En esta página

Esta página está traducida al español. Las páginas de artículo siguen escritas en inglés. Leer esta página en inglés

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

Modelos de adopción tecnológica — la familia de teorías que explican y predicen por qué las personas y las instituciones aceptan, adoptan y siguen usando nuevas tecnologías, de las que el Modelo de Aceptación Tecnológica (TAM) es el más aplicado. En la IA en la educación son la lente estándar para preguntar por qué quienes aprenden, el profesorado y las organizaciones adoptan herramientas de IA generativa, y conviene tratarlos en conjunto porque los estudios de adopción de IA generativa se apoyan en varios miembros de la familia y no en uno solo.

Preguntas para reflexionar

  • Piense en una ocasión en que adoptó una nueva aplicación, herramienta o servicio de IA, y en otra en que abandonó uno. ¿Qué impulsó de verdad cada decisión: lo útil que parecía, lo fácil que era o lo que hacía la gente de su entorno? ¿Qué factor sospecha que importa más, y puede realmente una encuesta captarlo?
  • Una creencia habitual es que «si una herramienta es claramente útil, la gente la usará». ¿Ha visto situaciones en las que una tecnología genuinamente útil no llegó a cuajar, o en las que una claramente limitada se extendió igualmente? ¿Qué podría explicar la brecha entre utilidad objetiva y adopción real?
  • Marcos de adopción como el TAM se diseñaron en la década de 1980 para sistemas bastante simples. Si ha usado IA generativa, ¿en qué se diferencia de un procesador de textos o de una plataforma de gestión del aprendizaje, y por qué un modelo construido en torno a la «facilidad de uso» y la «utilidad» podría tener dificultades para captar cómo se relacionan las personas con algo que les responde?
  • Quienes investigan suelen decir que el riesgo percibido y la confianza importan menos para la adopción de la IA de lo que se esperaba. Antes de seguir leyendo, ¿qué predice usted: que el estudiantado adopta la IA porque confía en ella, a pesar de los riesgos, o que esas preocupaciones son en realidad menores frente a la comodidad y la presión social?
  • Los marcos de adopción tratan el uso de una herramienta como una decisión única, pero el uso eficaz puede ser un juicio continuo. ¿Dónde se difumina, en su propia práctica o en la de sus estudiantes, la línea entre «elegir usar IA» y «decidir continuamente cómo usarla bien», y qué cambiaría si midiéramos eso en lugar de la mera adopción?
  • Algunas investigaciones agrupan al estudiantado en distintas «personas de adopción» en lugar de suponer que un único modelo sirve para todos. ¿Qué diferencias observa entre sus estudiantes o colegas que un único modelo promedio de adopción podría ocultar, y cómo podrían esas diferencias moldear la forma de apoyarlos?

Introducción

Evidencia metaanalítica sobre la adopción de la IA. Un metaanálisis sobre la adopción de la IA por estudiantes de educación superior (233 correlaciones, 32 estudios, N = 16.977) encuentra correlaciones positivas moderadas para los factores individuales (r = 0,57), contextuales (r = 0,53) y tecnológicos (r = 0,50), con las intenciones de uso como el predictor más fuerte (r = 0,64) y los riesgos percibidos y la confianza más débiles de lo esperado. Su crítica central es que el campo depende en exceso de los marcos tradicionales TAM/UTAUT, anteriores a los sistemas inteligentes modernos, y descuida factores específicos de la IA como el antropomorfismo y la ética; sostiene que estas lagunas importan para avanzar en la teoría y en políticas basadas en evidencia.

  • La facilidad de uso dejó de predecir cuando la muestra ya había adoptado. Wei, Zhang y Heo (2026) amplían el TAM con 526 estudiantes de diseño con uso previo de IA generativa y encuentran que la facilidad de uso percibida fue la única percepción tecnológica no asociada significativamente con la autoeficacia, mientras que el conocimiento, la confianza, la fiabilidad, la utilidad, la inteligencia y la ansiedad sí lo estaban (Wei et al., 2026). La intención de uso se asoció fuertemente con la dependencia declarada en datos transversales.

