Futuro de la ciencia educativa: Uso, confianza y carga cognitiva de la IA generativa como predictores del rendimiento académico autopercibido en la educación superior

Resumen

Este estudio examina cómo el uso y la confianza en la IA generativa afectan al rendimiento académico de los estudiantes de educación superior a través de la carga cognitiva. El uso de modelado estructural de ecuaciones de mínimos cuadrados parciales (PLS-SEM) con datos de 390 estudiantes revela que ambos factores aumentan significativamente la carga cognitiva, lo que predice positivamente el rendimiento y media sus efectos.

Resumen

Este estudio investiga las complejas relaciones entre el uso de la IA generativa, la confianza en la IA, la carga cognitiva y el rendimiento académico entre los estudiantes de educación superior. Basada en la teoría de la carga cognitiva y la literatura de confianza, la investigación examina cómo la implicación de los estudiantes con las herramientas de IA generativa y su confianza en estos sistemas influyen en los resultados académicos, teniendo la carga cognitiva como mecanismo mediador. Se empleó un diseño de investigación cuantitativo transversal con una muestra aleatoria estratificada de 390 estudiantes de educación superior. Los datos se recogieron utilizando escalas validadas que miden la confianza en el uso de IA generativa en IA (dimensiones similares y de funcionalidad), la carga cognitiva (carga intrínseca, carga externa y aprendizaje autopercibido) y el rendimiento académico. Se utilizó modelado estructural de ecuaciones de mínimos cuadrados parciales (PLS-SEM) con procedimientos de bootstrapping (5.000 remuestras) para probar las relaciones directas y mediadoras hipotetizadas. Los resultados revelaron que el uso de IA generativa (β = 0,34, p < 0,001) y la confianza en la IA (β = 0,28, p < 0,001) estuvieron significativamente asociados positivamente con la carga cognitiva. La carga cognitiva también se asoció positivamente con el rendimiento académico (β = 0,52, p < 0,001). Además, la carga cognitiva media significativamente las relaciones entre el uso de la IA generativa y el rendimiento académico (β = 0,18, p < 0,001) y entre la confianza en la IA y el rendimiento académico (β = 0,15, p < 0,001). El modelo explicaba el 45% de la varianza en el rendimiento académico, y PLS Predict confirmó un alto poder predictivo. Los hallazgos extienden la teoría de la carga cognitiva a contextos de aprendizaje mejorados por IA y sugieren que la carga cognitiva puede funcionar como una vía explicativa importante que vincula factores relacionados con la IA con los resultados académicos. En la práctica, el estudio subraya la importancia de fomentar la alfabetización en IA, diseñar entornos de aprendizaje que optimicen la carga cognitiva y priorizar la fiabilidad funcional en el desarrollo de herramientas de IA. Este estudio aporta evidencia empírica de que la carga cognitiva actúa como un mecanismo mediador significativo a través del cual el uso y la confianza en la IA generativa se traducen en el rendimiento académico.

Introducción

El rápido avance de la inteligencia artificial generativa (GenIA) ha precipitado un cambio de paradigma en la educación superior, transformando fundamentalmente la forma en que los estudiantes acceden, procesan y construyen el conocimiento¹. Herramientas como ChatGPT, Gemini y Claude se han integrado cada vez más en entornos académicos, con estimaciones recientes que sugieren que más del 30% de los estudiantes universitarios emplean regularmente estas tecnologías para actividades relacionadas con los cursos². Esta revolución tecnológica presenta tanto oportunidades sin precedentes como desafíos significativos para educadores, administradores e investigadores que buscan comprender cómo la integración de la IA influye en los procesos y resultados de aprendizaje³.

