PATRONES DE USO ACADÉMICO
DE LA INTELIGENCIA ARTIFICIAL
GENERATIVA EN ESTUDIANTES
UNIVERSITARIOS
ACADEMIC USAGE PATTERNS OF GENERATIVE
ARTIFICIAL INTELLIGENCE AMONG UNIVERSITY
STUDENTS
Aurora Gurrola Rodríguez
Universidad Juárez del Estado de Durango, México
Luis Alejandro Torres Monreal
Universidad Juárez del Estado de Durango, México
Selene Soria Pérez
Universidad Juárez del Estado de Durango, México
José Luis Rodríguez Álvarez
TecNM/Región de Los Llanos, México
pág. 12210
DOI: https://doi.org/10.37811/cl_rcm.v10i1.22966
Patrones de Uso Académico de la Inteligencia Artificial Generativa en
Estudiantes Universitarios
Aurora Gurrola Rodríguez1
aurora.gurrola@ujed.mx
https://orcid.org/0009-0003-7985-3814
Universidad Juárez del Estado de
Durango/ECyTE
México
Luis Alejandro Torres Monreal
luisalejandro.torres@ujed.mx
https://orcid.org/0009-0004-2137-3057
Universidad Juárez del Estado de
Durango/ECyTE
México
Selene Soria Pérez
selene.soria@ujed.mx
https://orcid.org/0009-0007-8213-1133
Universidad Juárez del Estado de
Durango/ECyTE
México
José Luis Rodríguez Álvarez
luis.rodriguez@itsrll.edu.mx
https://orcid.org/0000-0003-3155-4877
TecNM/Región de Los Llanos
México
RESUMEN
La integración acelerada de la inteligencia artificial generativa (IAG) en la educación superior ha
transformado las prácticas académicas estudiantiles, generando nuevas dinámicas de mediación
cognitiva, autoeficacia tecnológica y desafíos éticos. Este estudio analiza los patrones de uso académico
de la IAG en una muestra de 238 estudiantes de la Universidad Politécnica de Durango (México),
mediante un diseño cuantitativo, no experimental y de corte transversal. Se aplicó un instrumento
validado compuesto por 37 ítems distribuidos en siete dimensiones: uso académico integral, creación y
edición de contenidos, autoeficacia percibida, uso ético, acceso y desigualdad, impacto ambiental y
dependencia tecnológica. Los resultados muestran niveles altos de uso ético (x̄ = 3.74) y autoeficacia
percibida (x̄ = 3.42), mientras que la dependencia tecnológica se mantiene en un rango moderado (x̄ =
2.96). Se identificaron correlaciones significativas entre autoeficacia y uso académico (r = 0.72), así
como entre autoeficacia y uso ético (r = 0.77), lo que sugiere que la confianza tecnológica favorece una
integración más estratégica y responsable. No obstante, la relación entre uso académico y dependencia
(r = 0.50) advierte posibles riesgos de subordinación cognitiva. Se concluye que la IAG forma parte
estructural del ecosistema académico estudiantil y que su integración efectiva requiere fortalecer la
autoeficacia crítica, la autonomía cognitiva y la formación ética y ambiental en la educación superior.
Palabras clave: inteligencia artificial generativa, educación superior, autoeficacia académica,
integridad académica, dependencia tecnológica
1 Autor principal.
Correspondencia: aurora.gurrola@ujed.mx
DOI: https://doi.org/10.37811/cl_rcm.v10i1.22966
Patrones de Uso Académico de la Inteligencia Artificial Generativa en
Estudiantes Universitarios
Aurora Gurrola Rodríguez1
aurora.gurrola@ujed.mx
https://orcid.org/0009-0003-7985-3814
Universidad Juárez del Estado de
Durango/ECyTE
México
Luis Alejandro Torres Monreal
luisalejandro.torres@ujed.mx
https://orcid.org/0009-0004-2137-3057
Universidad Juárez del Estado de
Durango/ECyTE
México
Selene Soria Pérez
selene.soria@ujed.mx
https://orcid.org/0009-0007-8213-1133
Universidad Juárez del Estado de
Durango/ECyTE
México
José Luis Rodríguez Álvarez
luis.rodriguez@itsrll.edu.mx
https://orcid.org/0000-0003-3155-4877
TecNM/Región de Los Llanos
México
RESUMEN
La integración acelerada de la inteligencia artificial generativa (IAG) en la educación superior ha
transformado las prácticas académicas estudiantiles, generando nuevas dinámicas de mediación
cognitiva, autoeficacia tecnológica y desafíos éticos. Este estudio analiza los patrones de uso académico
de la IAG en una muestra de 238 estudiantes de la Universidad Politécnica de Durango (México),
mediante un diseño cuantitativo, no experimental y de corte transversal. Se aplicó un instrumento
validado compuesto por 37 ítems distribuidos en siete dimensiones: uso académico integral, creación y
edición de contenidos, autoeficacia percibida, uso ético, acceso y desigualdad, impacto ambiental y
dependencia tecnológica. Los resultados muestran niveles altos de uso ético (x̄ = 3.74) y autoeficacia
percibida (x̄ = 3.42), mientras que la dependencia tecnológica se mantiene en un rango moderado (x̄ =
2.96). Se identificaron correlaciones significativas entre autoeficacia y uso académico (r = 0.72), así
como entre autoeficacia y uso ético (r = 0.77), lo que sugiere que la confianza tecnológica favorece una
integración más estratégica y responsable. No obstante, la relación entre uso académico y dependencia
(r = 0.50) advierte posibles riesgos de subordinación cognitiva. Se concluye que la IAG forma parte
estructural del ecosistema académico estudiantil y que su integración efectiva requiere fortalecer la
autoeficacia crítica, la autonomía cognitiva y la formación ética y ambiental en la educación superior.
Palabras clave: inteligencia artificial generativa, educación superior, autoeficacia académica,
integridad académica, dependencia tecnológica
1 Autor principal.
Correspondencia: aurora.gurrola@ujed.mx
pág. 12211
Academic Usage Patterns of Generative Artificial Intelligence Among
University Students
ABSTRACT
The rapid integration of generative artificial intelligence (GenAI) into higher education has transformed
students’ academic practices, generating new dynamics of cognitive mediation, technological self-
efficacy, and ethical challenges. This study analyzes academic usage patterns of GenAI in a sample of
238 students from the Polytechnic University of Durango (Mexico) through a quantitative, non-
experimental, cross-sectional design. A validated instrument consisting of 37 items distributed across
seven dimensions was applied: comprehensive academic use, content creation and editing, perceived
self-efficacy, ethical use, access and inequality, environmental impact, and technological dependence.
Results indicate high levels of ethical use (x̄ = 3.74) and perceived self-efficacy (x̄ = 3.42), while
technological dependence remains moderate (x̄ = 2.96). Significant correlations were found between
self-efficacy and academic use (r = 0.72), as well as between self-efficacy and ethical use (r = 0.77),
suggesting that technological confidence promotes more strategic and responsible integration.
