Artículo de investigación
Este estudio examina cómo la integración de la IA afecta psicológica y cognitivamente a los estudiantes de inglés. Descubre que el uso de la IA aumenta la ansiedad (FoMO), dañando la comprensión lectora, mientras que el agotamiento digital debilita la relación entre la comprensión y el vocabulario. El objetivo es destacar la necesidad de un uso equilibrado de la IA para apoyar el aprendizaje.
Este estudio examina cómo la integración de la inteligencia artificial (IA) en el aprendizaje de idiomas influye en los resultados psicológicos y cognitivos entre los estudiantes de inglés como lengua extranjera (EFL). En concreto, investiga los efectos de la supuesta dependencia de la IA, las preocupaciones éticas y el uso generativo de IA sobre el Miedo a Perderse Algo (FoMO), la comprensión lectora medida por la escala de estrategias de lectura y la adquisición de vocabulario, al tiempo que considera el papel moderador del agotamiento digital. Se empleó un diseño de encuesta transversal con n = 450 estudiantes de EFL, y los datos se analizaron utilizando modelado estructural de mínimos cuadrados parciales (PLS-SEM) para evaluar tanto las relaciones directas como mediadas. Los hallazgos revelan que los factores relacionados con la IA predicen significativamente un mayor FoMO, lo que a su vez afecta negativamente a la comprensión lectora. Aunque la comprensión lectora apoya fuertemente la adquisición de vocabulario, el agotamiento digital debilita esta relación. El estudio destaca la doble naturaleza de la IA en la educación, facilitando los resultados de aprendizaje mientras contribuye simultáneamente a la tensión psicológica. Estos resultados subrayan la importancia de una integración equilibrada de la IA en el aprendizaje de idiomas, subrayando la necesidad de estrategias que mitiguen la ansiedad digital y el agotamiento. Las implicaciones teóricas amplían la investigación sobre el aprendizaje mediado por tecnología al identificar FoMO como una vía afectiva crítica en contextos educativos impulsados por IA. Las recomendaciones prácticas incluyen incorporar prácticas de bienestar digital junto con herramientas de IA para optimizar los beneficios del aprendizaje minimizando los efectos psicológicos adversos.
La rápida integración de la Inteligencia Artificial Generativa (IA) en la educación ha transformado los paradigmas tradicionales de aprendizaje de idiomas, especialmente en contextos de inglés como lengua extranjera (EFL) 1. Herramientas como asistentes de vocabulario impulsados por IA, sistemas automatizados de retroalimentación por escritura y plataformas de aprendizaje adaptativo prometen una mayor eficiencia e instrucciónpersonalizada 2. Sin embargo, este cambio tecnológico también ha introducido desafíos psicológicos y pedagógicos, incluyendo la percepción de dependencia de la IA, el agotamiento digital y las preocupaciones éticas, que pueden mediar los resultados deaprendizaje 3. Un fenómeno poco estudiado pero crítico en este ámbito es el miedo a perderse algo (FoMO). En este estado psicológico, los estudiantes se sienten obligados a adoptar herramientas de IA debido a las presiones de comparación social, potencialmente a costa de un compromiso cognitivo profundo4. Aunque la investigación existente ha explorado el papel de la IA en la adquisición dellenguaje 5, pocos estudios han examinado cómo la IA generativa interactúa con la dependencia percibida y la FoMO para moldear la adquisición de vocabulario, dejando una brecha significativa en la comprensión de las fuerzas duales tanto facilitadoras como perjudiciales de la IA en la educación 6,7.
Una revisión de la literatura revela tres carencias clave. En primer lugar, los estudios sobre IA en el aprendizaje de EFL se han centrado predominantemente en los resultados de rendimiento (resultados de pruebas, mejoras en la fluidez) más que en los mecanismos psicológicos que impulsan la adopción de la IA. Por ejemplo, aunque la eficiencia de la IA en la retención de vocabulario está bien documentada, se sabe poco sobre cómo la dependencia percibida, la creencia de que no se puede aprender eficazmente sin IA, afecta a la motivación y a la retención a largoplazo 9. En segundo lugar, aunque FoMO ha sido ampliamente estudiado en contextos de redes sociales, su papel en entornos de aprendizaje mediados por IA sigue sin explorar. Dado que las herramientas de IA suelen proporcionar retroalimentación en tiempo real y socialmente visible (funciones de benchmarking entre compañeros), los estudiantes pueden experimentar una ansiedad aumentada por quedarse atrás, lo que agrava la dependencia de la IA10. Tercero, aunque las preocupaciones éticas sobre la IA (privacidad de datos, sesgo algorítmico) son ampliamentereconocidas, su efecto moderador sobre la dependencia y la eficacia del aprendizaje no ha sido probado empíricamente en entornos de EFL. Estas brechas subrayan colectivamente la necesidad de una investigación holística que conecte la aceptación tecnológica, la psicología motivacional y las teorías del aprendizaje cognitivo.