Aunque la IA generativa ofrece el potencial de tutorías personalizadas, retroalimentación instantánea y una mayor productividad, los estudiantes no consumen simplemente información generada por IA de forma^{pasiva 4}. Más bien, el aprendizaje mejorado por IA implica procesos de interacción continua en los que los estudiantes formulan prompts, evalúan resultados, comparan respuestas generadas por IA con fuentes externas, calibran su dependencia de sistemas de IA e integran contenido generado por máquina en tareas^{académicas 5}. Estas demandas interaccionales introducen nuevas dinámicas cognitivas que van más allá de los modelos tradicionales de uso tecnológico y pueden reducir ciertas cargas cognitivas mientras crean nuevas formas de esfuerzo y sobrecarga cognitivo. En el centro de estas preocupaciones está la cuestión de cómo el uso de la IA afecta a los procesos cognitivos que subyacen al aprendizaje, una cuestión que sigue siendo en gran medida inexplorada en la literatura empírica. La teoría de la carga cognitiva (CLT) proporciona un marco teórico sólido para examinar estas cuestiones. La TLC sostiene que el aprendizaje está limitado por la capacidad limitada de la memoria de trabajo y que un diseño instruccional eficaz debe gestionar tres tipos de carga cognitiva: carga intrínseca derivada de la complejidad del contenido, carga externa impuesta por un diseño instruccional deficiente y carga pertinente dirigida a la construcción y automatización de^{esquemas 6}. En entornos de aprendizaje mejorados por IA, estas distinciones se vuelven especialmente^{evidentes 7}. Los estudiantes que interactúan con herramientas de IA generativa deben procesar simultáneamente el contenido del curso, evaluar la información generada por IA para comprobar su precisión y relevancia, e integrar diversas fuentes de procesos de conocimiento que pueden aumentar significativamente las demandas^{cognitivas 8}.

Es importante destacar que la teoría de la carga cognitiva conceptualiza la carga cognitiva como un constructo multidimensional que consiste en carga intrínseca, externa y relevante, cada una de las cuales puede afectar el aprendizaje de forma^{diferente 9}. La carga intrínseca surge de la complejidad inherente del material de aprendizaje, la carga externa refleja una carga cognitiva innecesaria generada por un diseño instruccional ineficaz o demandas de procesamiento irrelevantes, y la carga pertinente se refiere al compromiso cognitivo productivo asociado con la construcción de esquemas y procesos de aprendizaje significativos. Por lo tanto, la carga cognitiva no debe interpretarse como uniformemente beneficiosa o dañina. Aunque la carga intrínseca y relevante puede favorecer una comprensión más profunda bajo condiciones adecuadas, una carga excesiva y externa puede interferir con el aprendizaje al consumir recursos cognitivos limitados.

Más allá de los patrones de uso, la confianza de los estudiantes en los sistemas de IA surge como un factor psicológico crítico que moldea la interacción humano-IA^. Basándose en marcos fundamentales de confianza, la confianza en la IA puede conceptualizarse en dos dimensiones distintas: la confianza humana, que abarca percepciones de benevolencia, integridad y previsibilidad; y confianza en la funcionalidad, que refleja la confianza en la fiabilidad, competencia y fiabilidad de la propia^{tecnología 11}. Investigaciones previas han establecido la confianza como determinante de la adopción y el uso continuado^{de la tecnología 12}, pero sus consecuencias cognitivas siguen siendo en gran medida inexploradas. La relación entre la confianza en la IA y la carga cognitiva es teóricamente compleja y no debe interpretarse como uniformemente positiva o^{lineal 13}. Por un lado, la confianza adecuada en la IA puede animar a los estudiantes a involucrarse más profundamente con el contenido generado por IA, invertir esfuerzo cognitivo en evaluar respuestas e integrar información generada por máquina en las tareas de aprendizaje¹⁴. La relación entre los factores relacionados con la IA y el rendimiento académico representa el resultado final de interés para educadores e^{instituciones 15}. El rendimiento académico se ha operacionalizado de diversas maneras en la investigación educativa, con algunos estudios utilizando medidas objetivas como el promedio de^{calificaciones 16}, mientras que otros se basan en la eficacia académica autopercibida^{de los estudiantes 17}. Las medidas auto-percibidas capturan la conciencia metacognitiva de los estudiantes sobre sus capacidades de aprendizaje y desempeño en las tareas, que la investigación ha demostrado estar fuertemente asociada con el rendimiento académico^{real 18}. En contextos de aprendizaje mejorado por IA, comprender cómo los estudiantes perciben su propio aprendizaje se vuelve especialmente importante, ya que estas percepciones pueden guiar la participación posterior con herramientas y estrategias de aprendizaje^{de IA 19}.

