Autoeficacia

Esta es una traducción automática de la página en inglés y todavía no ha sido revisada por una persona hablante nativa.

Autoeficacia — la creencia de quien aprende en su capacidad para realizar con éxito una tarea o alcanzar un objetivo. Basada en la teoría cognitiva social (Bandura), la autoeficacia moldea la motivación, el esfuerzo, la persistencia y la implicación en el aprendizaje. En la IA en la educación, la autoeficacia importa de dos maneras: las herramientas de IA pueden construir la confianza y la autonomía de quienes aprenden (por ejemplo, ofreciendo retroalimentación y andamiaje), y la autoeficacia en IA de quienes aprenden —su confianza al usar tecnologías de IA— influye en la eficacia con que se implican con la IA, incluida la forma en que el conocimiento relacionado con la IA se traduce en una preparación relevante para su carrera.

Preguntas para reflexionar

• La autoeficacia es una creencia sobre la propia capacidad, distinta de la competencia real. ¿Ha sido alguna vez muy competente en algo y aun así ha dudado de sí mismo, o ha estado seguro y equivocado sobre algo que no podía hacer? ¿Qué le dice esa brecha entre creencia y capacidad sobre por qué importa la autoeficacia?
• La autoeficacia en IA (la confianza al trabajar con IA) es un constructo distinto de la alfabetización en IA, y la investigación encuentra que la alfabetización se traduce en preparación solo cuando quienes aprenden también tienen confianza. Si alguien sabe sobre la IA pero no cree que pueda usarla, ¿qué pasa con ese conocimiento y qué implica eso para la formación?
• La investigación encontró que el uso de la IA para apoyar la comprensión estaba totalmente mediado por la autoeficacia académica en su vínculo con el rendimiento, mientras que el uso como atajo predecía peores resultados en parte con independencia de la autoeficacia. ¿Por qué la misma herramienta construiría confianza cuando se usa de una manera y no lo haría cuando se usa de otra?
• La página distingue la autoeficacia de la palabra cotidiana «confianza». Antes de seguir leyendo, ¿en qué se diferencian y por qué un investigador insistiría en la distinción en lugar de tratarlas como lo mismo?
• La robótica y el aprendizaje corporeizado construyen confianza al fundamentar las tareas en resultados observables, y la retroalimentación puede construir la autoeficacia de quien aprende. Piense en una tarea en la que ganó confianza real solo después de ver un resultado concreto. ¿Qué dice eso sobre qué tipos de experiencias de aprendizaje con IA son más propensas a construir —y no solo a informar de— la autoeficacia?
• La autoeficacia del profesorado afecta a la adopción y la integración de la IA. Si un docente no cree que pueda usar la IA de forma eficaz, ¿lo arregla cualquier cantidad de alfabetización en IA? ¿Qué construiría la confianza de un docente y en qué se diferencia eso de darle más información?

Introducción

La autoeficacia es distinta de la competencia real: es una creencia sobre la capacidad que impulsa la conducta. Está estrechamente relacionada con —y a menudo se usa de forma intercambiable con— la noción cotidiana de confianza en las propias capacidades. La autoeficacia conecta de cerca con la motivación, el aprendizaje autorregulado y la experiencia del estudiantado. En el contexto de la IA, la autoeficacia en IA (la confianza al trabajar con IA) es un constructo distinto de la alfabetización en IA, y la investigación muestra que desempeña un papel crucial en si quienes aprenden activan y aplican de verdad el conocimiento relacionado con la IA.