La familia de modelos

Modelo de Aceptación de Tecnología (TAM)

Propuesto por Davis (1989), el TAM explica la adopción mediante dos creencias centrales —la utilidad percibida (PU) y la facilidad de uso percibida (PEOU)— que moldean la actitud (ATT) de quienes usan la tecnología, luego la intención conductual (BI) y por último el uso real. Anclado en la teoría de sistemas de información (adaptada de la Teoría de la Acción Razonada), el TAM se ha convertido en el marco dominante para la adopción de IA generativa en educación. En la investigación educativa sobre IA generativa se amplía con frecuencia con alfabetización en IA, confianza, influencia social, autodeterminación y uso crítico, para captar una complejidad de adopción que va más allá de la simple aceptación.

UTAUT / UTAUT2 / UTAUT3

La Teoría Unificada de Aceptación y Uso de la Tecnología consolida el TAM con ocho modelos previos en cuatro determinantes centrales —expectativa de rendimiento, expectativa de esfuerzo, influencia social y condiciones facilitadoras (con UTAUT2 añadiendo motivación hedónica, valor-precio y hábito, y UTAUT3 añadiendo innovación personal). UTAUT se aplica en poblaciones docentes y estudiantiles: docentes de matemáticas de secundaria austriacos (UTAUT con 448 docentes), docentes de ciencias en formación de Ghana (UTAUT + TPB) y estudiantado de Lesoto (UTAUT3 + ARCS, con PLS-SEM y fsQCA). Jácome-Vásconez et al. amplían UTAUT2 con IA explicable (Random Forest, SHAP, NCA, IPMA, K-Means) para 522 estudiantes universitarios, y encuentran que el hábito es el predictor más fuerte de la intención de usar ChatGPT y que la expectativa de esfuerzo es una condición necesaria más que un impulsor lineal, un resultado que solo se ve cuando la IA explicable complementa la regresión.

En una muestra que ya ha adoptado la herramienta, el hábito sostiene el modelo y las expectativas se silencian. Pinedo et al. (2026) probaron UTAUT2 con 310 estudiantes de marketing de dos universidades latinoamericanas: el hábito predijo la intención con β = 0,426 y el uso con β = 0,412, y la intención predijo el uso con 0,324. La expectativa de rendimiento (0,037), la expectativa de esfuerzo (0,054) y la influencia social (0,048) no fueron significativas, en un modelo que explicaba R² = 0,665 de la intención y 0,707 del uso. Los autores leen las rutas nulas como restricción de varianza en una población que ya había adoptado la herramienta; el resultado es uso autodeclarado, y no comportamiento registrado.

La ansiedad, y no la influencia social, sostuvo la vía afectiva en un contexto de bajos recursos. Una extensión de UTAUT con 350 estudiantes ghaneses de humanidades encontró la expectativa de rendimiento como el predictor más fuerte de la intención (β = 0,377) y la expectativa de esfuerzo en segundo lugar (β = 0,281), una influencia social nula (β = −0,038) y la ansiedad ante el aprendizaje digital en β = −0,281 (Davor et al., 2026). La expectativa de esfuerzo también redujo la ansiedad (β = −0,126), de modo que la facilidad de uso actuaba en parte bajándola.

Teoría de la Conducta Planificada (TPB)

La TPB explica la intención a través de la actitud, las normas subjetivas y el control conductual percibido. Se combina con frecuencia con TAM/UTAUT en los estudios sobre adopción de IA; por ejemplo, Rizun et al. integran TAM, TPB, UTAUT y el marco FATE (equidad, rendición de cuentas, transparencia y ética) para modelar los impulsores conductuales y éticos de la adopción de ChatGPT por parte del estudiantado.

La investigación sobre adopción suele detenerse en la intención; una extensión de la TPB que en cambio midió el aplazamiento a pesar de una intención genuina encontró que el control conductual percibido era el predictor negativo más fuerte del aplazamiento del aprendizaje asistido por IA generativa (β = −0,331) en 1.243 estudiantes de grado, y el vínculo entre intención y aplazamiento solo era significativo con una ansiedad ante la IA generativa de aprendizaje de moderada a alta (Li et al. (2026)).

Difusión de Innovaciones (DOI)

La teoría DOI de Rogers explica la adopción como un proceso social en el que las innovaciones se difunden entre poblaciones a lo largo del tiempo, y subraya los atributos de la innovación (ventaja relativa, compatibilidad, complejidad, posibilidad de prueba, observabilidad) y las categorías de adoptantes. Aparece en los análisis institucionales; por ejemplo, Al-Rahmi et al. combinan el marco Tecnología–Organización–Entorno (TOE) con DOI para modelar la adopción organizativa de la IA en universidades saudíes.

