Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 309
Uso de la inteligencia artificial generativa y su
relación con el rendimiento académico en carreras de
negocios a nivel superior
The Use of Generative Artificial Intelligence and Its Relationship to
Academic Performance in Business Programs at the Higher
Education Level
Esparza-Córdova, Luis Alberto
1
Heredia-Esparza, Francisco Javier
2
https://orcid.org/0009-0002-9633-9553
https://orcid.org/0009-0002-1891-3513
luis.esparza@espoch.edu.ec
francisco.heredia@espoch.edu.ec
Ecuador, Riobamba, Escuela Superior Politécnica
de Chimborazo.
Ecuador, Riobamba, Escuela Superior Politécnica
de Chimborazo.
Gaibor-Mendoza, Dimas Renan
3
Viteri-Ojeda, Jimena Catalina
4
https://orcid.org/0009-0004-5047-0294
https://orcid.org/0000-0001-7049-8981
dimas.gaibor@espoch.edu.ec
jcviteri@espoch.edu.ec
Ecuador, Riobamba, Escuela Superior Politécnica
de Chimborazo.
Ecuador, Riobamba, Escuela Superior Politécnica
de Chimborazo.
Autor de correspondencia
1
DOI / URL: https://doi.org/10.55813/gaea/rcym/v4/n4/287
Resumen: La incorporación de la inteligencia artificial
generativa (IAG) en la educación superior plantea interrogantes
sobre su uso y su relación con el rendimiento académico,
especialmente ante la escasez de evidencia contextualizada.
El objetivo fue describir los patrones de uso y las percepciones
de utilidad, beneficios y riesgos de la IAG entre estudiantes de
la Facultad de Administración de Empresas de la Escuela
Superior Politécnica de Chimborazo. Se desarrolló un estudio
cuantitativo, no experimental, transversal y descriptivo, con
análisis correlacional exploratorio; participaron 280 estudiantes
seleccionados mediante muestreo no probabilístico por
conveniencia, quienes respondieron una encuesta en línea. El
87,5 % había utilizado IAG para estudiar, el 80,9 % declaró
usarla siempre o frecuentemente y el 84,7 % percibió mejoras
en su rendimiento académico. La frecuencia de uso se asoció
moderadamente con la utilidad percibida (ρ = 0,539; p < 0,001).
No obstante, se identificaron preocupaciones por la
disminución del pensamiento crítico (34,6 %) y la dependencia
(26,4 %). Estos hallazgos reflejan una aceptación favorable,
pero no demuestran mejoras objetivas ni relaciones causales.
Se concluye que su integración institucional requiere
alfabetización digital, criterios éticos y evaluaciones basadas
en resultados de aprendizaje.
Palabras clave: inteligencia artificial; educación superior;
percepción estudiantil; alfabetización digital; estudio
transversal.
Artículo Científico
Received: 20/Sep/2026
Accepted: 12/Oct/2026
Published: 10/Nov/2026
Cita: Esparza-Córdova, L. A., Heredia-
Esparza, F. J., Gaibor-Mendoza, D. R., & Viteri-
Ojeda, J. C. (2026). Uso de la inteligencia
artificial generativa y su relación con el
rendimiento académico en carreras de
negocios a nivel superior. Revista Científica
Ciencia Y Método, 4(4), 309-322.
https://doi.org/10.55813/gaea/rcym/v4/n4/287
Revista Científica Ciencia y Método (RCyM)
https://revistacym.com
revistacym@editorialgrupo-aea.com
info@editoriagrupo-aea.com
© 2026. Este artículo es un documento de
acceso abierto distribuido bajo los términos y
condiciones de la Licencia Creative
Commons, Atribución-NoComercial 4.0
Internacional.
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 310
Artículo Científico
Abstract:
The incorporation of generative artificial intelligence (GAI) into higher education raises
questions about its use and its relationship to academic performance, especially given
the lack of contextualized evidence. The objective was to describe patterns of use and
perceptions of the usefulness, benefits, and risks of GAI among students in the School
of Business Administration at the Chimborazo Polytechnic University. A quantitative,
non-experimental, cross-sectional, and descriptive study was conducted, incorporating
exploratory correlational analysis; 280 students selected through non-probabilistic
convenience sampling participated by completing an online survey. Eighty-seven point
five percent had used IAG for studying, 80.9% reported using it always or frequently,
and 84.7% perceived improvements in their academic performance. Frequency of use
was moderately associated with perceived usefulness (ρ = 0.539; p < 0.001). However,
concerns were identified regarding a decline in critical thinking (34.6%) and
dependency (26.4%). These findings reflect favorable acceptance but do not
demonstrate objective improvements or causal relationships. It is concluded that their
institutional integration requires digital literacy, ethical guidelines, and assessments
based on learning outcomes.
Keywords: artificial intelligence; higher education; student perceptions; digital literacy;
cross-sectional study.
