Inteligencia artificial, competencia
digital y aficiones personales: implicaciones para la educación superior
Artificial intelligence, digital competence and personal
hobbies: implications for higher education
Dra. Irene López-Secanell.
Contratada Doctora
Acreditada. Florida Universitaria. España
Dra. Esther Gamero-Sandemetrio.
Contratada Doctora
Acreditada. Florida Universitaria. España
Dra. Estefanía López-Requena. Profesora Ayudante Doctora. Universidad de Valencia. España
Recibido:
2025/01/24 Revisado 2025/01/29 Aceptado: 2025/05/10 Online First: 2025/05/21 Publicado: 2025/05/25
Cómo citar este artículo:
López Secanell,
I., Gamero Sandemetrio, E., & López Requena, E. (2025).
Inteligencia artificial, competencia digital y aficiones personales:
implicaciones para la educación superior [Artificial intelligence,
digital competence and personal hobbies: implications for higher education]. Pixel-Bit. Revista de Medios y Educación, 73, art.9. https://doi.org/10.12795/pixelbit.115117
RESUMEN
En el actual contexto de transformación educativa
impulsada por la Inteligencia Artificial (IA), resulta relevante explorar cómo
variables como la competencia digital y las aficiones personales se relacionan
con el uso de esta tecnología en el ámbito universitario. Este estudio analiza
dicha relación en una muestra de 244 participantes (74 docentes y 170
estudiantes) procedentes de distintas universidades españolas. Se aplicó un
cuestionario ad hoc de 33 ítems, y los datos fueron analizados mediante pruebas
no paramétricas. Los resultados muestran que: i) no existen diferencias
significativas entre profesorado y alumnado en cuanto a aficiones vinculadas
con la IA, predominando intereses no tecnológicos; ii) los estudiantes utilizan
con mayor frecuencia herramientas de IA, mientras que el profesorado destaca en
la creación de contenidos mediante estas tecnologías; iii) el alumnado del
grado de Educación Primaria presenta mayores niveles de competencia digital
global, especialmente en alfabetización informacional, creación de contenidos,
seguridad y resolución de problemas; iv) se observaron diferencias
significativas entre universidades en creación de contenido digital; v) no se
encontraron diferencias significativas según el sexo. Estos hallazgos permiten
avanzar en el conocimiento sobre el uso de la IA en educación superior desde
una perspectiva competencial y contextual.
ABSTRACT
In the current context of
educational transformation driven by Artificial Intelligence (AI), it is
relevant to explore how variables such as digital competence and personal
hobbies are related to the use of this technology in higher education. This
study analyzes this relationship in a sample of 244 participants (74 teachers
and 170 students) from various Spanish universities. A 33-item ad hoc
questionnaire was administered, and the data were analyzed using non-parametric
tests. The results show that: i) there are no significant differences between
teachers and students regarding AI-related hobbies, with non-technological
interests predominating; ii) students use AI tools more frequently, while
teachers are more involved in content creation through these technologies; iii)
students in the Primary Education degree program show higher levels of overall
digital competence, especially in information literacy, content creation,
safety, and problem-solving; iv) significant differences were observed between
universities in digital content creation; v) no significant gender differences
were found. These findings contribute to a better understanding of AI use in
higher education from a competence-based and contextual perspective.
.
PALABRAS CLAVES· KEYWORDS
Inteligencia artificial; educación superior;
competencia digital; docentes; tecnología educativa
Artificial
intelligence; higher education; digital competence; teachers; educational
technology
1. Introducción
La Inteligencia Artificial (IA) está transformando la
educación al mejorar los procesos de enseñanza-aprendizaje y automatizar tareas
administrativas, permitiendo experiencias más personalizadas. Según Rojas
(2015), la IA se enfoca en desarrollar máquinas capaces de razonar y resolver
problemas con mayor eficiencia que los humanos. Su aplicación en la educación
ha generado interés en cómo impacta a estudiantes y docentes (Dawson et al.,
2023; Flores-Vivar y García-Peñalvo, 2023).