Este estudio aborda estas carencias proponiendo un modelo conceptual novedoso que examina cómo el uso de la IA generativa, la dependencia percibida de la IA y la preocupación ética percibida de la IA influyen en la FoMO entre los estudiantes de EFL, el papel mediador de la FoMO en la vinculación de las tres variables independientes con la comprensión lectora de los estudiantes de EFL, y el efecto moderador del agotamiento digital entre la comprensión lectora y la adquisición de vocabulario. La investigación propuesta contribuye al desarrollo de un marco teórico integral que pueda utilizarse para estudiar los efectos de la dependencia de la IA sobre la motivación intrínseca y la autonomía del aprendiz a través de la lente de la Teoría de la Autodeterminación (SDT)12, los mecanismos psicológicos detrás de la FoMO en entornos de aprendizaje mediados por IA sobre la Teoría de Comparación Social13 y los efectos de las herramientas de dependencia de la IA sobre la carga cognitiva a través de la Teoría de la Carga Cognitiva (CLT)14.
Las contribuciones teóricas de este estudio son tres. En primer lugar, amplía la TDS conceptualizando la dependencia de la IA como una amenaza potencial para la autonomía del aprendiz, desafiando la suposición de que la IA mejora universalmente la motivación. En segundo lugar, aplica la Teoría de la Comparación Social al aprendizaje mediado por IA, revelando cómo FoMO se transforma de un fenómeno de redes sociales a un motor de adopción de herramientaseducativas 15. En tercer lugar, refina la CLT demostrando que los beneficios cognitivos de la IA (reducción de la carga externa) pueden ser contrarrestados por la carga16 de la gestión de la gestión de la importancia, ofreciendo una visión matizada del impacto de la IA en la codificación de memoria. Estos avances teóricos proporcionan una base para futuras investigaciones sobre la psicología del aprendizaje asistido por IA.
Para garantizar el rigor metodológico y la aplicabilidad práctica, varias consideraciones clave guiaron el diseño. Se seleccionó la población objetivo de estudiantes de inglés inglés en universidades chinas debido a su alta exposición e integración institucional de herramientas de IA, proporcionando un contexto relevante para examinar la dependencia de la IA. Los límites de los constructos se delimitan claramente usando escalas validadas de varios ítems para cada variable latente, evitando la superposición conceptual. La selección de estas escalas específicas se justificó por su fiabilidad establecida y su operativización directa de los complejos constructos psicológicos y conductuales bajo investigación (preocupaciones éticas multidimensionales, agotamiento digital específico del aprendizaje). Para los análisis planificados de mediación y moderación, reconocemos que los datos transversales, aunque suficientes para modelado predictivo mediante PLS-SEM, limitan la inferencia causal definitiva para las vías mediada y moderada. El tamaño de la muestra de 465 supera con creces los requisitos mínimos de poder estadístico tanto en regresión como en PLS-SEM, siguiendo la 'regla de las 10 veces' para el número máximo de caminos estructurales, asegurando así estimaciones estables y generalizables de parámetros para el modelo propuesto.
Los constructos centrales del estudio se definen de la siguiente manera: La dependencia percibida de la IA se refiere a la creencia del alumno en su dependencia de herramientas de IA para la eficiencia y la realización de tareas. Las preocupaciones éticas percibidas sobre la IA abarcan las preocupaciones respecto a la transparencia algorítmica, la equidad, la seguridad y la responsabilidad. El uso de la IA generativa indica la frecuencia y el alcance del emplear modelos de IA para generar texto o imágenes. El miedo a perderse algo (FoMO) es la ansiedad de que otros puedan estar teniendo experiencias gratificantes de las que uno está ausente, contextualizada aquí para el aprendizaje impulsado por IA. El agotamiento digital es el estado de agotamiento emocional y mental que resulta de un compromiso digital prolongado. Finalmente, los resultados de aprendizaje se capturan mediante la Comprensión Lectora, la capacidad de comprender y emplear estrategias con material escrito, y la Adquisición de Vocabulario, la eficacia percibida en el aprendizaje y uso de palabras nuevas.
La estructura de este artículo es la siguiente. La Sección 1 trata sobre el contexto, la importancia, las lagunas en la investigación y la contribución del presente estudio. La Sección 2 revisa trabajos previos sobre IA en el aprendizaje, dependencia y FoMO de EFL, sintetizando debates clave. La sección 3 detalla la metodología, que incluye el diseño de la investigación, la combinación de encuestas para medir la dependencia/FoMO percibida y tareas experimentales para evaluar la retención del vocabulario. La sección 4 presenta los hallazgos, incluyendo análisis de mediación/moderación. La Sección 5 trata las implicaciones para la teoría, la pedagogía y el diseño de IA, mientras que la Sección 6 concluye con limitaciones y direcciones futuras.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Este estudio se llevó a cabo en cumplimiento de las directrices éticas para la investigación de sujetos humanos en la Universidad de Yangzhou. Se obtuvo el consentimiento informado de todos los participantes antes de su participación, asegurando que estuvieran plenamente informados sobre el propósito del estudio, los procedimientos basados en encuestas, su carácter voluntario y su derecho a retirarse en cualquier momento sin consecuencias. Todos los métodos cumplieron con estándares éticos para la investigación humana, garantizando la confidencialidad de los participantes, la anonimización de datos y la protección durante todo el estudio. El estudio consistió en una recogida de datos no invasiva, basada en encuestas, con un riesgo mínimo para los participantes. El estudio sigue las directrices éticas para la investigación educativa, garantizando el anonimato de los participantes y la participación voluntaria. El consentimiento informado se obtuvo electrónicamente, con información clara sobre el uso y almacenamiento de datos. No se recopiló información personal identificable y las respuestas se almacenan de forma segura en servidores protegidos por contraseña. Los participantes conservan el derecho a retirarse en cualquier momento. Los riesgos potenciales (fatiga de la encuesta) se mitigan mediante un diseño conciso de cuestionarios, y los hallazgos se informan en forma agregada para evitar la identificación individual.
