La utilidad didáctica percibida del ChatGPT por parte del alumnado universitario

 

 

 

 

 

 

The educational perceived usefulness of ChatGPT by university students

 

 

 

 

 

 Dr. Pablo Javier Ortega-Rodríguez. Profesor Ayudante Doctor. Universidad Autónoma de Madrid. España

 Dr. Francisco Javier Pericacho-Gómez. Profesor Ayudante Doctor. Universidad Autónoma de Madrid. España

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Recibido: 2024/07/29 Revisado 2024/09/05 Aceptado: :2024/12/18 Online First: 2024/12/22 Publicado: 2025/01/07

 

 

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

Diagrama

Descripción generada automáticamente

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), 5262. 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), 445455. 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), 116. 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), 111. 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), 118. 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), 121. 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), 116. 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), 16. 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), 236250. 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), 5763. 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), 118. 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, 7173. 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), 118. 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), 155. 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), 19021911. 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), 110. 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), 2430. 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, 97122. 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), 118. 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), 6176. 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, 140156. 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), 323339.

Sánchez-Holgado, P., & Arcila-Calderón, C. (2024). Adoption and use factors of artificial intelligence and big data by citizens. Communication & Society, 37(2), 227246. 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, 214216. 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), 419. 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), 157178.

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), 115. 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, 2365623674. 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, 125. 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), 115. 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, 114. https://doi.org/10.1080/10447318.2024.2331882