El uso de IA facilita la creación de contenido
educativo adaptado y libera a los docentes de tareas burocráticas, pero también
plantea desafíos éticos y pedagógicos. La Organización de las Naciones Unidas
para la Educación, la Ciencia y la Cultura (UNESCO) (2022) resalta la
importancia de un uso ético de la IA, asegurando la protección de datos y la
privacidad estudiantil. En este sentido, Sanabria-Navarro et al. (2023)
subrayan la necesidad de un enfoque crítico para equilibrar la interacción
entre humanos y máquinas en la enseñanza.
A pesar del crecimiento en la investigación sobre IA y
educación (Valencia y Figueroa, 2023), hay una falta de estudios sobre la
relación entre la IA, las aficiones y la competencia digital de docentes y
estudiantes. Para abordar esta brecha, el artículo examina las herramientas de
IA utilizadas por el profesorado universitario y futuros docentes en distintos
niveles educativos, relacionándolas con sus intereses y actividades
extracurriculares.
Este estudio es relevante porque permite comprender
cómo los pasatiempos influyen en la adopción de IA, identificar oportunidades
para mejorar la enseñanza digital y analizar la integración de IA en la
educación a distancia. Con una muestra significativa de la Universidad
Internacional de Valencia, se exploran estrategias para adaptar la IA a
entornos virtuales, favoreciendo procesos de aprendizaje más autónomos y
personalizados.
1.1
Aproximación al origen de la IA
Durante la etapa de 1950-1960 se plantearon las
primeras ideas sobre la posibilidad de crear entidades artificiales. En este
periodo, destaca la intervención de Alan Turing, quien en un artículo publicado
en 1956 en la revista MIND planteó la posibilidad de que las máquinas pudieran
pensar. No obstante, el concepto de “Inteligencia Artificial” fue acuñado por
primera vez en 1955, cuando John McCarthy propuso la organización de un taller
durante el verano de 1956 dedicado a esta temática (McCarthy et al., 2006).
En la década siguiente (1960-1970), se desarrollaron
los primeros programas capaces de emular el razonamiento humano, los cuales se
potenciaron entre el 1980 y 1990. En este último periodo, emergieron enfoques
de aprendizaje inspirados en la naturaleza, como las redes neuronales
artificiales y los algoritmos genéticos.
A finales del siglo XX (1990-2000) es cuando se
consolidan las bases de la IA en áreas como la informática y la robótica. En
este periodo es cuando se empieza a utilizar la IA en el ámbito industrial.
Esta aplicabilidad llamó la atención a empresas como Google, que empezaron a
invertir en el desarrollo de algoritmos de IA.
A partir de 2010, se empiezan a realizar muchos
avances sobre esta tecnología, llegando a ser actualmente una herramienta
fundamental en una amplia gama de sectores, desde la medicina hasta la
educación, revolucionando la forma en que abordamos problemas complejos y
generando nuevas oportunidades de innovación (Russell y Norvig, 2010).
1.2
Uso de la IA en educación superior: oportunidades y
desafíos
El uso de la Inteligencia Artificial (IA) en educación
ha crecido significativamente, con estudios que analizan sus beneficios y
desafíos. Aunque se vislumbra un futuro prometedor, existen implicaciones
éticas que requieren regulación (Flores-Vivar y García-Peñalvo, 2023).
Organismos como la UNESCO (2021) y la Comisión Europea (2020) han impulsado
debates sobre la equidad en el acceso y la necesidad de un marco ético basado
en privacidad, transparencia y responsabilidad.
La IA en educación ofrece diversas oportunidades, como
mejorar la enseñanza a nivel global, ampliar el acceso al conocimiento,
optimizar tareas operativas y aumentar la eficiencia en diversas profesiones
(Long y Siemens, 2011). Además, facilita el aprendizaje autónomo y
personalizado mediante herramientas de monitoreo académico y optimización de la
toma de decisiones en instituciones educativas.
Sin embargo, también existen riesgos, como el aumento
de la brecha digital, el desplazamiento de trabajadores, la marginación de
grupos sin acceso tecnológico y la dependencia excesiva de la IA. Asimismo,
surgen preocupaciones éticas sobre el uso indebido de datos y la privacidad de
la información.
