerzo mayor al momento de dedicar mayor tiempo al estudio, esto puede ser causado por carga
académica , complejidad en contenidos o enseñanzas(Leticia et al., 2016).
Estudios relacionados han demostrado que un número mayor de horas de estudio ,tienen una estrecha
relación positiva en el rendimiento académico y competencias(Lechuga-Moreno et al.,
2025).Asimismo al integrar la IA de manera efectiva pueden ayudar a la optimización de tiempos
de estudio, reduciendo el esfuerzo necesario para alcanzar los objetivos(Gutiérrez-Castillo et al.,
Para las respuestas de la pregunta cuál es el porcentaje de confianza en la experiencia con la
inteligencia artificial, los resultados del ANDEVA muestran que no existen diferencias significativas
entre las licenciaturas p=0.059.Los promedios observados fueron: LIA (43.50%),LDE(47.60%),
LIAZ(32.49%).LCN(41.41%) Y LGIT(42.76%), con una media general de 41.55%.Esto indica que los
estudiantes utilizan herramientas de IA de forma moderada, mostrando una actitud cautelosa ante los
posibles errores o información no verificada.
Este nivel de confianza influye en el impacto en la forma de disponer la integración de la tecnología
en el aprendizaje, desarrollar competencias de análisis crítico y la toma de decisiones
informada(González Campos et al., 2024; Perdomo, 2025). De esta manera se crea un impacto positivo.
Por otro lado, las variables que muestran diferencias significativas p<0.001 son: Horas estudio/semana
(.000), Promedio licenciatura (.000), N° horas de IA/Semana (.004), Utilidad en aprendizaje (.000),
Mejora de trabajos (.000), Motivación de trabajos (.000) , % interés por estudiar (.003), Frecuencia al
mes de investigar (.005), Confianza de la información (.001) y % de dependencia (.000). En otras
palabras, son variables que estadísticamente difieren entre las licenciaturas.
El análisis evidencia diferencias significativas en la horas de estudio semanal entre las licenciaturas
(F=6.087, p=0.000), y al realizar la comparación múltiple por Tukey resultaron estadísticamente iguales
las licenciaturas: LIA (8.46 h), LCN (8.13 h) y LDE (8.02 h) las cuales mostraron las medias en horas
de estudio más altas, en contraste las licenciaturas LGIT (7.62 h) y LIAZ (6.39 h) tienen medias
estadísticamente iguales pero con las horas de estudio más bajas. De esta forma ciertas carreras requieren
un esfuerzo mayor al momento de dedicar mayor tiempo al estudio, esto puede ser causado por carga
académica , complejidad en contenidos o enseñanzas(Leticia et al., 2016).
Estudios relacionados han demostrado que un número mayor de horas de estudio ,tienen una estrecha
relación positiva en el rendimiento académico y competencias(Lechuga-Moreno et al.,
2025).Asimismo al integrar la IA de manera efectiva pueden ayudar a la optimización de tiempos
de estudio, reduciendo el esfuerzo necesario para alcanzar los objetivos(Gutiérrez-Castillo et al.,
pág. 6784
2025).Por lo tanto las diferencia observadas entre las licenciaturas refleja la exigencia curricular como
la capacidad de cada programa para integrar la IA en el apoyo pedagógico.
De esta manera la baja dedicación de horas de estudio semanales de LIAZ se relaciona con un mayor
uso de IA de esta carrera, permitiendo a su vez realizar actividades de manera más eficiente.
Así mismo el promedio de la licenciatura representa diferencias significativas (F=8.542, P=.000). Las
medias indican que LIAZ tiene un promedio más bajo (7.846), mientras que LGIT (8.522), LIA (8.443,
LCN (8.327) y LDE (8.339) muestra promedios más altos. De esta forma se indica que existen
diferencias en los promedios que hace visible el rendimiento académico entre los distintos programas
educativos. En estudios realizados por Leticia et al (2016), sugieren que la importancia del rendimiento
académico está relacionada con autorregulación del aprendizaje y la dedicación al estudio, estos pueden
potenciarse a través del uso de recursos tecnológicos.
En este sentido la IA se posiciona como el mejor elemento para potenciar el aprendizaje debido que
proporciona retroalimentación inmediata, personalización de contenidos y optimiza estrategias de
estudio, permitiendo alcanzar los resultados más altos para el presente estudio las licenciaturas LGIT,
LIA, LCN Y LDE, mientras que LIAZ con menor promedio representa un uso menos estratégico de
herramientas como la IA o una mayor dependencia de métodos tradicionales de estudio (Woolf, 2009).
Asimismo, los hábitos de estudio y la dedicación de aprendizaje autónomo van de la mano con el
desempeño académico. Es decir, la combinación de los hábitos buenos de estudio con el apoyo de estas
herramientas puede favorecer a un rendimiento sostenible y equitativo entre los distintos programas
del Centro Universitario UAEM Temascaltepec.
Por otra parte, el número de horas de uso de la inteligencia artificial por semana (p=.004) muestra
diferencias estadísticamente significativas entre las licenciaturas. Los resultados de la comparación
múltiple de medias por Tukey revelan que LCN registra mayor tiempo de interacción con herramientas
de IA, es decir 4.44 horas por semana, mientras que LDE 4.05 horas estadísticamente iguales. En
contraste con los estudiantes de LIA 2.46 horas y LIAZ 2.59 horas estadísticamente iguales con
2025).Por lo tanto las diferencia observadas entre las licenciaturas refleja la exigencia curricular como
la capacidad de cada programa para integrar la IA en el apoyo pedagógico.
De esta manera la baja dedicación de horas de estudio semanales de LIAZ se relaciona con un mayor
uso de IA de esta carrera, permitiendo a su vez realizar actividades de manera más eficiente.
Así mismo el promedio de la licenciatura representa diferencias significativas (F=8.542, P=.000). Las
medias indican que LIAZ tiene un promedio más bajo (7.846), mientras que LGIT (8.522), LIA (8.443,
LCN (8.327) y LDE (8.339) muestra promedios más altos. De esta forma se indica que existen
diferencias en los promedios que hace visible el rendimiento académico entre los distintos programas
educativos. En estudios realizados por Leticia et al (2016), sugieren que la importancia del rendimiento
académico está relacionada con autorregulación del aprendizaje y la dedicación al estudio, estos pueden
potenciarse a través del uso de recursos tecnológicos.
En este sentido la IA se posiciona como el mejor elemento para potenciar el aprendizaje debido que
proporciona retroalimentación inmediata, personalización de contenidos y optimiza estrategias de
estudio, permitiendo alcanzar los resultados más altos para el presente estudio las licenciaturas LGIT,
LIA, LCN Y LDE, mientras que LIAZ con menor promedio representa un uso menos estratégico de
herramientas como la IA o una mayor dependencia de métodos tradicionales de estudio (Woolf, 2009).
Asimismo, los hábitos de estudio y la dedicación de aprendizaje autónomo van de la mano con el
desempeño académico. Es decir, la combinación de los hábitos buenos de estudio con el apoyo de estas
herramientas puede favorecer a un rendimiento sostenible y equitativo entre los distintos programas
del Centro Universitario UAEM Temascaltepec.
Por otra parte, el número de horas de uso de la inteligencia artificial por semana (p=.004) muestra
diferencias estadísticamente significativas entre las licenciaturas. Los resultados de la comparación
múltiple de medias por Tukey revelan que LCN registra mayor tiempo de interacción con herramientas
de IA, es decir 4.44 horas por semana, mientras que LDE 4.05 horas estadísticamente iguales. En
contraste con los estudiantes de LIA 2.46 horas y LIAZ 2.59 horas estadísticamente iguales con
pág. 6785
promedios intermedios en número de horas de uso IA. mientras que LGIT mantiene el menor uso de IA
con 1.92 horas.