A pesar de la creciente prevalencia de la IA generativa en la educación superior, la investigación empírica que examina sus consecuencias cognitivas y académicas sigue siendo escasa^. Los estudios existentes se han centrado principalmente en patrones de adopción, preocupaciones éticas o aplicaciones disciplinarias²¹, con atención limitada a los mecanismos psicológicos que vinculan el uso de la IA con los resultados de aprendizaje²². Además, aunque la confianza ha sido estudiada extensamente en el comercio electrónico y la interacción^{humano-ordenador,} su papel en contextos educativos de IA sigue estando teóricamente poco desarrollado y empíricamente sin probar. El presente estudio aborda estas carencias examinando las asociaciones entre el uso de IA generativa, la confianza en la IA, la carga cognitiva y el rendimiento académico, modelando la carga cognitiva como una posible vía mediadora. Basado en la teoría de la carga^{cognitiva 24} y la literatura de confianza, este estudio propone y prueba un modelo de mediación que examina cinco hipótesis: (H1) el uso de la IA generativa influye positivamente en la carga cognitiva; (H2) la confianza en la IA influye positivamente en la carga cognitiva; (H3) la carga cognitiva influye positivamente en el rendimiento académico; (H4) la carga cognitiva media la relación entre el uso de la IA generativa y el rendimiento académico; y (H5) la carga cognitiva media la relación entre la confianza en la IA y el rendimiento académico.

La integración de la inteligencia artificial generativa (GenAI) en la educación superior representa uno de los cambios tecnológicos más significativos en la práctica pedagógica^{contemporánea 25}. Herramientas como ChatGPT, desarrolladas por OpenAI, han demostrado capacidades notables para generar texto similar al humano, resolver problemas complejos y proporcionar apoyo educativo personalizado²⁶. Investigaciones empíricas recientes han documentado una adopción generalizada entre los estudiantes universitarios. Los estudiantes utilizan GenAI para diversos fines académicos, incluyendo lluvia de ideas, resumen de contenidos, corrección de textos y explicación de^{conceptos 27}. Esta proliferación ha llevado a los académicos a examinar tanto las posibilidades como los desafíos asociados a GenAI en contextos educativos. Los defensores argumentan que las herramientas GenAI pueden mejorar el aprendizaje proporcionando retroalimentación inmediata, estructurando tareas complejas y ofreciendo múltiples perspectivas sobre el contenido^{disciplinario 28}. Los estudiantes que usaron ChatGPT para tareas de programación mostraron una mejor calidad del código y un tiempo de finalización reducido, lo que sugiere posibles beneficios cognitivos. De manera similar, GenAI puede personalizar experiencias de aprendizaje adaptando el contenido a las necesidades individuales de los estudiantes y a los ritmos^{de aprendizaje.} Sin embargo, los críticos han expresado preocupaciones sobre la integridad académica, el potencial de plagio y la erosión de las habilidades de pensamiento crítico cuando los estudiantes dependen en exceso de contenido generado por^{IA 30,31}. Estas perspectivas en competencia subrayan la necesidad de una investigación empírica rigurosa sobre cómo el uso de GenAI afecta a los procesos fundamentales de aprendizaje.

La teoría de la carga cognitiva (CLT) proporciona un marco integral para comprender las demandas cognitivas impuestas por las tareas de aprendizaje y los diseños instruccionales. La CLT se basa en la arquitectura establecida de la cognición humana, que comprende una memoria a largo plazo prácticamente ilimitada y una memoria de trabajo severamente limitada tanto en capacidad como en duración³². Según CLT, el aprendizaje ocurre cuando la información se procesa con éxito en la memoria de trabajo y posteriormente se almacena como esquemas en la memoria a largo plazo. La teoría distingue entre tres tipos de carga cognitiva: carga intrínseca, que está determinada por la complejidad inherente del material de aprendizaje y la experiencia previa del aprendiz; carga extra, que se impone por materiales y actividades didácticas mal diseñadas que no contribuyen directamente al aprendizaje; y carga pertinente, que se refiere a los recursos cognitivos dedicados a la construcción de esquemas y la^{automatización 33}. La investigación ha demostrado de forma consistente que un diseño instruccional eficaz debe gestionar estos tres tipos de carga para optimizar los resultados de aprendizaje³⁴. Una carga externa elevada desvía recursos cognitivos de los procesos de aprendizaje, afectando el rendimiento, mientras que las cargas intrínsecas y pertinentes adecuadas facilitan una comprensión profunda y la transferencia^{de conocimiento.} un instrumento integral para medir estas dimensiones de carga en entornos educativos, que permite la investigación empírica de la carga cognitiva en diversos contextos de aprendizaje. Más recientemente, los académicos han extendido la CLT a entornos de aprendizaje mejorados por tecnología, examinando cómo las herramientas digitales influyen en el procesamiento^{cognitivo 36}. La relación entre el uso de la IA generativa y la carga cognitiva es teóricamente compleja y empíricamente poco^{explorada 37}. Por un lado, las herramientas GenAI pueden reducir la carga extraña al agilizar la búsqueda de información, sintetizar fuentes diversas y presentar la información en formatos^{accesibles 38}. Los estudiantes ya no necesitan navegar por múltiples bases de datos ni interpretar textos complejos de forma independiente, lo que potencialmente libera recursos cognitivos para un procesamiento más^{profundo 39}.