1. Introducción
La inteligencia artificial (IA) se ha difundido rápidamente en el entorno universitario en
una multitud de formas, que van desde chatbots hasta motores de búsqueda
académica, correctores de escritura, sistemas de tutoría y sistemas de aprendizaje
adaptativo. Estos sistemas de IA educativa realizan tareas como clasificación,
predicción, recomendación y generación de contenido, para las cuales recientemente
se han publicado revisiones de avances recientes y brechas teóricas (Chen, Chen, et
al., 2020; Chen, Xie, et al., 2020; Hwang et al., 2020). Recientemente se ha publicado
literatura que sugiere que dichas aplicaciones de IA pueden potencialmente ayudar a
los estudiantes con la búsqueda de información, la retroalimentación, la
personalización y la organización del aprendizaje, pero los resultados dependen del
diseño instruccional, la calidad de los datos y las habilidades del estudiante y del
profesor, y simplemente porque se implementa una herramienta no significa que los
resultados del aprendizaje mejoren (Crompton & Burke, 2023; Kulik & Fletcher, 2016;
Luckin & Cukurova, 2019; Zawacki-Richter et al., 2019).
La creciente adopción de herramientas de IA generativa ha intensificado el debate.
Entre las oportunidades reconocidas se incluyen la disponibilidad 24/7, las
explicaciones adaptadas al usuario y el apoyo en la formulación de ejemplos (Grassini,
2023; Kohnke et al., 2023; Lim et al., 2023). Los riesgos incluyen respuestas inexactas,
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 311
Artículo Científico
sesgos, exposición de datos, dependencia excesiva y usos que comprometen la
integridad académica (Farrokhnia et al., 2024; Floridi y Chiriatti, 2020; Lo, 2023; Tlili
et al., 2023). Halaweh (2023) y Michel-Villarreal et al. (2023) han abogado por su
integración responsable, con normas claras, protección de datos, supervisión humana
y capacitación en el juicio crítico de los resultados.
Las percepciones estudiantiles son importantes porque, como se predice en los
modelos de intención de uso y aceptación de la tecnología, influyen en la voluntad de
las personas de adoptar y utilizar nuevas tecnologías (Ajzen, 1991; Davis, 1989;
Venkatesh et al., 2003), pero es una medida indirecta del rendimiento académico.
Estudios anteriores han mostrado interés en la velocidad, comodidad y apoyo
personalizado, y preocupación sobre la exactitud, privacidad, equidad, y pérdida de
conexión humana (Chan & Hu, 2023; Schepman & Rodway, 2020; Strzelecki, 2024).
Al mismo tiempo, recientes revisiones han notado que una parte sustancial de la
evidencia sigue viniendo de contextos no latinoamericanos y que se necesitan
estudios locales con procedimientos estadísticos y éticos más claramente
documentados (Bond et al., 2024; Chiu et al., 2023; Salas-Pilco & Yang, 2022).
El propósito del estudio fue describir los patrones de uso, preparación y percepciones
de beneficios, riesgos, utilidad e integración institucional de IA entre los estudiantes
de la FADE - ESPOCH, y explorar la relación entre la frecuencia de uso académico y
la utilidad percibida de una mayor integración.
La pregunta de investigación fue: ¿cuáles son los patrones de uso y percepciones de
los estudiantes de la IA en el contexto universitario de la FADE - ESPOCH, en relación
al rendimiento académico?
Fundamentos conceptuales
Inteligencia Artificial (IA) y educación superior
La IA educativa incluye sistemas que realizan actividades vinculadas a analizar,
predecir, recomendar o generar contenidos (Chen, Chen, et al., 2020; Hwang et al.,
2020). En el nivel superior, las aplicaciones identificadas se han agrupado en
evaluación, predicción de rendimiento, asistencia, tutoría inteligente y gestión del
aprendizaje (Crompton & Burke, 2023; Kulik & Fletcher, 2016). Esta variedad de
aplicaciones requiere precisar la herramienta y el objetivo de uso; un asistente
conversacional y un sistema adaptativo no generan los mismos datos ni responden a
la misma necesidad pedagógica.
Las revisiones disponibles apuntan a un desarrollo rápido del campo, pero a una
insuficiente participación de educadores en el diseño de ciertas soluciones y
debilidades en la evaluación de sus efectos (Bond et al., 2024; Chen, Xie, et al., 2020;
Chiu et al., 2023; Zawacki-Richter et al., 2019). Bond et al. (2024) han resaltado, en
particular, la necesidad de un mayor rigor, más colaboración y una mejor
consideración de aspectos éticos. En América Latina, Salas-Pilco y Yang (2022)
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 312
Artículo Científico
observaron un desarrollo todavía desigual y aconsejaron fortalecer la investigación
contextualizada, la formación y la capacidad institucional.