However, the relationship between academic use and dependence (r = 0.50) signals potential risks of
cognitive reliance. The findings indicate that GenAI has become a structural component of the student
academic ecosystem, and its effective integration requires strengthening critical self-efficacy, cognitive
autonomy, and ethical and environmental education in higher education
Keywords: generative artificial intelligence; higher education; academic self-efficacy; academic
integrity; technological dependence
Artículo recibido 02 febrero 2026
Aceptado para publicación: 27 febrero 2026
Academic Usage Patterns of Generative Artificial Intelligence Among
University Students
ABSTRACT
The rapid integration of generative artificial intelligence (GenAI) into higher education has transformed
students’ academic practices, generating new dynamics of cognitive mediation, technological self-
efficacy, and ethical challenges. This study analyzes academic usage patterns of GenAI in a sample of
238 students from the Polytechnic University of Durango (Mexico) through a quantitative, non-
experimental, cross-sectional design. A validated instrument consisting of 37 items distributed across
seven dimensions was applied: comprehensive academic use, content creation and editing, perceived
self-efficacy, ethical use, access and inequality, environmental impact, and technological dependence.
Results indicate high levels of ethical use (x̄ = 3.74) and perceived self-efficacy (x̄ = 3.42), while
technological dependence remains moderate (x̄ = 2.96). Significant correlations were found between
self-efficacy and academic use (r = 0.72), as well as between self-efficacy and ethical use (r = 0.77),
suggesting that technological confidence promotes more strategic and responsible integration.
However, the relationship between academic use and dependence (r = 0.50) signals potential risks of
cognitive reliance. The findings indicate that GenAI has become a structural component of the student
academic ecosystem, and its effective integration requires strengthening critical self-efficacy, cognitive
autonomy, and ethical and environmental education in higher education
Keywords: generative artificial intelligence; higher education; academic self-efficacy; academic
integrity; technological dependence
Artículo recibido 02 febrero 2026
Aceptado para publicación: 27 febrero 2026
pág. 12212
INTRODUCCIÓN
La integración acelerada de la inteligencia artificial generativa (IAG) en la educación superior
constituye uno de los cambios tecnológicos más significativos de los últimos años. Desde la aparición
de sistemas conversacionales avanzados a finales de 2022, su adopción estudiantil ha crecido de forma
exponencial, transformando los procesos de búsqueda de información, producción textual y resolución
de problemas académicos. En este contexto, la IAG deja de ser una herramienta complementaria para
convertirse en un agente mediador entre el estudiante y el conocimiento.
El problema de investigación surge a partir de la brecha existente entre el uso intensivo que los
estudiantes realizan de estas herramientas y la limitada orientación institucional disponible para regular,
acompañar y potenciar su integración pedagógica. Diversos estudios señalan que la adopción de la IAG
ocurre con mayor rapidez que el desarrollo de lineamientos éticos y didácticos formales, generando
tensiones relacionadas con la autoría, la integridad académica, la autonomía cognitiva y la dependencia
tecnológica (Kasneci et al., 2023; Mazaherian & Nourbakhsh, 2025). Este vacío evidencia la necesidad
de comprender no solo la frecuencia de uso, sino también los patrones de interacción, las percepciones
y los factores psicológicos asociados.
La relevancia del estudio radica en que la IAG no solo distribuye información, sino que estructura el
conocimiento mediante modelos algorítmicos complejos, lo que redefine las prácticas de estudio y las
expectativas de desempeño académico. Analizar estos patrones permite aportar evidencia empírica para
el diseño de políticas institucionales, estrategias pedagógicas y programas de formación que promuevan
un uso crítico, ético y sostenible de la tecnología.
El marco teórico del estudio se sustenta en cuatro dimensiones centrales. En primer lugar, la IAG como
agente de mediación cognitiva, entendida como una tecnología que interviene directamente en los
procesos de producción y organización del conocimiento (UNESCO, 2023; Vallejo Ballesteros et al.,
2025).
En segundo lugar, la teoría de la autoeficacia de Bandura (1997), que explica cómo la creencia en la
propia capacidad influye en la adopción y el uso estratégico de herramientas tecnológicas.
Investigaciones recientes vinculan la autoeficacia académica con el empoderamiento digital y la
integración responsable de la IA (Castro-Menacho et al., 2025).
INTRODUCCIÓN
La integración acelerada de la inteligencia artificial generativa (IAG) en la educación superior
constituye uno de los cambios tecnológicos más significativos de los últimos años. Desde la aparición
de sistemas conversacionales avanzados a finales de 2022, su adopción estudiantil ha crecido de forma
exponencial, transformando los procesos de búsqueda de información, producción textual y resolución
de problemas académicos. En este contexto, la IAG deja de ser una herramienta complementaria para
convertirse en un agente mediador entre el estudiante y el conocimiento.
El problema de investigación surge a partir de la brecha existente entre el uso intensivo que los
estudiantes realizan de estas herramientas y la limitada orientación institucional disponible para regular,
acompañar y potenciar su integración pedagógica. Diversos estudios señalan que la adopción de la IAG
ocurre con mayor rapidez que el desarrollo de lineamientos éticos y didácticos formales, generando
tensiones relacionadas con la autoría, la integridad académica, la autonomía cognitiva y la dependencia
tecnológica (Kasneci et al., 2023; Mazaherian & Nourbakhsh, 2025). Este vacío evidencia la necesidad
de comprender no solo la frecuencia de uso, sino también los patrones de interacción, las percepciones
y los factores psicológicos asociados.
La relevancia del estudio radica en que la IAG no solo distribuye información, sino que estructura el
conocimiento mediante modelos algorítmicos complejos, lo que redefine las prácticas de estudio y las
expectativas de desempeño académico. Analizar estos patrones permite aportar evidencia empírica para
el diseño de políticas institucionales, estrategias pedagógicas y programas de formación que promuevan
un uso crítico, ético y sostenible de la tecnología.
El marco teórico del estudio se sustenta en cuatro dimensiones centrales. En primer lugar, la IAG como
agente de mediación cognitiva, entendida como una tecnología que interviene directamente en los
procesos de producción y organización del conocimiento (UNESCO, 2023; Vallejo Ballesteros et al.,
2025).
En segundo lugar, la teoría de la autoeficacia de Bandura (1997), que explica cómo la creencia en la
propia capacidad influye en la adopción y el uso estratégico de herramientas tecnológicas.
Investigaciones recientes vinculan la autoeficacia académica con el empoderamiento digital y la
integración responsable de la IA (Castro-Menacho et al., 2025).
pág. 12213
En tercer lugar, se considera el dilema de la dependencia tecnológica, entendido como la delegación
sistemática de procesos cognitivos esenciales a los algoritmos (Estrada-Araoz et al., 2025). Finalmente,
se incorpora la dimensión ética y ambiental, que amplía la discusión hacia la integridad académica y el
impacto ecológico de los modelos de lenguaje de gran escala (Farinosi & Melchior, 2025).
Los antecedentes investigativos muestran que el uso de la IAG en educación superior se asocia
positivamente con la percepción de utilidad y la intención de uso (Chan & Zhou, 2023), pero también
advierten riesgos relacionados con la procrastinación académica y la automatización acrítica de tareas
(Muñoz Mazacón et al., 2025). Sin embargo, aún existe escasa evidencia empírica contextualizada en
instituciones públicas mexicanas que analice de manera integral dimensiones como la autoeficacia, la
dependencia, la ética y la conciencia ambiental de forma simultánea.