Este tipo de comportamiento está relacionado con el perfil disciplinar y tecnológico de cada programa,
como es el caso de LCN vinculado con la necesidad de procesar información científica, realizar
búsquedas especializadas o emplear herramientas de análisis de datos, mientras que LIA y LGIT sus
actividades tienden a centrarse más en trabajo practico o administrativo, para LDE con las bases de
datos jurídica y sistemas de análisis documental y LIAZ encaminada a el análisis de datos productivos
y toma de decisiones al sector agropecuario (Universidad Autónoma del Estado de México, 2024).
En este sentido los resultados evidencian el grado de apropiación tecnológica entre las licenciaturas de
forma que cada una adopta directamente la incorporación de la IA en sus procesos de aprendizaje, de
tal forma que genera diferencias en oportunidades de innovación educativa.
La utilidad de la inteligencia artificial utilizada en el aprendizaje (p.000, F=11.801) muestra diferencias
estadísticamente significativas entre las licenciaturas. Los resultados muestran que LIA (22.89) al ser
un valor bajo indica que solo se utiliza para fines administrativos o de apoyo, más que una herramienta
de análisis y aprendizaje autónomo, en el caso de LCN (25.36) al alcanzar un nivel intermedio cuyo
valor se orienta hacia la realización de cálculos automatizados, procesamiento de la información
financiera y búsqueda de datos contables, bajo la misma orientación LGIT (23.97) en cuanto a este
valor es posible que sea utilizado para organizar información, planificación de actividades o atención al
cliente, LDE (27.80) reflejan una percepción intermedia relacionada con el uso de la IA en tareas
de automatización de cálculos, búsqueda de información jurídica o verificación de documentos
digitales, se resalta que los valores de la IA utilizada en el aprendizaje de las licenciaturas anteriores son
estadísticamente iguales a través de su comparación múltiple de medias por Tukey. En contraste LIAZ
(47.03), sugiere mayor integración de herramientas inteligentes en contextos prácticos o de
investigación aplicada.
De este modo, los resultados permiten observar que la adopción de la inteligencia artificial va a variar
en su uso de acuerdo con el campo disciplinar y enfoque profesional de cada licenciatura. De esta forma
promedios intermedios en número de horas de uso IA. mientras que LGIT mantiene el menor uso de IA
con 1.92 horas.
Este tipo de comportamiento está relacionado con el perfil disciplinar y tecnológico de cada programa,
como es el caso de LCN vinculado con la necesidad de procesar información científica, realizar
búsquedas especializadas o emplear herramientas de análisis de datos, mientras que LIA y LGIT sus
actividades tienden a centrarse más en trabajo practico o administrativo, para LDE con las bases de
datos jurídica y sistemas de análisis documental y LIAZ encaminada a el análisis de datos productivos
y toma de decisiones al sector agropecuario (Universidad Autónoma del Estado de México, 2024).
En este sentido los resultados evidencian el grado de apropiación tecnológica entre las licenciaturas de
forma que cada una adopta directamente la incorporación de la IA en sus procesos de aprendizaje, de
tal forma que genera diferencias en oportunidades de innovación educativa.
La utilidad de la inteligencia artificial utilizada en el aprendizaje (p.000, F=11.801) muestra diferencias
estadísticamente significativas entre las licenciaturas. Los resultados muestran que LIA (22.89) al ser
un valor bajo indica que solo se utiliza para fines administrativos o de apoyo, más que una herramienta
de análisis y aprendizaje autónomo, en el caso de LCN (25.36) al alcanzar un nivel intermedio cuyo
valor se orienta hacia la realización de cálculos automatizados, procesamiento de la información
financiera y búsqueda de datos contables, bajo la misma orientación LGIT (23.97) en cuanto a este
valor es posible que sea utilizado para organizar información, planificación de actividades o atención al
cliente, LDE (27.80) reflejan una percepción intermedia relacionada con el uso de la IA en tareas
de automatización de cálculos, búsqueda de información jurídica o verificación de documentos
digitales, se resalta que los valores de la IA utilizada en el aprendizaje de las licenciaturas anteriores son
estadísticamente iguales a través de su comparación múltiple de medias por Tukey. En contraste LIAZ
(47.03), sugiere mayor integración de herramientas inteligentes en contextos prácticos o de
investigación aplicada.
De este modo, los resultados permiten observar que la adopción de la inteligencia artificial va a variar
en su uso de acuerdo con el campo disciplinar y enfoque profesional de cada licenciatura. De esta forma
pág. 6786
la UNESCO en el 2023 considera que el acceso al conocimiento y a la tecnología garantiza una
herramienta tecnológica que no abrirá más brechas al conocimiento, sino que con la llegada de la
inteligencia artificial permitirá responder a los principios de equidad e inclusión.
Por consiguiente, el porcentaje en la mejora en trabajos (p.000, F=17.101) con inteligencia artificial
muestra diferencias estadísticamente significativas entre las licenciaturas. Los resultados en la
comparación de medias por Tukey muestran que LIA (14.32), LCN (19.73), LGIT (15.30), LDE (18.64),
obtienen promedios estadísticamente iguales en tanto que LIAZ (43.45) el más alto promedio en
porcentaje de percepción de mejora de la calidad de los trabajos con IA. De acuerdo con estos resultados
la mejorar de trabajos puede deberse a la veracidad de la información, disponibilidad de los datos. Esto
da como resultado un impacto positivo en los productos académicos, debido a la integración de las
herramientas digitales vinculadas a la pedagogía (Chao-Rebolledo & Rivera-Navarro, 2024).
Asimismo, la motivación en trabajos (p.000, F=6.134) con inteligencia artificial muestra diferencias
estadísticamente significativas entre las licenciaturas. Los resultados muestran que LIA (15.68), LCN
(21.38), LGIT (18.05), LDE (18.89) son estadísticamente iguales en la comparación múltiple por Tukey,
en contraste LIAZ (32.93) es estadísticamente diferente con la motivación más alta en trabajo. Estos
resultados nos indican que no todos los estudiantes de acuerdo con su licenciatura se sienten motivados
de usar la inteligencia artificial y se utilizara cuando se encuentre un sentido práctico e innovador y va
a disminuir cuando las tareas sean mecánicas o de apoyo administrativo(Syifauddin & Ridho
Yuliansyah, 2023). La diferencia de uso va a radicar por el tipo de tareas, nivel de integración pedagógica
o percepción de utilidad debido a que cada carrera tiene un enfoque completamente diferente
(Alasgarova & Rzayev, 2024; Chiu et al., 2024).
El porciento de interés por estudiar con inteligencia artificial (p.003, F=4.179), muestra diferencias
estadísticamente significativas entre las licenciaturas. Los resultados arrijan que LIA (21.11), LCN
(30.40), LGIT (19.92), LDE (20.52) mantienen promedios estadísticamente iguales por Tukey, en tanto
LIAZ (32.51) se diferencias con el valor más alto. Estos hallazgos evidencian que el grado de interés
por incorporar la IA en los procesos de aprendizaje varia de forma considerable según la formación
profesional de los estudiantes.
la UNESCO en el 2023 considera que el acceso al conocimiento y a la tecnología garantiza una
herramienta tecnológica que no abrirá más brechas al conocimiento, sino que con la llegada de la
inteligencia artificial permitirá responder a los principios de equidad e inclusión.