En el ámbito estudiantil, Gocyła y Strzelecki (2026) encontraron que la ventaja relativa, la compatibilidad, la simplicidad y la observabilidad predecían la intención de usar IA generativa, explicando el 48,7% de la varianza, mientras que la posibilidad de prueba no lo hizo (f² = 0,001): el acceso gratuito puede convertir la prueba en una expectativa básica en lugar de un diferenciador.

Tecnología–Organización–Entorno (TOE)

El marco TOE plantea la adopción como algo moldeado por contextos tecnológicos, organizativos y ambientales, y complementa a TAM/UTAUT a nivel individual para estudiar la adopción institucional (véase Exploring Organisational Drivers and Innovation Attributes of Artificial Intelligence Adoption in Higher Education).

Aplicaciones

Los modelos de adopción se aplican para modelar la aceptación de herramientas de IA por parte del estudiantado y del profesorado:

  • Ampliación con el uso crítico: Nguyen et al. ampliaron el TAM con el uso crítico en estudiantado de ingeniería e informática, y encontraron que las actitudes y el uso crítico predicen directamente la intención, y que el uso crítico protege frente a la dependencia excesiva.
  • Modelo sociocognitivo unificado: Asag y Al Mamun integraron el TAM con UTAUT para estudiantado de ingeniería en Bangladés (explicando el 64% de la varianza de uso).
  • Perfiles centrados en la persona: en lugar de modelos centrados en variables, Saihi y Ahmed agrupan personas de adopción de IA generativa, y Chen et al. usan análisis de perfiles latentes para identificar cuatro perfiles de aceptación de ChatGPT entre docentes en formación, lo que muestra el avance del campo más allá de los relatos lineales de modelo único.
  • Un mediador de conocimiento junto a los mediadores de expectativa: Belief to behavior: how AI self-efficacy shapes AI acceptance through AI literacy sitúan la alfabetización en IA entre la autoeficacia en IA y la aceptación en 622 estudiantes de grado de Türkiye. La vía indirecta fue significativa (B = 0,15, IC del 95% [0,12, 0,19]) y dejó intacta una vía directa (B = 0,43, R² = 0,29); la aceptación también mostró una asociación negativa débil con la ansiedad ante la IA (B = −0,34, R² = 0,05). Donde el trabajo sobre exceso de confianza que aparece más abajo encauza la confianza a través de la expectativa de rendimiento, este estudio la encauza a través de lo que el estudiantado sabe sobre la tecnología.
  • Validación transcultural: Martínez-Moreno et al. validan transculturalmente constructos motivacionales relacionados con la adopción en Suiza y China.
  • Correlatos psicológicos: Wu et al. parten del TAM para relacionar la motivación, la autoeficacia, la ansiedad y la percepción de riesgo con la aceptación del aprendizaje de inglés asistido por IA.
  • Crítica desde la competencia regulatoria: Kim sostiene que los modelos TAM centrados en la adopción tratan el uso como una decisión estable, mientras que el uso eficaz de la IA es un proceso continuo de juicio, revisión y adopción selectiva, lo que reformula la alfabetización en IA como competencia regulatoria y pensamiento crítico en lugar de aceptación.

Añadir una capacidad de la familia TPACK junto a marcos de creencias como la Teoría de la Conducta Planificada en calidad de predictores paralelos invita al solapamiento de constructos y deja indecidido el orden causal entre capacidad, actitud y control; el Modelo de Capacidad–Decisión sitúa en cambio la capacidad AI-TPACK aguas arriba de la actitud y del control conductual percibido (Mnguni (2026)).

  • Determinantes de la adopción de ChatGPT mediante aprendizaje automático: un enfoque exploratorio de aprendizaje automático examinó cómo se relacionan las percepciones y los datos demográficos del estudiantado con el uso académico previsto de ChatGPT, usando análisis SHAP para identificar constructos clave relacionados con el aprendizaje y priorizando el significado educativo por encima de maximizar el rendimiento algorítmico (An Exploratory Machine Learning Approach to Understanding Determinants of Future ChatGPT Use in Higher Education).