En este contexto, la IA generativa destaca por su
capacidad para crear contenido original, como textos, imágenes y música
(Bonilla et al., 2024). Modelos como ChatGPT pueden enriquecer la enseñanza a
través de la programación de actividades, evaluación y personalización de
recursos didácticos (Flores-Vivar y García-Peñalvo, 2023). Además, permite
diseñar herramientas de aprendizaje como rúbricas, trivias educativas y cuentos
interactivos, adaptando el contenido a las necesidades individuales del estudiantado
(García-Peñalvo, Llorens-Largo y Vidal, 2024).
A pesar de sus desafíos, la IA generativa representa
una oportunidad clave para transformar la educación y mejorar la enseñanza
mediante enfoques más innovadores y personalizados.
1.3
La competencia digital en el contexto universitario
La integración de la IA en la sociedad ha enfocado la
atención en el ámbito educativo, generando un interés creciente en el nivel de
competencia digital de los futuros/as docentes y del profesorado en activo.
Según la UNESCO (2021), los sistemas escolares deben
garantizar que el estudiantado esté preparado adecuadamente para desenvolverse
en un mundo donde la IA ha llegado para transformar nuestras formas de vida. En
este contexto, es fundamental que tanto estudiantes como profesorado cuente con
habilidades digitales sólidas.
El Marco Europeo de Competencia Digital para
Educadores (DigCompEdu) (Redecker, 2020) define la competencia digital como
aquella capacidad para utilizar las tecnologías digitales, no solo para mejorar
la enseñanza, sino también en sus interacciones profesionales. Este marco
sostiene que la competencia digital en educación no se limita al mero uso de
tecnologías, sino que también implica considerar cómo se integran en los
procesos de enseñanza-aprendizaje. Por lo tanto, “es parte de la competencia
digital de los educadores capacitar a los estudiantes para participar de forma
activa en la vida y el trabajo en una era digital” (Redecker, 2020, p.17). A
continuación, se detallan aquellas competencias específicas necesarias para
facilitar el desarrollo de la competencia digital entre el estudiantado (ver
tabla 1).
Tabla
1
Competencias
y subcompetencias específicas para el desarrollo de
la competencia digital del estudiantado
|
Competencias específicas |
Subcompetencias específicas |
|
Compromiso profesional |
Comunicación organizativa, Colaboración profesional, Práctica reflexiva,
Desarrollo profesional continua a través de medios digitales. |
|
Contenidos digitales |
Selección de recursos digitales, Creación y modificación de recursos
digitales, Protección, gestión e intercambio de contenidos digitales |
|
Enseñanza y aprendizaje Evaluación y retroalimentación Empoderamiento de los estudiantes Desarrollo de la competencia digital de los estudiantes |
Enseñanza, Orientación y apoyo en el aprendizaje, aprendizaje
colaborativo, aprendizaje autorregulado. Estrategias de evaluación, Analíticas de aprendizaje, retroalimentación,
programación y toma de decisiones Accesibilidad e inclusión, personalización, compromiso activo de los
estudiantes con su propio aprendizaje Información y alfabetización mediática, Comunicación y colaboración
digital, Creación de contenido digital, Uso responsable, Resolución de
problemas digitales |
Nota. Redecker (2020, p.25)
Para enriquecer este marco competencial, el modelo
TPACK ofrece una comprensión más profunda de las habilidades necesarias para
los docentes en un entorno digital. Este modelo establece un marco conceptual
para entender los conocimientos que un profesor debe tener para integrar
eficazmente la tecnología en la enseñanza. Según este modelo, se identifican
tres tipos de conocimientos clave: i) el conocimiento tecnológico (TK), el cual
implica entender cómo funciona la tecnología; ii) el conocimiento del contenido
(CK), nos ayuda a entender el tema que se va a aprender o enseñar y iii) el conocimiento pedagógico (PK), el cual
plantea la formación en estrategias de enseñanza-aprendizaje y la didáctica
para ejercer la profesión.