La confianza es un mecanismo psicológico fundamental que moldea la interacción entre humanos y tecnología. En el contexto de los sistemas de información, la confianza es multidimensional, abarcando creencias sobre la competencia, benevolencia e integridad de los sistemas^{tecnológicos.} Aplicada a la IA, la confianza puede distinguirse a lo largo de dos dimensiones conceptualmente distintas: la confianza similar a la humana, que implica atribuciones de cualidades antropomórficas como la benevolencia y la previsibilidad; y confianza en la funcionalidad, que refleja la confianza en el rendimiento fiable de las capacidades técnicas⁴¹. Esta distinción es especialmente relevante en contextos educativos, donde los estudiantes deben decidir cuánto depender del contenido generado por IA para las tareas académicas. Según el modelo de la verosimilitud de elaboración, las personas procesan la información ya sea por la vía central o periférica, dependiendo de la motivación y la capacidad. Cuando la confianza es alta, los estudiantes pueden participar en el procesamiento centralizado de rutas, analizando y elaborando contenido generado por IA, aumentando así la carga cognitiva dirigida al aprendizaje⁴². El rendimiento académico constituye la variable criterio última en la investigación educativa, operacionalizada tanto mediante medidas objetivas como los promedios de calificaciones como medidas subjetivas que capturan la eficacia académica autopercibida^{de los estudiantes 43}. Las medidas autoperceptivas ofrecen valiosas perspectivas sobre la conciencia metacognitiva de los estudiantes respecto a sus capacidades de aprendizaje y han demostrado fuertes asociaciones con indicadores objetivos de desempeño. Una autopercepción para evaluar la eficacia académica percibida de los estudiantes, incluyendo ítems relacionados con la eficiencia del aprendizaje y la finalización de tareas⁴⁴. Este enfoque es especialmente adecuado en contextos potenciados por IA, donde la confianza de los estudiantes en su capacidad para aprender con y a través de herramientas de IA puede influir en los resultados reales de aprendizaje.

Protocolo

La tabla de materiales resume los instrumentos, software y escalas utilizados en el estudio, incluyendo escalas adaptadas y validadas para el uso de IA generativa, confianza en la IA, carga cognitiva, rendimiento académico autopercibido, procedimientos de muestreo y encuestas, y herramientas de análisis de datos (SPSS y SmartPLS). Además, la aprobación ética no era aplicable para este estudio, ya que no implicaba manipulación experimental, procedimientos médicos ni intervenciones que pudieran suponer riesgos físicos o psicológicos para los participantes. La investigación utilizó un cuestionario en línea no invasivo y autoadministrado para recopilar datos sobre las percepciones, experiencias y comportamientos de los estudiantes respecto al uso de la IA generativa en entornos académicos. Dado que el estudio no implicó interacción directa más allá de completar una encuesta, no se administraron ensayos clínicos, procedimientos biomédicos ni tratamientos experimentales, y los participantes no fueron sometidos a condiciones experimentales que pudieran causar daño o malestar. Antes de la recogida de datos, a todos los participantes se les proporcionó un formulario detallado de consentimiento informado que explicaba el propósito del estudio, la naturaleza voluntaria de su participación y las medidas tomadas para garantizar el anonimato y la confidencialidad. El consentimiento informado se obtuvo implícitamente mediante la rellenación y envío del cuestionario, tal como se indica explícitamente en el formulario de consentimiento informado. Se aseguró a los participantes que sus respuestas se utilizarían únicamente con fines de investigación académica y que no se recopilaría ni reportaría información personal identificable. Además, se informó a los participantes de su derecho a retirarse del estudio en cualquier momento antes de presentar el cuestionario, sin consecuencias. Todos los datos se almacenaron de forma segura en dispositivos protegidos por contraseña accesibles solo para el equipo de investigación, y se reportaron hallazgos agregados para impedir la identificación de los encuestados individuales. Estas medidas aseguraron que el estudio se realizara conforme a los principios éticos de la Declaración de Helsinki y a las directrices institucionales para la investigación que involucra a participantes humanos, a pesar de que el requisito formal de revisión del comité de revisión no era aplicable.