Por consiguiente, el porcentaje en la mejora en trabajos (p.000, F=17.101) con inteligencia artificial
muestra diferencias estadísticamente significativas entre las licenciaturas. Los resultados en la
comparación de medias por Tukey muestran que LIA (14.32), LCN (19.73), LGIT (15.30), LDE (18.64),
obtienen promedios estadísticamente iguales en tanto que LIAZ (43.45) el más alto promedio en
porcentaje de percepción de mejora de la calidad de los trabajos con IA. De acuerdo con estos resultados
la mejorar de trabajos puede deberse a la veracidad de la información, disponibilidad de los datos. Esto
da como resultado un impacto positivo en los productos académicos, debido a la integración de las
herramientas digitales vinculadas a la pedagogía (Chao-Rebolledo & Rivera-Navarro, 2024).
Asimismo, la motivación en trabajos (p.000, F=6.134) con inteligencia artificial muestra diferencias
estadísticamente significativas entre las licenciaturas. Los resultados muestran que LIA (15.68), LCN
(21.38), LGIT (18.05), LDE (18.89) son estadísticamente iguales en la comparación múltiple por Tukey,
en contraste LIAZ (32.93) es estadísticamente diferente con la motivación más alta en trabajo. Estos
resultados nos indican que no todos los estudiantes de acuerdo con su licenciatura se sienten motivados
de usar la inteligencia artificial y se utilizara cuando se encuentre un sentido práctico e innovador y va
a disminuir cuando las tareas sean mecánicas o de apoyo administrativo(Syifauddin & Ridho
Yuliansyah, 2023). La diferencia de uso va a radicar por el tipo de tareas, nivel de integración pedagógica
o percepción de utilidad debido a que cada carrera tiene un enfoque completamente diferente
(Alasgarova & Rzayev, 2024; Chiu et al., 2024).
El porciento de interés por estudiar con inteligencia artificial (p.003, F=4.179), muestra diferencias
estadísticamente significativas entre las licenciaturas. Los resultados arrijan que LIA (21.11), LCN
(30.40), LGIT (19.92), LDE (20.52) mantienen promedios estadísticamente iguales por Tukey, en tanto
LIAZ (32.51) se diferencias con el valor más alto. Estos hallazgos evidencian que el grado de interés
por incorporar la IA en los procesos de aprendizaje varia de forma considerable según la formación
profesional de los estudiantes.
pág. 6787
En particular se observa un mayor interés en licenciaturas de LCN y LIAZ, posiblemente debido a
que ambas áreas reconocen la aplicabilidad inmediata de la IA en sus respectivas áreas. De esta forma
en el área contables el interés va enfocado en la automatización de procesos financieros y fiscales, toma
de decisiones estratégica e informes inteligentes, lo que coincide con lo señalado por Krishnanraw y
Ismail (2025) quienes destacan la relevancia laboral y la utilidad percibida influyen significativamente
en los estudiantes de contabilidad para usar herramientas con IA. Por otro lado, LIAZ con la integración
de tecnologías inteligentes en la producción agropecuaria, manejo de datos biológicos y sistemas
sustentables se llega a percibir como una innovación necesaria a los retos contemporáneos presentados,
de esta forma se refuerza el interés de aplicar IA en su futura práctica profesional (Riya et al., 2025).
Mientras que LIA, LDE y LGIT presentan niveles de interés relativamente más bajos. En LIA, aunque
exista un dominio de las tecnologías de la información y la comunicación( TIC), el interés del uso de
la IA se orienta principalmente a la automatización de tareas administrativas o el soporte técnico, esto
liberando tiempo para un enfoque pedagógico que promueva competencias cognitivas superiores
(Ahmad et al., 2022).En LGIT , el interés pude verse limitado a causa de la gestión operativa de
servicios turísticos que funciona como vinculo de la IA, más que de generación de experiencias de
aprendizaje innovadoras , inmersivas o personalizadas(Burlov & Yakovlev, 2025).Para LDE la IA es
empleada en la búsqueda de información jurídica y la redacción asistida de documentos legales de
esta forma persisten resistencias éticas y normativas que dificultan la integración de esta tecnología
en los procesos formativos(Alvarado Vélez et al., 2024) .
De esta forma el interés por estudiar con inteligencia artificial va a depender de la aplicación
profesional, la motivación pedagógica y la percepción del beneficio formativos que el estudiante va a
asociar con su uso. Desde esta perspectiva la IA debe verse como un agente innovador pedagógico y de
equidad educativa capaz de adaptarse a las particularidades cognitivas, formativas y profesionales de
cada disciplina académica(Ahmad et al., 2022; Bates & Vancouver, 2019; UNESCO, 2025).
Mientras tanto, frecuencia al mes de investigar con inteligencia artificial (p.005, F=4.778) con
inteligencia artificial muestra diferencias estadísticamente significativas entre las licenciaturas. Los
resultados muestran que LIA (4.61), LCN (4.96), LGIT (3.11), LDE (4.46) son estadísticamente iguales
En particular se observa un mayor interés en licenciaturas de LCN y LIAZ, posiblemente debido a
que ambas áreas reconocen la aplicabilidad inmediata de la IA en sus respectivas áreas. De esta forma
en el área contables el interés va enfocado en la automatización de procesos financieros y fiscales, toma
de decisiones estratégica e informes inteligentes, lo que coincide con lo señalado por Krishnanraw y
Ismail (2025) quienes destacan la relevancia laboral y la utilidad percibida influyen significativamente
en los estudiantes de contabilidad para usar herramientas con IA. Por otro lado, LIAZ con la integración
de tecnologías inteligentes en la producción agropecuaria, manejo de datos biológicos y sistemas
sustentables se llega a percibir como una innovación necesaria a los retos contemporáneos presentados,
de esta forma se refuerza el interés de aplicar IA en su futura práctica profesional (Riya et al., 2025).
Mientras que LIA, LDE y LGIT presentan niveles de interés relativamente más bajos. En LIA, aunque
exista un dominio de las tecnologías de la información y la comunicación( TIC), el interés del uso de
la IA se orienta principalmente a la automatización de tareas administrativas o el soporte técnico, esto
liberando tiempo para un enfoque pedagógico que promueva competencias cognitivas superiores
(Ahmad et al., 2022).En LGIT , el interés pude verse limitado a causa de la gestión operativa de
servicios turísticos que funciona como vinculo de la IA, más que de generación de experiencias de
aprendizaje innovadoras , inmersivas o personalizadas(Burlov & Yakovlev, 2025).Para LDE la IA es
empleada en la búsqueda de información jurídica y la redacción asistida de documentos legales de
esta forma persisten resistencias éticas y normativas que dificultan la integración de esta tecnología
en los procesos formativos(Alvarado Vélez et al., 2024) .
De esta forma el interés por estudiar con inteligencia artificial va a depender de la aplicación
profesional, la motivación pedagógica y la percepción del beneficio formativos que el estudiante va a
asociar con su uso. Desde esta perspectiva la IA debe verse como un agente innovador pedagógico y de
equidad educativa capaz de adaptarse a las particularidades cognitivas, formativas y profesionales de
cada disciplina académica(Ahmad et al., 2022; Bates & Vancouver, 2019; UNESCO, 2025).
Mientras tanto, frecuencia al mes de investigar con inteligencia artificial (p.005, F=4.778) con
inteligencia artificial muestra diferencias estadísticamente significativas entre las licenciaturas. Los
resultados muestran que LIA (4.61), LCN (4.96), LGIT (3.11), LDE (4.46) son estadísticamente iguales
pág. 6788
en la comparación múltiple por Tukey y LIAZ (7.02) es diferente con el valor más alto. Es por ello que
la investigación con IA no depende únicamente del acceso a la tecnología , sino de como los
estudiantes perciben su relevancia profesional y académica (Crompton & Burke, 2023).Por eso LCN
y LIAZ integran la IA de manera más consistente , enfocándose en la optimización de procesos
productivos , financieros y administrativos(Ismail & Krishnanraw, n.d.; Riya et al., 2025) .Por su parte
LIA al tener la base en tecnologías se limita a la exploración de tecnologías más amplia, mientras
que LDE y LGIT utilizan la inteligencia artificial como apoyo o gestión por la aplicabilidad percibida y
las barreras éticas o normativas(Elhassani et al., 2025). De esta forma no se debe de ver como
herramientas técnicas sino como instrumentos de innovación educativa, capaz de fortalecer el
pensamiento crítico, la creatividad aplicada y la autonomía del aprendizaje (Collin et al., 2023).Para ello
la integración de estas tecnologías requiere de los docentes e instituciones que promuevan un marco
curricular de alfabetización digital (Zawacki-Richter et al., 2019a).