  • La explicabilidad y la relevancia de dominio como palancas de aceptación para el profesorado: adaptando la teoría de la confianza en la automatización a la aceptación docente de las recomendaciones de IA, Feldman-Maggor et al. (2025) encontraron que la comprensibilidad (elevada por la IA explicable) correlacionaba positivamente tanto con la confianza como con la aceptación de una herramienta de agrupación con IA, y que las explicaciones orientadas al dominio en lenguaje curricular superaron a las basadas en la importancia de características de los datos en las tres medidas. La aceptación también venía impulsada por la alineación pedagógica y el potencial de reducción de carga de trabajo, factores situacionales que van más allá de la confianza y que los constructos estándar de TAM/UTAUT rara vez captan, lo que refuerza el argumento de ampliar los modelos de adopción con el contexto y la explicabilidad.

  • Aceptación medida al nivel de los materiales didácticos (2026). Wang, Chuang y Wu (2026) operacionalizaron la expectativa de rendimiento, la expectativa de esfuerzo, la diversión percibida y la intención conductual para dos guías de alfabetización en IA por franjas de edad usadas por 794 estudiantes de K-12 y 37 docentes, y validaron la estructura de cuatro factores con AFE y AFC sobre muestras divididas, además de respaldar la invariancia de medición entre las ediciones de 9-12 y 13-18 años. Quienes aprenden más jóvenes declararon niveles más altos en los cuatro constructos, y la diversión fue el correlato más fuerte de la intención en ambas cohortes, con un coeficiente estandarizado de diversión a intención superior a 1,00 en el grupo más joven y un HTMT de 0,950 entre los dos constructos. Los autores lo interpretan como solapamiento de constructos y posible supresión, y no como un efecto enorme, un recordatorio útil de que los instrumentos de aceptación aplicados a materiales pueden producir factores empíricamente entrelazados que complican la interpretación estructural.

En un estudio de entrevistas en dos oleadas con 22 miembros del profesorado, aprender más sobre la IA volvió a algunas personas más cautas en lugar de más receptivas, lo que invierte la dirección que el modelo supone desde la experiencia hacia la facilidad de uso (Stalboerger et al., 2026).

Límites y ampliaciones

El enfoque cognitivo del TAM también capta deficientemente las dimensiones emocionales y relacionales del uso de la IA. Un estudio cualitativo con estudiantes y profesorado de enfermería encontró que, junto a los cuatro constructos clásicos del TAM, los participantes —principalmente estudiantes— describían la IA como una fuente de apoyo psicosocial: consuelo emocional durante el estrés y un espacio confidencial para la reflexión. Esto amplía la utilidad percibida más allá de las ganancias de rendimiento hasta el bienestar en la formación profesional de alta exigencia, y sugiere que los modelos de adopción deberían atender a factores afectivos y psicosociales, y no solo a la utilidad instrumental.

La percepción de autonomía y la aversión al riesgo como ampliaciones específicas de cada herramienta. Una encuesta de métodos mixtos con 287 docentes con experiencia en IA generativa de 27 países y regiones (Dai et al. (2026)) amplía el TAM en una dirección que la familia de modelos apenas ha tocado: la autonomía percibida de la propia herramienta. Añadiendo la autonomía artificial percibida (hasta qué punto el profesorado cree que la IA generativa puede llevar a cabo por sí sola una tarea didáctica asignada) y la aversión al riesgo a los constructos clásicos, su modelo estructural refinado explicó el 79,8% de la varianza de la intención conductual (χ²(97) = 202,597, CFI = 0,963, TLI = 0,954, RMSEA = 0,062, SRMR = 0,041), con la utilidad percibida de nuevo dominante (PU → BI β = 0,832, p < 0,001) y la facilidad de uso alimentando la utilidad (PEU → PU β = 0,479). Los resultados instructivos son los desvíos. La autonomía artificial no actuó directamente sobre la intención (β = 0,026, ns), sino a través de la utilidad (AA → PU β = 0,188, p < 0,001; indirecto AA → PU → BI = 0,156, IC del 95% [0,082, 0,240]): el profesorado que veía la IA generativa como más capaz la encontraba más útil, no más inmediatamente adoptable. La aversión al riesgo redujo la intención (RA → BI β = −0,163, p < 0,001) sin reducir la utilidad percibida (RA → PU ns), porque las preocupaciones del profesorado se centraban en el uso del estudiantado —trampas e integridad, debilitamiento del conocimiento fundamental y del pensamiento de orden superior, alucinaciones, reducción de la interacción humana y riesgos éticos, legales y de equidad— y no en el propio. La facilidad de uso no fue significativa en conjunto (PEU → BI β = 0,068), pero sí entre los 225 docentes que habían usado realmente la IA en la docencia (β = 0,138, p < 0,05), el patrón conocido de que el esfuerzo solo registra tras el encuentro real; la actitud tuvo que descartarse cuando su correlación con la intención (r = 0,929) incumplió la validez discriminante. El profesorado situó la IA generativa en niveles semiautónomos (130 en el nivel 2, «asistencia al docente»; 94 en el nivel 3, «automatización parcial»; uno en el nivel 6) e insistió en que las decisiones de adopción se tomaran caso por caso. El TAM sigue prediciendo bien la intención, pero para la IA dirigida al profesorado los constructos que mueven la aguja son específicos de la herramienta: lo autónoma que parece la herramienta y a quién se atribuye el riesgo. La etiqueta de «frenemy» (amigo-enemigo) que usan los autores —valorada como herramienta de apoyo, desconfiada como agente autónomo— es la contraparte docente de las ampliaciones orientadas al estudiantado catalogadas más arriba.