Revisión bibliográfica
Dependencia percibida de la IA, preocupaciones éticas percibidas sobre la IA y miedo a perderse algo (FoMo)
La incorporación dinámica del uso de la Inteligencia Artificial (IA) en la educación ha dado un giro radical al aprendizaje de idiomas, especialmente entre los estudiantes de Inglés como Lengua Extranjera (EFL)17. Los sistemas inteligentes de tutoría, la evaluación automática de la escritura y las plataformas de aprendizaje adaptativo se basan en IA y proporcionan una experiencia de aprendizaje eficiente eindividualizada 18. Sin embargo, junto con este avance tecnológico, han surgido algunos problemas psicológicos, como el aumento del miedo a perderse algo (FoMO), que es un tipo de ansiedad social porque las personas temen no estar incluidas en actividadesplacenteras 19. Según los hallazgos de la investigación, la percepción de dependencia de la IA y las preocupaciones éticas percibidas sobre la IA pueden reforzar los niveles de FoMO entre los estudiantes de EFL y alterar sus interacciones con la educación basada en IA en el futuro.
Además, a medida que la IA encuentra su lugar en el proceso de enseñanza de idiomas, los estudiantes pueden volverse dependientes de estas herramientas para corregir su gramática y vocabulario y mejorar supronunciación 20. Esta dependencia puede causar presión psicológica, y los estudiantes pueden sentir que deben utilizar constantemente herramientas de IA para evitar retrasos académicos. Los hallazgos de la investigación sobre la dependencia digital llevaron a la conclusión de que la sobredependencia de la tecnología genera ansiedad debido al miedo a no tener acceso a estosdispositivos 21. Dentro del ámbito del aprendizaje de EFL, los estudiantes que creen que la IA es necesaria podrían sentir FoMO porque piensan que sus compañeros están aprovechando más de estas tecnologías22. El fenómeno es coherente con la teoría de la comparaciónsocial 23, que postula que las personas comparan su progreso con el de otros. Cuando el aprendizaje potenciado por IA se percibe como una señal competitiva, los estudiantes pueden temer perder el éxito académico a menos que maximicen su participación en el uso de estasherramientas. Además, la conexión perpetua fomentada por las herramientas de IA puede distorsionar las diferencias entre educación y entretenimiento, lo que refuerza aún más los comportamientos domésticos adictivos que potencian aún más el FoMO25.
H1: La percepción de dependencia de la IA influye positivamente en el miedo a perderse algo (FoMO) entre los estudiantes de EFL.
H2: Las preocupaciones éticas percibidas sobre la IA influyen positivamente en el miedo a quedarse fuera (FoMO) entre los estudiantes de EFL.
IA generativa (uso de ChatGPT) y miedo a perderse algo (FoMo)
El aumento actual de la popularidad de la IA generativa (ChatGPT) en el campo de la educación ha dado lugar a nuevas condiciones en las experiencias psicológicas en el proceso de aprendizaje de un idioma 26,27. El estudio ha identificado recientemente que el uso de estas herramientas de IA de alta tecnología puede transformar significativamente el estado emocional de los estudiantes, especialmente el miedo a perderse algo (FoMO)28. Cuanto más se programa la IA generativa para proporcionar retroalimentación instantánea, generar material de aprendizaje y simular una práctica de conversación, más pueden los estudiantes desarrollar ansiedades y preocuparse por quedarse atrás si no emplean estas herramientas con mayorpotencial. El proceso sugiere una tendencia más amplia del aprendizaje digital, en la que el avance tecnológico no solo permite hacer más cosas en el aprendizaje, sino que también expone las experiencias de aprendizaje a nuevos niveles de ansiedad30.
Los efectos psicológicos de las herramientas de IA generativa en los aprendices de idiomas pueden explicarse refiriéndose a la teoría de la autodeterminación, según la cual la competencia, la autonomía y la relación son necesidades psicológicasbásicas 14. En los casos en que los estudiantes creen que sus compañeros obtienen mejores resultados con la ayuda de la IA, atribuido a que FoMO no se abordaen el 31, también se agrava por amenazas a su sentido de competencia. Este impacto puede ser especialmente severo en entornos académicos exigentes, ya que los estudiantes comparan su progreso y habilidades32. Además, el acceso ilimitado a herramientas de IA generativa también puede provocar el problema del uso constante, ya que los estudiantes temen quedarse atrás y perder un progreso significativo.