La confianza de la información con inteligencia artificial (p.001, F=4.636) muestra diferencias
estadísticamente significativas entre las licenciaturas. Los resultados muestran que LIA (41.43), LCN
(41.96), LDE (42.09) y LIAZ (49.20) son estadísticamente iguales y que LGIT (27.89) es diferente
estadísticamente con el valor más bajo. Estos resultados sugieren que la confianza está relacionada con
la familiaridad de la tecnología, de esta forma la IA puede apoyar para el desarrollo profesional y la
toma de decisiones complejas. Asimismo, también estudios demuestran que la confianza en la IA no
solo es cuestión de acceso tecnológico sino de variables como la autoeficacia, el conocimiento de la IA
y las experiencias de uso. Por ejemplo, viberg et al, (2024) encontraron que en múltiples países los
docentes que poseen mayor competencia en IA y menor preocupación por sus riesgos reportan niveles
de confianza más altos en las tecnologías de IA en educación. De igual modo, un estudio reciente de
Zhang, Gao, Suraworachet, Nazaretsky y Cukurova(2025) concluye en los estudiantes universitarios
la confianza en retroalimentación generada por IA depende de la experiencia pasada con la tecnología,
más que los factores demográficos.
Por lo tanto, el porcentaje de dependencia con inteligencia artificial (p.000, F=18.638) muestra
diferencias estadísticamente significativas entre las licenciaturas. Los resultados reflejan que LIA
en la comparación múltiple por Tukey y LIAZ (7.02) es diferente con el valor más alto. Es por ello que
la investigación con IA no depende únicamente del acceso a la tecnología , sino de como los
estudiantes perciben su relevancia profesional y académica (Crompton & Burke, 2023).Por eso LCN
y LIAZ integran la IA de manera más consistente , enfocándose en la optimización de procesos
productivos , financieros y administrativos(Ismail & Krishnanraw, n.d.; Riya et al., 2025) .Por su parte
LIA al tener la base en tecnologías se limita a la exploración de tecnologías más amplia, mientras
que LDE y LGIT utilizan la inteligencia artificial como apoyo o gestión por la aplicabilidad percibida y
las barreras éticas o normativas(Elhassani et al., 2025). De esta forma no se debe de ver como
herramientas técnicas sino como instrumentos de innovación educativa, capaz de fortalecer el
pensamiento crítico, la creatividad aplicada y la autonomía del aprendizaje (Collin et al., 2023).Para ello
la integración de estas tecnologías requiere de los docentes e instituciones que promuevan un marco
curricular de alfabetización digital (Zawacki-Richter et al., 2019a).
La confianza de la información con inteligencia artificial (p.001, F=4.636) muestra diferencias
estadísticamente significativas entre las licenciaturas. Los resultados muestran que LIA (41.43), LCN
(41.96), LDE (42.09) y LIAZ (49.20) son estadísticamente iguales y que LGIT (27.89) es diferente
estadísticamente con el valor más bajo. Estos resultados sugieren que la confianza está relacionada con
la familiaridad de la tecnología, de esta forma la IA puede apoyar para el desarrollo profesional y la
toma de decisiones complejas. Asimismo, también estudios demuestran que la confianza en la IA no
solo es cuestión de acceso tecnológico sino de variables como la autoeficacia, el conocimiento de la IA
y las experiencias de uso. Por ejemplo, viberg et al, (2024) encontraron que en múltiples países los
docentes que poseen mayor competencia en IA y menor preocupación por sus riesgos reportan niveles
de confianza más altos en las tecnologías de IA en educación. De igual modo, un estudio reciente de
Zhang, Gao, Suraworachet, Nazaretsky y Cukurova(2025) concluye en los estudiantes universitarios
la confianza en retroalimentación generada por IA depende de la experiencia pasada con la tecnología,
más que los factores demográficos.
Por lo tanto, el porcentaje de dependencia con inteligencia artificial (p.000, F=18.638) muestra
diferencias estadísticamente significativas entre las licenciaturas. Los resultados reflejan que LIA
pág. 6789
(12.96), LCN (20.00), LGIT (17.54), LDE (12.96) son estadísticamente iguales según Tukey y LIAZ
(48.20) es estadísticamente diferente con el valor más alto. Estos resultados destacan en que la
dependencia de la IA no debe considerarse negativamente, sino como un indicador de la adaptación de
los estudiantes a tecnologías que complementan y potencian el aprendizaje y la práctica profesional
(Zawacki-Richter et al., 2019b; Zhou & Peng, 2025).De esta manera se observa la importancia de
diseñar programas educativos que equilibren la autonomía del estudiante con el uso ético y responsable
de la IA, promoviendo competencias críticas, creativas y de toma de decisiones informadas (Ruiz-Rojas
et al., 2024; Yang et al., 2025).
Cuadro 2. Varianza y comparación múltiple de medias Tukey de variables
socioeconómicas, educativas IA de estudiantes universitarios de nivel superior
Variables
Media
Valor de
F
Sig.LIA LCN LTU LDE LIAZ Total
n=28 n=45 n=37 n=56 n=59 N=225
Edad
19.46
a
19.53
a
19.76
a
19.46
a
19.81
a
19.604 .756
.555 ns
Horas
estudio/sem
ana
8.46
b
8.13
b
7.62
a
8.02
b
6.39
a
7.724 6.087 .000**
Promedio
licenciatura
8.443
b
8.327
b
8.522
b
8.339
b
7.846
a
8.2954 8.542 .000**
N° horas de
IA/Semana
2.46
b
4.44
c
1.92
a
4.05
c
2.59
b
3.092
3.917
.004**
% tareas con
IA
9.50
a
17.69
a
16.05
a
16.82
a
22.51
a
16.514 2.379 .053 ns
(12.96), LCN (20.00), LGIT (17.54), LDE (12.96) son estadísticamente iguales según Tukey y LIAZ
(48.20) es estadísticamente diferente con el valor más alto. Estos resultados destacan en que la
dependencia de la IA no debe considerarse negativamente, sino como un indicador de la adaptación de
los estudiantes a tecnologías que complementan y potencian el aprendizaje y la práctica profesional
(Zawacki-Richter et al., 2019b; Zhou & Peng, 2025).De esta manera se observa la importancia de
diseñar programas educativos que equilibren la autonomía del estudiante con el uso ético y responsable
de la IA, promoviendo competencias críticas, creativas y de toma de decisiones informadas (Ruiz-Rojas
et al., 2024; Yang et al., 2025).