La presente investigación se desarrolla en la Universidad Politécnica de Durango, institución pública
del subsistema tecnológico mexicano, caracterizada por un modelo educativo basado en competencias
y una fuerte incorporación de herramientas digitales en sus procesos formativos. Este contexto resulta
pertinente para explorar cómo los estudiantes integran la IAG en sus prácticas académicas cotidianas.
En este marco, el objetivo general del estudio es analizar los patrones de uso académico de la
inteligencia artificial generativa en una muestra de estudiantes universitarios, identificando la relación
entre autoeficacia percibida, uso ético, creación de contenidos y dependencia tecnológica. De manera
complementaria, se plantea como hipótesis que la autoeficacia percibida se relaciona positivamente con
el uso académico y el uso ético de la IAG, mientras que el incremento en la frecuencia de uso podría
asociarse con mayores niveles de dependencia tecnológica.
METODOLOGÍA
Para alcanzar los objetivos propuestos, se diseñó un estudio enmarcado en el paradigma cuantitativo,
con un alcance descriptivo y correlacional. El diseño de la investigación fue no experimental y de corte
transversal, lo que permitió obtener una “fotografía” del estado actual del uso de la inteligencia artificial
generativa en la población estudiantil en un momento específico de su proceso de adopción tecnológica.
Población y muestra
La investigación se llevó a cabo en la Universidad Politécnica de Durango (UNIPOLI), institución
pública de educación superior ubicada en el estado de Durango, México, perteneciente al subsistema de
En tercer lugar, se considera el dilema de la dependencia tecnológica, entendido como la delegación
sistemática de procesos cognitivos esenciales a los algoritmos (Estrada-Araoz et al., 2025). Finalmente,
se incorpora la dimensión ética y ambiental, que amplía la discusión hacia la integridad académica y el
impacto ecológico de los modelos de lenguaje de gran escala (Farinosi & Melchior, 2025).
Los antecedentes investigativos muestran que el uso de la IAG en educación superior se asocia
positivamente con la percepción de utilidad y la intención de uso (Chan & Zhou, 2023), pero también
advierten riesgos relacionados con la procrastinación académica y la automatización acrítica de tareas
(Muñoz Mazacón et al., 2025). Sin embargo, aún existe escasa evidencia empírica contextualizada en
instituciones públicas mexicanas que analice de manera integral dimensiones como la autoeficacia, la
dependencia, la ética y la conciencia ambiental de forma simultánea.
La presente investigación se desarrolla en la Universidad Politécnica de Durango, institución pública
del subsistema tecnológico mexicano, caracterizada por un modelo educativo basado en competencias
y una fuerte incorporación de herramientas digitales en sus procesos formativos. Este contexto resulta
pertinente para explorar cómo los estudiantes integran la IAG en sus prácticas académicas cotidianas.
En este marco, el objetivo general del estudio es analizar los patrones de uso académico de la
inteligencia artificial generativa en una muestra de estudiantes universitarios, identificando la relación
entre autoeficacia percibida, uso ético, creación de contenidos y dependencia tecnológica. De manera
complementaria, se plantea como hipótesis que la autoeficacia percibida se relaciona positivamente con
el uso académico y el uso ético de la IAG, mientras que el incremento en la frecuencia de uso podría
asociarse con mayores niveles de dependencia tecnológica.
METODOLOGÍA
Para alcanzar los objetivos propuestos, se diseñó un estudio enmarcado en el paradigma cuantitativo,
con un alcance descriptivo y correlacional. El diseño de la investigación fue no experimental y de corte
transversal, lo que permitió obtener una “fotografía” del estado actual del uso de la inteligencia artificial
generativa en la población estudiantil en un momento específico de su proceso de adopción tecnológica.
Población y muestra
La investigación se llevó a cabo en la Universidad Politécnica de Durango (UNIPOLI), institución
pública de educación superior ubicada en el estado de Durango, México, perteneciente al subsistema de
pág. 12214
Universidades Tecnológicas y Politécnicas. Fundada en 2005, la UNIPOLI ofrece programas de
licenciatura e ingeniería bajo un modelo educativo basado en competencias, con énfasis en la formación
técnica, el uso de tecnologías digitales y la vinculación con el sector productivo regional.
La población de estudio estuvo conformada por la totalidad de estudiantes matriculados en los distintos
programas académicos de nivel licenciatura e ingeniería que se imparten en modalidad presencial. Al
momento del levantamiento de datos, la institución contaba con una matrícula distribuida en programas
de áreas administrativas, ingenierías y tecnologías de la información, apoyada por infraestructura
tecnológica que incluye laboratorios especializados, plataformas educativas institucionales (Moodle) y
recursos digitales complementarios.
A partir de esta población, se obtuvo una muestra final de 238 estudiantes, seleccionada mediante un
muestreo no probabilístico por conveniencia, atendiendo a criterios de accesibilidad, disponibilidad y
consentimiento informado de los participantes. Este tipo de muestreo resulta pertinente en estudios de
corte descriptivo y correlacional cuando el objetivo principal es explorar patrones de comportamiento,
percepciones y prácticas emergentes asociadas al uso de tecnologías en contextos educativos reales.
Criterios de inclusión y exclusión
Se establecieron como criterios de inclusión: a) estar formalmente matriculado en modalidad presencial
durante el periodo de aplicación del instrumento; b) haber utilizado al menos una herramienta de
inteligencia artificial generativa con fines académicos; y c) aceptar el consentimiento informado digital
previo a la participación.
Como criterios de exclusión se consideraron: a) cuestionarios incompletos o con inconsistencias
evidentes en las respuestas; y b) participantes que indicaron no haber utilizado herramientas de
inteligencia artificial generativa en actividades académicas.
Es importante señalar que los resultados corresponden a una muestra institucional agregada, analizada
sin diferenciación por programa académico, semestre o área disciplinar. Esta decisión metodológica
permitió identificar tendencias transversales en el uso académico de la inteligencia artificial generativa,
la autoeficacia percibida y la dependencia tecnológica, privilegiando una visión global del fenómeno
en la comunidad estudiantil.
Universidades Tecnológicas y Politécnicas. Fundada en 2005, la UNIPOLI ofrece programas de
licenciatura e ingeniería bajo un modelo educativo basado en competencias, con énfasis en la formación
técnica, el uso de tecnologías digitales y la vinculación con el sector productivo regional.
La población de estudio estuvo conformada por la totalidad de estudiantes matriculados en los distintos
programas académicos de nivel licenciatura e ingeniería que se imparten en modalidad presencial. Al
momento del levantamiento de datos, la institución contaba con una matrícula distribuida en programas
de áreas administrativas, ingenierías y tecnologías de la información, apoyada por infraestructura
tecnológica que incluye laboratorios especializados, plataformas educativas institucionales (Moodle) y
recursos digitales complementarios.
A partir de esta población, se obtuvo una muestra final de 238 estudiantes, seleccionada mediante un
muestreo no probabilístico por conveniencia, atendiendo a criterios de accesibilidad, disponibilidad y
consentimiento informado de los participantes. Este tipo de muestreo resulta pertinente en estudios de
corte descriptivo y correlacional cuando el objetivo principal es explorar patrones de comportamiento,
percepciones y prácticas emergentes asociadas al uso de tecnologías en contextos educativos reales.