Diseño de investigación

Este estudio emplea un diseño de investigación cuantitativo y transversal para investigar las complejas relaciones entre el uso de la IA generativa, la confianza en la IA, la carga cognitiva y el rendimiento académico entre los estudiantes de educación superior. Este diseño se operacionalizó mediante una estrategia de encuesta, elegida por su eficiencia y eficacia en la recopilación de datos estandarizados de una gran muestra, permitiendo así pruebas estadísticas robustas de las relaciones hipotetizadas. El método de encuesta facilita la medición sistemática de cada constructo utilizando escalas validadas, asegurando que los datos recogidos sean fiables y comparables entre todos los encuestados. Además, la adopción de un enfoque transversal, en el que los datos se recopilan en un único momento, es especialmente adecuada para esta investigación, ya que permite examinar la prevalencia actual del uso y la confianza en la IA generativa entre los estudiantes, al mismo tiempo que se evalúan las interconexiones entre estas variables y su influencia colectiva en la carga cognitiva y el rendimiento académico dentro de la población objetivo del estudio.

Participantes y procedimiento de muestreo

La población objetivo de este estudio estaba compuesta por estudiantes matriculados en instituciones de educación superior que tenían experiencia activa utilizando herramientas de IA generativa, específicamente ChatGPT y otros modelos de lenguaje grandes similares, con fines académicos. Para asegurar una muestra representativa de esta población y mejorar la generalizabilidad de los hallazgos, se empleó una técnica de muestreo aleatorio estratificado. El marco de muestreo se obtuvo en la oficina del registro universitario, que comprendía una lista completa de los estudiantes actualmente matriculados en todas las facultades. La estratificación se basó en dos variables demográficas clave: la disciplina académica y el año de estudio. La disciplina académica se clasificaba en cuatro estratos principales: humanidades y ciencias sociales, ciencias naturales, ingeniería y tecnología, y negocios y economía. El año de estudio se dividió en cuatro niveles: estudiantes de primer año, segundo, tercer y cuarto año, así como estudiantes de posgrado (Máster y Doctorado). Este enfoque de doble estratificación garantizaba la representación proporcional de cada subgrupo dentro del alumnado, evitando la sobrerrepresentación o la infrarrepresentación de cualquier campo o nivel académico. De cada estrato, los participantes fueron seleccionados aleatoriamente mediante un generador de números aleatorios, con el número extraído proporcional a la representación de ese estrato en la población estudiantil total. Este enfoque sistemático de selección de participantes aseguró que la muestra final reflejara con precisión la diversidad de la población estudiantil de educación superior, incluyendo los antecedentes académicos y la progresión educativa.