FoMO también se presenta en forma de la dinámica social de la implementación de IA en comunidadesde aprendizaje 33. Una vez que la IA generativa se normalice en el entorno educativo, es probable que genere una sensación de presión social para alinearse con las nuevas prácticas digitales fomentadas en el entorno educativo. Esta presión puede ser especialmente fuerte al aprender un idioma extranjero, donde la IA está disponible para ayudar con la escritura, la gramática y la comunicación sin un esfuerzo aparente por parte delestudiante 35. La idea de quedarse excluido de esta transformación puede ser una motivación para adoptar estrategias de uso compulsivo, incluso entre estudiantes que de otro modo podrían estar más inclinados a aprender de formas másconvencionales 36. Nuevos estudios subrayan la necesidad de comprender con más detalle el efecto mediador de diversas características del aprendiz en la relación entre el uso de la IA generativa y el FoMO. Las respuestas a estas preguntas dependen de factores como el nivel de alfabetización digital y habilidades de autorregulación, y la motivación para aprender, que pueden definir si las herramientas de IA son recursos potenciadores o la causa de la ansiedad37. Basándose en la literatura anterior se propone la siguiente hipótesis:
H3: El aumento del uso de IA generativa influye positivamente en el miedo a perderse algo (FoMO) entre los estudiantes de EFL.
Miedo a perderse algo (FoMo), comprensión lectora y adquisición de vocabulario
El concepto psicológico de miedo a perderse algo (FoMO) se ha vuelto cada vez más influyente en los comportamientos de aprendizaje en línea, destacando una relación compleja con el aprendizaje de un segundo idioma y los resultadosacadémicos 38. Investigaciones recientes muestran que FoMO, dependiendo de la dimensión39 del aprendizaje de idiomas, puede tener un efecto diferenciado en el aprendizaje de varias dimensiones del aprendizaje de idiomas, especialmente en la comprensión lectora y la adquisiciónde vocabulario 40. Esta dependencia parece estar motivada por la carga cognitiva41 y los sistemas de control de atención42, porque los individuos con un alto FoMO muestran un patrón único de interacciones textuales con materiales.
Los estudios empíricos indican que un grado moderado de FoMO aumenta la implicación en los materiales de lectura cuando los estudiantes sienten que los materiales de lectura son actividades social y académicamentevaliosas 43. Sin embargo, el exceso de FoMO se asocia con lecturas incompletas y procesamiento profundo de pocainformación 44, lo que podría degradar la comprensión. La sensación parece ser más prevalente en el ámbito de la lectura digital, donde las notificaciones y la captura en redes sociales aumentan las interrupciones de la atención. Dentro de la adquisición de vocabulario, FoMO tiene una relación más compleja, aunque la exposición a nuevos ítems léxicos podría verse aumentada debido al aumento del compromiso46,47, la retención se ve perjudicada por los comportamientos compulsivos de aprendizaje.
Las evidencias emergentes sugieren que existe variación cultural e individual en estas relaciones. En comparación, los aprendices colectivistas parecen ser más propensos a las consecuencias negativas de FoMO en la comprensiónlectora 48, lo que puede estar relacionado con su mayor tendencia a compararsesocialmente 49. Por otro lado, las experiencias FoMO no tienen impacto en la comprensión ni en el aprendizaje del vocabulario en los alumnos que tienen estrategias de autorregulación elevadas 50. Basándose en la literatura anterior, se proponen las siguientes hipótesis:
H4: El miedo a perderse algo (FoMO) influye negativamente en la comprensión lectora.
H5: La comprensión lectora influye positivamente en la adquisición del vocabulario.
Efecto moderador del agotamiento digital en el aprendizaje
El agotamiento digital es un problema reciente con implicaciones psicológicas y sociales que afectan a los procesos de adquisición del lenguaje51,52. Emocional y cognitivamente agotadora, pero al mismo tiempo, me faltaba motivación debido a una larga gama de aprendizaje académico mediado por la tecnología. El agotamiento digital afectó negativamente las capacidades cognitivas necesarias para procesar el lenguaje53. Estudios neurocognitivos activos indican que el agotamiento laboral causa fatiga, lo que interfiere con la capacidad de memoriade trabajo 54, que es un componente clave tanto de la memoria de palabras como de la lectura55. Esta fatiga mental podría estar detrás de la nueva evidencia de una codificación semántica débil en estudiantes agotados digitalmente cuando se les pide realizar tareas de aprendizaje devocabulario 56.
El agotamiento digital se manifiesta de forma única en contextos de inglés inglés debido a las demandas cognitivas y afectivas distintivas de la adquisición del lenguaje. A diferencia del agotamiento académico general, el agotamiento digital en inglés inglés se agrava por la constante carga cognitiva de procesar fonologías, sintaxis y semánticas desconocidas a través de interfaces digitales, lo que puede saturar la memoria de trabajo de forma más severa que el aprendizaje basado en contenidos57. Además, el filtro afectivo se intensifica por la naturaleza performativa de la práctica lingüística en plataformas de IA, donde los estudiantes pueden experimentar ansiedad por correcciones inmediatas impulsadas por algoritmos y la presión de alcanzar una competencia similar a lanativa 58. Esta combinación de una carga cognitiva intensificada y una presión socioafectiva única en entornos de lenguaje mediados digitalmente crea un perfil específico de agotamiento que dificulta directamente los procesos matizados de codificación de vocabulario y comprensiónlectora 59.