Percepción, utilidad y frecuencia de uso de la IA
La utilidad percibida es el juicio del estudiante sobre la habilidad de una tecnología
específica para proporcionar apoyo en la realización de una tarea. Se relaciona con la
intención de uso y con la frecuencia de utilización en el marco de la teoría del
comportamiento planificado y los modelos de aceptación tecnológica (Ajzen, 1991;
Davis, 1989; Venkatesh et al., 2003). Pero también depende de otras variables, como
la facilidad de acceso, la experiencia previa, las normas académicas y el apoyo
docente. Por eso, una correlación entre uso y utilidad percibida es compatible con
esos modelos, pero no permite concluir que la herramienta haya producido una mejora
del aprendizaje.
Las expresiones estudiantiles también pueden brindar información aplicable para el
diseño de políticas y formación. Chan y Hu (2023) encontraron juicios positivos de
utilidad en cuanto a apoyo personalizado y eficiencia, pero también inquietudes éticas
y de fiabilidad. Strzelecki (2024) también descubrió que la aceptación de ChatGPT
dependía tanto de los factores de utilidad como de uso. Schepman y Rodway (2020)
encontraron que las actitudes hacia la inteligencia artificial también podrían medirse a
lo largo de dimensiones de juicios favorables y desfavorables. Juntos, estos
antecedentes justifican el estudio de la percepción local, a condición de que informe
sobre la autopercepción y no sobre el desempeño observado.
Riesgos y condiciones para una integración responsible
El uso académico de IA puede tener implicaciones de privacidad (cuando los datos
personales o materiales institucionales se introducen en plataformas externas) y
reproducir sesgos, producir referencias inexistentes o entregar respuestas plausibles
pero incorrectas. En la evaluación, la generación de textos automatizada puede
plantear retos de autoría y transparencia (Perkins, 2023; Rudolph et al., 2023; Sullivan
et al., 2023). Cotton et al. (2024) argumentan que la respuesta institucional no debería
centrarse solo en prohibir, sino en revisar las tareas, explicar qué usos son aceptables
y enseñar a declarar la asistencia recibida.
Una política universitaria efectiva entrelaza normativas, capacitaciones y monitoreo.
Chan (2023) aboga por articular dimensiones pedagógicas, de gobernanza y de
desarrollo de capacidades, mientras que Halaweh (2023) sugiere una implementación
progresiva y responsable. La alfabetización en IA se refiere a conocer las limitaciones
de los sistemas, verificar afirmaciones, fuentes, protección de datos, reconocimiento
de sesgos, documentación de uso y salvaguardia de la responsabilidad humana en
las decisiones (Ng et al., 2021; Southworth et al., 2023). Tales condiciones permiten
pasar de una adopción espontánea a una integración académica consciente.
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 313
Artículo Científico
2. Materiales y métodos
Diseño y unidad de análisis
El studio tiene enfoque cuantitativo, transversal, no experimental con alcance
descriptivo y análisis correlacional exploratorio. La unidad de análisis fue cada
estudiante que envió una respuesta al cuestionario, y la Facultad de Administración
de Empresas (ESPOCH), fue el contexto institucional. El diseño permite describir
distribuciones y asociaciones de respuestas ordinales, pero no puede estimar efectos
causales o cambios a lo largo del tiempo.
Participantes y muestreo
El tamaño de la población objetivo reportado en los datos del estudio fue de 2.353
estudiantes. La invitación se envió a través de un formulario en línea, el marco
muestral con selección aleatoria; por lo tanto, se caracterizó como muestreo no
probabilístico (por conveniencia). Se encontraron 280 registros con marcas de tiempo
únicas.
Instrumento y recolección
El formulario en línea constaba de preguntas de respuesta cerrada. Tres preguntas
recopilaron información demográfica general (género, semestre y cohorte de edad);
dos preguntas abordaron experiencia previa y un área de mejora potencial; tres
preguntas permitieron respuestas múltiples sobre herramientas y recursos, beneficios
y riesgos; y seis preguntas usaron una escala ordinal de categorías para calificar el
impacto percibido, preparación, frecuencia de uso, utilidad e intención de integración.
Procesamiento y análisis
La depuración y el análisis se realizaron usando el programa estadístico Python 3.12,
Pandas 2.2.3 y SciPy 1.17.0. Se verificaron marcas temporales únicas, categorías de
respuesta y datos faltantes. Las preguntas de respuesta única se resumieron con
frecuencias y porcentajes calculados sobre el número válido de cada ítem. Para las
preguntas de selección múltiple, se contó a cada participante una vez por alternativa
marcada y se usó como denominador el número de personas que respondió la
pregunta.
Para el análisis ordinal las categorías se codificaron en sentido ascendente. El alfa
estandarizado de Cronbach para seis ítems en las escalas de valoración, preparación,
frecuencia, utilidad e intención de integración se interpretó como un indicador de
consistencia interna exploratoria, no como una prueba de validez del instrumento
(Bonett & Wright, 2015; Taber, 2018; Tavakol & Dennick, 2011). La asociación entre
la frecuencia de uso académico e intención de integración y utilidad percibida de
ampliar la integración se estimó por rho de Spearman, apropiado para variables
ordinales (Akoglu, 2018; Schober et al., 2018).
