Cómo citar este artículo:
Ortega-Rodríguez,
P. J., & Pericacho-Gómez, F. J. (2025). La
utilidad didáctica percibida del ChatGPT por parte
del alumnado universitario [The educational
perceived usefulness of ChatGPT by
university students]. Pixel-Bit. Revista De Medios Y Educación, 72, 159–178. https://doi.org/10.12795/pixelbit.109778
RESUMEN
La
Inteligencia Artificial está cambiando el enfoque de la educación. El objetivo
de este trabajo es conocer la utilidad didáctica percibida del ChatGPT por parte del alumnado universitario. El
instrumento utilizado es la Escala UTAUT2, que mide el uso de las nuevas
tecnologías, a partir de ocho factores: la expectativa de rendimiento, la
expectativa del esfuerzo, la influencia social, las condiciones favorables, la
motivación hedónica, el valor del precio, el hábito y la intención de uso. La
muestra está formada por 152
estudiantes de la Universidad Autónoma de Madrid (79.2% chicas, 20.8% chicos),
con una media de edad de 21.3 años. Los resultados muestran que la experiencia
de uso es el factor que más influye sobre las condiciones favorables, la
motivación hedónica y el hábito. Los cinco factores que influyen sobre la
utilidad percibida del ChatGPT son el hábito, las
condiciones favorables, la expectativa de rendimiento, la motivación hedónica y
el valor del precio. Estos resultados sugieren la necesidad de desarrollar
actividades de alfabetización digital sobre el uso de ChatGPT
desde una perspectiva crítica, fomentar el uso responsable de esta tecnología y
dar pautas al alumnado sobre la escritura de instrucciones que generen una
respuesta precisa.
ABSTRACT
Artificial Intelligence is
changing the approach to education. This article aims to know the educational
perceived usefulness of ChatGPT by university students. The instrument used is
the UTAUT2 Scale, which measures the use of new technologies, based on eight
factors: performance expectancy, effort expectancy, social influence,
facilitating conditions, hedonic motivation, price value, habit and use
intention. The sample consists of 152 students from the Universidad Autónoma de
Madrid (79.2% girls, 20.8% boys), with an average age of 21.3 years. The
results show that use experience is the factor that most influences
facilitating conditions, hedonic motivation and habit. The five factors
influencing the perceived usefulness of ChatGPT are habit, facilitating
conditions, performance expectancy, hedonic motivation and price value. These
findings suggest the need to develop digital literacy activities on the use of
ChatGPT from a critical perspective, to encourage the responsible use of this
technology and to provide guidance to students on writing instructions that
generate an accurate response.
PALABRAS CLAVES· KEYWORDS
ChatGPT; Inteligencia Artificial; Educación Superior; UTAUT2;
Utilidad Percibida; Alfabetización Digital; Tecnología Educativa
ChatGPT; Artificial Intelligence; Higher Education; UTAUT2;
Perceived Usefulness; Digital Literacy; Educational Technology
1. Introducción
La Inteligencia
Artificial (en adelante IA) está revolucionando la sociedad y transformando
casi todos los aspectos de nuestras vidas (López-Regalado et al., 2024; UNESCO,
2024). Su aplicación en el campo de la educación está generando cambios
sustanciales y propiciando intensos debates sobre las posibles implicaciones
éticas, académicas y didácticas para docentes y estudiantes (Giannini, 2023;
Zhang, et al., 2023). La IA que ha supuesto una revolución sin precedentes es
la de tipo generativa, especialmente desde el momento en el que Open AI libera
de forma gratuita su herramienta ChatGPT a finales de 2022. No en vano, en los
primeros meses alcanzó los 100 millones de usuarios (Tong & Zhang, 2023).
ChatGPT son las siglas de “Generative Pre-trained
Transformer” (Transformador Generativo Preentrenado). Es un modelo de lenguaje
natural basado en IA, desarrollado por la empresa OpenAI. Permite generar
respuestas de texto realistas y similares a las humanas, con una precisión,
rapidez, facilidad y coherencia no conocida hasta ahora (Graf & Bernardi,
2023; Zhai, 2024). La relevancia educativa de ChatGPT estriba en las múltiples
aplicaciones que alberga para docentes y estudiantes. Así, se ha configurado
como una potente herramienta, suscitando una gran expectación y diferentes
percepciones y posturas en la comunidad educativa (García, 2023; Román et al.,
2024).
Su impacto y relevancia pedagógica es un área de gran
interés dentro de la investigación. Un campo de estudio muy reciente, pero en
constante expansión y crecimiento. En general, existe un amplio consenso entre
los investigadores al afirmar que su uso y aplicación pedagógica, a nivel
general, plantea oportunidades, retos y desafíos de diferente naturaleza y
envergadura (UNESCO, 2023; Stokel & Van Noorden, 2023). Así, se sugiere que
puede ser un aliado en los procesos de enseñanza y aprendizaje, ayudando, por
ejemplo, en tareas de investigación, desarrollo del pensamiento crítico,
resolución de problemas, apoyo y personalización del aprendizaje. Ahora bien,
también se indica que puede impactar negativamente en los procesos didácticos:
disminuyendo el esfuerzo, generando conductas inadecuadas y socavando y
debilitando los procesos de enseñanza y aprendizaje (Baidoo & Owusu, 2023;
Fiialka et al., 2023; Kumar, 2023; Michel et al., 2023; Zhai, 2024).
Concretamente en la
educación superior, pese a que, como se ha señalado, la eclosión de ChaGPT es muy reciente, su uso se ha extendido ampliamente
y de forma casi inmediata (Chan & Hu, 2023).
Debido a ello, no hay mucha evidencia sobre el impacto de ChatGPT
en el ámbito universitario. Sin embargo, tanto desde la comunidad académica
como desde organismos supranacionales de gran impacto en la educación, como UNESCO, OCDE o el
Banco Mundial, se evidencia un claro y elevado interés por analizar las
implicaciones de ChatGPT en la educación superior
(Molina et al., 2024; UNESCO, 2023; Yun & Gwo,
2023).
La literatura científica destaca
el amplio potencial que alberga ChatGPT en los
procesos de enseñanza/aprendizaje en la Universidad, relacionado
con la mejora y el ahorro de tiempo para realizar diferentes tareas, la
personalización de diferentes aspectos ligados a los procesos de
enseñanza/aprendizaje (resolución de dudas, revisión de trabajos, y evaluación).