La percepción de riesgo como ampliación específica de cada dimensión. Una encuesta con 814 estudiantes universitarios chinos (Du, Ning, Shi y Chen (2026)) incorpora la Teoría de la Evaluación Cognitiva y la Teoría de la Motivación de Protección al TAM/UTAUT2 para preguntar no si el estudiantado adopta la IA generativa, sino qué obtiene de ella. El supuesto de la familia de modelos de que el riesgo suprime uniformemente la adopción no sobrevive: la percepción de riesgo se divide en dimensiones informativa, de seguridad, técnica, ética y legal, que mueven los beneficios en direcciones opuestas. El riesgo de seguridad —una amenaza que el estudiantado cree poder gestionar mediante prácticas de privacidad— se asoció positivamente con la asistencia académica percibida y el desarrollo de habilidades, en consonancia con el afrontamiento centrado en el problema, mientras que el riesgo informativo, que quien aprende no puede verificar fácilmente, erosionó el apoyo psicológico y emocional y los beneficios para la vida diaria y el ocio a través de la evitación. Los análisis de umbral mostraron además efectos que cambian de signo más allá de puntos de corte específicos de cada dimensión, y la experiencia de uso importó de forma independiente: el estudiantado con más de un año de uso de IA generativa declaró mayores beneficios en cuatro ámbitos. La implicación práctica para la investigación sobre aceptación es que el «riesgo percibido» es un constructo demasiado grueso para modelarlo: lo que determina si el estudiantado se implica o se retira es la controlabilidad, y no la mera presencia de riesgo.

Una ampliación reciente invierte la dirección habitual y sitúa las creencias motivacionales específicas de la asignatura aguas arriba de las percepciones del TAM en lugar de junto a ellas. Xue, Xu, Qi y Lu (2026) informan de que el valor de utilidad predice la utilidad percibida con β = 0,43 y la expectativa de éxito predice la facilidad de uso con β = 0,39, mientras que las rutas centrales del TAM se atenúan pero siguen siendo significativas.

El ajuste tarea–tecnología como vía paralela, y la necesidad como pregunta aparte. La mayoría de las extensiones anteriores añaden constructos dentro del modelo de creencias. Un marco hermano que los estudios del TAM rara vez incorporan es el Ajuste Tarea–Tecnología, que pregunta si las capacidades de una herramienta coinciden con las exigencias de la tarea concreta. Chu y Liu (2026) unieron ambos en 405 estudiantes de posgrado de diseño de universidades chinas, y el ajuste actuó como una segunda ruta hacia la actitud en lugar de como un determinante de la utilidad.

Las características de la tarea alimentaron el ajuste con β = 0,322 y las de la tecnología con β = 0,266. El ajuste alimentó después la actitud con β = 0,224, junto a la utilidad percibida (0,376) y la facilidad de uso percibida (0,185), y la actitud alimentó la intención con β = 0,388. La autoeficacia aportó los coeficientes más altos aguas arriba, 0,458 sobre la utilidad y 0,394 sobre la facilidad de uso. El disfrute percibido elevó la facilidad de uso (0,220) y dejó intacta la utilidad (−0,033, p = 0,483), una escisión instrumental/afectiva que el modelo clásico no traza.