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 314
Artículo Científico
Consideraciones éticas
La base de datos en estudio no tiene nombres, correos electrónicos, números de
identificación o otros identificadores directos. Los resultados se informan de forma
agregada. Los archivos de estudio no incluyen un código de aprobación de comité de
ética ni el texto del consentimiento utilizado en el formulario; por lo tanto, no se acredita
aprobación o procedimiento de consentimiento que no pueda documentarse. El
estudio se restringe al análisis de una encuesta anónima de percepción, sin
intervención, con categorías de edad adulta.
3. Resultados
La base analítica constó de 280 registros únicos. Se informan denominadores válidos
en cada tabla para hacer explícitos los datos perdidos y no mezclar tamaños
muestrales.
Tabla 1
Características de los participantes
Característica
N válido
n
%
Género: femenino
280
162
57,8
Género: masculino
280
118
42,2
Edad: 18–22 años
280
174
62,3
Edad: 23–26 años
280
82
29,2
Edad: 26 años o más
280
24
8,5
Carreras:
Administración de Empresas
280
77
27,5
Contabilidad y Auditoria
280
47
16,8
Gestión del Transporte
280
44
15,7
Mercadotecnica
280
59
21,1
Finanzas
280
53
18,9
Nota: Los porcentajes se calcularon dentro de cada variable. Encuestas aplicadas a estudiantes de la
FADE, 2025
La proporción hombre-mujer tuvo como mayor participación el género femenino con
el 57,8%, destacandose que al ser carreras de ciencias sociales hay mayor
participación de mujeres. En cuanto a las edades, la gran mayoría estuvo entre 18 y
22 años (62,3%), seguido por estudiantes entre 23 y 26 años con una participación
de 29,2%. En cuanto a la participación de los estudiantes por carreras, se destaca la
Carrera de Administración de Empresas (27,5%) y Mercadotecnia (21,1%), en menos
proporción la especialidad de Gestión del Transporte (15,7%).
Tabla 2
Uso y percepciones sobre la Inteligencia Artificial Generativa
Indicador
Respuesta
n
%
Uso previo de IA para estudiar (N = 280)
Sí
245
87,5
No
35
12,5
Área potencial de mejoramiento (N = 280)
Comprensión de
contenidos
114
40,6
Administración del tiempo
74
26,5
Aprendizaje personalizado
52
18,7
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 315
Artículo Científico
Realimentación de
conceptos
40
14,2
Impacto percibido (N = 280)
Positivo
195
69,6
Neutral
69
24,6
Negativo
16
5,8
Preparación para usar IA (N = 280)
Preparado
208
74,3
Algo preparado
30
10,6
No preparado
42
15,1
Frecuencia de uso académico (N = 280)
Siempre
97
34,5
Frecuentemente
129
46,4
Ocasionalmente
43
15,2
Nunca
11
3,9
Utilidad de ampliar la integración (N = 280)
Muy útil / útil
203
72,4
Neutral
60
21,3
Poco / nada útil
17
6,3
Desea utilizar IA generativa en el aula (N = 280)
Sí
231
82,5
No está seguro/a
26
9,2
No
23
8,3
Hasta el momento percibe contribución en su
rendimiento académico (N = 280)
Sí
237
84,7
No está seguro/a
31
11,1
No
12
4,2
Nota: Las categorías contiguas se agruparon solo para facilitar la lectura; los cálculos parten de las
frecuencias originales. Encuestas aplicadas a estudiantes de la FADE, 2025 (Autores, 2026).
El uso declarado fue elevado: 87,5 % había utilizado alguna herramienta de IA para
estudiar y aprender, el 69,9% manifiesta que el impacto del uso de la IA es positive,
el 80,9% informó un uso frecuente o continuo en actividades académicas siendo la
utilización siempre y frecuentemente. La valoración fue también positiva, si bien se
trató de percepción: 82,5% manifiesta que desea utilizer la IA en el aula, y finalmente
el 84,7% confirma que el uso de la IA apoya el mejoramiento de su rendimiento
académico.
Tabla 3
Respuestas de selección múltiple
Pregunta
Alternativa
n
% de
participantes
Herramientas de uso de la
IA generativa (N = 280)
ChatGPT
135
48,2
Gemini
42
15,0
Perplexity
28
10,0
Canva IA
54
19,3
Mónica IA
21
7,5
Beneficios del uso de la IA
generativa en la formación
estudiantil (N = 280)
Desarrollo del pensamiento crítico
46
16,4
Reducción de carga de trabajo
93
33,2
Fortalecimiento de la formación académica
64
22,9
Apoyo a la investigación científica
36
12,8
Aprendizaje activo e innovación pedagógica
41
14,7
Riesgos del uso de la IA
generativa (N = 280)
Disminución del pensamiento crítico
97
34,6
Dependencia excesiva de la IA
74
26,4
Información falsa o imprecisa
12
4,3
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 316
Artículo Científico
Plagio y falta de integridad académica
63
22,5
Aprendizaje superficial
34
12,2
Nota: Cada porcentaje usa como denominador a quienes respondieron la pregunta. Al admitirse varias
selecciones, las columnas no deben sumar 100%. Encuestas aplicadas a estudiantes de la FADE, 2025
(Autores, 2026).