Cuadro 2. Varianza y comparación múltiple de medias Tukey de variables
socioeconómicas, educativas IA de estudiantes universitarios de nivel superior
Variables
Media
Valor de
F
Sig.LIA LCN LTU LDE LIAZ Total
n=28 n=45 n=37 n=56 n=59 N=225
Edad
19.46
a
19.53
a
19.76
a
19.46
a
19.81
a
19.604 .756
.555 ns
Horas
estudio/sem
ana
8.46
b
8.13
b
7.62
a
8.02
b
6.39
a
7.724 6.087 .000**
Promedio
licenciatura
8.443
b
8.327
b
8.522
b
8.339
b
7.846
a
8.2954 8.542 .000**
N° horas de
IA/Semana
2.46
b
4.44
c
1.92
a
4.05
c
2.59
b
3.092
3.917
.004**
% tareas con
IA
9.50
a
17.69
a
16.05
a
16.82
a
22.51
a
16.514 2.379 .053 ns
pág. 6790
Utilidad en
aprendizaje
22.89
a
25.36
a
23.97
a
27.80
a
47.03
b
29.41 11.801 .000**
Verificar
información
con IA
63.68
a
45.71
a
42.11
a
50.29
a
47.34
a
49.826 2.058 .087 ns
Mejora de
trabajos
14.32
a
19.73
a
15.30
a
18.64
a
43.75
b
22.348 17.101 .000**
Motivación
de trabajos
15.68
a
21.38
a
18.05
a
18.89
a
32.93
b
21.386 6.134 .000**
Uso de la
IA/semana
3.86
a
3.89
a
2.70
a
3.50
a
5.44
a
3.878 1.676 .157 ns
% interés
por estudiar
21.11
a
30.40
b
19.92
a
20.52
a
32.51
b
24.892 4.179 .003**
Frecuencia
al mes de
investigar
4.61
a
4.96
a
3.11
a
4.46
a
7.02
b
4.778 3.846 .005**
Confianza
de la
información
41.43
b
41.96
b
27.89
a
42.09
b
49.20
b
40.514 4.636 .001**
% De
verificación
de la
información
61.36
a
42.64
a
42.27
a
49.34
a
50.92
a
49.306 2.241 .066 ns
% confianza
de la
experiencia
43.50
a
47.60
a
32.49
a
41.41
a
42.76
a
41.552 2.311 .059 ns
Utilidad en
aprendizaje
22.89
a
25.36
a
23.97
a
27.80
a
47.03
b
29.41 11.801 .000**
Verificar
información
con IA
63.68
a
45.71
a
42.11
a
50.29
a
47.34
a
49.826 2.058 .087 ns
Mejora de
trabajos
14.32
a
19.73
a
15.30
a
18.64
a
43.75
b
22.348 17.101 .000**
Motivación
de trabajos
15.68
a
21.38
a
18.05
a
18.89
a
32.93
b
21.386 6.134 .000**
Uso de la
IA/semana
3.86
a
3.89
a
2.70
a
3.50
a
5.44
a
3.878 1.676 .157 ns
% interés
por estudiar
21.11
a
30.40
b
19.92
a
20.52
a
32.51
b
24.892 4.179 .003**
Frecuencia
al mes de
investigar
4.61
a
4.96
a
3.11
a
4.46
a
7.02
b
4.778 3.846 .005**
Confianza
de la
información
41.43
b
41.96
b
27.89
a
42.09
b
49.20
b
40.514 4.636 .001**
% De
verificación
de la
información
61.36
a
42.64
a
42.27
a
49.34
a
50.92
a
49.306 2.241 .066 ns
% confianza
de la
experiencia
43.50
a
47.60
a
32.49
a
41.41
a
42.76
a
41.552 2.311 .059 ns
pág. 6791
% de
dependencia
12.96
a
20.00
a
17.54
a
12.96
a
48.20
b
22.332 18.638 .000**
a,b. Literales iguales representan igualdad estadística al p0.05, literales diferentes representan
diferencias estadísticas al p0.05
CONCLUSIONES
La poblacion estudiantil se concentra en un rango etario de entre 18 y 21 años, con una media de 19.6
años, que va influir de manera positiva en la adopcion de las tecnologias, debido a que los estudiantes
tienden a incorporar herramientas nuevas con mas facilidad y flexibilidad cognitiva.
Sin embargo su promedio de uso semanal de la IA(3.9 horas) evidencia que su integracion es moderada
y esta en etapa inicial, lo que implica que los estudiantes reconocen la relevancia de este tipo de
tecnologias pero no lo han consolidado como un recurso central para el aprendizaje.
El analisis realizado sobre impacto de la inteligencia artificial(IA) en los estudiantes del Centro
Univeristario UAEM Temascaltepec brinda un panorama mas significativo en la forma como las
licenciaturas implementan la inteligencia artificial en sus procesos formativos. De esta manera los
resultados obtenidos mediante el analisis de varianza (ANDEVA) demostraron que seis variables no
presentaron diferencias significativas entre las carrerras (P0.05) como edad , % tareas con IA , Verificar
información con IA, Uso de la IA/semana, % De verificación de la información y % confianza de la
experiencia. Revelando, que a pesar de los distintos enfoques disciplinares y planes de estudio, los
estudiantes comparten un nivel similar de apropiación de tecnologia y uso de herramientas relacionadas
con la IA en sus practicas academica. Dicha homogeneidad se relaciona con los perfiles digitales
emergentes, donde los jovenes hacen exploraciones de forma autónoma generados por la curiosidad y
obtienen el aprendizaje por descubrimiento.
Por otra parte el analisis de varianza(ANDEVA) tambien mostraron que que diez variables presentan
diferencias significativas entre las carrerras (P0.05) las diferencias significativas en variables como
Horas estudio/semana, Promedio licenciatura, N° horas de IA/Semana, Utilidad en aprendizaje, Mejora
% de
dependencia
12.96
a
20.00
a
17.54
a
12.96
a
48.20
b
22.332 18.638 .000**
a,b. Literales iguales representan igualdad estadística al p0.05, literales diferentes representan
diferencias estadísticas al p0.05
CONCLUSIONES
La poblacion estudiantil se concentra en un rango etario de entre 18 y 21 años, con una media de 19.6
años, que va influir de manera positiva en la adopcion de las tecnologias, debido a que los estudiantes
tienden a incorporar herramientas nuevas con mas facilidad y flexibilidad cognitiva.
Sin embargo su promedio de uso semanal de la IA(3.9 horas) evidencia que su integracion es moderada
y esta en etapa inicial, lo que implica que los estudiantes reconocen la relevancia de este tipo de
tecnologias pero no lo han consolidado como un recurso central para el aprendizaje.
El analisis realizado sobre impacto de la inteligencia artificial(IA) en los estudiantes del Centro
Univeristario UAEM Temascaltepec brinda un panorama mas significativo en la forma como las
licenciaturas implementan la inteligencia artificial en sus procesos formativos. De esta manera los
resultados obtenidos mediante el analisis de varianza (ANDEVA) demostraron que seis variables no
presentaron diferencias significativas entre las carrerras (P0.05) como edad , % tareas con IA , Verificar
información con IA, Uso de la IA/semana, % De verificación de la información y % confianza de la
experiencia. Revelando, que a pesar de los distintos enfoques disciplinares y planes de estudio, los
estudiantes comparten un nivel similar de apropiación de tecnologia y uso de herramientas relacionadas
con la IA en sus practicas academica. Dicha homogeneidad se relaciona con los perfiles digitales
emergentes, donde los jovenes hacen exploraciones de forma autónoma generados por la curiosidad y
obtienen el aprendizaje por descubrimiento.
Por otra parte el analisis de varianza(ANDEVA) tambien mostraron que que diez variables presentan
diferencias significativas entre las carrerras (P0.05) las diferencias significativas en variables como
Horas estudio/semana, Promedio licenciatura, N° horas de IA/Semana, Utilidad en aprendizaje, Mejora
pág. 6792
de trabajos, Motivación de trabajos, % interés por estudiar, Frecuencia al mes de investigar, Confianza
de la información y % de dependencia, genera la necesidad de consolidar una formacion universitaria
que no solo promueva el uso tecnico, sino tambien su comprension epistemlogica en cada licenciatura.