El agotamiento digital y la comprensión lectora muestran relaciones muy sutiles en el desarrollo del vocabulario. Aunque es probable que el conocimiento incidental del vocabulario se adquiera mediante inferencia contextual cuando los estudiantes tienen habilidades lectorassólidas 60, la correlación positiva entre vocabulario y rendimiento lector disminuye en estudiantes con altoburnout 61. Las mediciones de seguimiento ocular indican que los aprendices de senescencia verbal también muestran tiempos de fijación disminuidos sobre nuevos objetos léxicos durante lalectura 62, lo que implica un descenso en la concentración mental de los fondos densos en vocabulario. Esto es similar a la teoría del control de la atención, que sostiene que la fatiga cognitiva afecta las habilidades de las funciones ejecutivas implicadas en la comprensión simultánea y el procesamiento léxico. Es perfectamente posible señalar que el papel moderador del agotamiento digital solo se evidencia en las diferencias individuales en la autorregulación y el diseño de entornos de aprendizaje63. Ser resiliente a los efectos adversos del agotamiento también se ejemplifica en los estudiantes con estrategias metacognitivas de alto rendimiento, ya que mantendrán una ventaja en vocabulario incluso cuando se enfrentan a dificultades de comprensión. Basándose en la literatura anterior, se proponen las siguientes hipótesis:
H6: El agotamiento digital en el aprendizaje influye negativamente en la adquisición de vocabulario.
H7: El agotamiento digital en el aprendizaje modera negativamente la relación entre la comprensión lectora y la adquisición de vocabulario, de modo que un mayor agotamiento debilita el efecto positivo de la comprensión en la ganancia del vocabulario.
Efecto mediador del miedo a perderse algo (FoMo)
La introducción de la inteligencia artificial en la educación ha añadido sistemas psicológicos complejos que determinan los resultados de la comprensiónlectora 64. Los datos emergentes indican que el miedo a perderse algo (FoMO) es un mediador vital del vínculo entre la implicación del alumnado con las tecnologías de IA y su rendimiento lector65. El papel de este efecto de mediación parece especialmente destacado en entornos donde las herramientas de IA se han promovido como medios para facilitar un aprendizaje más eficiente, generando así presiones psicológicas que pueden acabar obstaculizando el pensamiento de ordensuperior 66. Para garantizar que las ansiedades del aprendizaje autónomo no sean desarrolladas por los estudiantes que se dan cuenta de una dependencia irracional de la asistencia de IA67, estudios recientes se centran en determinar cómo los niveles percibidos de dependencia de la IA influyen en el desarrollo de la ansiedad respecto a las capacidades de aprendizajeautónomo 68. Esta ansiedad se convierte en FoMO cuando los estudiantes piensan en lo que no pueden hacer en comparación con los resultados mejorados por inteligenciaartificial 69, y muestran una tendencia a alejar recursos cognitivos de los pasos de comprensión profunda.
Las cuestiones éticas relacionadas con la aplicación de la IA corresponden a las vías FoMO, así como los estudiantes que enfrentan conflictos morales debido al uso de la IA muestran una mayor vigilancia hacia las acciones de sus compañeros, lo que ayuda a formar separaciones atencionales entre ética y comprensiónlectora 70. Esto se refleja en estudios de seguimiento ocular, donde el lector realiza movimientos oculares más regresivos al leer65. El efecto de mediación parece ser especialmente pronunciado cuando no se han aclarado las cuestiones éticas, dejando una carga cognitiva persistente que dificulta la lectura71. Las herramientas de IA generativa crean nuevos tipos de mediación con la capacidad de generar resultados prácticamente al instante. Basándose en la literatura anterior, se proponen las siguientes hipótesis:
H8: El miedo a perderse algo (FoMO) media la relación entre la dependencia percibida de la IA y la comprensión lectora
H9: El miedo a perderse algo (FoMO) media la relación entre las preocupaciones éticas percibidas de la IA y la comprensión lectora
H10: El miedo a perderse algo (FoMO) media la relación entre el uso de IA generativa y la comprensión lectora
Marco teórico
Este estudio está guiado principalmente por la Teoría de la Autodeterminación (SDT)12, que proporciona un marco cohesivo para entender cómo las herramientas de IA impactan las necesidades psicológicas fundamentales que sustentan la motivación y el compromiso cognitivo del aprendizaje. Según el modelo, la Dependencia Percibida de la IA pone en peligro directamente las necesidades primarias de autonomía y competencia de la TDA y puede socavar la motivación intrínseca para aprender el idioma al desarrollar una dependencia excesiva de la regulación externa para alcanzar objetivos como la comprensión lectora y la adquisición de vocabulario. En este contexto, el miedo a perderse algo (FoMO) se entiende en el marco de la relación familiar, que se describe en la teoría secundaria de la comparaciónsocial 72. La norma social que se ha desarrollado entre sus compañeros debido al uso extensivo de la IA provoca un estado de FoMO, que provoca ansiedad por perderse algo, lo que a su vez aumenta la dependencia y, en consecuencia, reduce aún más la motivación para aprender de forma independiente.