Criterios de inclusión y exclusión
Se establecieron como criterios de inclusión: a) estar formalmente matriculado en modalidad presencial
durante el periodo de aplicación del instrumento; b) haber utilizado al menos una herramienta de
inteligencia artificial generativa con fines académicos; y c) aceptar el consentimiento informado digital
previo a la participación.
Como criterios de exclusión se consideraron: a) cuestionarios incompletos o con inconsistencias
evidentes en las respuestas; y b) participantes que indicaron no haber utilizado herramientas de
inteligencia artificial generativa en actividades académicas.
Es importante señalar que los resultados corresponden a una muestra institucional agregada, analizada
sin diferenciación por programa académico, semestre o área disciplinar. Esta decisión metodológica
permitió identificar tendencias transversales en el uso académico de la inteligencia artificial generativa,
la autoeficacia percibida y la dependencia tecnológica, privilegiando una visión global del fenómeno
en la comunidad estudiantil.
pág. 12215
Instrumento de recolección de datos
Para la recolección de la información se utilizó un cuestionario estructurado de autoinforme, integrado
por dos secciones principales. La primera sección estuvo orientada a recabar datos sociodemográficos
y contextuales de los participantes, tales como edad, género, institución de procedencia y formación
previa en el uso académico de herramientas de inteligencia artificial generativa. La segunda sección
consistió en una escala de actitudes, percepciones y usos de la inteligencia artificial generativa, diseñada
para evaluar de manera integral la interacción de los estudiantes con este tipo de tecnologías en el ámbito
académico.
El instrumento empleado en esta investigación se basó en la escala validada por Trejo-Trejo y Gordillo-
Espinoza (2026), desarrollada específicamente para medir el uso académico de la inteligencia artificial
generativa en estudiantes universitarios. Dicha escala fue adaptada al contexto institucional de la
UNIPOLI mediante ajustes menores en la redacción de algunos ítems, sin modificar la estructura
conceptual ni el sentido teórico de las dimensiones originales.
La escala principal estuvo conformada por 37 ítems, organizados en siete dimensiones analíticas, las
cuales permiten abordar de manera multidimensional el fenómeno estudiado:
▪ Uso académico integral, que evalúa la frecuencia y profundidad con la que los estudiantes integran
la inteligencia artificial generativa en actividades de búsqueda de información, estudio autónomo,
organización del conocimiento y preparación académica.
▪ Creación y edición de contenidos, orientada a medir el uso de la IA para la generación, mejora y
adaptación de textos, presentaciones y otros productos académicos.
▪ Autoeficacia percibida, que explora el nivel de confianza del estudiante en sus capacidades técnicas
y cognitivas para utilizar de forma efectiva las herramientas de inteligencia artificial generativa.
▪ Uso ético, centrada en las percepciones relacionadas con la honestidad académica, la transparencia,
la evaluación crítica de la información y la responsabilidad en el uso de la IA.
▪ Acceso y desigualdad, destinada a analizar las percepciones sobre barreras técnicas, económicas y
de conocimiento que inciden en el acceso equitativo a estas tecnologías.
▪ Impacto ambiental, que evalúa el nivel de conciencia de los estudiantes respecto al costo ecológico
asociado al uso intensivo de herramientas de inteligencia artificial generativa.
Instrumento de recolección de datos
Para la recolección de la información se utilizó un cuestionario estructurado de autoinforme, integrado
por dos secciones principales. La primera sección estuvo orientada a recabar datos sociodemográficos
y contextuales de los participantes, tales como edad, género, institución de procedencia y formación
previa en el uso académico de herramientas de inteligencia artificial generativa. La segunda sección
consistió en una escala de actitudes, percepciones y usos de la inteligencia artificial generativa, diseñada
para evaluar de manera integral la interacción de los estudiantes con este tipo de tecnologías en el ámbito
académico.
El instrumento empleado en esta investigación se basó en la escala validada por Trejo-Trejo y Gordillo-
Espinoza (2026), desarrollada específicamente para medir el uso académico de la inteligencia artificial
generativa en estudiantes universitarios. Dicha escala fue adaptada al contexto institucional de la
UNIPOLI mediante ajustes menores en la redacción de algunos ítems, sin modificar la estructura
conceptual ni el sentido teórico de las dimensiones originales.
La escala principal estuvo conformada por 37 ítems, organizados en siete dimensiones analíticas, las
cuales permiten abordar de manera multidimensional el fenómeno estudiado:
▪ Uso académico integral, que evalúa la frecuencia y profundidad con la que los estudiantes integran
la inteligencia artificial generativa en actividades de búsqueda de información, estudio autónomo,
organización del conocimiento y preparación académica.
▪ Creación y edición de contenidos, orientada a medir el uso de la IA para la generación, mejora y
adaptación de textos, presentaciones y otros productos académicos.
▪ Autoeficacia percibida, que explora el nivel de confianza del estudiante en sus capacidades técnicas
y cognitivas para utilizar de forma efectiva las herramientas de inteligencia artificial generativa.
▪ Uso ético, centrada en las percepciones relacionadas con la honestidad académica, la transparencia,
la evaluación crítica de la información y la responsabilidad en el uso de la IA.
▪ Acceso y desigualdad, destinada a analizar las percepciones sobre barreras técnicas, económicas y
de conocimiento que inciden en el acceso equitativo a estas tecnologías.
▪ Impacto ambiental, que evalúa el nivel de conciencia de los estudiantes respecto al costo ecológico
asociado al uso intensivo de herramientas de inteligencia artificial generativa.
pág. 12216
▪ Dependencia o adicción, orientada a medir el grado de subordinación conductual y cognitiva hacia
el uso de la inteligencia artificial generativa en el contexto académico.
Los ítems fueron formulados como afirmaciones valoradas mediante una escala tipo Likert, lo que
permitió captar gradientes de frecuencia, acuerdo y percepción en relación con cada una de las
dimensiones evaluadas. En cuanto a la validez de contenido, el instrumento fue sometido a un proceso
de juicio de expertos, quienes evaluaron la pertinencia, claridad y coherencia de los ítems respecto a las
dimensiones teóricas propuestas. Asimismo, la fiabilidad interna del cuestionario fue evaluada mediante
el coeficiente Alfa de Cronbach, reportándose valores elevados en estudios previos para las dimensiones
centrales del instrumento, mostrando valores adecuados en la mayoría de los ítems, con coeficientes
entre .80 y .95, lo que evidencia una consistencia interna robusta y adecuada para su aplicación en
contextos de educación superior (Trejo-Trejo & Gordillo-Espinoza, 2026).
En conjunto, estos resultados respaldan la validez y confiabilidad del instrumento, considerándolo
adecuado para analizar los patrones de uso académico de la inteligencia artificial generativa, la
autoeficacia percibida y la dependencia tecnológica en estudiantes universitarios.
Procedimiento y Análisis de Datos
La aplicación del instrumento se realizó de forma digital mediante un formulario en línea, garantizando
igualdad de condiciones para todos los participantes. El cuestionario estuvo disponible durante un
periodo determinado del semestre académico, y su acceso fue voluntario. Previo al inicio, los
estudiantes visualizaron una sección de consentimiento informado en la que se explicaba el propósito
del estudio, la naturaleza académica de la investigación y el tratamiento confidencial de la información.
Una vez recolectados, los datos fueron exportados y procesados utilizando el lenguaje de programación
Python. Se emplearon las librerías Pandas para la organización y limpieza de la base de datos, Scipy
para el cálculo de estadísticos inferenciales y Matplotlib/Seaborn para la generación de visualizaciones.