Tabla 4
Consistencia interna y asociación ordinal
Análisis
Variables
n
Estimación
Precisión
Consistencia interna
exploratoria
6 ítems ordinales
280
α
estandarizado
= 0,770
—
Asociación
exploratoria
Frecuencia de uso–utilidad
percibida
280
ρ = 0,539
IC 95 % [0,449,
0,624]; p < 0,001
Nota: El intervalo de confianza de rho se estimó con 10.000 muestras Bootstrap (Autores, 2026).
El alfa estandarizado de 0,770 reflejó una aceptable consistencia interna del conjunto
exploratorio de seis ítems, sin reemplazar un estudio formal de validez. La frecuencia
de uso y la utilidad percibida estaban moderadamente correlacionadas de forma
positiva (ρ = 0,539). El coeficiente no implica que un aumento del uso resulte
automáticamente en una utilidad más alta o un mejor aprendizaje; también es posible
que los estudiantes que perciban más utilidad elijan usar la IA más frecuentemente.
4. Discusión
El dato destacado es el elevado nivel de presencia de la IA en las rutinas académicas
de la muestra. El saldo de 87,5 % de uso previo y 69,6 % de uso frecuente o
permanente indica que estas tecnologías ya forman parte de las prácticas declaradas
por buena parte de los participantes. Este patrón se alinea con investigaciones que
reportan una rápida adopción de asistentes generativos en la educación superior y
una aceptación asociada a la conveniencia y utilidad percibida (Chan & Lee, 2023;
Halaweh, 2023; Lim et al., 2023; Strzelecki, 2024).
La percepción sobre la IA fue mayoritariamente positiva: cerca de siete de cada diez
participantes calificaron su impacto en el aprendizaje como positivo o muy positivo y
más de tres cuartas partes consideraron útil extender su uso. Chan y Hu (2023)
encontraron una mezcla similar de expectativas optimistas y precaución entre
estudiantes universitarios; la coexistencia de actitudes positivas y negativas también
se ha observado mediante escalas específicas (Schepman & Rodway, 2020). La
superposición refuerza el valor de escuchar a los usuarios, pero no convierte la
percepción en evidencia de aprendizaje. El cuestionario no recopiló calificaciones,
pruebas de conocimiento, calidad de productos académicos ni medidas antes y
después de una intervención.
La relación entre frecuencia de uso e utilidad percibida fue moderada. El rho
recalculado de 0,539 es consistente con la noción de que el uso y la valoración están
relacionados, pero conservan variación independiente. Como advierten Schober et al.
(2018), una correlación describe la covariación y no afirma una relación causal. En
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 317
Artículo Científico
este caso, la relación podría ser un reflejo de aprendizaje por experiencia,
autoselección de usuarios interesados o factores no medidos como acceso,
competencias digitales o requisitos de las asignaturas.
Los beneficios más seleccionados personalización, reducción de carga y acceso
rápido a materiales coinciden con oportunidades descritas en revisiones y análisis del
campo (Chiu et al., 2023; Crompton & Burke, 2023; Grassini, 2023; Jeon & Lee, 2023;
Kohnke et al., 2023; Lo, 2023). Sin embargo, una herramienta solo personaliza de
forma pedagógicamente valiosa cuando sus recomendaciones son pertinentes,
verificables y articuladas con los objetivos del curso. La evidencia favorable sobre
sistemas de tutoría no puede generalizarse automáticamente a cualquier asistente
generativo (Kulik & Fletcher, 2016). La rapidez tampoco garantiza exactitud. Por ello,
conviene enseñar a contrastar resultados, localizar las fuentes originales y justificar
decisiones en lugar de aceptar automáticamente una respuesta generada.
Los temas principales fueron la dependencia excesiva, la privacidad y la reducción de
la interacción humana. Todas estas respuestas confirman que la adopción no es
indiscriminada. Farrokhnia et al. (2024), Floridi y Chiriatti (2020), Michel-Villarreal et
al. (2023) y Tlili et al. (2023) detallan limitaciones y riesgos que requieren esfuerzos
para mantener la agencia humana y verificar los resultados. En la práctica, el ESPOCH
podría emplear una estrategia de implementación responsable (Halaweh, 2023): por
ejemplo, desarrollar directrices para qué información no debe introducirse en
plataformas externas, cómo declarar la intervención de la IA y cuándo la interacción
con docentes o pares es esencial.