La interacción entre estos tres tipos de conocimientos
da lugar a tres formas de saberes emergentes, derivados de la combinación de
dos de ellos: i) el Contenido Disciplinario-Contenido Pedagógico (PCK), es
decir, se amalgaman el contenido y la pedagogía sin la aplicación de la
tecnología; ii) el Contenido Disciplinario-Contenido Tecnológico (TCK), en este
caso el profesorado debe tener un conocimiento más profundo del tema a enseñar
y emplear, en cierta medida, la tecnología y iii) el Contenido Pedagógico-Contenido
Tecnológico (TPK), el cual resalta el “cómo” la enseñanza y el aprendizaje
pueden transformar la pedagogía y el método de enseñanza cuando se integran las
tecnologías. Esta fusión implica un entendimiento pedagógico y el dominio de
herramientas tecnológicas. Solo cuando los tres elementos convergen se logra el
propósito del modelo, el cual radica en el conocimiento pedagógico tecnológico
del contenido (TPACK).
Tanto el marco competencial de DigCompEdu (Redecker,
2020) como las habilidades que se desarrollan en el TPACK, no generarán un
impacto significativo por sí solas. Su efectividad radicará en la forma en que
sean integradas en las prácticas pedagógicas y en cómo transformarán los
métodos de enseñanza y aprendizaje. Por ello, se requiere una revisión y
renovación de las estrategias educativas para lograr cambios significativos y
aprovechar plenamente el potencial de la tecnología en la educación universitaria.
En esta línea, Revuelta-Domíngez et al. (2022)
destacan un creciente interés en desarrollar la competencia digital del
profesorado a través de modelos de formación y evaluación, pero subrayan la
necesidad de que los responsables políticos diseñen planes de formación
integral y continua que tengan una transferencia directa a la práctica docente
en el aula. Autores como Spirina (2018) y Flores-Vivar y García-Peñalvo (2023)
proponen que la IA y su uso deberían incorporarse en los currículos escolares y
universitarios y, por ello, sugieren opciones como trabajar la IA en
actividades extraescolares como seminarios, workshops o realizar la
organización de hackatones.
Con base en estas evidencias, la investigación
desarrollada está guiada por la pregunta de investigación: ¿En qué medida la IA
se relaciona con las aficiones y la competencia digital de estudiantes y
docentes? En relación con esta pregunta de investigación, se plantea el
objetivo general: analizar la relación entre la IA, las aficiones y la
competencia digital de estudiantes y docentes.
A partir de este objetivo general, se plantean los
siguientes objetivos específicos:
·
Analizar la relación entre la IA y las aficiones del
alumnado y el profesorado en respuesta a la pregunta de investigación ¿En qué
medida existen diferencias entre el alumnado y el profesorado en las aficiones
relacionadas con la IA?
·
Determinar si hay diferencias entre el alumnado y el
profesorado en el nivel de competencia digital y/o uso de recursos IA en
respuesta a la pregunta de investigación ¿Hasta qué punto difiere el uso de la
IA y otras competencias digitales entre profesorado y alumnado?
·
Determinar si hay diferencias en función del sexo en
el nivel de competencia digital y/o uso de recursos IA en respuesta a la
pregunta de investigación ¿En qué medida las competencias digitales, como el
uso de la IA, dependen del sexo?
·
Determinar si hay diferencias en función del nivel
educativo en el nivel de competencia digital y/o uso de recursos IA en
respuesta a la pregunta de investigación ¿En qué medida las competencias
digitales, como el uso de la IA, dependen del nivel educativo?
·
Determinar si hay diferencias en función del centro
educativo en el nivel de competencia digital y/o uso de recursos IA en
respuesta a la pregunta de investigación ¿En qué medida las competencias
digitales, como el uso de la IA, difieren entre centros educativos?
Como hipótesis de trabajo inicial se plantea que
existen diferencias entre el alumnado y el profesorado en cuanto a las
aficiones relacionadas con la IA, la competencia digital y el uso de recursos
IA, siendo mayor el porcentaje de respuesta afirmativa por parte del alumnado.
En cuanto al sexo, se espera que no haya diferencias y, en referencia al nivel
educativo, que las competencias digitales sean mejores a mayor nivel.