El análisis se estructuró en tres fases:
▪ Análisis Descriptivo: Se calcularon medias y desviaciones estándar por dimensión para identificar
los niveles de prevalencia de cada fenómeno.
▪ Análisis de Fiabilidad: Utilizado para la verificación de la consistencia interna de las escalas
principales.
▪ Dependencia o adicción, orientada a medir el grado de subordinación conductual y cognitiva hacia
el uso de la inteligencia artificial generativa en el contexto académico.
Los ítems fueron formulados como afirmaciones valoradas mediante una escala tipo Likert, lo que
permitió captar gradientes de frecuencia, acuerdo y percepción en relación con cada una de las
dimensiones evaluadas. En cuanto a la validez de contenido, el instrumento fue sometido a un proceso
de juicio de expertos, quienes evaluaron la pertinencia, claridad y coherencia de los ítems respecto a las
dimensiones teóricas propuestas. Asimismo, la fiabilidad interna del cuestionario fue evaluada mediante
el coeficiente Alfa de Cronbach, reportándose valores elevados en estudios previos para las dimensiones
centrales del instrumento, mostrando valores adecuados en la mayoría de los ítems, con coeficientes
entre .80 y .95, lo que evidencia una consistencia interna robusta y adecuada para su aplicación en
contextos de educación superior (Trejo-Trejo & Gordillo-Espinoza, 2026).
En conjunto, estos resultados respaldan la validez y confiabilidad del instrumento, considerándolo
adecuado para analizar los patrones de uso académico de la inteligencia artificial generativa, la
autoeficacia percibida y la dependencia tecnológica en estudiantes universitarios.
Procedimiento y Análisis de Datos
La aplicación del instrumento se realizó de forma digital mediante un formulario en línea, garantizando
igualdad de condiciones para todos los participantes. El cuestionario estuvo disponible durante un
periodo determinado del semestre académico, y su acceso fue voluntario. Previo al inicio, los
estudiantes visualizaron una sección de consentimiento informado en la que se explicaba el propósito
del estudio, la naturaleza académica de la investigación y el tratamiento confidencial de la información.
Una vez recolectados, los datos fueron exportados y procesados utilizando el lenguaje de programación
Python. Se emplearon las librerías Pandas para la organización y limpieza de la base de datos, Scipy
para el cálculo de estadísticos inferenciales y Matplotlib/Seaborn para la generación de visualizaciones.
El análisis se estructuró en tres fases:
▪ Análisis Descriptivo: Se calcularon medias y desviaciones estándar por dimensión para identificar
los niveles de prevalencia de cada fenómeno.
▪ Análisis de Fiabilidad: Utilizado para la verificación de la consistencia interna de las escalas
principales.
pág. 12217
▪ Análisis Correlacional: Aplicación del coeficiente de correlación de Pearson para explorar las
relaciones entre las dimensiones, permitiendo identificar cómo la autoeficacia o el uso ético
influyen en los patrones de uso académico y dependencia.
Consideraciones éticas
La investigación se desarrolló bajo principios de voluntariedad, confidencialidad y anonimato. La
participación fue completamente voluntaria y no se ofreció ningún incentivo económico o académico.
Los estudiantes aceptaron un consentimiento informado digital antes de responder el cuestionario. Los
datos fueron analizados exclusivamente de manera agregada, sin identificar a los participantes, y
utilizados únicamente con fines académicos y de investigación.
Limitaciones del estudio
El estudio presenta algunas limitaciones que deben considerarse al interpretar los resultados. En primer
lugar, el uso de un muestreo no probabilístico por conveniencia limita la posibilidad de generalizar los
hallazgos a otras instituciones de educación superior. En segundo lugar, el diseño transversal impide
establecer relaciones causales entre las variables analizadas. Finalmente, al tratarse de un instrumento
de autoinforme, los resultados pueden estar influenciados por sesgos de percepción o deseabilidad
social.
RESULTADOS
Los resultados obtenidos ofrecen una visión detallada de cómo los estudiantes de la UNIPOLI están
navegando la era de la inteligencia artificial generativa. El análisis se realizó por dimensiones del
instrumento, priorizando los patrones de uso y las percepciones sobre la tecnología.
Perfil descriptivo de las dimensiones
El análisis de las medias permite identificar las áreas de mayor y menor intensidad en la experiencia
estudiantil con la IA. La Tabla 1 resume estos hallazgos, clasificando los niveles según la puntuación
obtenida en la escala de 1 a 5.
▪ Análisis Correlacional: Aplicación del coeficiente de correlación de Pearson para explorar las
relaciones entre las dimensiones, permitiendo identificar cómo la autoeficacia o el uso ético
influyen en los patrones de uso académico y dependencia.
Consideraciones éticas
La investigación se desarrolló bajo principios de voluntariedad, confidencialidad y anonimato. La
participación fue completamente voluntaria y no se ofreció ningún incentivo económico o académico.
Los estudiantes aceptaron un consentimiento informado digital antes de responder el cuestionario. Los
datos fueron analizados exclusivamente de manera agregada, sin identificar a los participantes, y
utilizados únicamente con fines académicos y de investigación.
Limitaciones del estudio
El estudio presenta algunas limitaciones que deben considerarse al interpretar los resultados. En primer
lugar, el uso de un muestreo no probabilístico por conveniencia limita la posibilidad de generalizar los
hallazgos a otras instituciones de educación superior. En segundo lugar, el diseño transversal impide
establecer relaciones causales entre las variables analizadas. Finalmente, al tratarse de un instrumento
de autoinforme, los resultados pueden estar influenciados por sesgos de percepción o deseabilidad
social.
RESULTADOS
Los resultados obtenidos ofrecen una visión detallada de cómo los estudiantes de la UNIPOLI están
navegando la era de la inteligencia artificial generativa. El análisis se realizó por dimensiones del
instrumento, priorizando los patrones de uso y las percepciones sobre la tecnología.
Perfil descriptivo de las dimensiones
El análisis de las medias permite identificar las áreas de mayor y menor intensidad en la experiencia
estudiantil con la IA. La Tabla 1 resume estos hallazgos, clasificando los niveles según la puntuación
obtenida en la escala de 1 a 5.
pág. 12218
Tabla 1 Estadísticos descriptivos por dimensión
Dimensión Media Desviación
Estándar Interpretación
Uso Ético 3.74 0.93 Alto
Autoeficacia Percibida 3.42 0.9 Medio-Alto
Impacto Ambiental 3.4 1 Medio
Uso Académico Integral 3.28 0.92 Medio
Dependencia o Adicción 2.96 1.05 Bajo-Medio
Acceso y Desigualdad 2.9 0.92 Medio-Bajo
Creación y Edición 2.87 0.97 Medio-Bajo
Fuente: Elaboración propia con Python (Google Colab).
Los resultados descriptivos evidencian que la dimensión con mayor puntuación es el uso ético (x̄ =
3.74), seguida de la autoeficacia percibida (x̄ = 3.42). El uso académico integral se sitúa en un nivel
medio (x̄ = 3.28).
Las puntuaciones más bajas corresponden a creación y edición (x̄ = 2.87) y acceso y desigualdad (x̄ =
2.90). La dependencia tecnológica presenta un nivel moderado (x̄ = 2.96).