Esta dinámica motivacional se explica por los resultados cognitivos tal y como los describe la Teoría de la Carga Cognitiva (CLT)73. Aunque la IA generativa puede mejorar el aprendizaje minimizando la carga cognitiva extraña (por ejemplo, mediante definición instantánea), depender demasiado de esto puede ser contraproducente para adquirir vocabulario al reducir la carga cognitiva necesaria para codificar profundamente el léxico y almacenarlo en la memoria a largo plazo. Esto se agrava aún más por la condición de Burnout Digital, que constituye un drenaje de los recursos cognitivos que socava la relación entre comprensión y aprendizaje. A su vez, la TDA ofrece la explicación general de las rutas motivacionales, la TLC amplía los procesos cognitivos resultantes y la Teoría de la Comparación Social describe el estímulo socioafectivo (FoMO) resultante, que se combinan en una explicación compuesta de la influencia dual de la IA en el aprendizaje del lenguaje.
Diseño de investigación
Este estudio adopta un diseño de investigación empírica cuantitativa para examinar las relaciones entre factores relacionados con la IA (dependencia percibida, preocupaciones éticas, uso generativo de la IA), el miedo a perderse algo (FoMO), el agotamiento digital y los resultados en el aprendizaje del lenguaje (comprensión lectora y adquisición de vocabulario). Se emplea un enfoque transversal basado en encuestas, que permite recopilar datos en un único momento para evaluar correlaciones y efectos de mediación/moderación. El diseño es especialmente adecuado para probar el modelo teórico propuesto, ya que permite el uso de modelado estructural de ecuaciones (SEM) para analizar relaciones complejas entre constructos latentes.
Población y muestreo
La población objetivo está compuesta por estudiantes de inglés inglés en universidades chinas, un contexto donde las herramientas de aprendizaje de idiomas asistidas por IA se están integrando cada vez más en los planes de estudio. Se utilizó una técnica de muestreo de conveniencia para reclutar a 465 participantes, determinando el tamaño de la muestra mediante análisis de potencia a priori usando G*Power 3.174. Para los análisis de regresión múltiple planificados (α = 0,05, potencia = 0,95, tamaño medio del efecto f² = 0,15), el análisis indicó un tamaño mínimo requerido de muestra de 166 participantes, confirmando que nuestra muestra de 465 proporciona suficiente potencia estadística. El tamaño de la muestra también es adecuado para realizar análisis SEM, y sigue el requisito del PLS-SEM, que indica que el número mínimo de puntos de muestreo debe ser 10 veces el número máximo de caminos estructurales hacia una construcción en el modelo75. Las muestras se reclutarán utilizando las unidades muestrales de varias universidades situadas en distintas regiones geográficas de China para obtener altos resultados en el aspecto de generalizabilidad. En cambio, las variables demográficas (edad del solicitante, género, nivel de dominio del inglés y frecuencia de uso de herramientas de IA) se registrarán y utilizarán como elementos de control en futuros estudios.
Para garantizar la integridad analítica de nuestros hallazgos, se implementaron múltiples medidas de control de calidad a lo largo del proceso de recogida y preparación de datos. La distribución inicial de la encuesta arrojó una tasa de respuesta del 87%. Tras la recogida de datos, se aplicaron procedimientos rigurosos de cribado: se excluyeron encuestas incompletas con más del 10% de datos faltantes listados por lista, y cualquier valor esporádico restante a nivel de ítem se abordó utilizando el algoritmo de imputación Expectation-Maximization en SPSS para preservar el poder estadístico minimizando el sesgo. Además, las preguntas de control de atención integradas identificaron y facilitaron la eliminación de los encuestados desatentos. Estos procedimientos exhaustivos, combinados con el cribado de valores atípicos multivariantes, aseguraron que el conjunto de datos analítico final (N=450) cumpliera con altos estándares de fiabilidad para el modelado posterior de ecuaciones estructurales.
Procedimiento de recogida de datos
Los datos se recogieron mediante un enfoque mixto, utilizando tanto métodos online como presenciales para maximizar la participación y accesibilidad. El equipo de investigación colaboró con los instructores de los cursos de las universidades objetivo, quienes distribuyeron el enlace único de la encuesta directamente a los estudiantes a través de grupos oficiales de clase en WeChat. Este método aprovechaba canales de confianza para mejorar las tasas de respuesta. Para la recogida de datos in situ, el investigador principal y asistentes formados visitaban aulas designadas durante las sesiones programadas. Tras una breve introducción al estudio, distribuyeron los paquetes de encuestas en papel. El procedimiento para obtener el consentimiento informado se adaptó a cada modalidad. En la versión online, a los participantes se les presentó un formulario de consentimiento digital en la primera página. Se les exigió seleccionar "He leído y entendido la información anterior y acepto participar voluntariamente" antes de activar los ítems del cuestionario. Para los participantes en el lugar, se adjuntó una hoja informativa detallada al paquete de la encuesta y se obtuvo el consentimiento por escrito haciendo que los participantes firmaran un formulario físico antes de recibir el cuestionario. El cuestionario completo estaba diseñado para completarse en un plazo de 15-20 minutos para minimizar la fatiga de los encuestados. Para garantizar la calidad de los datos, se integraron dos elementos de control de atención ("Por favor, seleccione 'Totalmente en desacuerdo' para esta afirmación") en la encuesta. Las presentaciones incompletas con más del 10% de datos faltantes y aquellas que no superaban las comprobaciones de atención fueron señaladas automáticamente por el sistema y posteriormente excluidas. El periodo de recogida de datos abarcó cuatro semanas, durante las cuales se enviaron dos mensajes recordatorios a través de los canales iniciales de distribución. Tras la recopilación, el conjunto de datos pasó por un riguroso proceso de limpieza, que incluyó comprobaciones de valores ausentes, valores univariantes y multivariantes, y violaciones de supuestos de normalidad, antes del análisis estadístico.