El auto-reporte de preparación fue alto, pero la sensación de preparación no es lo
mismo que la competencia con la verificación de fuentes, el diseño instruccional, la
gestión de datos o la integridad académica. La formación institucional debe observar
si las habilidades para cumplir estas tareas se manifiestan en el desempeño. Un
currículo breve podría consistir en: identificar errores y engaños; verificar referencias;
salvaguardar datos personales y de investigación; documentar instrucciones y
resultados; citar o señalar el uso de acuerdo con la política del curso; y saber cuándo
abstenerse de usar la IA. Chan (2023), Ng et al. (2021) y Southworth et al. (2023)
están de acuerdo en que estas habilidades deben estar vinculadas a la gobernanza,
el currículo y el diseño pedagógico, no enseñadas de forma aislada en la formación.
La investigación aporta una línea base local, pero tiene limitaciones. Primero, el
muestreo por conveniencia conlleva un sesgo de autoselección. Segundo, en el
formulario no se incluyeron carrera ni facultad, por lo que no es posible hacer
comparaciones por áreas, ni sostener que la muestra fue estratificada. Tercero, las
respuestas son autoinformadas y pueden estar influidas por deseabilidad social o
interpretaciones disímiles de lo que supone IA. Cuarto, el instrumento no fue sometido
a una validación de contenido y constructo documentada, el alfa de 0,770 solo informa
acerca de consistencia interna exploratoria. Quinto, el corte transversal no permite
establecer cambios ni efectos sobre el rendimiento. Finalmente, los archivos de
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 318
Artículo Científico
archivo no contienen un código de aprobación ética ni el texto de consentimiento,
limitando la documentación del procedimiento.
Las futuras investigaciones podrían aprovechar el muestreo probabilístico o el
muestreo por cuotas verificable por parte del profesorado; escalas validadas que
midan el nivel de alfabetización y aceptación de la IA; y deben cruzar percepciones
con resultados objetivos. Los diseños longitudinales o cuasiexperimentales podrían
comparar el rendimiento antes y después de intervenciones específicas, controlando
la experiencia previa y registrando la herramienta específica utilizada. También se
pueden realizar comparaciones útiles entre disciplinas y para examinar cómo las
políticas de evaluación reconfiguran el uso responsable, en línea con agendas que
exigen un rigor pedagógico y metodológico más alto (Chiu et al., 2023; Lodge et al.,
2023; Luckin y Cukurova, 2019).
Los resultados dan respaldo a una respuesta institucional escalonada. En primer
lugar, es prudente establecer de manera pública normas básicas y comunes en cuanto
a los usos permitidos, declaración de asistencia, manejo de datos y verificación de
fuentes (Cotton et al., 2024; Perkins, 2023; Sullivan et al., 2023). En segundo lugar, la
formación debe escalonarse: un nivel introductorio para estudiantes con menos
antecedentes y módulos avanzados para los usuarios frecuentes de IA. En tercer
lugar, los participantes deben rediseñar las actividades para dar valor al proceso, la
argumentación y la verificación de pruebas, no solamente al producto final (Rudolph
et al., 2023).
La universidad también puede establecer pilotos evaluables. Cada piloto debe definir
el problema educativo, la herramienta, los datos que procesa, el rol del docente y un
indicador de aprendizaje. La decisión de escalar una solución debería sustentarse en
resultados de aprendizaje, equidad de acceso, seguridad y experiencia de los usuarios
(Halaweh, 2023; Hwang et al., 2020; Southworth et al., 2023). De esta manera, la alta
disposición estudiantil se transforma en una oportunidad de innovación responsable y
no en una justificación automática para cualquier plataforma.
5. Conclusiones
La IA pareció destacarse particularmente en la práctica reportada por la muestra y, en
general, se recibió bien. Los asistentes virtuales fueron el tipo más utilizado, mientras
que la personalización y la reducción de la carga de trabajo encabezaron las
aplicaciones más valoradas. Sin embargo, el peso de la tecnología, la privacidad y la
pérdida de contacto humano también destacaron que los estudiantes no son ajenos
al riesgo.
La frecuencia de uso se asoció positiva y moderadamente con la utilidad percibida de
extender la integración universitaria. Este hallazgo describe una correlación entre las
respuestas ordinales; no muestra que la IA mejore el rendimiento, la autonomía o la
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 319
Artículo Científico
calidad educativa. Por lo tanto, el alcance apropiado del estudio es el uso y la
percepción estudiantil en un corte temporal específico.
La ESPOCH puede capitalizar la voluntad demostrada a través de la capacitación en
alfabetización de IA, reglas de integridad académica, protección de datos y monitoreo
de experiencias piloto. Diseños con indicadores más directos de aprendizaje, mejor
control muestral y seguimiento temporal serán necesarios para afirmar impacto
educativo.
CONFLICTO DE INTERESES
“Los autores declaran no tener ningún conflicto de intereses”.
DECLARACIÓN SOBRE EL USO DE INTELIGENCIA ARTIFICIAL GENERATIVA
“Los autores declaran que no utilizaron herramientas de inteligencia artificial
generativa en la elaboración de este manuscrito.”