En conjunto, los datos indican una integración significativa de la IAG en la vida académica,
acompañada de una percepción ética elevada.
La Figura 1 ilustra la jerarquía de las percepciones estudiantiles respecto a la inteligencia artificial. Se
observa que el uso ético encabeza las puntuaciones, lo que indica una sólida base de valores declarativos
en la muestra.
La autoeficacia percibida se sitúa en un nivel medio-alto, confirmando que los estudiantes se sienten
técnicamente capaces de operar estas herramientas. Por el contrario, las dimensiones de creación y
edición y acceso presentan los promedios más bajos, sugiriendo que la integración de la IA es todavía
más consultiva que productiva, y que persisten preocupaciones sobre la equidad en la disponibilidad de
versiones avanzadas de la tecnología.
Tabla 1 Estadísticos descriptivos por dimensión
Dimensión Media Desviación
Estándar Interpretación
Uso Ético 3.74 0.93 Alto
Autoeficacia Percibida 3.42 0.9 Medio-Alto
Impacto Ambiental 3.4 1 Medio
Uso Académico Integral 3.28 0.92 Medio
Dependencia o Adicción 2.96 1.05 Bajo-Medio
Acceso y Desigualdad 2.9 0.92 Medio-Bajo
Creación y Edición 2.87 0.97 Medio-Bajo
Fuente: Elaboración propia con Python (Google Colab).
Los resultados descriptivos evidencian que la dimensión con mayor puntuación es el uso ético (x̄ =
3.74), seguida de la autoeficacia percibida (x̄ = 3.42). El uso académico integral se sitúa en un nivel
medio (x̄ = 3.28).
Las puntuaciones más bajas corresponden a creación y edición (x̄ = 2.87) y acceso y desigualdad (x̄ =
2.90). La dependencia tecnológica presenta un nivel moderado (x̄ = 2.96).
En conjunto, los datos indican una integración significativa de la IAG en la vida académica,
acompañada de una percepción ética elevada.
La Figura 1 ilustra la jerarquía de las percepciones estudiantiles respecto a la inteligencia artificial. Se
observa que el uso ético encabeza las puntuaciones, lo que indica una sólida base de valores declarativos
en la muestra.
La autoeficacia percibida se sitúa en un nivel medio-alto, confirmando que los estudiantes se sienten
técnicamente capaces de operar estas herramientas. Por el contrario, las dimensiones de creación y
edición y acceso presentan los promedios más bajos, sugiriendo que la integración de la IA es todavía
más consultiva que productiva, y que persisten preocupaciones sobre la equidad en la disponibilidad de
versiones avanzadas de la tecnología.
pág. 12219
Figura 1 Medias por dimensión
Fuente: Elaboración propia con Python (Google Colab).
Análisis de Correlaciones
Para profundizar en la comprensión de estos patrones, se aplicó el coeficiente de correlación de Pearson.
Este análisis permite identificar qué variables se mueven en conjunto y con qué intensidad. Vea tabla 2.
Tabla 2 Matriz de correlaciones de Pearson
Dimensión 1 2 3 4 5 6 7
1. Uso Académico 1.0 0.64 0.72 0.6 0.36 0.33 0.5
2. Creación y Edición - 1.0 0.57 0.33 0.43 0.14 0.55
3. Autoeficacia - - 1.0 0.77 0.3 0.42 0.37
4. Uso Ético - - - 1.0 0.28 0.55 0.2
5. Acceso - - - - 1.0 0.36 0.47
6. Impacto Ambiental - - - - - 1.0 0.24
7. Dependencia - - - - - - 1.0
Fuente: Elaboración propia con Python (Google Colab).
Nota: Todas las correlaciones son significativas al nivel p < 0.01.
El análisis correlacional muestra relaciones significativas entre las dimensiones estudiadas. Destaca la
fuerte correlación positiva entre autoeficacia y uso académico (r = 0.72), así como entre autoeficacia y
uso ético (r = 0.77).
Figura 1 Medias por dimensión
Fuente: Elaboración propia con Python (Google Colab).
Análisis de Correlaciones
Para profundizar en la comprensión de estos patrones, se aplicó el coeficiente de correlación de Pearson.
Este análisis permite identificar qué variables se mueven en conjunto y con qué intensidad. Vea tabla 2.
Tabla 2 Matriz de correlaciones de Pearson
Dimensión 1 2 3 4 5 6 7
1. Uso Académico 1.0 0.64 0.72 0.6 0.36 0.33 0.5
2. Creación y Edición - 1.0 0.57 0.33 0.43 0.14 0.55
3. Autoeficacia - - 1.0 0.77 0.3 0.42 0.37
4. Uso Ético - - - 1.0 0.28 0.55 0.2
5. Acceso - - - - 1.0 0.36 0.47
6. Impacto Ambiental - - - - - 1.0 0.24
7. Dependencia - - - - - - 1.0
Fuente: Elaboración propia con Python (Google Colab).
Nota: Todas las correlaciones son significativas al nivel p < 0.01.
El análisis correlacional muestra relaciones significativas entre las dimensiones estudiadas. Destaca la
fuerte correlación positiva entre autoeficacia y uso académico (r = 0.72), así como entre autoeficacia y
uso ético (r = 0.77).
pág. 12220
Asimismo, se observa una relación moderada entre uso académico y dependencia tecnológica (r = 0.50)
y entre creación de contenidos y dependencia (r = 0.55). Todas las correlaciones son significativas al
nivel p < 0.01.
DISCUSIÓN
Los hallazgos permiten interpretar la integración de la inteligencia artificial generativa en la UNIPOLI
desde una perspectiva cognitiva, ética y conductual..
La Autoeficacia como motor de la integración
La fuerte relación entre autoeficacia y uso académico confirma los postulados de la teoría social
cognitiva de Bandura (1997), según los cuales la percepción de competencia influye directamente en la
acción. Los estudiantes que se perciben capaces de interactuar eficazmente con la IAG tienden a
integrarla con mayor frecuencia en sus actividades académicas. Este resultado coincide con Castro-
Menacho et al. (2025), quienes identifican la autoeficacia como un predictor clave del empoderamiento
digital en educación superior. Además, la alta correlación entre autoeficacia y uso ético sugiere que el
dominio técnico favorece una comprensión más clara de los límites responsables de la herramienta.
El riesgo de la dependencia tecnológica
La correlación moderada entre uso académico y dependencia tecnológica indica que la integración
intensiva de la IAG puede asociarse con riesgos de subordinación cognitiva, aunque no de manera
determinante. Este hallazgo dialoga con Estrada-Araoz et al. (2025), quienes advierten sobre la
delegación progresiva de procesos analíticos esenciales. No obstante, la media moderada encontrada
sugiere que la dependencia aún no constituye un fenómeno estructural en la muestra, sino un riesgo
emergente que requiere monitoreo institucional.
Ética y conciencia ambiental: dimensiones emergentes
El elevado puntaje en uso ético refuerza la idea de que los estudiantes poseen una conciencia declarativa
sobre la integridad académica en el uso de la IAG, resultado consistente con Farinosi y Melchior (2025).
Sin embargo, aunque la dimensión de impacto ambiental muestra niveles medios, su relación débil con
el uso práctico sugiere que la sostenibilidad digital todavía no se traduce en cambios conductuales
significativos.