Sin embargo, también es preciso señalar los riesgos y dilemas éticos que
plantea su uso. En primer lugar, la dificultad para evaluar la calidad de las
fuentes, es decir, la escasa fiabilidad de la información ofrecida ante
determinadas consultas; en segundo lugar, la necesidad de utilizar responsablemente
ChatGPT ante los diferentes problemas éticos que
genera su uso. En definitiva, el uso de ChatGPT
presenta ventajas y desventajas en el ámbito universitario, oportunidades y
desafíos de diferente tipo: éticos, curriculares, sociales, didácticos, legales
y psicológicos (Fesenmaier & Wöber,
2023; Klimova et al., 2024; Michel et al., 2023; Pedró, 2020; UNESCO, 2022; Yun & Gwo,
2023; Zhang et al., 2024).
Un interesante estudio sobre
el uso y percepción de ChatGPT en el ámbito
universitario se encuentra en Thi (2023). Los
resultados de su investigación mostraron que, en general, los estudiantes
tenían una opinión favorable de la aplicación de ChatGPT:
ahorrar tiempo, brindar información y retroalimentación personalizada.
Igualmente, se identificaron algunos problemas, como la incapacidad de evaluar
la calidad y confiabilidad de fuentes. En coherencia con el estudio anterior,
el trabajo de Chan y Hu (2023) explora la percepción
de los estudiantes universitarios sobre las tecnologías de inteligencia
artificial generativa, como ChatGPT a través de una
encuesta a 399 estudiantes de varias disciplinas en Hong Kong. La investigación
reveló una actitud en general positiva hacia su uso, debido a la ayuda que
otorgaba en los procesos de enseñanza y aprendizaje, reconociendo su potencial
para la redacción de trabajos, la investigación y el análisis. Además, arroja
una serie de ideas y resultados que subrayan las conclusiones obtenidas en gran
parte de otros trabajos de este campo: la preocupación por la inexactitud, la
fiabilidad de las fuentes, el plagio, la privacidad de la información, o
cuestiones éticas de diferente tipo (Crawford et al., 2023; Crompton & Burke, 2023). En línea con los trabajos anteriores, el
estudio de Firat (2023) identifica una de las
regularidades más recurrentes y sustanciales expresadas por la literatura
académica desarrollada hasta ahora: la importancia y necesidad de seguir
investigando sobre las oportunidades y retos potenciales asociados al uso de ChatGPT.
En este contexto, el Modelo
de Aceptación de la Tecnología (Technology Acceptance Model, por sus
siglas en inglés, TAM), propuesto por Davis (1989, p. 320), define la utilidad
percibida como "el grado en el que una persona cree que el uso
de una tecnología mejora su rendimiento profesional". A partir de este modelo,
el trabajo de Kim et al. (2020) investiga las percepciones del alumnado
universitario sobre los asistentes de enseñanza con IA en la educación. A
partir del TAM, el trabajo de Venkatesh et al. (2003) diseña y valida un modelo
denominado Teoría Unificada de Adopción y uso de Tecnología (Unified Theory
of Acceptance and Use of Technology, por sus siglas en inglés, UTAUT) con
cinco variables, que influyen en la utilidad percibida: la expectativa de
rendimiento, entendida como el grado en el que una persona considera que
utilizar una tecnología puede mejorar su rendimiento profesional; la
expectativa del esfuerzo, entendida como la facilidad de uso de una tecnología;
la influencia social, definida como el grado en el que influye en una persona
la opinión de otras personas de su entorno sobre el uso de una tecnología; las
condiciones favorables, entendidas como el grado en el que una persona
considera que existe una insfraestructura que favorece el uso de una tecnología
y la intención de uso, que es la determinación de una persona a utilizar una
tecnología. Otro trabajo de Venkatesh et al. (2012) propone el modelo UTAUT 2,
que incorpora tres nuevos factores, la motivación hedónica o el placer derivado
del uso de una tecnología; el valor del precio o importancia concedida al coste
de una tecnología, y el hábito de uso, entendido como el grado en el que una
persona utiliza de forma automática tal tecnología.
En cuanto a la relación de los factores con la
intención de uso, el trabajo de García de Blanes et al. (2022), que aplicó el
cuestionario a 304 estudiantes universitarios, encuentra que el hábito de uso
influye en la intención de uso. El trabajo de Cabero-Almenara et al. (2024b),
que utilizó el modelo UTAUT 2 para predecir la intención de uso de la IA en 425
estudiantes universitarios, encuentra que la expectativa de rendimiento, la
expectativa del esfuerzo, la influencia social, las condiciones favorables y la
motivación hedónica influyen en la intención de uso de la IA, que coincide con
los resultados del trabajo de Xu et al. (2024). Otros estudios demuestran la
influencia de la expectativa de rendimiento y del hábito de uso (Grassini et
al., 2024), la expectativa del esfuerzo (Sánchez-Holgado & Arcila Calderón,
2024), las condiciones favorables (Yildiz & Onan, 2024) y la motivación
hedónica (Acosta-Enriquez et al., 2024). El trabajo de Alzahrani &
Alzahrani (2024) encuentra que la influencia social y la motivacion hedónica no
influyen en la intención de uso. El
trabajo de Romero-Rodríguez et al. (2023), que tiene como objetivo conocer la
aceptación de ChatGPT del alumnado universitario,
encuentra que el género no es una variable determinante, mientras que la
experiencia de uso es un factor condicionante. En esta línea, el trabajo de
Cabero-Almenara et al. (2024a) encuentra que la edad no es un factor
significativo en la intención de uso de ChatGPT.
La comunidad científica y
docente se encuentra en pleno análisis sobre una pregunta decisiva: ¿qué
significa exactamente ChatGPT y la IA generativa para
los procesos de enseñanza/aprendizaje y la investigación? (UNESCO, 2024). Con
el tiempo, el uso de ChatGPT y otras alternativas que
vayan surgiendo, se volverá más sofisticado y será cada vez más frecuente (Mollick & Mollick, 2023). Por
tanto, como parece sugerir la evidencia desarrollada hasta ahora, la IA llegó
para quedarse (Molina et al., 2024). A pesar del creciente interés e
investigación sobre ChatGPT en el ámbito de la
educación superior, al ser tan reciente, queda mucho por hacer para comprender
su verdadero impacto. Sin duda, plantea retos y posibilidades innegables
(Giannini, 2023), que sugieren la necesidad de adoptar políticas y medidas para
mejorar la alfabetización del alumnado en el uso de la IA.