Referencias Bibliográficas
Ajzen, I. (1991). The theory of planned behavior. Organizational Behavior and Human
Decision Processes, 50(2), 179–211. https://doi.org/10.1016/0749-
5978(91)90020-T
Akoglu, H. (2018). User’s guide to correlation coefficients. Turkish Journal of
Emergency Medicine, 18(3), 91–93. https://doi.org/10.1016/j.tjem.2018.08.001
Bond, M., Khosravi, H., De Laat, M., Bergdahl, N., Negrea, V., Oxley, E., Pham, P.,
Chong, S. W., & Siemens, G. (2024). A meta systematic review of artificial
intelligence in higher education: A call for increased ethics, collaboration, and
rigour. International Journal of Educational Technology in Higher Education, 21,
Article 4. https://doi.org/10.1186/s41239-023-00436-z
Bonett, D. G., & Wright, T. A. (2015). Cronbach’s alpha reliability: Interval estimation,
hypothesis testing, and sample size planning. Journal of Organizational
Behavior, 36(1), 3–15. https://doi.org/10.1002/job.1960
Chan, C. K. Y. (2023). A comprehensive AI policy education framework for university
teaching and learning. International Journal of Educational Technology in
Higher Education, 20, Article 38. https://doi.org/10.1186/s41239-023-00408-3
Chan, C. K. Y., & Hu, W. (2023). Students’ voices on generative AI: Perceptions,
benefits, and challenges in higher education. International Journal of
Educational Technology in Higher Education, 20, Article 43.
https://doi.org/10.1186/s41239-023-00411-8
Chan, C. K. Y., & Lee, K. K. W. (2023). The AI generation gap: Are Gen Z students
more interested in adopting generative AI such as ChatGPT in teaching and
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 320
Artículo Científico
learning than their Gen X and millennial generation teachers? Smart Learning
Environments, 10, Article 60. https://doi.org/10.1186/s40561-023-00269-3
Chen, L., Chen, P., & Lin, Z. (2020). Artificial intelligence in education: A review. IEEE
Access, 8, 75264–75278. https://doi.org/10.1109/ACCESS.2020.2988510
Chen, X., Xie, H., Zou, D., & Hwang, G.-J. (2020). Application and theory gaps during
the rise of artificial intelligence in education. Computers and Education: Artificial
Intelligence, 1, Article 100002. https://doi.org/10.1016/j.caeai.2020.100002
Chiu, T. K. F., Xia, Q., Zhou, X., Chai, C. S., & Cheng, M. (2023). Systematic literature
review on opportunities, challenges, and future research recommendations of
artificial intelligence in education. Computers and Education: Artificial
Intelligence, 4, Article 100118. https://doi.org/10.1016/j.caeai.2022.100118
Cotton, D. R. E., Cotton, P. A., & Shipway, J. R. (2024). Chatting and cheating:
Ensuring academic integrity in the era of ChatGPT. Innovations in Education
and Teaching International, 61(2), 228–239.
https://doi.org/10.1080/14703297.2023.2190148
Crompton, H., & Burke, D. (2023). Artificial intelligence in higher education: The state
of the field. International Journal of Educational Technology in Higher
Education, 20, Article 22. https://doi.org/10.1186/s41239-023-00392-8
Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user
acceptance of information technology. MIS Quarterly, 13(3), 319–340.
https://doi.org/10.2307/249008
Farrokhnia, M., Banihashem, S. K., Noroozi, O., & Wals, A. (2024). A SWOT analysis
of ChatGPT: Implications for educational practice and research. Innovations in
Education and Teaching International, 61(3), 460–474.
https://doi.org/10.1080/14703297.2023.2195846
Floridi, L., & Chiriatti, M. (2020). GPT-3: Its nature, scope, limits, and consequences.
Minds and Machines, 30(4), 681–694. https://doi.org/10.1007/s11023-020-
09548-1
Grassini, S. (2023). Shaping the future of education: Exploring the potential and
consequences of AI and ChatGPT in educational settings. Education Sciences,
13(7), Article 692. https://doi.org/10.3390/educsci13070692
Halaweh, M. (2023). ChatGPT in education: Strategies for responsible implementation.
Contemporary Educational Technology, 15(2), Article ep421.
https://doi.org/10.30935/cedtech/13036
Hwang, G.-J., Xie, H., Wah, B. W., & Gašević, D. (2020). Vision, challenges, roles and
research issues of artificial intelligence in education. Computers and Education:
Artificial Intelligence, 1, Article 100001.
https://doi.org/10.1016/j.caeai.2020.100001
Jeon, J., & Lee, S. (2023). Large language models in education: A focus on the
complementary relationship between human teachers and ChatGPT. Education
and Information Technologies, 28(12), 15873–15892.
https://doi.org/10.1007/s10639-023-11834-1
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 321
Artículo Científico
Kohnke, L., Moorhouse, B. L., & Zou, D. (2023). ChatGPT for language teaching and
learning. RELC Journal, 54(2), 537–550.
https://doi.org/10.1177/00336882231162868
Kulik, J. A., & Fletcher, J. D. (2016). Effectiveness of intelligent tutoring systems: A
meta-analytic review. Review of Educational Research, 86(1), 42–78.
https://doi.org/10.3102/0034654315581420
Lim, W. M., Gunasekara, A., Pallant, J. L., Pallant, J. I., & Pechenkina, E. (2023).