Asimismo, se observa una relación moderada entre uso académico y dependencia tecnológica (r = 0.50)
y entre creación de contenidos y dependencia (r = 0.55). Todas las correlaciones son significativas al
nivel p < 0.01.
DISCUSIÓN
Los hallazgos permiten interpretar la integración de la inteligencia artificial generativa en la UNIPOLI
desde una perspectiva cognitiva, ética y conductual..
La Autoeficacia como motor de la integración
La fuerte relación entre autoeficacia y uso académico confirma los postulados de la teoría social
cognitiva de Bandura (1997), según los cuales la percepción de competencia influye directamente en la
acción. Los estudiantes que se perciben capaces de interactuar eficazmente con la IAG tienden a
integrarla con mayor frecuencia en sus actividades académicas. Este resultado coincide con Castro-
Menacho et al. (2025), quienes identifican la autoeficacia como un predictor clave del empoderamiento
digital en educación superior. Además, la alta correlación entre autoeficacia y uso ético sugiere que el
dominio técnico favorece una comprensión más clara de los límites responsables de la herramienta.
El riesgo de la dependencia tecnológica
La correlación moderada entre uso académico y dependencia tecnológica indica que la integración
intensiva de la IAG puede asociarse con riesgos de subordinación cognitiva, aunque no de manera
determinante. Este hallazgo dialoga con Estrada-Araoz et al. (2025), quienes advierten sobre la
delegación progresiva de procesos analíticos esenciales. No obstante, la media moderada encontrada
sugiere que la dependencia aún no constituye un fenómeno estructural en la muestra, sino un riesgo
emergente que requiere monitoreo institucional.
Ética y conciencia ambiental: dimensiones emergentes
El elevado puntaje en uso ético refuerza la idea de que los estudiantes poseen una conciencia declarativa
sobre la integridad académica en el uso de la IAG, resultado consistente con Farinosi y Melchior (2025).
Sin embargo, aunque la dimensión de impacto ambiental muestra niveles medios, su relación débil con
el uso práctico sugiere que la sostenibilidad digital todavía no se traduce en cambios conductuales
significativos.
pág. 12221
Novedad científica y aportes
La principal contribución del estudio radica en el análisis simultáneo de dimensiones cognitivas
(autoeficacia), conductuales (dependencia), éticas y ambientales en una muestra institucional mexicana.
A diferencia de investigaciones previas que abordan estas variables de forma aislada, este trabajo ofrece
una visión integral del fenómeno, ampliando la evidencia empírica latinoamericana sobre el uso
académico de la inteligencia artificial generativa.
Aplicaciones y prospectiva
Desde una perspectiva aplicada, los resultados proporcionan insumos para el diseño de estrategias
institucionales orientadas al fortalecimiento de la autoeficacia crítica y la prevención de dependencia
tecnológica. Asimismo, se recomienda incorporar formación explícita en ética y sostenibilidad digital.
Futuros estudios podrían emplear diseños longitudinales para analizar la evolución de estos patrones en
el tiempo y explorar diferencias entre áreas disciplinares.
CONCLUSIONES
La evidencia obtenida permite sostener que la inteligencia artificial generativa se ha integrado de
manera estructural en las prácticas académicas de los estudiantes analizados. Su uso no se configura
como una tendencia marginal o experimental, sino como un componente habitual del ecosistema
formativo universitario. Esta integración está significativamente asociada con la autoeficacia percibida,
lo que confirma que la confianza tecnológica constituye un factor determinante en la apropiación
estratégica de estas herramientas.
Desde una postura analítica, los resultados indican que la autoeficacia no solo impulsa el uso académico,
sino que también se vincula con mayores niveles de conciencia ética. Este hallazgo sugiere que el
empoderamiento digital no debe entenderse como simple competencia instrumental, sino como una
construcción formativa que articula habilidades técnicas y criterios responsables de uso. En este sentido,
el fortalecimiento de la autoeficacia crítica emerge como una línea prioritaria para las instituciones de
educación superior. No obstante, la relación moderada entre uso académico y dependencia tecnológica
advierte un riesgo latente de delegación cognitiva progresiva. Aunque los niveles actuales no reflejan
una subordinación generalizada, la tendencia observada exige acompañamiento pedagógico continuo
para preservar la autonomía intelectual.
Novedad científica y aportes
La principal contribución del estudio radica en el análisis simultáneo de dimensiones cognitivas
(autoeficacia), conductuales (dependencia), éticas y ambientales en una muestra institucional mexicana.
A diferencia de investigaciones previas que abordan estas variables de forma aislada, este trabajo ofrece
una visión integral del fenómeno, ampliando la evidencia empírica latinoamericana sobre el uso
académico de la inteligencia artificial generativa.
Aplicaciones y prospectiva
Desde una perspectiva aplicada, los resultados proporcionan insumos para el diseño de estrategias
institucionales orientadas al fortalecimiento de la autoeficacia crítica y la prevención de dependencia
tecnológica. Asimismo, se recomienda incorporar formación explícita en ética y sostenibilidad digital.
Futuros estudios podrían emplear diseños longitudinales para analizar la evolución de estos patrones en
el tiempo y explorar diferencias entre áreas disciplinares.
CONCLUSIONES
La evidencia obtenida permite sostener que la inteligencia artificial generativa se ha integrado de
manera estructural en las prácticas académicas de los estudiantes analizados. Su uso no se configura
como una tendencia marginal o experimental, sino como un componente habitual del ecosistema
formativo universitario. Esta integración está significativamente asociada con la autoeficacia percibida,
lo que confirma que la confianza tecnológica constituye un factor determinante en la apropiación
estratégica de estas herramientas.
Desde una postura analítica, los resultados indican que la autoeficacia no solo impulsa el uso académico,
sino que también se vincula con mayores niveles de conciencia ética. Este hallazgo sugiere que el
empoderamiento digital no debe entenderse como simple competencia instrumental, sino como una
construcción formativa que articula habilidades técnicas y criterios responsables de uso. En este sentido,
el fortalecimiento de la autoeficacia crítica emerge como una línea prioritaria para las instituciones de
educación superior. No obstante, la relación moderada entre uso académico y dependencia tecnológica
advierte un riesgo latente de delegación cognitiva progresiva. Aunque los niveles actuales no reflejan
una subordinación generalizada, la tendencia observada exige acompañamiento pedagógico continuo
para preservar la autonomía intelectual.
pág. 12222
Finalmente, el estudio abre interrogantes relevantes: ¿cómo evolucionará la dependencia tecnológica
en contextos de mayor automatización?, ¿qué diferencias emergen entre disciplinas académicas?, ¿la
conciencia ambiental puede traducirse en prácticas digitales más sostenibles? Estas preguntas
constituyen líneas de investigación futuras que permitirán ampliar la comprensión del fenómeno y
consolidar marcos teóricos más robustos sobre la integración de la inteligencia artificial generativa en
educación superior.
REFERENCIAS BIBLIOGRAFICAS
Bandura, A. (1997). Self-efficacy: The exercise of control. W H Freeman/Times Books/ Henry Holt &
Co.
Castro Menacho, K., Morales Cerna, I., Huerta Guevara, R. O., & Marquez Trejo, E. (2025).