2. Metodología
2.1 Muestra
La muestra de trabajo está formada por 244
participantes siendo 74 profesores/as y 170 alumnos/as. Entre el profesorado el
70% son mujeres, el 28% son hombres y el 2% prefieren no responder a esta
cuestión. El 50% de los docentes imparten clase en el grado de educación
infantil, el 5% en el grado de primaria, el 20% en la doble titulación
infantil/primaria y el 25% en el máster de profesorado de educación secundaria.
En cuanto a su procedencia, el 66% corresponde a profesorado de Florida
Universitaria, el 27% de la Universidad Internacional de Valencia (VIU) y el 7%
de la Universitat de Lleida (UDL).
Entre el alumnado el 71% son mujeres, el 27% son
hombres y el 2% prefieren no responder. El 16% cursan el grado de educación
infantil, el 35% el grado de primaria, el 18% la doble titulación
infantil/primaria y el 31% el máster de profesorado de educación secundaria. El
87% del alumnado procede de Florida Universitaria, el 4% de la Universidad
Internacional de Valencia (VIU) y el 9% de la Universitat de Lleida (UDL).
2.2 Adquisición y procesamiento de datos
Para abordar los objetivos de dicha investigación se
plantea un diseño no experimental dentro del paradigma positivista definiendo
las variables a medir en base a dos cuestionarios validados que fueron
adaptados al presente estudio y realizados vía telemática según si la muestra
era el profesorado o el alumnado. En relación con el cuestionario sobre el uso
de los recursos de IA, se utilizó y adaptó el instrumento desarrollado en el
marco del Proyecto Centros Innovadores (Red Educativa DIM-EDU) propuesto por
Marquès (s.f.). Aunque este cuestionario fue diseñado originalmente para
docentes en activo de educación infantil y primaria, en este estudio se
realizaron ajustes en el lenguaje y formulación de algunos ítems para
adecuarlos tanto a profesorado como al alumnado universitario, sin modificar el
contenido conceptual. Esta adaptación fue revisada por dos expertos en
innovación educativa para garantizar la validez de contenido.
El cuestionario empleado en la presente investigación
consta de las siguientes variables dependientes:
1. Relación de las
aficiones con la IA. Consta de 1 pregunta cuya respuesta es “Sí” o “NO”. Para
el análisis se le otorga un 1 al “Sí” y un 0 “No”.
2. Cuestionario de
autodiagnóstico de competencias digitales definido por el Ministerio para la
transformación digital y de la función pública dentro del programa Pacto por la
Generación D (Ministerio de Asuntos Económicos y Transformación digital, s.f.).
Consta de 21 preguntas basadas en el Modelo de las Competencias Digitales de la
Ciudadanía Española. Las variables que mide son:
a. Alfabetización
informacional y de datos (Pregunta 1, 2, 3). Puntuación máxima: 9.
b. Comunicación y
colaboración (Pregunta 4, 5, 6, 7, 8, 9). Puntuación máxima: 18.
c. Creación de
contenidos digitales (Pregunta 10, 11, 12, 13). Puntuación máxima: 12.
d. Seguridad (Pregunta
14, 15, 16, 17). Puntuación máxima: 12.
e. Resolución de
problemas (Pregunta 18, 19, 20, 21). Puntuación máxima: 12.
Por cada pregunta se presentan tres afirmaciones sobre
prácticas digitales. En cada una de las afirmaciones se debe responder marcando
la opción “Sí” o la opción “No”. Para el análisis se le otorga un 1 al “Sí” y
un 0 “No”. A mayor puntuación, mayor competencia en cada área.
En el presente estudio se han tenido en cuenta todas
las variables del cuestionario, así como todas las preguntas asociadas.
3. Cuestionario sobre el
uso de los Recursos IA en los procesos de enseñanza y aprendizaje, diseñado
dentro del Proyecto Centros Innovadores (Red Educativa DIM-EDU) (Marquès,
s.f.). El cuestionario original se dirige a docentes y mide las siguientes
variables:
a. Formación recibida
sobre la IA y su buen uso para la enseñanza y el aprendizaje.
b. Uso de los Recursos
IA.
c. Uso de los Recursos
IA que hace el alumnado.
d. Ventajas que se
aprecian al integrar estos Recursos IA.
e. Problemáticas que se
aprecian asociadas con la integración de estos Recursos IA.
f. Adaptaciones que se
han realizado en el centro al integrar el uso de los Recursos IA.