Cómo aparece la autoeficacia en la investigación de la base de conocimiento

• Descensos en el trabajo de estudio con IA generativa más XR: en un estudio de diseño arquitectónico con 27 estudiantes, los equipos que usaron un flujo de trabajo de IA generativa y XR multiusuario mostraron descensos relativos mayores antes-después en la confianza de su autoeficacia de diseño (β = −1,675, p = 0,021) y en la expectativa de resultado (β = −2,088, p = 0,002) que los equipos que continuaron con el flujo de trabajo normal, sin diferencias significativas en las valoraciones de sus presentaciones por un panel ciego (Xiao et al., 2026). Los entornos ricos en herramientas pueden deprimir las creencias de eficacia incluso cuando el trabajo en sí se juzga equivalente.
• La autoeficacia en IA y la preparación profesional: la investigación sobre la preparación en IA muestra que la autoeficacia en IA modera la relación entre la alfabetización en IA y la preparación en IA: la alfabetización se traduce en preparación solo cuando quienes aprenden tienen confianza al usar la IA, y la autoeficacia predice directamente la adaptabilidad profesional.
• La confianza como bisagra entre la alfabetización y la autoeficacia: Hu (2026) encuestó a 450 estudiantes universitarios que ya usan ChatGPT y encontró una cadena ordenada y no dos correlatos paralelos: la alfabetización en IA se relacionaba con la confianza en la herramienta (beta = 0,50), la confianza con la autoeficacia académica (0,48) y la autoeficacia con el uso continuado, con el efecto indirecto serial significativo (0,07, IC del 95% [0,04, 0,10]). La ansiedad ante la IA debilitaba el vínculo entre alfabetización y confianza (interacción beta = -0,25, con pendientes simples que caían de 0,76 a 0,25 a lo largo del rango de ansiedad), así que el mismo conocimiento aportaba menos confianza, y llegaba a menos uso, entre el estudiantado más ansioso. La confianza es por tanto un eslabón posterior de la cadena y no un punto de partida.
• Perfiles de autoeficacia académica y quién recurre a la IA: Suriá-Martínez et al. (2026) realizaron un análisis de perfiles latentes de la autoeficacia académica entre 102 estudiantes universitarios con discapacidad motriz en España y encontraron tres perfiles (bajo 29,4%, moderado 41,2%, alto 29,4%) cuyo uso declarado de IA aumentaba escalonadamente con el nivel del perfil (medias 2,41, 3,56, 4,68; F(2, 99) = 27,84, p < .001, eta cuadrado = .36), con la Excelencia, la dimensión de planificación y establecimiento de metas, asociada con más fuerza al uso de IA (beta = .47). Los autores lo leen como un problema de equidad: si la confianza acompaña a la adopción, el estudiantado con menor autoeficacia puede ser el menos propenso a recurrir al apoyo con IA que podría reducir barreras de acceso, así que el apoyo a la autoeficacia académica pertenece a los marcos de inclusión.
• Patrones de uso de IA y autoeficacia: Stamatoulis et al. (2026) encontraron que usar la IA generativa para apoyar la comprensión (integración evaluativa) estaba totalmente mediado por la autoeficacia académica en su asociación con el rendimiento —el uso de la IA orientado a comprender construye confianza—, mientras que el uso como atajo (adopción con poca verificación) predecía peores resultados en parte con independencia de la autoeficacia. La autoeficacia es así tanto una vía por la que el uso productivo de la IA ayuda como un factor que el uso como atajo puede no construir.
• Robótica y aprendizaje práctico: el juego de roles mediado por robot de REMind construyó la autoeficacia de niños y niñas en una intervención contra el acoso; la robótica y el aprendizaje corporeizado en general construyen confianza al fundamentar las tareas en resultados observables.
• Autoeficacia creativa en la infancia: Niu et al. (2026) informan, en una revisión de alcance sistemática de 22 estudios primarios sobre IA generativa con niños y niñas de 6 a 15 años, de que las ganancias en autoeficacia creativa se agrupan con el pensamiento divergente y la creatividad narrativa, sobre todo mediante herramientas de texto a imagen que rebajan la barrera entre idea y artefacto. No llegan a afirmar eficacia: los diseños son heterogéneos, la revisión no realizó una evaluación crítica y el corpus guarda casi silencio sobre discapacidad, baja conectividad y personas desatendidas, así que la confianza creativa es un resultado del que se informa que sube y no uno que el campo haya confirmado.
• Autoeficacia docente: la investigación sobre la competencia docente en IA examina cómo el desarrollo profesional construye la confianza del profesorado al usar la IA, lo que afecta a la adopción y la integración. Ismael, Luo y Li (2026) añaden evidencia cuasiexperimental de que un modelo de e-mentoría asistida por IA eleva la autoeficacia y la inteligencia emocional de futuros docentes de EFL durante las prácticas: el grupo experimental ganó sustancialmente más que los controles en ambas medidas, con un efecto grande entre grupos y ganancias en todos los subdominios de la autoeficacia, y los autores las atribuyen a la mentoría mediada por IA dentro de ciclos reflexivos estructurados y no a la IA por sí sola.
• Retroalimentación y confianza: la retroalimentación con IA y la tutoría inteligente pueden construir la autoeficacia de quienes aprenden ofreciendo retroalimentación accionable y de apoyo.
• Empoderamiento en la resolución de problemas con IA: Zhu y Kong (2026) encuentran que el empoderamiento del estudiantado al usar la IA para resolver problemas media la relación entre el aprendizaje basado en proyectos percibido y la satisfacción con un curso de alfabetización en IA. En su análisis de ecuaciones estructurales con 1.027 estudiantes, el aprendizaje basado en proyectos propició condiciones que empoderaron al estudiantado para usar la IA en la resolución de problemas, lo que a su vez impulsó la satisfacción con el curso, evidencia de que construir la confianza y la capacidad del estudiantado con la IA es un mecanismo clave de una educación en alfabetización en IA eficaz.