Inteligencia artificial, empoderamiento académico e inclusión digital en la educación superior.
Percepciones estudiantiles. Noesis, 7(14), 731 746.
https://doi.org/10.35381/noesisin.v7i14.516
Chan, C. K. Y., & Zhou, W. (2023). Deconstructing student perceptions of generative AI (GenAI)
through an expectancy value theory (EVT)-based instrument. arXiv.
https://doi.org/10.48550/arXiv.2305.01186
Estrada-Araoz, E. G., Mamani-Roque, M., Quispe-Aquise, J., Manrique-Jaramillo, Y. V.., & Cruz-
Laricano, E. O. (2025). Academic self-efficacy and dependence on artificial intelligence in a
sample of university students. Sapienza: International Journal of Interdisciplinary Studies, 6(1),
e25008. https://doi.org/10.51798/sijis.v6i1.916
Farinosi, M., & Melchior, C. (2025). To adopt or to ban? Student perceptions and use of generative AI
in higher education. Humanities and Social Sciences Communications, 12(1), 1684.
https://doi.org/10.1057/s41599-025-05982-7
Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U., Groh,
G., Günnemann, S., Hüllermeier, E., Krusche, S., Kutyniok, G., Michaeli, T., Nerdel, C.,
Pfeffer, J., Poquet, O., Sailer, M., Schmidt, A., Seidel, T., … Kasneci, G. (2023). ChatGPT for
good? On opportunities and challenges of large language models for education. Learning and
Individual Differences, 103, Article 102274. https://doi.org/10.1016/j.lindif.2023.102274
Finalmente, el estudio abre interrogantes relevantes: ¿cómo evolucionará la dependencia tecnológica
en contextos de mayor automatización?, ¿qué diferencias emergen entre disciplinas académicas?, ¿la
conciencia ambiental puede traducirse en prácticas digitales más sostenibles? Estas preguntas
constituyen líneas de investigación futuras que permitirán ampliar la comprensión del fenómeno y
consolidar marcos teóricos más robustos sobre la integración de la inteligencia artificial generativa en
educación superior.
REFERENCIAS BIBLIOGRAFICAS
Bandura, A. (1997). Self-efficacy: The exercise of control. W H Freeman/Times Books/ Henry Holt &
Co.
Castro Menacho, K., Morales Cerna, I., Huerta Guevara, R. O., & Marquez Trejo, E. (2025).
Inteligencia artificial, empoderamiento académico e inclusión digital en la educación superior.
Percepciones estudiantiles. Noesis, 7(14), 731 746.
https://doi.org/10.35381/noesisin.v7i14.516
Chan, C. K. Y., & Zhou, W. (2023). Deconstructing student perceptions of generative AI (GenAI)
through an expectancy value theory (EVT)-based instrument. arXiv.
https://doi.org/10.48550/arXiv.2305.01186
Estrada-Araoz, E. G., Mamani-Roque, M., Quispe-Aquise, J., Manrique-Jaramillo, Y. V.., & Cruz-
Laricano, E. O. (2025). Academic self-efficacy and dependence on artificial intelligence in a
sample of university students. Sapienza: International Journal of Interdisciplinary Studies, 6(1),
e25008. https://doi.org/10.51798/sijis.v6i1.916
Farinosi, M., & Melchior, C. (2025). To adopt or to ban? Student perceptions and use of generative AI
in higher education. Humanities and Social Sciences Communications, 12(1), 1684.
https://doi.org/10.1057/s41599-025-05982-7
Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U., Groh,
G., Günnemann, S., Hüllermeier, E., Krusche, S., Kutyniok, G., Michaeli, T., Nerdel, C.,
Pfeffer, J., Poquet, O., Sailer, M., Schmidt, A., Seidel, T., … Kasneci, G. (2023). ChatGPT for
good? On opportunities and challenges of large language models for education. Learning and
Individual Differences, 103, Article 102274. https://doi.org/10.1016/j.lindif.2023.102274
pág. 12223
Mazaherian, A., & Nourbakhsh, E. (2025). Beyond the Hype: Critical Analysis of Student Motivations
and Ethical Boundaries in Educational AI Use in Higher Education. arXiv.
https://doi.org/10.48550/arXiv.2511.11369.
Muñoz Mazacón, N. M., Hernández Ordinola, L. E., Tello Soria, L. E., & Bravo Vera, L. K. (2025).
Impacto del uso de inteligencia artificial generativa en la procrastinación académica de
estudiantes universitarios. Código Científico Revista De Investigación, 6(E2), 2567–2590.
https://doi.org/10.55813/gaea/ccri/v6/nE2/1164
Rivas, A. (2025). La llegada de la IA a la educación superior en Iberoamérica: Un mapa para diseñar
estrategias institucionales. Organización de Estados Iberoamericanos para la Educación, la
Ciencia y la Cultura (OEI).
Trejo-Trejo, G. A., y Gordillo-Espinoza, E. G. (2026). Validación de un instrumento para medir el uso
académico de la IAG en estudiantes universitarios. Pixel-Bit. Revista de Medios y Educación,
(75). https://doi.org/10.12795/pixelbit.117960
UNESCO. (2023, julio 6). La inteligencia artificial generativa en la educación: Documento de reflexión
de Sra. Stefania Giannini. UNESCO.
Vallejo Ballestero, H. F., Aguilar Pazos, R. E., Fuentes Seisdedos, L., & Fierro Saltos, F. E. (2025). La
inteligencia artificial generativa como recurso didáctico en la educación superior. Una
revisión sistemática. RECIMUNDO, 9(2), 247–261.
https://doi.org/10.26820/recimundo/9.(2).abril.2025.247-261
Mazaherian, A., & Nourbakhsh, E. (2025). Beyond the Hype: Critical Analysis of Student Motivations
and Ethical Boundaries in Educational AI Use in Higher Education. arXiv.
https://doi.org/10.48550/arXiv.2511.11369.
Muñoz Mazacón, N. M., Hernández Ordinola, L. E., Tello Soria, L. E., & Bravo Vera, L. K. (2025).
Impacto del uso de inteligencia artificial generativa en la procrastinación académica de
estudiantes universitarios. Código Científico Revista De Investigación, 6(E2), 2567–2590.
https://doi.org/10.55813/gaea/ccri/v6/nE2/1164
Rivas, A. (2025). La llegada de la IA a la educación superior en Iberoamérica: Un mapa para diseñar
estrategias institucionales. Organización de Estados Iberoamericanos para la Educación, la
Ciencia y la Cultura (OEI).
Trejo-Trejo, G. A., y Gordillo-Espinoza, E. G. (2026). Validación de un instrumento para medir el uso
académico de la IAG en estudiantes universitarios. Pixel-Bit. Revista de Medios y Educación,
(75). https://doi.org/10.12795/pixelbit.117960
UNESCO. (2023, julio 6). La inteligencia artificial generativa en la educación: Documento de reflexión
de Sra. Stefania Giannini. UNESCO.
Vallejo Ballestero, H. F., Aguilar Pazos, R. E., Fuentes Seisdedos, L., & Fierro Saltos, F. E. (2025). La
inteligencia artificial generativa como recurso didáctico en la educación superior. Una
revisión sistemática. RECIMUNDO, 9(2), 247–261.
https://doi.org/10.26820/recimundo/9.(2).abril.2025.247-261