2. Objetivo e hipótesis
La intención de este trabajo
es contribuir a la comprensión del uso de ChatGPT en
el ámbito universitario, concretamente en los estudiantes del Grado
Universitario de Educación Primaria y Grado Universitario de Educación Infantil
en España. Esta investigación tiene como objetivo conocer la utilidad didáctica
percibida de ChatGPT por parte del alumnado de la
Universidad Autónoma de Madrid, a partir de la aplicación del modelo UTAUT 2
(Figura 1), que da lugar a trece hipótesis:
·
Hipótesis
1. La expectativa de rendimiento del ChatGPT influye
sobre la intención de su uso.
·
Hipótesis
2. La expectativa del esfuerzo influye sobre la intención de uso de ChatGPT.
·
Hipótesis
3. La influencia social determina la intención de uso de ChatGPT.
·
Hipótesis
4. Las condiciones favorables influyen en la intención de uso de ChatGPT.
·
Hipótesis
5. La edad del alumnado influye sobre las condiciones favorables para utilizar
el ChatGPT.
·
Hipótesis
6. El género del alumnado influye sobre las condiciones favorables para
utilizar el ChatGPT.
·
Hipótesis
7. La experiencia de uso del alumnado influye en las condiciones favorables.
·
Hipótesis
8. La motivación hedónica del alumnado para utilizar ChatGPT
influye sobre la intención de uso.
·
Hipótesis
9. La experiencia de uso del alumnado influye sobre la motivación hedónica.
·
Hipótesis
10. El valor del precio del ChatGPT influye en la
intención de uso.
·
Hipótesis
11. El hábito de uso influye en la intención de uso.
·
Hipótesis
12. La experiencia de uso del alumnado influye en el hábito de uso.
·
Hipótesis
13. La experiencia de uso del alumnado influye en la intención de uso.
Figura
1
Modelo estructural a confirmar
3. Metodología
Este
trabajo se enmarca en un diseño cuantitativo (McMillan
& Schumacher, 2008), pues se dirige a conocer las características de una
población en un contexto determinado con respecto al tema objeto de estudio. Se
opta por un método descriptivo por encuestas, en el que se aplica un
cuestionario, un instrumento formado por un conjunto de preguntas cerradas
sobre un determinado tema.
3.1. Participantes
La muestra participante del estudio está formada por
los 524 estudiantes (78% chicas, 22% chicos) que cursan estudios en el curso
2023/2024, en la Facultad de Formación de Profesorado y Educación de la
Universidad Autónoma de Madrid, en las titulaciones del Grado en Maestro/a en
Educación Primaria (33%), el Grado en Maestro/a en Educación Infantil (31%), el
Doble Grado en Maestro/a en Educación Infantil y Primaria (21%) y el Grado en
Ciencias de la Actividad Física y del Deporte (15%).
Se realizó un muestreo aleatorio estratificado
proporcional (Buendía et al., 1998), en el que se eligieron a los participantes
al azar, teniendo en cuenta la proporción de hombres y mujeres en cada
titulación: 172 estudiantes del Grado en Maestro/a en Educación Primaria (78%
chicas; 22% chicos), 161 estudiantes del Grado en Maestro/a en Educación
Infantil (92% chicas; 8% chicos), 110 estudiantes del Doble Grado en Maestro/a
en Educación Infantil y Primaria (95% chicas, 5% chicos) y 81 estudiantes del
Grado en Ciencias de la Actividad Física y del Deporte (74% chicos, 26%
chicas).
La muestra real está formada por 152 participantes
(79.2% chicas, 20.8% chicos), con una media de edad de 21.3 años, de los cuales
49 cursan el Grado en Educación Primaria, 45 el Grado en Educación Infantil, 34
el doble Grado en Educación Infantil y Primaria, y 24 el Grado de la Actividad
Física y del Deporte. La frecuencia media con la que el alumnado utiliza
ChatGPT es varias veces a la semana (1=Nunca, 2=Varias veces al año, 3=Una vez
al mes, 4=Varias veces al mes, 5=Una vez a la semana, 6=Varias veces a la
semana, 7=Todos los días).
3.2. Instrumento
El instrumento empleado es
una adaptación de la Escala UTAUT 2 (Venkatesh
et al., 2003; 2012), un cuestionario que mide el uso de las nuevas tecnologías
del alumnado, a partir de ocho factores:
·
Performance expectancy
(Expectativa de rendimiento). Es el grado en que el uso de una tecnología
aportará beneficios a los usuarios al realizar determinadas actividades.
·
Effort Expectancy (Expectativa
del esfuerzo). Es el grado de facilidad relacionado con el uso de la tecnología
por parte de los usuarios.
·
Social Influence
(Influencia Social). Es el grado en que los usuarios piensan que las personas
de su entorno (familia y amistades) creen que deben utilizar una tecnología.
·
Facilitating Conditions
(Condiciones favorables). Es la opinión de los usuarios sobre los recursos
disponibles para utilizar una tecnología.
·
Hedonic Motivation (Motivación
Hedónica). Es la motivación orientada al placer de utilizar una tecnología.
·
Price Value (Valor del
Precio). Es el grado de importancia que conceden los usuarios a la tecnología,
teniendo en cuenta sus beneficios.
·
Habit (Hábito). Es el modo en que los usuarios tienden a
utilizar de manera automática una tecnología.
·
Behavioral Intention (Intención de
uso). Es el grado en que los usuarios toman la determinación de utilizar una
tecnología.
La
Tabla 1 muestra los ítems que forman cada factor de la escala.
Tabla 1
Ítems de la Escala UTAUT2
Factor |
Ítems |
1. Expectativa de rendimiento |
1. ChatGPT me resulta
útil en mi vida diaria |
2.
Utilizar ChatGPT aumenta mis posibilidades de
conseguir información para mis actividades en la universidad |
|
3.