La autoeficacia conecta con la motivación, el aprendizaje autorregulado, la experiencia del estudiantado, la alfabetización en IA, la agencia y la robótica educativa. Construir autoeficacia es un mecanismo clave por el que la IA apoya la implicación y el aprendizaje. La autoeficacia se mide casi por completo mediante autoinformes, así que sus asociaciones con la conducta observada merecen la cautela habitual.

• La autoeficacia en AIGC como bisagra entre herramienta y aprendizaje. Liang et al. (2026) encuentran que las capacidades percibidas del contenido generado por IA elevan la autoeficacia en AIGC (beta = 0,583), que a su vez media los caminos hacia la motivación de aprendizaje (efecto indirecto 0,329) y hacia el aprendizaje autorregulado (0,145), con el camino serial capacidad percibida a autoeficacia a motivación a autorregulación también significativo (0,173). El contraste que hace útil el hallazgo es que la calidad de la retroalimentación de la IA en la evaluación no predecía la autoeficacia (beta = 0,131, n.s.) aunque sí predecía con fuerza la satisfacción: la confianza con la herramienta se construye dirigiéndola, no recibiendo buena salida de ella.
• Sin efecto de tratamiento en un ECA de un semestre: la confianza subió con el tiempo de curso: en el experimento de campo aleatorizado de Thoeni y Fryer (2026) con 454 estudiantes de grado en un curso de Principios de Marketing, la autoeficacia subió a lo largo del semestre para todo el estudiantado (efecto del tiempo β = 0,099, p = 0,0009, ƒ2 de Cohen = 0,025), mientras que ni el efecto de grupo (p = 0,1162) ni la interacción grupo × tiempo (p = 0,5306, d = 0,023) fueron significativos, así que el chatbot con RAG no aportó nada. Las ganancias de confianza en cursos apoyados por IA pueden seguir la progresión del curso y no la herramienta, un riesgo de atribución para un constructo que el campo mide casi por completo mediante autoinformes.