Los estudiantes deben de aaprender a interpretar los procesos detrás de los algoritmos, identificar los
sesgos y comprender los criterios de generacion de los resultados. Permitiendo de este modo a una
alfabetizacion digital integral que combine habilidades tecnicas, pensamiento critico y conciencia etica.
En este sentido el Centro Universitario UAEM Temascaltepec se encuentra en una posicion estrategica
para liderar la incorporacion pedagogica de la IA, mediante politicas institucionales que impulsen a
la formacion docente, el diseño de estrategias didacticas innovadoras y la inclusion transversal de la IA
en los planes de estudio.
REFERENCIAS BIBLIOGRAFICAS
Ahmad, S. F., Alam, M. M., Rahmat, M. K., Mubarik, M. S., & Hyder, S. I. (2022). Academic and
Administrative Role of Artificial Intelligence in Education. In Sustainability (Switzerland) (Vol.
14, Issue 3). MDPI. https://doi.org/10.3390/su14031101
Alasgarova, R., & Rzayev, J. (2024). The Role of Artificial Intelligence in Shaping High School
Students’ Motivation. International Journal of Technology in Education and Science, 8(2), 311–
324. https://doi.org/10.46328/ijtes.553
Alvarado Vélez, J. A., Eduardo Vinicio, E. V., Becerra Erazo, L., & Bonifaz Aranda, E. F. (2024).
Inteligencia artificial en el aula de derecho: potencial y retos para docentes universitarios. Código
Científico Revista de Investigación, 5(2), 1098–1114.
https://doi.org/10.55813/gaea/ccri/v5/n2/614
Bates, T., & Vancouver, L. (2019). Teaching in a Digital Age-Second Edition Guidelines for designing
teaching and learning. https://pressbooks.bccampus.ca/teachinginadigitalagev2/
Burlov & Yakovlev. (2025). USO DE LA IA PARA PERSONALIZAR LAS EXPERIENCIAS
TURÍSTICAS. EL PAPEL DE LA INTELIGENCIA ARTIFICIAL EN LA CREACIÓN DE
PRODUCTOS Y SERVICIOS TURÍSTICOS A MEDIDA.
de trabajos, Motivación de trabajos, % interés por estudiar, Frecuencia al mes de investigar, Confianza
de la información y % de dependencia, genera la necesidad de consolidar una formacion universitaria
que no solo promueva el uso tecnico, sino tambien su comprension epistemlogica en cada licenciatura.
Los estudiantes deben de aaprender a interpretar los procesos detrás de los algoritmos, identificar los
sesgos y comprender los criterios de generacion de los resultados. Permitiendo de este modo a una
alfabetizacion digital integral que combine habilidades tecnicas, pensamiento critico y conciencia etica.
En este sentido el Centro Universitario UAEM Temascaltepec se encuentra en una posicion estrategica
para liderar la incorporacion pedagogica de la IA, mediante politicas institucionales que impulsen a
la formacion docente, el diseño de estrategias didacticas innovadoras y la inclusion transversal de la IA
en los planes de estudio.
REFERENCIAS BIBLIOGRAFICAS
Ahmad, S. F., Alam, M. M., Rahmat, M. K., Mubarik, M. S., & Hyder, S. I. (2022). Academic and
Administrative Role of Artificial Intelligence in Education. In Sustainability (Switzerland) (Vol.
14, Issue 3). MDPI. https://doi.org/10.3390/su14031101
Alasgarova, R., & Rzayev, J. (2024). The Role of Artificial Intelligence in Shaping High School
Students’ Motivation. International Journal of Technology in Education and Science, 8(2), 311–
324. https://doi.org/10.46328/ijtes.553
Alvarado Vélez, J. A., Eduardo Vinicio, E. V., Becerra Erazo, L., & Bonifaz Aranda, E. F. (2024).
Inteligencia artificial en el aula de derecho: potencial y retos para docentes universitarios. Código
Científico Revista de Investigación, 5(2), 1098–1114.
https://doi.org/10.55813/gaea/ccri/v5/n2/614
Bates, T., & Vancouver, L. (2019). Teaching in a Digital Age-Second Edition Guidelines for designing
teaching and learning. https://pressbooks.bccampus.ca/teachinginadigitalagev2/
Burlov & Yakovlev. (2025). USO DE LA IA PARA PERSONALIZAR LAS EXPERIENCIAS
TURÍSTICAS. EL PAPEL DE LA INTELIGENCIA ARTIFICIAL EN LA CREACIÓN DE
PRODUCTOS Y SERVICIOS TURÍSTICOS A MEDIDA.
pág. 6793
Castañeda-Bustos, V. J., Gallegos Sánchez, J., & Rubio, R. R. (2014). SOCIOECONOMIC
LIMITATIONS OF GOAT PRODUCTION SYSTEMS IN SOUTHERN MEXICO STATE.
https://www.researchgate.net/publication/234097017
Castro-Manzano, J. M. (2022). Edadismo e inteligencia artificial.
Chao-Rebolledo, C., & Rivera-Navarro, M. Á. (2024). Usos y percepciones de herramientas de
inteligencia artificial en la educación superior en México. Revista Iberoamericana de Educación,
95(1), 57–72. https://doi.org/10.35362/rie9516259
Chiu, T. K. F., Moorhouse, B. L., Chai, C. S., & Ismailov, M. (2024). Teacher support and student
motivation to learn with Artificial Intelligence (AI) based chatbot. Interactive Learning
Environments, 32(7), 3240–3256. https://doi.org/10.1080/10494820.2023.2172044
Collin, S., Lepage, A., & Nebel, L. (2023). Ethical and Critical Issues of Artificial Intelligence in
Education: A Systematic Review of the Literature. Canadian Journal of Learning and Technology,
49(4 Special Issue). https://doi.org/10.21432/cjlt28448
Cordero Pincay, L. F., Moriel Alay, E. M., Zambrano Lauzo, J. G., Romero Narváez, L. M., & Armijos
Rodríguez, Y. D. (2025). Impacto de la inteligencia artificial en el proceso de aprendizaje de
estudiantes de educación superior. Ciencia y Reflexión, 4(1), 268–293.
https://doi.org/10.70747/cr.v4i1.104
Crompton, H., & Burke, D. (2023). Artificial intelligence in higher education: the state of the field.
International Journal of Educational Technology in Higher Education, 20(1).
https://doi.org/10.1186/s41239-023-00392-8
Doty, K., & Lipien, L. (2024). Student Perceptions and Attitudes About the Usage of Chatgpt in Online
K-12 Education and Student Preferences About Learning to Use Artificial Intelligence from
Teachers. American Journal of Educational Research, 12(9), 348–355.
https://doi.org/10.12691/education-12-9-2
Castañeda-Bustos, V. J., Gallegos Sánchez, J., & Rubio, R. R. (2014). SOCIOECONOMIC
LIMITATIONS OF GOAT PRODUCTION SYSTEMS IN SOUTHERN MEXICO STATE.
https://www.researchgate.net/publication/234097017
Castro-Manzano, J. M. (2022). Edadismo e inteligencia artificial.