El añadido metodológico es la parte más transferible. Una red de perceptrón multicapa reprodujo el orden de importancia del PLS-SEM en los cuatro modelos. El análisis de condiciones necesarias encontró después solo dos umbrales: la autoeficacia para la utilidad (d = 0,125, p = 0,015) y la actitud para la intención (d = 0,132, p < 0,001). La actitud en el 22,1%, 34,3% y 46,4% de su escala era necesaria para una intención del 80%, 90% y 100%, de modo que la actitud se comporta como una puerta y no como un peso, lo que es una afirmación distinta de un coeficiente de ruta de 0,388. La cautela está en el resultado: R² = 0,150 y Q² = 0,011 para la intención indican que las diez rutas hipotetizadas dejan la mayor parte de la varianza en otro lugar.

Rasgos de diseño aguas arriba de las creencias, e importancia que no es necesidad. Zhang, Xin y Qing (2026) colocaron seis rasgos del sistema delante de las dos creencias del TAM en 301 estudiantes universitarios chinos, tomando prestado un marco estímulo–organismo–respuesta. La personalización y la interactividad movieron solo la utilidad percibida, mientras que la inteligencia y la completitud del contenido movieron solo la facilidad de uso. La capacidad de respuesta movió ambas; el antropomorfismo, ninguna. El modelo explicó R² = 0,244 de la intención (SRMR = 0,033), con la facilidad de uso por delante de la utilidad en la intención (β = 0,340 frente a 0,265). La importancia de red validada con diez particiones cruzadas coincidió, y situó la facilidad de uso en el 100% frente al 84,70% de la utilidad.

El análisis de condiciones necesarias separó después la influencia del requisito. La facilidad de uso, el predictor mejor situado, falló directamente (d = 0, p = 0,592). La utilidad era necesaria pero pequeña (d = 0,027, p = 0,011). Los autores leen la escisión como una advertencia contra tratar un coeficiente de ruta como un umbral. Un coeficiente fuerte dice que una unidad de facilidad compra intención en promedio; solo la necesidad dice si la otra creencia puede estar ausente.

Rasgos de diseño encauzados por la confianza, con DOI junto al TAM. Wang et al. (2026) encuestaron a 653 personas aprendices sobre avatares de IA y encontraron que la ruta más fuerte de su modelo combinado TAM–DOI iba de la transparencia percibida a la confianza (β = 0,542). La ventaja relativa (β = 0,267) y la utilidad percibida (β = 0,247) llevaron la intención más que la actitud (β = 0,126).

El vínculo del riesgo con el uso también depende del sistema: en los 49 sistemas de TALIS 2024 que administraron los ítems, la utilidad percibida de la IA se asoció positivamente con el uso de la IA en los 49, mientras que el riesgo percibido se asoció negativamente en 40 y positivamente en nueve (Fang y Jin (2026)).

La expectativa de rendimiento puede sostener una relación que la investigación sobre aceptación lee como intención de uso. En Kim, Kim y Zhang (2026) la expectativa de rendimiento predijo el exceso de confianza en la IA con B = 0,6107 y fue el primer mediador por el que la autoeficacia, la motivación intrínseca y la motivación extrínseca llegaban al exceso de confianza. La vía indirecta solo de expectativa fue positiva para los tres predictores, 0,1355 (IC del 95% [0,0542, 0,2330]) para la autoeficacia, así que la expectativa no solo predecía si el estudiantado usaría la herramienta.

Concepciones erróneas comunes

  • «Los constructos del TAM explican la adopción.» Asag y Al Mamun integraron el TAM con el UTAUT para estudiantado de ingeniería de Bangladesh y explicaron el 64% de la varianza. Sustancial e incompleto a la vez: alrededor de un tercio de lo que impulsa la adopción queda fuera de los constructos clásicos de aceptación.
  • «Los modelos de aceptación no necesitan modificación por dominio.» Añadir la autonomía artificial percibida —hasta qué punto el profesorado cree que la IA generativa puede llevar a cabo por sí sola una tarea didáctica asignada— y la aversión al riesgo a los constructos clásicos cambió el modelo de forma sustancial. Los constructos originales se construyeron para herramientas sin agencia, y la IA generativa tiene agencia percibida.
  • «Una estimación metaanalítica de adopción describe a cualquier población.» El metaanálisis sobre estudiantado de educación superior es la estimación a nivel de población; el resultado de ingeniería que explica el 64% es una población concreta. Importar uno sobre el otro presupone una estabilidad que la evidencia no establece.

Conceptos conectados

Artículos conectados

Incrustar esta página

Copia el código de abajo para incrustar esta página en un sistema de gestión del aprendizaje u otro sitio web. La versión incrustada muestra solo el contenido de la página: oculta el encabezado, la navegación y el pie de página del sitio.