Conceptos conectados

• Quienes aprenden — Estudiantes: el paraguas de los conceptos del lado de quien aprende
• Aprendizaje autodirigido
• Motivación
• Aprendizaje autorregulado
• Experiencia del estudiantado
• Alfabetización en IA
• Agencia de quien aprende
• Robots en la educación
• Medidas de autoinforme
• Aprendizaje socioemocional — Aprendizaje socioemocional

Artículos conectados

• AI chatbots in higher education: Comparing expectations to evidence — Chatbots de IA en la educación superior: comparar las expectativas con la evidencia (Thoeni y Fryer 2026)
• Distinguishing performance gains from learning when using generative AI — la confianza sube mientras crece la dependencia tecnológica: la autoeficacia como resultado engañoso de la era de la IA (Yan et al. 2025)
• An AI-supported E-mentoring model to develop EFL pre-service teachers' self-efficacy and emotional intelligence — La e-mentoría asistida por IA eleva la autoeficacia y la inteligencia emocional de futuros docentes de EFL (cuasiexperimental)
• AIGC affordance and student self-regulation in private undergraduate education: a serial mediation model — Capacidades percibidas del contenido generado por IA y autorregulación del estudiantado
• Beyond Task Completion: A Theoretical Integration and Framework for Guiding Students' ChatGPT Use for Learning
• Thoughtless Use of Generative Artificial Intelligence and College Students' Self-Directed Learning: A Multi-Group SEM Analysis of Gender Differences
• AI literacy alone is not enough: Student AI readiness and career adaptability in business and management education — Alfabetización en IA, preparación en IA y adaptabilidad profesional
• Play-Testing REMind: Evaluating an Educational Robot-Mediated Role-Play Game — REMind
• Teacher education for artificial intelligence literacy through a self-determination theory perspective — Formación docente para la alfabetización en IA (SDT)
• Co-Creating Buildable and Open Social Robot Study Companions with University Students — Robots sociales como compañeros de estudio
• Human-Centric Artificial Intelligence Pedagogy (HCAP) framework developed from TPACK through integration of artificial intelligence literacy and competency — Marco HCAP
• LearnAI: Just-in-Time AI Co-Creation Across Disciplines at a University — LearnAI: cocreación con IA en el momento oportuno entre disciplinas
• Understanding Student Dependency on AI: The Role of AI Literacy, Academic Self-Efficacy, and Resource Management Strategies
• AI Advice Suppresses People's Willingness to Say "I Don't Know", Even When the Advice Is Wrong and Accuracy Is Incentivized
• Inquiry-Based Learning Patterns in Large Language Model-Driven Learning Environments: An Exploratory Study From Bloom's Perspective — patrones de aprendizaje basado en la indagación en entornos impulsados por LLM (perspectiva de Bloom)
• Transforming Curriculum Design with Generative AI: A Model for Assessing Teacher Digital Competence — Evaluación de la competencia digital docente para el diseño curricular con IA generativa (Guillén-Gámez 2026)
• Same tool, different work: patterns of generative AI use and academic outcomes — Patrones de uso de la IA generativa y autoeficacia académica
• Enhancing AI Literacy Course Satisfaction Through Empowerment in AI Problem-Solving and Ethical Awareness: Development and Validation of an AI Project-Based Learning Scale — Escala AI-PBLS; el empoderamiento y la conciencia ética median entre el aprendizaje basado en proyectos y la satisfacción en cursos de alfabetización en IA (Zhu y Kong 2026)
• Predicting Student Attrition in Competitive Programming: A Large-Scale Study Integrating Survey Insights and Global Behavioral Logs — Predicción del abandono del estudiantado en la programación competitiva
• Generative AI and Extended Reality in Collaborative Architectural Design Education: An Exploratory Studio Study — IA generativa y realidad extendida en la enseñanza colaborativa del diseño arquitectónico: un estudio exploratorio de estudio de diseño
• Psychological predictors of continued ChatGPT use among university students: the roles of AI literacy, trust, and academic self-efficacy — Alfabetización en IA, confianza y autoeficacia académica en una cadena serial hacia el uso continuado de ChatGPT
• Between perceived competence and artificial intelligence: academic self-efficacy profiles in university students with motor disabilities — Perfiles de autoeficacia académica y uso declarado de IA entre estudiantes universitarios con discapacidad motriz
• The role of generative AI in facilitating children’s creative thinking and cognitive development: a systematic scoping review — Ganancias declaradas de autoeficacia creativa por la IA generativa en la infancia (revisión de alcance)