Utilizar ChatGPT me ayuda a realizar las
actividades de la universidad más rápido |
|
4.
Utilizar ChatGPT aumenta mi productividad |
|
2. Expectativa del esfuerzo |
5.
Me resulta fácil utilizar ChatGPT |
6.
La información que me proporciona ChatGPT es clara |
|
7.
Me resulta fácil escribir un prompt en ChatGPT |
|
8.
Me resulta fácil adquirir destrezas en el uso de ChatGPT |
|
3. Influencia social |
9.
Mi familia piensa que debo utilizar ChatGPT |
10.
Mis amigos piensan que debo utilizar ChatGPT |
|
11.
Mis compañeros de universidad piensan que debo utilizar ChatGPT |
|
12.
Mis profesores piensan que debo utilizar ChatGPT |
|
4. Condiciones favorables |
13.
Tengo los recursos necesarios en casa para utilizar ChatGPT |
14.
Tengo los conocimientos necesarios para utilizar ChatGPT |
|
15.
ChatGPT es compatible con otras fuentes de
información para realizar los trabajos de la universidad |
|
16.
Si tengo dificultades para utilizar ChatGPT, puedo
obtener ayuda de mi familia |
|
5. Motivación hedónica |
17.
Me divierte utilizar ChatGPT |
18.
Me gusta utilizar ChatGPT |
|
19.
Me entretiene utilizar ChatGPT |
|
6. Valor del precio |
20.
La versión de pago de ChatGPT (22,60 euros al mes)
tiene un precio razonable |
21.
La versión de pago de ChatGPT ofrece respuestas más
precisas que la gratuita |
|
22.
La versión de pago de ChatGPT proporciona ventajas
acordes con su precio (existe una buena relación calidad-precio) |
|
7. Hábito |
23.
El uso de ChatGPT se ha convertido en un hábito de
mi vida diaria |
24.
Soy adicto/a al uso de ChatGPT |
|
25.
Utilizar ChatGPT es fundamental para realizar los
trabajos de la universidad |
|
8. Intención de uso |
26.
Comparo la información obtenida en ChatGPT con
otras fuentes de información cuando realizo una actividad de la universidad |
27.
Tengo intención de usar ChatGPT para resolver las
dudas que me surgen al realizar una actividad de clase |
|
28.
Tengo intención de usar ChatGPT para realizar un
trabajo de clase |
|
29.
Tengo intención de usar ChatGPT en mi vida diaria |
|
|
|
Esta
escala incluye cuatro niveles de respuestas (1= Totalmente en desacuerdo, 2= En
desacuerdo, 3= De acuerdo, 4= Totalmente de acuerdo) para los primeros ocho
ítems, mientras que el ítem 9 incluye las siguientes categorías (1=Nunca,
2=Varias veces a la semana, 3=Una vez al día, 4=Varias veces al día).
El
alfa de Cronbach de la escala fue de 0.89, que indica un excelente nivel de
consistencia interna entre los ítems.
4. Análisis y resultados
4.1. Procedimiento de análisis
El procedimiento de análisis
consta de tres etapas. En la primera, se realizó un diagnóstico de normalidad
multivariada, a fin de comprobar si la muestra seguía una distribución normal.
Para ello, se aplicó la prueba de Prueba de Kolmogorov-Smirnov
(Sig. = .625), que confirmó que la distribución era
normal al ser mayor que .05. En la segunda etapa, se realizó un Análisis
Factorial Exploratorio (AFE) con el fin de explorar con precisión los factores de
las variables observadas, descritas en la Tabla 1. En la tercera, se realizó un
Análisis Factorial Confirmatorio (AFC) a fin de contrastar los factores
extraídos y confirmar el modelo teórico, a partir de las hipótesis planteadas.
El análisis de datos se realizó con los programas IBM SPSS y Amos
29.
4.2. Resultados
Tabla
2
Estadísticos descriptivos de la Escala
Item |
Media |
D.T. |
1. ChatGPT
me resulta útil en mi vida diaria |
2.26 |
.882 |
2.
Utilizar ChatGPT aumenta mis posibilidades de conseguir información para mis
actividades en la universidad |
2.25 |
.783 |
3.
Utilizar ChatGPT me ayuda a realizar las actividades de la universidad más
rápido |
2.29 |
.794 |
4.
Utilizar ChatGPT aumenta mi productividad |
2.18 |
.887 |
5. Me
resulta fácil utilizar ChatGPT |
2.43 |
.658 |
6. La
información que me proporciona ChatGPT es clara |
1.99 |
.737 |
7. Me
resulta fácil escribir un prompt en ChatGPT |
2.11 |
.702 |
8. Me
resulta fácil adquirir destrezas en el uso de ChatGPT |
1.93 |
.835 |
9. Mi
familia piensa que debo utilizar ChatGPT |
1.59 |
.982 |
10. Mis
amigos piensan que debo utilizar ChatGPT |
2.83 |
.867 |
11. Mis
compañeros de universidad piensan que debo utilizar ChatGPT |
2.80 |
.921 |
12. Mis
profesores piensan que debo utilizar ChatGPT |
1.67 |
.937 |
13. Tengo
los recursos necesarios en casa para utilizar ChatGPT |
2.43 |
.697 |
14. Tengo
los conocimientos necesarios para utilizar ChatGPT |
2.21 |
.751 |
15.
ChatGPT es compatible con otras fuentes de información para realizar los
trabajos de la universidad |
1.89 |
.87 |
16. Si
tengo dificultades para utilizar ChatGPT, puedo obtener ayuda de mi familia |
0.71 |
.794 |
17. Me
divierte utilizar ChatGPT |
1.51 |
.884 |
18. Me
gusta utilizar ChatGPT |
1.84 |
.729 |
19. Me
entretiene utilizar ChatGPT |
1.55 |
.897 |
20. La
versión de pago de ChatGPT tiene un precio razonable |
1.32 |
.909 |
21. La versión
de pago de ChatGPT ofrece respuestas más precisas que la gratuita |
2.41 |
.817 |
22. La
versión de pago de ChatGPT proporciona ventajas acordes con su precio (existe
una buena relación calidad-precio) |
2.01 |
.620 |
23. El uso
de ChatGPT se ha convertido en un hábito de mi vida diaria |
1.64 |
.887 |
24. Soy
adicto/a al uso de ChatGPT |
1.05 |
.89 |
25.