Chao-Rebolledo, C., & Rivera-Navarro, M. Á. (2024). Usos y percepciones de herramientas de
inteligencia artificial en la educación superior en México. Revista Iberoamericana de Educación,
95(1), 57–72. https://doi.org/10.35362/rie9516259
Chiu, T. K. F., Moorhouse, B. L., Chai, C. S., & Ismailov, M. (2024). Teacher support and student
motivation to learn with Artificial Intelligence (AI) based chatbot. Interactive Learning
Environments, 32(7), 3240–3256. https://doi.org/10.1080/10494820.2023.2172044
Collin, S., Lepage, A., & Nebel, L. (2023). Ethical and Critical Issues of Artificial Intelligence in
Education: A Systematic Review of the Literature. Canadian Journal of Learning and Technology,
49(4 Special Issue). https://doi.org/10.21432/cjlt28448
Cordero Pincay, L. F., Moriel Alay, E. M., Zambrano Lauzo, J. G., Romero Narváez, L. M., & Armijos
Rodríguez, Y. D. (2025). Impacto de la inteligencia artificial en el proceso de aprendizaje de
estudiantes de educación superior. Ciencia y Reflexión, 4(1), 268–293.
https://doi.org/10.70747/cr.v4i1.104
Crompton, H., & Burke, D. (2023). Artificial intelligence in higher education: the state of the field.
International Journal of Educational Technology in Higher Education, 20(1).
https://doi.org/10.1186/s41239-023-00392-8
Doty, K., & Lipien, L. (2024). Student Perceptions and Attitudes About the Usage of Chatgpt in Online
K-12 Education and Student Preferences About Learning to Use Artificial Intelligence from
Teachers. American Journal of Educational Research, 12(9), 348–355.
https://doi.org/10.12691/education-12-9-2
pág. 6794
Elhassani, E. E., Oulamine, A., & Elbarhoumi F, A. (2025). Núcleo Multidisciplinar International
Journal of Digitalization and Applied Management Journal homepage:
https://ojs.nmdjournals.org/index.php/ijdam Rethinking the Adoption of Artificial Intelligence in
Higher Education: A Bibliometric Study of Barriers, Ethical Issues, and Governance Challenges. •
IJDAM •, 2(2), 2025–2976. https://doi.org/10.23882/ijdam.25216
Freeman, J. (2025). Student Generative AI Survey 2025.
Frías-Navarro, D. (n.d.). Apuntes de estimación de la fiabilidad de consistencia interna de los ítems de
un instrumento de medida. https://doi.org/10.17605/osf.io/kngtp
Gobierno del Estado de México. (2023). Temascaltepec_ Economía, empleo, equidad, calidad de vida,
educación, salud y seguridad pública _ Data México.
González Campos, J. A., López Núñez, J. C., & Araya Pérez, C. E. (2024). Higher education and
artificial intelligence: challenges for the 21st century. Aloma, 42(1), 79–90.
https://doi.org/10.51698/ALOMA.2024.42.1.79-90
Gutiérrez-Castillo, J. J., Romero-Tena, R., & León-Garrido, A. (2025). Benefits of Artificial Intelligence
in University Students’ Learning: A Systematic Review. In Edutec (Issue 91, pp. 185–206). GTE-
Educational Technology Group, University of the Balearic Islands.
https://doi.org/10.21556/edutec.2025.91.3607
Hajian, S., Bonchi, F., & Castillo, C. (2016). Algorithmic bias: From discrimination discovery to
fairness-aware data mining. Proceedings of the ACM SIGKDD International Conference on
Knowledge Discovery and Data Mining, 13-17-August-2016, 2125–2126.
https://doi.org/10.1145/2939672.2945386
Huang, S., Lai, X., Ke, L., Li, Y., Wang, H., Zhao, X., Dai, X., & Wang, Y. (2024). AI Technology
panic—is AI Dependence Bad for Mental Health? A Cross-Lagged Panel Model and the Mediating
Roles of Motivations for AI Use Among Adolescents. Psychology Research and Behavior
Management, 17, 1087–1102. https://doi.org/10.2147/PRBM.S440889
Elhassani, E. E., Oulamine, A., & Elbarhoumi F, A. (2025). Núcleo Multidisciplinar International
Journal of Digitalization and Applied Management Journal homepage:
https://ojs.nmdjournals.org/index.php/ijdam Rethinking the Adoption of Artificial Intelligence in
Higher Education: A Bibliometric Study of Barriers, Ethical Issues, and Governance Challenges. •
IJDAM •, 2(2), 2025–2976. https://doi.org/10.23882/ijdam.25216
Freeman, J. (2025). Student Generative AI Survey 2025.
Frías-Navarro, D. (n.d.). Apuntes de estimación de la fiabilidad de consistencia interna de los ítems de
un instrumento de medida. https://doi.org/10.17605/osf.io/kngtp
Gobierno del Estado de México. (2023). Temascaltepec_ Economía, empleo, equidad, calidad de vida,
educación, salud y seguridad pública _ Data México.
González Campos, J. A., López Núñez, J. C., & Araya Pérez, C. E. (2024). Higher education and
artificial intelligence: challenges for the 21st century. Aloma, 42(1), 79–90.
https://doi.org/10.51698/ALOMA.2024.42.1.79-90
Gutiérrez-Castillo, J. J., Romero-Tena, R., & León-Garrido, A. (2025). Benefits of Artificial Intelligence
in University Students’ Learning: A Systematic Review. In Edutec (Issue 91, pp. 185–206). GTE-
Educational Technology Group, University of the Balearic Islands.
https://doi.org/10.21556/edutec.2025.91.3607
Hajian, S., Bonchi, F., & Castillo, C. (2016). Algorithmic bias: From discrimination discovery to
fairness-aware data mining. Proceedings of the ACM SIGKDD International Conference on
Knowledge Discovery and Data Mining, 13-17-August-2016, 2125–2126.
https://doi.org/10.1145/2939672.2945386
Huang, S., Lai, X., Ke, L., Li, Y., Wang, H., Zhao, X., Dai, X., & Wang, Y. (2024). AI Technology
panic—is AI Dependence Bad for Mental Health? A Cross-Lagged Panel Model and the Mediating
Roles of Motivations for AI Use Among Adolescents. Psychology Research and Behavior
Management, 17, 1087–1102. https://doi.org/10.2147/PRBM.S440889
pág. 6795
Ismail, K., & Krishnanraw, J. (n.d.). Behavioral Intention to Use Artificial Intelligence (AI) Among
Accounting Students: Evaluating the Effect of Job Relevance. Gadjah Mada International Journal
of Business, 27(3), 2025.
Lechuga-Moreno, E. I., Simental-Chávez, L., Camacho-Macias, B. D., & Moreno-Salcido, F. B. (2025).
Hábitos de Estudio en Estudiantes que Ingresan a Licenciatura. Revista Docentes 2.0, 18(1), 158–
164. https://doi.org/10.37843/rted.v18i1.605
Leticia, D. M., González, G., Judith, D., & Arroyo, C. (2016). CPU-e.
Luckin, R., Cukurova, M., Kent, C., & du Boulay, B. (2022). Empowering educators to be AI-ready.
Computers and Education: Artificial Intelligence, 3. https://doi.org/10.1016/j.caeai.2022.100076
Ojeda, M. M. (2016). Metodología de muestreo de poblaciones finitas para aplicaciones en encuestas.
https://www.researchgate.net/publication/320565096
Perdomo. (2025). Inteligencia artificial en educación superior: revisión integrativa de la literatura
Artificial intelligence in higher education: integrative literature review Inteligência artificial no
ensino superior: revisão integrativa da literatura. https://doi.org/10.18861/cied.2025.16.2
Riya, T., DC, S., & RK, J. (2025). Leveraging artificial intelligence for advancements in agriculture: A
review. International Journal of Research in Agronomy, 8(1), 415–417.
https://doi.org/10.33545/2618060x.2025.v8.i1f.2432
Ruiz-Rojas, L. I., Salvador-Ullauri, L., & Acosta-Vargas, P. (2024). Collaborative Working and Critical
Thinking: Adoption of Generative Artificial Intelligence Tools in Higher Education. Sustainability
(Switzerland) , 16(13). https://doi.org/10.3390/su16135367
Salazar-Márquez, R., Karina, K., & Mendoza, R. (2024). La tarea en tiempos de la Inteligencia
Artificial.