Por cada apartado se presentan diferentes afirmaciones
sobre el uso de la IA. Se debe responder a cada afirmación marcando la opción
“Sí” o la opción “No”. Para el análisis se le otorga un 1 al “Sí” y un 0 “No”.
El presente trabajo ha tenido en cuenta estas tres áreas:
a. Uso de los Recursos
IA (7 afirmaciones, puntuación máxima 7)
b. Ventajas y
problemáticas que se aprecian al integrar estos Recursos IA (5 afirmaciones,
puntuación máxima 5)
c. Uso de los recursos
IA en el aula (3 afirmaciones, puntuación máxima 3)
Por tanto, las variables dependientes del presente
estudio son:
1. Relación
de las aficiones con la IA
2. Competencia
digital. Subvariables:
a.
Alfabetización informacional y de datos
b.
Comunicación y colaboración
c.
Creación de contenidos digitales
d.
Seguridad
e.
Resolución de problemas
3. Uso de
recursos IA en el proceso enseñanza-aprendizaje. Subvariables:
a. Uso de los Recursos
IA
b. Ventajas y
problemáticas que se aprecian al integrar estos Recursos IA
c. Uso de los recursos
IA en el aula
Las variables independientes del estudio son las
siguientes:
1. Muestra:
se establecen dos grupos:
1. Profesorado
2. Alumnado
2. Sexo:
se establecen tres grupos:
0. Hombre
1. Mujer
2. Prefiero no responder.
3. Nivel
Educativo: se establecen 4 grupos:
0. Grado Educación Infantil
1. Grado Educación Primaria
2. Simultaneidad Infantil/Primaria
3. MPES (Máster Profesorado)
4. Centro:
se establecen 3 grupos:
0. Florida Universitaria
1. Universidad Internacional de Valencia (VIU)
2. Universidad de Lleida (UDL).
El proceso de recogida de datos se realizó durante el
primer trimestre del curso académico 2023-2024. En las universidades
presenciales, se seleccionó a un docente de cada titulación para facilitar el
acceso al cuestionario durante las clases presenciales. En el caso de la
universidad online, el cuestionario fue administrado en directo durante una
sesión síncrona por parte del profesorado. La participación fue voluntaria y
anónima, y se garantizó que todas las personas participantes fueran informadas
sobre los objetivos del estudio y el uso previsto de los datos, asegurando así
su consentimiento informado.
2.3. Análisis
estadístico
Para comprobar analíticamente la distribución normal
de los datos, se utilizó la prueba de Kolmogorov-Smirnov y la prueba de
Shapiro-Wilk. En todos los resultados numéricos en los que se muestra un
análisis estadístico de los datos, la significatividad estadística se obtuvo
mediante la prueba no paramétrica U de Mann de Whitney (para 2 muestras) y la
prueba Kruskal-Wallis (para k muestras) con un grado de significación bilateral
con el fin de analizar si existe diferencias en los valores de las variables dependientes
(cuantitativas) entre los grupos definidos por las variables independientes
(categóricas). Se han considerado significativos aquellos valores con un valor
p (p_value) menor o igual a 0.1, que corresponde a un intervalo de confianza
del 90%. Los análisis estadísticos se han llevado a cabo en el programa de
análisis estadístico SPSS (Statistical Package for the Social Sciences, versión
24).
2.4. Consideraciones
éticas
En esta investigación se garantizó en todo momento la
confidencialidad de los datos y el anonimato de los participantes. Todos los
cuestionarios fueron cumplimentados de manera voluntaria, tras informar
adecuadamente sobre los objetivos del estudio, el uso previsto de los datos y
su carácter confidencial. No se recogió ningún dato personal identificable. No
se requirió la aprobación de un comité de ética, al no implicar intervenciones
sobre personas ni recogida de datos sensibles, aunque sí se consultó y validó
el procedimiento dentro de los estándares éticos institucionales.