Mediciones y adaptación de la escala
Dependencia percibida de la IA
La dependencia percibida de la IA se midió utilizando una escala de 5 ítems adaptada de Morales-García et al.76. La escala mide cuán dependientes son las personas de la inteligencia artificial en sus actividades diarias y en el proceso de toma de decisiones. Estos elementos reflejan varios aspectos de la dependencia, incluyendo la necesidad percibida de usar herramientas de IA para ser eficiente y la incapacidad de funcionar sin el soporte de IA.
Preocupaciones éticas percibidas sobre la IA
Las preocupaciones éticas se evaluaron utilizando una escala multidimensional desarrollada por Kim yKo 77. Para reforzar la validez y relevancia de una población de EFL, las cuatro dimensiones de la escala se enmarcaron dentro del contexto específico del aprendizaje de idiomas impulsado por IA. Esta escala consta de cuatro dimensiones críticas: transparencia (8 artículos), equidad (5 artículos), seguridad (5 artículos) y responsabilidad (8 artículos). Cada dimensión evalúa diferentes desafíos éticos, como la claridad de los procesos de toma de decisiones en la IA, los sesgos en los algoritmos de IA, los riesgos asociados al uso de la IA y la rendición de cuentas en su despliegue. Esta operativización enfocada garantiza que los elementos se relacionen directamente con los dilemas éticos que los estudiantes de EFL probablemente enfrentarán.
Uso de la IA generativa
El uso de IA generativa se operacionalizó usando una escala de 8 ítems de Abbas et al.78. Esta escala mide el nivel y la regularidad de uso de modelos de IA generativa, incluidos dispositivos para crear texto e imágenes. Los productos examinan diversas aplicaciones, como académicas, profesionales y personales, y ayudan a entender cómo las personas las incorporan y utilizan en sus vidas. Este enfoque integral nos permite captar la integración holística de la IA generativa en el ecosistema del aprendizaje, que es un requisito previo para comprender sus efectos psicológicos y cognitivos más amplios.
Miedo a perderse algo (FoMO)
El miedo a perderse algo se midió utilizando la escala de 17 ítems de Mazlum y Atalay79. Esta escala fue seleccionada por su evaluación matizada de la ansiedad que los compañeros tienen experiencias gratificantes de las que uno está ausente. Es especialmente apropiado para este estudio, ya que recoge elementos altamente relevantes para entornos de aprendizaje mediados digitalmente, incluyendo la necesidad compulsiva de mantenerse conectado en línea y el miedo a perder estrategias de aprendizaje superiores, recursos o avances entre compañeros facilitados por la IA, vinculando así directamente el uso de la IA con la ansiedad psicosocial.
Comprensión lectora
La comprensión lectora se midió utilizando estrategias de lectura adaptadas de Mokhtari et al.80, que incluyen tres dimensiones: Estrategias Globales de Lectura (5 ítems), Estrategias de Resolución de Problemas (5 ítems) y Estrategias de Apoyo a la Lectura (5 ítems). Esta escala evalúa cómo las personas abordan y comprenden el material escrito, centrándose en su capacidad para sintetizar información, resolver dificultades de comprensión y utilizar ayudas externas para mejorar la comprensión.
Agotamiento digital en el aprendizaje
El agotamiento digital en el aprendizaje se midió utilizando una escala adaptada de Erten yÖzdemir 81, que consta de tres dimensiones: Envejecimiento Digital (12 ítems), Privación Digital (6 ítems) y Agotamiento Emocional (6 ítems). Esta escala evalúa los efectos psicológicos negativos de la interacción digital prolongada, incluyendo fatiga por el exceso de tiempo frente a la pantalla, sentimientos de desconexión y agotamiento mental debido a las exigencias del aprendizaje online.
Adquisición de vocabulario
La adquisición de vocabulario se evaluó utilizando una escala de 4 ítems de Li et al.82. La escala se utiliza para medir la eficacia de las estrategias de aprendizaje de vocabulario en cómo las personas adoptan, recuerdan y utilizan palabras nuevas en diversos contextos. El material evalúa la competencia auto-informada y la confianza en el uso del vocabulario.