Utilizar ChatGPT es fundamental para realizar los trabajos de la universidad |
1.17 |
.804 |
26.
Comparo la información obtenida en ChatGPT con otras fuentes de información
cuando realizo una actividad de la universidad |
2.04 |
.837 |
27. Tengo
intención de usar ChatGPT para resolver las dudas que me surgen al realizar
una actividad de clase |
1.83 |
.804 |
28. Tengo
intención de usar ChatGPT para realizar un trabajo de clase |
1.79 |
.803 |
29. Tengo
intención de usar ChatGPT en mi vida diaria |
1.58 |
.924 |
|
|
|
Se realiza un Análisis Factorial Exploratorio con el
fin de concentrar los ítems a cada uno de los ocho factores. Se utiliza una
reducción factorial aplicando una rotación ortogonal mediante el método
Varimax, que es la solución factorial más plausible conforme a la naturaleza de
los datos. De acuerdo con el valor del índice Kaiser-Meyer-Olkin (KMO) de .908,
que indica una excelente relación de los coeficientes de correlación observados
entre las variables, y el índice de significación < .01 obtenido en la
prueba de esfericidad de Bartlett, se puede afirmar que el análisis factorial
es aplicable, conveniente y pertinente.
La Tabla 3 presenta los resultados
del Análisis Factorial Exploratorio.
Tabla
3
Análisis
Factorial: Matriz de coomponentes rotados
Item |
F1 |
F2 |
F3 |
F4 |
F5 |
F6 |
F7 |
F8 |
3 |
.902 |
|
|
|
|
|
|
|
1 |
.887 |
|
|
|
|
|
|
|
2 |
.867 |
|
|
|
|
|
|
|
4 |
.854 |
|
|
|
|
|
|
|
5 |
|
.850 |
|
|
|
|
|
|
6 |
|
.835 |
|
|
|
|
|
|
7 |
|
.822 |
|
|
|
|
|
|
8 |
|
.803 |
|
|
|
|
|
|
11 |
|
|
.845 |
|
|
|
|
|
10 |
|
|
.811 |
|
|
|
|
|
9 |
|
|
.801 |
|
|
|
|
|
12 |
|
|
.792 |
|
|
|
|
|
13 |
|
|
|
.801 |
|
|
|
|
15 |
|
|
|
.783 |
|
|
|
|
14 |
|
|
|
.727 |
|
|
|
|
16 |
|
|
|
.691 |
|
|
|
|
18 |
|
|
|
|
.754 |
|
|
|
17 |
|
|
|
|
.713 |
|
|
|
19 |
|
|
|
|
.654 |
|
|
|
29 |
|
|
|
|
|
.724 |
|
|
28 |
|
|
|
|
|
.682 |
|
|
26 |
|
|
|
|
|
.661 |
|
|
27 |
|
|
|
|
|
.639 |
|
|
23 |
|
|
|
|
|
|
.703 |
|
24 |
|
|
|
|
|
|
.683 |
|
25 |
|
|
|
|
|
|
.679 |
|
22 |
|
|
|
|
|
|
|
.675 |
21 |
|
|
|
|
|
|
|
.604 |
20 |
|
|
|
|
|
|
|
.582 |
Tabla 4
Varianza total explicada
Componente |
Autovalores iniciales |
Sumas de cargas al cuadrado de la extracción |
||||
Total |
% de varianza |
% acumulado |
Total |
% de varianza |
% acumulado |
|
1 |
9.166 |
31.607 |
31.607 |
9.166 |
31.607 |
31.607 |
2 |
3.475 |
11.981 |
43.588 |
3.475 |
11.981 |
43.588 |
3 |
2.068 |
7.132 |
50.719 |
2.068 |
7.132 |
50.719 |
4 |
1.670 |
5.759 |
56.479 |
1.670 |
5.759 |
56.479 |
5 |
1.579 |
5.444 |
61.922 |
1.579 |
5.444 |
61.922 |
6 |
1.420 |
4.898 |
66.820 |
1.420 |
4.898 |
66.820 |
7 |
1.290 |
4.450 |
71.270 |
1.290 |
4.450 |
71.270 |
8 |
1.157 |
3.988 |
75.258 |
1.157 |
3.988 |
75.258 |
29 |
.043 |
.148 |
100 |
|
|
|
Se extraen 8 factores, que explican más del 75% de la
varianza del conjunto de ítems.
El Factor 1 satura las variables 1,2,3 y 4, que
guardan relación con la expectativa de rendimiento.
El Factor 2 ilustra las variables 5,6,7 y 8, que se
relacionan con la expectativa del esfuerzo.
El Factor 3 satura las variables 9, 10, 11 y 12, que
aluden a la influencia social.
El Factor 4 ilustra las variables 13,14,15 y 16, que
hacen referencia a las condiciones favorables.
El Factor 5 satura las variables 17,18 y 19, que se
refieren a la motivación hedónica.
El Factor 6 ilustra las variables 26,27,28 y 29, que
guardan relación con la intención de uso.
El Factor 7 satura las variables 23, 24 y 25, que se
relacionan con el hábito de uso.
El Factor 8 ilustra las variables 20, 21 y 22, que
aluden al valor del precio.
Para evaluar la bondad de ajuste del modelo, se
siguieron los indicadores de Hu & Bentler (1999): el estadístico
chi-cuadrado, la división entre chi-cuadrado y los grados de libertad, el
índice de bondad de ajuste (GFI, Goodness of Fit Index), el índice de ajuste
normalizado (NFI, Normalised Fit Index), el índice de ajuste comparativo (CFI,
Comparative Fit Index), el error de aproximación cuadrático medio (RMSEA, Root
Mean Squared Error of Approximation) y la raíz cuadrada media residual
estandarizada (SRMR, Standarized Root Mean-Square Residual) (Browne &
Cudeck, 1989).
La Tabla 5 presenta los
índices de bondad de ajuste del modelo, que indican que el modelo se ajusta
bien a los datos.