En cuanto a la demografía de los participantes, la muestra de 390 encuestados estaba compuesta por una mezcla diversa de estudiantes de distintos grupos de edad, típicamente de 18 a 35 años o más, con una representación equilibrada de identidades de género proporcional a la demografía institucional. La muestra incluyó estudiantes de los cuatro cursos de grado, así como estudiantes de posgrado, asegurando la cobertura de diferentes etapas del desarrollo académico y distintos niveles de exposición a herramientas de IA. Las disciplinas académicas estuvieron representadas proporcionalmente, incluyendo en la muestra estudiantes de humanidades, ciencias, ingeniería y negocios. Además, se recopiló información demográfica básica, como experiencia previa en tecnología, frecuencia de uso de IA generativa y estado de la lengua materna, para proporcionar contexto sobre las variables principales investigadas. Este perfil demográfico completo cumplía dos propósitos: primero, permitía la caracterización descriptiva de la muestra y, segundo, permitía a los investigadores controlar posibles variables de confusión en análisis posteriores. La documentación detallada del procedimiento de muestreo y de las características demográficas garantiza que otros investigadores puedan replicar este estudio con precisión, cumpliendo así el requisito científico de reproducibilidad y permitiendo comparaciones significativas entre diferentes contextos institucionales y culturales. Además, este enfoque riguroso de muestreo reforzó la validez externa de los hallazgos, permitiendo una generalización más segura de los resultados a la población estudiantil de educación superior en general. Los datos de este estudio se recopilaron mediante un cuestionario estructurado y autoadministrado en línea. El cuestionario está dividido en cinco secciones, diseñadas para medir los conceptos básicos del estudio utilizando escalas establecidas y validadas. Todos los ítems, salvo que se indique lo contrario, se medirán en una escala de Likert de cinco puntos, que va del 1 ("Totalmente en desacuerdo") hasta el 5 ("Totalmente de acuerdo").

Instrumentación y medidas

El uso de IA generativa, específicamente ChatGPT, se cuantificó mediante una escala de 8 ítems adaptada de un^{estudio de 45}. Esta escala va más allá de la simple frecuencia de uso para captar la naturaleza multifacética de la interacción del estudiante con la IA. Los ítems se centran en tres dimensiones clave: (a) la frecuencia de uso para diversas tareas académicas, (b) los propósitos específicos para los que se emplea (por ejemplo, lluvia de ideas, resumen de contenidos, corrección de pruebas) y (c) la eficacia percibida de la herramienta por parte de los estudiantes para mejorar su trabajo académico relacionado con el lenguaje. La confianza en la IA se conceptualizó como un constructo multidimensional, basado en marcos establecidos de confianza^{interpersonal 46} y confianza tecnológica. La escala consta de dos dimensiones distintas. Confianza similar a la humana: Esta subescala de 6 ítems mide hasta qué punto los estudiantes atribuyen cualidades similares a las humanas a la IA, como benevolencia, integridad y previsibilidad. Por ejemplo, los ítems evalúan si los estudiantes creen que la IA actúa en su mejor interés o proporciona información imparcial. Confianza en la funcionalidad: Esta subescala de 5 ítems evalúa la confianza en el rendimiento funcional de la IA. Se centra en la fiabilidad, competencia y fiabilidad de la propia tecnología, capturando la creencia de que la IA tiene la funcionalidad necesaria para realizar eficazmente las tareas académicas.

La carga cognitiva se midió utilizando una escala adaptada de otro estudio^{, el 47}, que está basado en la CLT. Para capturar la estructura triárquica de la CLT, la escala se divide en tres subescalas: Carga intrínseca (3 ítems): esta subescala evalúa la complejidad y dificultad percibidas inherentes a los materiales y tareas de aprendizaje en sí. Un ejemplo podría ser: "Los temas que cubro en mis cursos son muy complejos." Carga extraña (3 ítems): Esta subescala mide la carga cognitiva impuesta por el diseño instruccional y la forma en que se presenta la información. Un ejemplo es: "Las instrucciones para las tareas suelen ser poco claras y difíciles de seguir. Aprendizaje autopercibido (4 ítems): Tras investigaciones educativas previas, esta subescala se utilizó como un indicador aproximado del procesamiento cognitivo relevante en lugar de una medida directa de la carga relevante^{en sí misma 48}. Estos ítems recogen la percepción de los estudiantes sobre el esfuerzo mental invertido en la comprensión, comprensión y los procesos de construcción de esquemas asociados con un aprendizaje significativo. Sin embargo, dado que el aprendizaje autopercibido puede solaparse conceptualmente con percepciones más amplias de capacidad y logro académico, debe interpretarse con cautela como una representación operativa parcial del compromiso cognitivo productivo más que como una medida definitiva de la carga relevante. Incluye elementos relacionados con la comprensión, la comprensión y la sensación de haber dominado el material. Siguiendo precedentes establecidos en investigación^{educativa 46}, el rendimiento académico se operacionalizó utilizando una escala de autopercepción. Se empleó un instrumento de 4 elementos. Este enfoque es adecuado para captar la evaluación subjetiva de los estudiantes sobre su eficacia de aprendizaje y su rendimiento académico. La escala se centra en la eficacia académica percibida e incluye afirmaciones como: "Confío en mi capacidad para completar mis asignaturas con éxito" y "Siento que he aprendido a gestionar mis tareas académicas de forma eficiente y eficaz."