Plan de análisis de datos
El estudio adopta una estrategia analítica integral en dos fases para examinar rigurosamente las relaciones hipotetizadas. El cribado inicial de datos y los análisis preliminares se realizan utilizando SPSS 28, centrándose en estadísticas descriptivas para evaluar la distribución de datos, análisis de fiabilidad a escala (alfa de Cronbach) y correlaciones bivariadas para examinar asociaciones preliminares entre constructos clave. Todos los ítems de la escala Likert se codificaron en una escala de intervalos de 5 puntos (1=Fuertemente en desacuerdo con 5=Totalmente de acuerdo). Este análisis fundamental garantiza la calidad de los datos y proporciona información esencial sobre las características básicas del conjunto de datos antes de pasar a un modelado más complejo. Para el análisis principal, SmartPLS 4 se emplea para implementar el Modelado de Ecuaciones Estructurales de Mínimos Cuadrados Parciales (PLS-SEM), seleccionado por su manejo robusto de modelos predictivos complejos que involucran variableslatentes 83. El análisis comienza con una evaluación exhaustiva del modelo de medición, donde el análisis factorial confirmatorio establece las propiedades psicométricas de las escalas. Las evaluaciones clave incluyen pruebas de consistencia interna (fiabilidad compuesta), validez convergente (varianza media extraída) y validez discriminante (criterio de Fornell-Larcker y relación heterorasgo-monorasgo). Estos pasos aseguran que los constructos sean tanto teóricamente sólidos como empíricamente distintos.
Posteriormente, se examina el modelo estructural para probar las relaciones hipotetizadas entre los constructos. Los coeficientes de trayectoria se analizan por su magnitud, dirección y significación estadística, mientras que los tamaños de efecto (f²) se calculan para evaluar el impacto sustantivo. La relevancia predictiva del modelo se evalúa utilizando la estadística Q² de Stone-Geisser, con procedimientos de venda a ciegas para validar la capacidad del modelo para predecir variables endógenas. Para análisis de mediación, el estudio emplea el enfoquePreacher and Hayes 84, bootstrapping, que proporciona intervalos de confianza robustos para efectos indirectos mientras controla posibles variables de confusión. Los efectos de moderación se prueban mediante términos de interacción creados mediante el método de indicadores de producto PLS, realizándose un análisis simple de pendientes para interpretar efectos de interacción significativos. Todos los análisis utilizan 5.000 muestras bootstrap para generar estimaciones estables y garantizar la robustez de los hallazgos.
Para el análisis principal, SmartPLS 4 se emplea para implementar el Modelado de Ecuaciones Estructurales de Mínimos Cuadrados Parciales (PLS-SEM), seleccionado por su manejo robusto de modelos predictivos complejos que involucran variableslatentes 83. La elección del PLS-SEM frente al SEB basado en covarianza (CB-SEM) se justifica por el objetivo principal del estudio de predecir variables endógenas (adquisición de vocabulario) y su complejo modelo que presenta mecanismos mediadoresy moderadores 85. Además, PLS-SEM es preferible frente a la regresión múltiple, ya que estima simultáneamente las relaciones entre todos los constructos latentes dentro de todo el modelo, teniendo en cuenta el error de medición. Aunque los diseños experimentales ofrecen una fuerte inferencia causal, la naturaleza transversal de este estudio busca establecer relaciones predictivas en un contexto de aprendizaje real, para lo cual PLS-SEM es muy adecuado86. Finalmente, este estudio para el análisis de datos y los resultados de este estudio pueden verse en la sección de Resultados más abajo.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Estadísticas descriptivas
Las estadísticas descriptivas ofrecen una visión general de las variables importantes de este estudio, es decir, la dependencia percibida de la IA, preocupaciones éticas y uso de IA generativa, miedo a perderse algo (FoMO), comprensión lectora, agotamiento digital y adquisición de vocabulario. El análisis mostrará las tendencias centrales, la dispersión y las características distributivas de los datos, proporcionando una comprensión del interés de los participantes en las tec...
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
El estudio actual analizó la compleja interacción entre factores relacionados con la IA, estados psicológicos y resultados de aprendizaje entre los estudiantes de EFL, aportando varios hallazgos clave. Nuestro enfoque metodológico, específicamente el uso de PLS-SEM, fue fundamental para modelar estas relaciones complejas. A diferencia del SEM BASADO EN COVARIANZA (CB-SEM), que es más adecuado para la confirmación teórica, la orientación predictiva de PLS-SEM y su capacidad para manejar m...
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Todos los autores declaran que no hay conflictos de interés.
Esta investigación está financiada por el Fondo Provincial de Ciencias Sociales de Jiangsu, Subvención No: (23YYB011). Este trabajo fue apoyado por la Universidad Prince Sultan bajo el Laboratorio de Investigación en Lengua y Comunicación bajo la subvención RL-CH-2019/9/1.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
| Nombre | Empresa | Número de catálogo | Comentarios |
|---|---|---|---|
| Ordenador portátil | Dell Technologies | N/A | Utilizado para el procesamiento y documentación de datos |
| Software Estadístico (SPSS) | IBM Corp. | Versión 26.0 | Utilizado para análisis estadístico |
| Microsoft Excel | Microsoft | Oficina 365 | Entrada de datos y manejo básico de datos |
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Solicitar permiso para reutilizar el texto o las figuras de este artículo de JoVE
Solicitar permiso