Tabla 5
Índices de ajuste del modelo
Índices de
ajuste |
Valores
obtenidos |
Valores
recomendados |
χ2 |
48.27 |
|
gl |
18 |
|
χ2/gl |
2.68 |
≤3 |
GFI |
.934 |
≥.90 |
NFI |
.939 |
|
CFI |
.942 |
|
RMSEA |
.041 |
<.05 |
SRMR |
.046 |
<.08 |
La Tabla 6 presenta los resultados del Análisis
Factorial Confirmatorio, que permite el contraste de las hipótesis planteadas.
Tabla 6
Correlaciones del Análisis Factorial Confirmatorio
Hipótesis |
Nivel de
correlación |
Contraste
de hipótesis |
|
|
1. Expectativa de rendimiento ® Intención de uso |
.596* |
Aceptada |
||
2. Expectativa del esfuerzo ® Intención de uso |
-.018 |
Rechazada |
||
3. Influencia social ® Intención de uso |
.002 |
Rechazada |
||
4. Condiciones favorables ® Intención de uso |
.608* |
Aceptada |
||
5. Edad ® Condiciones favorables |
.824* |
Aceptada |
||
6. Género ® Condiciones favorables |
-.038 |
Rechazada |
||
7. Experiencia de uso ® Condiciones favorables |
.835* |
Aceptada |
||
8. Motivación hedónica ® Intención de uso |
.576* |
Aceptada |
||
9. Experiencia de uso ® Motivación hedónica |
.792* |
Aceptada |
||
10. Valor del precio ® Intención de uso |
.429* |
Aceptada |
||
11. Hábito ® Intención de uso |
.718* |
Aceptada |
||
12. Experiencia de uso ® Hábito |
.903* |
Aceptada |
||
13. Experiencia de uso ® Intención de uso |
.851* |
Aceptada |
||
Nota: * Sig < .01
Los resultados de la Tabla 6 muestran la aceptación de
diez de las trece hipótesis propuestas, que muestran un nivel de Sig < .01. Se observa que
la experiencia de uso es el factor que más influye sobre cuatro variables (las
condiciones favorables, la motivación hedónica, el hábito y la intención de
uso). Además de este factor, los cinco factores que influyen sobre la intención
de uso son el hábito, las condiciones favorables, la expectativa de
rendimiento, la motivación hedónica y el valor del precio. Asimismo, el género
no resulta ser un factor significativo y la edad influye en las condiciones
favorables.
5. Discusión
El objetivo de este trabajo
era conocer la utilidad didáctica percibida de ChatGPT
por parte del alumnado de la Universidad Autónoma de Madrid. Para ello, se
plantearon trece hipótesis de trabajo, que
han sido contrastadas tras los análisis factoriales.
Los resultados permiten
aceptar la primera hipótesis, que establece que la expectativa de rendimiento
del ChatGPT influye sobre la intención de su uso, de
modo que los beneficios esperados de esta tecnología influyen en la
predisposición favorable del alumnado a su utilización (Cabero-Almenara et al.,
2024b). Se rechazan la segunda hipótesis, de modo que la expectativa del
esfuerzo no influye sobre la intención de uso, y la tercera hipótesis, de
suerte que la influencia social tampoco es un factor influyente (Alzahrani & Alzahrani, 2024).
Los resultados permiten
aceptar la cuarta hipótesis, que establece que las condiciones favorables
influyen en la intención de uso de ChatGPT, de modo
que la disponibilidad de recursos y conocimientos influye sobre el uso de esta
tecnología (UNESCO, 2023; Yildiz & Onan, 2024).
Asimismo, se confirma la quinta hipótesis, de modo que la edad del alumnado
influye sobre las condiciones que permiten el uso de ChatGPT
(Venkatesh, 2012). Se rechaza la sexta hipótesis, de
modo que el género del alumnado no influye sobre las condiciones favorables
para utilizar esta tecnología.
Los resultados permiten
aceptar la séptima hipótesis, que establece que la experiencia de uso del
alumnado influye en las condiciones favorables, de modo que el conocimiento
adquirido por la práctica del ChatGPT favorece la intención de uso de ChatGPT (Firat, 2023), que incide
en la realización de trabajos en el ámbito universitario (Xu
et al., 2024). Asimismo, se confirma la octava hipótesis, de modo que la
motivación hedónica del alumnado influye sobre la intención de uso (Acosta-Enriquez et al., 2024; Chan & Hu,
2023).
Los resultados permiten
aceptar la novena hipótesis, que establece que la experiencia de uso del
alumnado influye sobre la motivación hedónica para utilizar ChatGPT
(Chan & Hu, 2023), y la décima hipótesis, que
establece que el precio de la versión de pago de la tecnología influye en la
intención de utilizarla (Venkatesh, 2012).
Los resultados permiten
aceptar la decimoprimera hipótesis, de modo que el hábito influye en la
intención de uso de ChatGPT (Grassini
et al., 2024; Thi, 2023). Asimismo, se confirma la decimosegunda
hipótesis, que establece que la experiencia de uso del alumnado influye en el
hábito, y la decimotercera hipótesis, que establece la influencia de la
experiencia en la intención de uso (Romero-Rodríguez et al., 2023).
6. Conclusiones
En este trabajo se extraen
una serie de conclusiones y propuestas con implicación en la práctica
educativa.
En primer lugar, la
experiencia de uso tiene una gran influencia en la intención de uso de ChatGPT, que sugiere la necesidad de promover actividades en
la universidad que promuevan el uso responsable de esta tecnología del alumnado
con la ayuda del profesorado.
En segundo lugar, el efecto
de las condiciones favorables sobre la intención de uso pone de relieve la
necesidad de desarrollar actividades de alfabetización digital sobre el uso de
esta tecnología, desde una perspectiva crítica, por ejemplo, contrastando la
información del ChatGPT con otras referencias y
fuentes.
En tercer lugar, la
influencia de la motivación hedónica en la intención de uso sugiere la
necesidad de fomentar el uso responsable del ChatGPT,
como una fuente de información complementaria en la realización de actividades
en el ámbito universitario.
En cuarto lugar, dada la
influencia del hábito en la intención de uso, es preciso dar pautas al alumnado
sobre cómo utilizar esta tecnología de una manera eficaz, por ejemplo, la
escritura de un prompt o conjunto de
instrucciones que generen una respuesta precisa.