Estrategia de análisis de datos

Se empleó el modelado estructural de ecuaciones de mínimos cuadrados parciales (PLS-SEM) para examinar las relaciones entre el uso de la IA generativa, la confianza en la IA, la carga cognitiva y el rendimiento académico autopercibido. La selección del PLS-SEM estuvo guiada tanto por consideraciones metodológicas como analíticas. En primer lugar, el estudio adopta una perspectiva de modelización orientada a la predicción y exploratoria, orientada a examinar las vías asociativas entre constructos relativamente emergentes dentro de contextos de aprendizaje potenciado por IA, en lugar de probar una teoría causal completamente establecida. En segundo lugar, PLS-SEM se considera apropiado para modelos complejos que involucran múltiples constructos latentes y vías de mediación, especialmente cuando el objetivo principal es la explicación de la varianza y el análisis predictivo. Además, PLS-SEM es robusto en condiciones de distribuciones de datos no normales y es adecuado para la investigación en encuestas en ciencias sociales utilizando tamaños de muestra moderados. Dada la naturaleza exploratoria de la investigación en IA generativa en la educación superior y el énfasis del estudio en examinar asociaciones predictivas entre constructos perceptivos, PLS-SEM se consideró metodológicamente apropiado para el presente análisis.

Los datos recogidos se analizarán mediante un enfoque de dos pasos, empleando modelado estructural de ecuaciones de mínimos cuadrados parciales (PLS-SEM) con el software SmartPLS 4. PLS-SEM es una técnica basada en varianzas adecuada para modelos predictivos complejos y no requiere que los datos estén distribuidos normalmente. Paso 1: Evaluación del modelo de medición. El primer paso consiste en evaluar la fiabilidad y validez de los constructos. La fiabilidad de la consistencia interna se evaluará usando la fiabilidad alfa y compuesta de Cronbach, con un umbral de 0,70. La validez convergente se establecerá examinando las cargas exteriores de los indicadores (debe ser > 0,70) y la varianza media extraída (AVE) para cada constructo (debe ser > 0,50). La validez discriminante, que asegura que los constructos sean empíricamente distintos, se evaluará usando el criterio de Fornell-Larcker y la proporción de correlaciones Heterorasgo-Monorasgos (HTMT). Paso 2: Evaluación del modelo estructural. Una vez que el modelo de medición se confirma como fiable y válido, se evaluará el modelo estructural para poner a prueba las hipótesis del estudio. Esto implica examinar los coeficientes de camino (β) en busca de significancia y relevancia mediante un procedimiento de arranque con 5.000 remuestramientos. Los criterios clave para la evaluación incluirán el coeficiente de determinación (R²): Medir el poder predictivo del modelo (es decir, la varianza explicada en las variables endógenas, especialmente el rendimiento académico). Relevancia predictiva (P²): Utilizar el procedimiento de venda para evaluar la precisión predictiva del modelo. Tamaños de efecto (f²): Evaluar el impacto sustantivo de cada variable independiente sobre las variables dependientes. Análisis de mediación: Evaluar el papel mediador de la carga cognitiva en la relación entre los antecedentes relacionados con la IA (uso generativo de IA, confianza en la IA) y el rendimiento académico. La importancia de los efectos indirectos se evaluará utilizando intervalos de confianza bootstrappeds.

Resultados

Estadísticas descriptivas

Se calcularon estadísticas descriptivas para resumir las tendencias centrales y la dispersión de las variables clave en este estudio, incluyendo el uso de IA generativa, la confianza humano, la confianza en la funcionalidad, la carga intrínseca, la carga extraña, el aprendizaje autopercibido y el rendimiento académico. El análisis descriptivo se realizó utilizando la versión 26 de SPSS, y los resultados se presentan en la Tabla 1 a co...