Secretaría de Economía. (2023). Temascaltepec_ Economía, empleo, equidad, calidad de vida,
educación, salud y seguridad pública _ Data México.
Ismail, K., & Krishnanraw, J. (n.d.). Behavioral Intention to Use Artificial Intelligence (AI) Among
Accounting Students: Evaluating the Effect of Job Relevance. Gadjah Mada International Journal
of Business, 27(3), 2025.
Lechuga-Moreno, E. I., Simental-Chávez, L., Camacho-Macias, B. D., & Moreno-Salcido, F. B. (2025).
Hábitos de Estudio en Estudiantes que Ingresan a Licenciatura. Revista Docentes 2.0, 18(1), 158–
164. https://doi.org/10.37843/rted.v18i1.605
Leticia, D. M., González, G., Judith, D., & Arroyo, C. (2016). CPU-e.
Luckin, R., Cukurova, M., Kent, C., & du Boulay, B. (2022). Empowering educators to be AI-ready.
Computers and Education: Artificial Intelligence, 3. https://doi.org/10.1016/j.caeai.2022.100076
Ojeda, M. M. (2016). Metodología de muestreo de poblaciones finitas para aplicaciones en encuestas.
https://www.researchgate.net/publication/320565096
Perdomo. (2025). Inteligencia artificial en educación superior: revisión integrativa de la literatura
Artificial intelligence in higher education: integrative literature review Inteligência artificial no
ensino superior: revisão integrativa da literatura. https://doi.org/10.18861/cied.2025.16.2
Riya, T., DC, S., & RK, J. (2025). Leveraging artificial intelligence for advancements in agriculture: A
review. International Journal of Research in Agronomy, 8(1), 415–417.
https://doi.org/10.33545/2618060x.2025.v8.i1f.2432
Ruiz-Rojas, L. I., Salvador-Ullauri, L., & Acosta-Vargas, P. (2024). Collaborative Working and Critical
Thinking: Adoption of Generative Artificial Intelligence Tools in Higher Education. Sustainability
(Switzerland) , 16(13). https://doi.org/10.3390/su16135367
Salazar-Márquez, R., Karina, K., & Mendoza, R. (2024). La tarea en tiempos de la Inteligencia
Artificial.
Secretaría de Economía. (2023). Temascaltepec_ Economía, empleo, equidad, calidad de vida,
educación, salud y seguridad pública _ Data México.
pág. 6796
Syifauddin, M., & Ridho Yuliansyah, A. (2023). THE EFFECT OF USING AI ON STUDENTS’
MOTIVATION AND ANXIETY IN LEARNING ENGLISH (Vol. 2, Issue 2).
https://ojs.transpublika.com/index.php/TRANSTOOL
UNESCO. (2025). UNESCO. In AI and Education: Protecting the Rights of Learners. UNESCO.
https://doi.org/10.54675/roqh4287
United Nations, D. of E. and S. A. n. d. (2025). Definition of Youth.
http://undesadspd.org/Youth.aspxfacebook.com/
Universidad Autónoma del Estado de México. (2024). UAEMex - Planes de Estudio.
Vieriu, A. M., & Petrea, G. (2025a). The Impact of Artificial Intelligence (AI) on Students’ Academic
Development. Education Sciences, 15(3). https://doi.org/10.3390/educsci15030343
Vieriu, A. M., & Petrea, G. (2025b). The Impact of Artificial Intelligence (AI) on Students’ Academic
Development. Education Sciences, 15(3). https://doi.org/10.3390/educsci15030343
Woolf, B. P. (2009). Building Intelligent Interactive Tutors Student-centered strategies for
revolutionizing e-learning. www.mkp.com
Yang, J., Xie, W., & Ni, J. (2025). A framework for AI ethics literacy: development, validation, and its
role in fostering students’ self-rated learning competence. Scientific Reports, 15(1).
https://doi.org/10.1038/s41598-025-21977-5
Zambrana Copaja, R. (2025). La inteligencia artificial como herramienta para el análisis del rendimiento
estudiantil: una revisión desde la analítica del aprendizaje. Educational Regent Multidisciplinary
Journal, 2(3), 1–12. https://doi.org/10.63969/nsw2xb85
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019a). Systematic review of research
on artificial intelligence applications in higher education – where are the educators? In
International Journal of Educational Technology in Higher Education (Vol. 16, Issue 1). Springer
Netherlands. https://doi.org/10.1186/s41239-019-0171-0
Syifauddin, M., & Ridho Yuliansyah, A. (2023). THE EFFECT OF USING AI ON STUDENTS’
MOTIVATION AND ANXIETY IN LEARNING ENGLISH (Vol. 2, Issue 2).
https://ojs.transpublika.com/index.php/TRANSTOOL
UNESCO. (2025). UNESCO. In AI and Education: Protecting the Rights of Learners. UNESCO.
https://doi.org/10.54675/roqh4287
United Nations, D. of E. and S. A. n. d. (2025). Definition of Youth.
http://undesadspd.org/Youth.aspxfacebook.com/
Universidad Autónoma del Estado de México. (2024). UAEMex - Planes de Estudio.
Vieriu, A. M., & Petrea, G. (2025a). The Impact of Artificial Intelligence (AI) on Students’ Academic
Development. Education Sciences, 15(3). https://doi.org/10.3390/educsci15030343
Vieriu, A. M., & Petrea, G. (2025b). The Impact of Artificial Intelligence (AI) on Students’ Academic
Development. Education Sciences, 15(3). https://doi.org/10.3390/educsci15030343
Woolf, B. P. (2009). Building Intelligent Interactive Tutors Student-centered strategies for
revolutionizing e-learning. www.mkp.com
Yang, J., Xie, W., & Ni, J. (2025). A framework for AI ethics literacy: development, validation, and its
role in fostering students’ self-rated learning competence. Scientific Reports, 15(1).
https://doi.org/10.1038/s41598-025-21977-5
Zambrana Copaja, R. (2025). La inteligencia artificial como herramienta para el análisis del rendimiento
estudiantil: una revisión desde la analítica del aprendizaje. Educational Regent Multidisciplinary
Journal, 2(3), 1–12. https://doi.org/10.63969/nsw2xb85
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019a). Systematic review of research
on artificial intelligence applications in higher education – where are the educators? In
International Journal of Educational Technology in Higher Education (Vol. 16, Issue 1). Springer
Netherlands. https://doi.org/10.1186/s41239-019-0171-0
pág. 6797
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019b). Systematic review of research
on artificial intelligence applications in higher education – where are the educators? In
International Journal of Educational Technology in Higher Education (Vol. 16, Issue 1). Springer
Netherlands. https://doi.org/10.1186/s41239-019-0171-0
Zeind Chávez & Bonilla Gutiérrez. (2024). InteligenciaArtificial_desde-las-juventudes (1).
Zhou, M., & Peng, S. (2025). The Usage of AI in Teaching and Students’ Creativity: The Mediating
Role of Learning Engagement and the Moderating Role of AI Literacy. Behavioral Sciences, 15(5).
https://doi.org/10.3390/bs15050587
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019b). Systematic review of research
on artificial intelligence applications in higher education – where are the educators? In
International Journal of Educational Technology in Higher Education (Vol. 16, Issue 1). Springer
Netherlands. https://doi.org/10.1186/s41239-019-0171-0
Zeind Chávez & Bonilla Gutiérrez. (2024). InteligenciaArtificial_desde-las-juventudes (1).
Zhou, M., & Peng, S. (2025). The Usage of AI in Teaching and Students’ Creativity: The Mediating
Role of Learning Engagement and the Moderating Role of AI Literacy. Behavioral Sciences, 15(5).
https://doi.org/10.3390/bs15050587