En quinto lugar, dado el
impacto del ChatGPT en la comunidad universitaria, es
preciso incluir contenidos sobre IA en los planes de estudios de las
titulaciones relacionadas con la educación, en tanto que es una tecnología que
favorece la creación de contenidos con fines didácticos.
A modo de conclusión, este
trabajo muestra la utilidad didáctica percibida del ChatGPT
por parte del alumnado universitario, que contribuye a avanzar en el
conocimiento sobre los factores que inciden en el uso crítico, responsable y
preciso de esta tecnología.
Contribución
de los autores
Conceptualización,
P.J.O.-R. y F.J.P.-G.; Curación de datos, P.J.O.-R.;
Análisis formal, P.J.O.-R.; Investigación, P.J.O.-R. y F.J.P.-G..; Metodología,
P.J.O.-R. y F.J.P.-G.; Administración de proyectos, P.J.O.-R. y F.J.P.-G.;
Recursos, P.J.O.-R. y F.J.P.-G..; Software, P.J.O.-R. y F.J.P.-G.; Supervisión, P.J.O.-R. y F.J.P.-G.;
Validación, P.J.O.-R. y F.J.P.-G.; Visualización, P.J.O.-R. y F.J.P.-G..;
Escritura: preparación del borrador original, P.J.O.-R. y F.J.P.-G.; Redacción:
revisión y edición, P.J.O.-R. y F.J.P.-G.; Referencias: P.J.O.-R. y F.J.P.-G.
Referencias
Acosta-Enriquez, B.G., Ramos Farroñan,
E.V., Villena Zapata, L.I., Mogollon Garcia, F.S., Rabanal-León, H.C., Angaspilco,
J.E., & Bocanegra, J.C. (2024). Acceptance of artificial intelligence in university
contexts: A conceptual analysis based on UTAUT2 theory. Heliyon, 10(19),
1–13. https://doi.org/10.1016/j.heliyon.2024.e38315
Alzahrani, A., & Alzahrani, A.
(2024). Comprendiendo la adopción de ChatGPT en
universidades: el impacto del TPACK y UTAUT2 en los docentes. RIED-Revista
Iberoamericana de Educación a Distancia, 28(1), 37–58. https://doi.org/10.5944/ried.28.1.41498
Baidoo, D., & Owusu,
A. (2023). Education in the era of generative Artificial Intelligence (AI):
Understanding the potential benefits of ChatGPT in promoting teaching and learning.
Journal of AI, 7(1), 52–62.
https://doi.org/10.2139/ssrn.4337484
Browne, M.W.,
& Cudeck, R. (1989). Single sample
cross-validation índices for covariance structures. Multivariate Behavioral Research, 24(4),
445–455. https://doi.org/10.1207/s15327906mbr24044
Buendía,
L., Colás,
P., & Hernández, F. (1998). Métodos de investigación
en Psicopedagogía. McGraw-Hill
Cabero-Almenara, J., Palacios-Rodríguez,
A., Loaiza-Aguirre, M.I., & Rivas-Manzano, M.R. (2024a). Acceptance of educational Artificial Intelligence by
teachers and its relationship with some variables and pedagogical beliefs. Education Sciences, 14(740), 1–16. https://doi.org/10.3390/educsci14070740
Cabero-Almenara, J., Palacios-Rodríguez,
A., Loaiza-Aguirre, M.I., & Andrade-Abarca, P.S. (2024b). The impact of pedagogical beliefs on the adoption of
generative AI in higher education: predictive model from UTAUT2. Frontiers
in Artificial Intelligence, 7(1497705), 1–11. https://doi.org/10.3389/frai.2024.1497705
Chan, C., &
Hu, W. (2023). Students’ voices on generative AI: perceptions, benefits, and
challenges in higher education. International Journal of Educational
Technology in Higher Education, 20(43), 1–18. https://doi.org/10.1186/s41239-023-00411-8
Crawford, J.,
Cowling, M., & Allen, K. (2023). Leadership is needed for ethical ChatGPT:
Character, assessment, and learning using artificial intelligence (AI). Journal
of University Teaching & Learning Practice, 20(3), 1–21. https://doi.org/10.53761/1.20.3.02
Crompton, H.,
& Burke, D. (2023). Artifcial intelligence in
higher education: The state of the feld. International
Journal of Educational Technology in Higher Education, 20(22), 1–16. https://doi.org/10.1186/s41239-023-00392-8
Davis, F. D.
(1989). Perceived usefulness, perceived ease of use, and user acceptance of information
technology. MIS Quarterly, 13(3), 319-340. https://doi.org/10.2307/249008
Fesenmaier, D.,
& Wöber, K. (2023). AI, ChatGPT and the university. Annals of Tourism
Research, 101(103578), 1–6. https://doi.org/10.1016/j.annals.2023.103578
Fiialka, S., Kornieva, Z., &
Honcharuk, T. (2023). ChatGPT in Ukrainian education: Problems and prospects. International
Journal of Emerging Technologies in Learning (iJET),
18(17), 236–250. https://doi.org/10.3991/ijet.v18i17.42215
Firat, M. (2023). What ChatGPT means for universities:
Perceptions of scholars and students. Journal of Applied Learning and
Teaching, 6(1), 57–63. https://doi.org/10.37074/jalt.2023.6.1.22
García, F. J. (2023). La percepción de la
Inteligencia Artificial en contextos educativos tras el lanzamiento de ChatGPT: disrupción o pánico. Education in the Knowledge Society (EKS), 24, e31279. https://doi.org/10.14201/eks.31279
García de Blanes Sebastián, M., Sarmiento
Guede, J.R., & Antonovica A. (2022). Application and extension of the UTAUT2 model for
determining behavioral intention factors in use of the artificial intelligence
virtual assistants. Frontiers in Psychology, 13(993935), 1–18. https://doi.org/10.3389/fpsyg.2022.993935
Giannini, S.
(2023). Generative AI and the future of education. UNESCO.