3. Análisis y
resultados
Inicialmente, para conocer si el comportamiento de los
datos de las variables dependientes (y subvariables) es normal o no, se realizaron
las pruebas de normalidad de Kolmogorov-Smirnov y la de Shapiro-Wilk.
En ambas pruebas el coeficiente es p < .05, por lo
que no se asume la hipótesis nula, la muestra no se comporta de manera normal
(tabla 2).
Con base en los resultados de normalidad, se
utilizaron las pruebas no paramétricas U de Mann de Whitney (2 muestras) y de
Kruskal-Wallis (k muestras).
En respuesta a la pregunta „¿existen diferencias entre
el alumnado y el profesorado en las aficiones relacionadas con la IA?“ No se
observaron diferencias significativas entre el profesorado y el alumnado en
cuanto las aficiones vinculadas con la IA, es más, en ambos grupos prevalecen
las aficiones sin relación con la IA como el deporte, dibujar, leer, viajar (Figura
1).
Tabla 2
Pruebas de normalidad de los datos de las variables
dependientes
Nota. Gl = Grados de libertad, Sig. =
Significación o p-valor.
Figura 1
Histogramas de las aficiones relacionadas con la IA
del alumnado y el profesorado
En relación con la pregunta de investigación ¿las
competencias digitales como el uso de la IA difiere entre el profesorado y el
alumnado? (objetivo 2) Los resultados muestran que no existen diferencias
significativas en las variables dependientes: nivel de competencia digital y en
el uso de los recursos IA entre el alumnado y el profesorado. A nivel de
subvariables si se observan diferencias significativas (p_valor=.029) entre
ambos grupos en la creación de contenido digital siendo mayor el nivel de
creación entre el profesorado y en el uso de recursos IA (p_valor= .095) siendo
mayor el uso en el alumnado (Figura 2).
Figura 2
Prueba U de Mann-Whitney para las variables
dependientes (1) “creación de contenido digital” (2) “uso de los recursos IA”
en función de la muestra (profesorado/alumnado)
Respecto a la siguiente pregunta de investigación ¿las
competencias digitales como el uso de la IA depende del nivel educativo?
(objetivo 4) Observamos diferencias significativas en el nivel de competencia
digital global (p_valor= .069) siendo mayor en el grado de educación primaria
(figura 3). Dentro de las subvariables que definen la competencia digital se
observaron diferencias significativas en: Alfabetización informacional y de
datos (p_valor=.07), Creación de contenidos digitales (p_valor=.044), Seguridad
(p_valor=.085), Resolución de problemas (p_valor=.009). En todos los casos, el
nivel de competencia fue mayor en el grado de primaria. No se observaron
diferencias en función del nivel educativo en las variables dependientes:
aficiones relacionadas con la IA y uso de los recursos IA.
Figura 3
Prueba de Kruskal-Wallis para la variable dependiente
“nivel de competencia digital” en función del nivel educativo (grado educación
infantil, grado educación primaria, simultaneidad infantil/primaria, MPES).
Por otro lado, se plantea si ¿las competencias
digitales como el uso de la IA difieren entre centros educativos? (objetivo 5)
Se observaron diferencias significativas en el uso de los recursos IA (p_valor=
0.077) siendo mayor el uso en la Universitat de Lleida (UDL) (Figura 4). Dentro
de las subvariables se observó que el profesorado de la Universitat de Lleida
hace mayor uso de los recursos IA (p_valor= 0.023) y tiene mejor capacidad de
resolución de los problemas digitales (p_valor=0.076). Además, la Universitat
de Lleida y la Universidad Internacional de Valencia presentan una mayor
competencia en la creación de contenido digital (p_valor= 0.016).
Figura 4
Prueba de Kruskal-Wallis para la variable dependiente
“uso de los recursos IA” en función del centro (Florida Universitaria,
Universidad Internacional de Valencia, Universitat de Lleida)
En cuanto a la última pregunta de investigación ¿las
competencias digitales como el uso de la IA depende del sexo? (objetivo 3), no
se observan diferencias significativas en ninguna variable o subvariable.