Discusión

El primer hallazgo importante de este estudio reveló que el uso de IA generativa está positivamente asociado con la carga cognitiva (β = 0,34, p < 0,001), un resultado que es coherente con la Hipótesis 1. Este hallazgo sugiere que los estudiantes que informan de un uso más frecuente de herramientas de IA generativa como ChatGPT también reportan una mayor carga cognitiva durante sus actividades de aprendizaje. Esta asociación positiva entre el uso de IA generativa y la carga cogn...

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
Blindfolding Procedure	SmartPLS 4 (built-in)	N/A	Calcula Q² para la relevancia predictiva del modelo estructural.
Bootstrapping Procedure (5,000 resamples)	SmartPLS 4 (built-in)	N/A	Utilizado para evaluar la significación de los coeficientes de ruta (β) y los efectos indirectos.
Cognitive Load Scale – Extraneous Load (3-item)	Hadie & Yusoff (2021)	N/A (validated scale)	Carga cognitiva por diseño instructivo y presentación de información.
Cognitive Load Scale – Intrinsic Load (3-item)	Hadie & Yusoff (2021)	N/A (validated scale)	Complejidad/dificultad percibida de los materiales/tareas de aprendizaje.
Cognitive Load Scale – Self-Perceived Learning (4-item)	Hadie & Yusoff (2021)	N/A (validated scale)	Proxy para el procesamiento cognitivo alemán; captura el esfuerzo mental para la comprensión y la construcción de esquemas.
Fornell-Larcker Criterion	SmartPLS 4 (built-in)	N/A	Evalúa la validez discriminante de los constructos.
Generative AI Usage Scale (8-item)	Abbas et al. (2023)	N/A (adapted scale)	Mide la frecuencia, propósito y eficacia percibida del uso de IA Generativa (ChatGPT) para tareas académicas. Escala Likert de 5 puntos.
HTMT Ratio of Correlations	SmartPLS 4 (built-in)	N/A	Ratio Heterotrait-Monotrait; verificación adicional de validez discriminante.
Informed Consent Form	Study team (institutional guidelines)	N/A	Descripción detallada del propósito del estudio, participación voluntaria, anonimato, confidencialidad y derecho a retirarse. Se presume el consentimiento mediante la finalización de la encuesta.
Online Questionnaire Platform	Not specified (generic)	N/A	Cuestionario web estructurado y autoadministrado; todos los ítems en escala Likert de 5 puntos (1 = Fuertemente en Desacuerdo a 5 = Fuertemente de Acuerdo).
Sampling Frame	University Registrar’s Office	N/A (institutional record)	Lista completa de estudiantes actualmente inscritos en todas las facultades utilizada para el muestreo aleatorio estratificado.
Self-Perceived Academic Performance Scale (4-item)	Adapted from educational research precedent	N/A (adapted scale)	Evaluación subjetiva de la eficacia y el rendimiento académico (por ejemplo, confianza en los cursos, gestión eficiente de tareas).
SmartPLS 4 Software	SmartPLS GmbH	Version 4	Software de modelado de ecuaciones estructurales basado en varianza; utilizado para análisis PLS-SEM, bootstrapping, blindfolding.
SPSS version 26	IBM	N/A	Utilizado para el cribado preliminar de datos, estadísticas descriptivas y cualquier gestión de datos previa a PLS-SEM (si es aplicable).
Stratified Random Sampling Procedure	Study team (manual)	N/A	Estratificación basada en disciplina académica (4 categorías) y año de estudio (5 niveles: 1er-4º año de pregrado + posgrado). Se utiliza un generador de números aleatorios dentro de los estratos.
Trust in AI Scale – Functionality Trust (5-item)	Adapted from technology trust literature	N/A (adapted scale)	Mide la fiabilidad, competencia y dependencia percibidas de la IA para tareas académicas.
Trust in AI Scale – Human-like Trust (6-item)	Adapted from interpersonal trust (Rempel et al.) and technology trust literature	N/A (adapted scale)	Evalúa la benevolencia, integridad y previsibilidad atribuidas a la IA.