Graf, A., & Bernardi,
R. E. (2023). ChatGPT in
research: Balancing ethics, transparency, and advancement. Neuroscience,
515, 71–73. https://doi.org/10.1016/j.neuroscience.2023.02.008
Grassini, S.,
Linnea, M., & Mogelvang, A. (2024). Understanding
university student´s acceptance of ChatGPT: Insights from the UTAUT 2 Model. Applied
Artificial Intelligence, 38(1), 1–18.
https://doi.org/10.1080/08839514.2024.2371168
Hu, L.T., &
Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure
analysis: Conventional criteria versus new alternatives. Structural
Equation Modeling, 6(1), 1–55.
https://doi.org/10.1080/10705519909540118
Kim, J., Merrill,
K., Xu, K., & Sellnow, D.D. (2020). My teacher is a machine: Understanding
students´ perceptions of AI teaching assistants in online education. International
Journal of Human-Computer Interaction, 36(20), 1902–1911. https://doi.org/10.1080/10447318.2020.1801227
Klimova, B, Pikhart
M., & Al-Obaydi LH (2024). Exploring the
potential of ChatGPT for foreign language education at the university level. Frontiers
in Psychology, 15(1269319), 1–10.
https://doi.org/10.3389/fpsyg.2024.1269319
Kumar, A. H.
(2023). Analysis of ChatGPT tool to assess the potential of its utility for academic
writing in biomedical domain. Biology, Engineering, Medicine and Science
Reports, 9(1), 24–30. https://doi.org/10.5530/bems.9.1.5
López-Regalado, O., Núñez-Rojas, N., López-Gil,
O.R., & Sánchez-Rodríguez, J. (2024). Análisis del uso de la inteligencia
artificial en la educación universitaria: una revisión sistemática. Pixel-Bit, 70, 97–122.
https://doi.org/10.12795/pixelbit.106336
McMillan, J. H.,
& Schumacher, S. (2008). Investigación
educativa. Una introducción conceptual. Pearson.
Michel, R., Vilalta, E., Salinas, D.E.,
Thierry, R., & Gerardou, F.S. (2023). Challenges and opportunities of Generative AI for higher
education as explained by ChatGPT. Education Science, 13(9), 1–18. https://doi.org/10.3390/educsci13090856
Molina, E., Cobo, C., Pineda, J., Anne.,
& Rovner, H. (2024). La revolución de la IA en
Educación: Lo que hay que saber. World Bank Group
Mollick, E.,
& Mollick, L. (9 de febrero de 2023). Why all our classes suddenly
became AI classes. Strategies for teaching and learning in a ChatGPT
world. Inspiring Minds. https://hbsp.harvard.edu/inspiring-minds/why-all-our-classes-suddenly-became-ai-classes
Pedró, F. (2020). Applications of Artificial Intelligence
to higher education: possibilities, evidence, and challenges. IUL Research, 1(1), 61–76. https://doi.org/10.57568/iulres.v1i1.43
Román, P., Mena, A.F., Fernández, E., &
López, E. (2024). Mapeo de las corrientes de investigación sobre ChatGPT aplicadas a la educación. RiiTE
Revista interuniversitaria de investigación en Tecnología Educativa, 16,
140–156. https://doi.org/10.6018/riite.590421
Romero-Rodríguez,
J.M., Ramírez-Montoya, M.S., Buenestado-Fernández, M.,
& Lara-Lara, F. (2023). Uso de ChatGPT en la
Universidad como herramienta para el pensamiento complejo: utilidad percibida
por los estudiantes. Journal of New
Approaches in Educational Research, 12(2), 323–339.
Sánchez-Holgado, P., &
Arcila-Calderón, C. (2024). Adoption and use
factors of artificial intelligence and big data by citizens. Communication
& Society, 37(2), 227–246.
https://doi.org/10.15581/003.37.2.227-246
Stokel, C.,
& Van Noorden, R. (2023). What ChatGPT and generative
AI mean for science. Nature, 614, 214–216. https://doi.org/10.1038/d41586-023-00340-6
Thi, A. N. T. (2023). The perception by university
students of the use of ChatGPT in education. International Journal of
Emerging Technologies in Learning, 18(17), 4–19. https://doi.org/10.3991/ijet.v18i17.39019
Tong, Y., &
Zhang, L. (2023). Discovering the next decade's synthetic biology research
trends with. ChatGPT. Synthetic and Systems Biotechnology, 8(2),
220–223. https://doi.org/10.1016/j.synbio.2023.02.004
UNESCO (2022). Recommendation
on the Ethics of Artificial Intelligence. UNESCO.
UNESCO (2023). ChatGPT
e inteligencia artificial en la educación superior. UNESCO.
UNESCO (2024). Guía para el uso de IA generativa
en educación e investigación. UNESCO.
Venkatesh, V.,
Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of
information technology: Toward a unified view. MIS Quarterly, 27(3), 425–478.
Venkatesh, V.,
Thong, J.Y.L., & Xu, H. (2012). Consumer acceptance and use of information
technology: Extending the Unified Theory of Acceptance and Use of Technology. MIS
Quarterly, 36(1), 157–178.
Xu, S., Chen, P.,
& Zhang, G. (2024). Exploring Chines university educators, acceptance and
intention to use AI Tools: An Application of the UTAUT Model. SAGE Open, 14(4),
1–15. https://doi.org/10.1177/21582440241290013
Yildiz, H., &
Onan, A. (2024). Predicting the use of chatbots systems in education: a
comparative approach using PLS-SEM and machine learning algorithms. Current
Psychology, 43, 23656–23674.
https://doi.org/10.1007/s12144-024-06072-8
Yun, T., & Gwo, H. (2023). University students’ conceptions of
ChatGPT-supported learning: a drawing and epistemic network analysis, Interactive
Learning Environments, 3, 1–25.
https://doi.org/10.1080/10494820.2023.2286370
Zhai, X.
(4 de septiembre de 2024). ChatGPT user experience: Implications for education. https://doi.org/10.2139/ssrn.4312418
Zhang, T., Lu, X.,
Zhu, X., & Zhang, J. (2023). The contributions of AI in the development of
ideological and political perspectives in education, Heliyon,
9(3), 1–15. https://doi.org/10.1016/j.heliyon.2023.e13403
Zhang, Y., Yang,
X., & Tong. W., (2024). University students’ attitudes toward ChatGPT profiles
and their relation to ChatGPT intentions. International Journal of
Human–Computer Interaction, 40, 1–14. https://doi.org/10.1080/10447318.2024.2331882