Generative AI and the future of education: Ragnarök or reformation? A
paradoxical perspective from management educators. The International Journal
of Management Education, 21(2), Article 100790.
https://doi.org/10.1016/j.ijme.2023.100790
Lo, C. K. (2023). What is the impact of ChatGPT on education? A rapid review of the
literature. Education Sciences, 13(4), Article 410.
https://doi.org/10.3390/educsci13040410
Lodge, J. M., Thompson, K., & Corrin, L. (2023). Mapping out a research agenda for
generative artificial intelligence in tertiary education. Australasian Journal of
Educational Technology, 39(1), 1–8. https://doi.org/10.14742/ajet.8695
Luckin, R., & Cukurova, M. (2019). Designing educational technologies in the age of
AI: A learning sciences-driven approach. British Journal of Educational
Technology, 50(6), 2824–2838. https://doi.org/10.1111/bjet.12861
Michel-Villarreal, R., Vilalta-Perdomo, E., Salinas-Navarro, D. E., Thierry-Aguilera, R.,
& Gerardou, F. S. (2023). Challenges and opportunities of generative AI for
higher education as explained by ChatGPT. Education Sciences, 13(9), Article
856. https://doi.org/10.3390/educsci13090856
Ng, D. T. K., Leung, J. K. L., Chu, S. K. W., & Qiao, M. S. (2021). Conceptualizing AI
literacy: An exploratory review. Computers and Education: Artificial Intelligence,
2, Article 100041. https://doi.org/10.1016/j.caeai.2021.100041
Perkins, M. (2023). Academic integrity considerations of AI large language models in
the post-pandemic era: ChatGPT and beyond. Journal of University Teaching &
Learning Practice, 20(2), Article 7. https://doi.org/10.53761/1.20.02.07
Rudolph, J., Tan, S., & Tan, S. (2023). ChatGPT: Bullshit spewer or the end of
traditional assessments in higher education? Journal of Applied Learning &
Teaching, 6(1), 342–363. https://doi.org/10.37074/jalt.2023.6.1.9
Salas-Pilco, S. Z., & Yang, Y. (2022). Artificial intelligence applications in Latin
American higher education: A systematic review. International Journal of
Educational Technology in Higher Education, 19, Article 21.
https://doi.org/10.1186/s41239-022-00326-w
Schepman, A., & Rodway, P. (2020). Initial validation of the general attitudes towards
artificial intelligence scale. Computers in Human Behavior Reports, 1, Article
100014. https://doi.org/10.1016/j.chbr.2020.100014
Schober, P., Boer, C., & Schwarte, L. A. (2018). Correlation coefficients: Appropriate
use and interpretation. Anesthesia & Analgesia, 126(5), 1763–1768.
https://doi.org/10.1213/ANE.0000000000002864
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 322
Artículo Científico
Southworth, J., Migliaccio, K., Glover, J., Glover, J., Reed, D., McCarty, C.,
Brendemuhl, J., & Thomas, A. (2023). Developing a model for AI across the
curriculum: Transforming the higher education landscape via innovation in AI
literacy. Computers and Education: Artificial Intelligence, 4, Article 100127.
https://doi.org/10.1016/j.caeai.2023.100127
Strzelecki, A. (2024). To use or not to use ChatGPT in higher education? A study of
students’ acceptance and use of technology. Interactive Learning
Environments, 32(9), 5142–5155.
https://doi.org/10.1080/10494820.2023.2209881
Sullivan, M., Kelly, A., & McLaughlan, P. (2023). ChatGPT in higher education:
Considerations for academic integrity and student learning. Journal of Applied
Learning & Teaching, 6(1), 31–40. https://doi.org/10.37074/jalt.2023.6.1.17
Taber, K. S. (2018). The use of Cronbach’s alpha when developing and reporting
research instruments in science education. Research in Science Education,
48(6), 1273–1296. https://doi.org/10.1007/s11165-016-9602-2
Tavakol, M., & Dennick, R. (2011). Making sense of Cronbach’s alpha. International
Journal of Medical Education, 2, 53–55. https://doi.org/10.5116/ijme.4dfb.8dfd
Tlili, A., Shehata, B., Adarkwah, M. A., Bozkurt, A., Hickey, D. T., Huang, R., &
Agyemang, B. (2023). What if the devil is my guardian angel: ChatGPT as a
case study of using chatbots in education. Smart Learning Environments, 10,
Article 15. https://doi.org/10.1186/s40561-023-00237-x
Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of
information technology: Toward a unified view. MIS Quarterly, 27(3), 425–478.
https://doi.org/10.2307/30036540
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic
review of research on artificial intelligence applications in higher education:
Where are the educators? International Journal of Educational Technology in
Higher Education, 16, Article 39. https://doi.org/10.1186/s41239-019-0171-0