4. Discusión
Los resultados obtenidos permiten profundizar en el
análisis de los vínculos entre la IA, las aficiones personales y la competencia
digital en contextos educativos universitarios. A continuación, se mencionarán
algunos de los hallazgos más destacables en relación al marco teórico
previamente desarrollado.
En primer lugar, no se observaron diferencias
significativas entre el profesorado y el alumnado en cuanto a las aficiones
vinculadas con la IA, registrándose incluso una mayor prevalencia de aficiones
sin relación a la IA. Este hecho denota que todavía existe reticencia al uso de
la tecnología en el tiempo de ocio y tiempo libre de las personas encuestadas.
Por ello, coincidiendo con aquello mencionado por Spirina (2018) y Flores-Vivar
y García-Peñalvo (2023), la IA y su uso deberían incorporarse en los currículos
escolares y universitarios y, por ello, sugieren opciones como trabajar la IA
en actividades extraescolares como seminarios, workshops o la organización de
hackatones. De este modo, se observaría a largo plazo un incremento del uso de
la IA en nuestro día a día, tanto en espacio de ocio como en el uso profesional
del mismo. Esta baja vinculación podría estar relacionada con varios factores,
como la percepción de la IA como una herramienta estrictamente académica o
profesional, la falta de referentes culturales que integren la tecnología en el
ocio, o incluso cierta resistencia generacional al uso de estas herramientas
fuera del entorno laboral. La escasa integración de la IA en espacios
informales podría estar limitando su apropiación crítica por parte del
estudiantado y el profesorado, lo cual tiene implicaciones importantes para el
desarrollo de competencias digitales integrales. Por tanto, fomentar
experiencias lúdicas o recreativas mediadas por IA podría ser clave para
aumentar la familiaridad y la aceptación de esta tecnología en todos los
ámbitos de la vida.
En segundo lugar, se evidencia un uso diferenciado de
la IA según el rol académico: mientras que el alumnado emplea con mayor
frecuencia herramientas de IA para apoyar sus procesos de aprendizaje, el
profesorado destaca en el uso de estas herramientas para la creación de
contenidos. Este resultado concuerda con el enfoque del Marco DigCompEdu
(Redecker, 2020), que enfatiza la necesidad de que el profesorado integre la IA
para enriquecer sus prácticas docentes. Asimismo, se alinea con las
aportaciones de Bonilla et al. (2024), quienes destacan el potencial de la IA
generativa para mejorar la planificación y elaboración de materiales educativos
adaptativos e innovadores. Además, como señalan Chiappe, San Miguel y Sáez
(2025), la aparición de la IA generativa plantea interrogantes sobre el rol
tradicional del profesorado y la necesidad de redefinir su función en el
proceso educativo, ya que esta tecnología podría complementar y transformar
significativamente las prácticas pedagógicas. Este uso diferenciado puede
explicarse, en parte, por las distintas finalidades con las que alumnado y
profesorado se aproximan a la IA: mientras que el estudiantado busca resolver
tareas concretas de manera eficiente, el profesorado la incorpora con un
enfoque más técnico y creativo ligado a la planificación didáctica. Esto
refleja una posible brecha funcional en el uso de la tecnología, que podría
abordarse con formaciones específicas adaptadas a las necesidades de cada
colectivo. En este caso, si no se promueve un uso más transversal y compartido
de la IA entre docentes y estudiantes, se puede reproducir un modelo pedagógico
en el que el profesorado sigue asumiendo el rol centralizador en lugar de
facilitar un aprendizaje más distribuido y colaborativo.
En tercer lugar, en cuanto al nivel de competencia
global de IA se observan diferencias significativas, siendo la etapa de
educación primaria donde se recoge un mayor porcentaje en alfabetización
informacional y de datos, creación de contenidos digitales, seguridad,
resolución de problemas. Tal y como apuntaba la UNESCO (2021), los sistemas
escolares deben garantizar que el estudiantado esté preparado adecuadamente
para desenvolverse en un mundo donde la IA ha llegado para transformar nuestras
formas de vida. Por lo tanto, el alumnado y profesorado ha de reflexionar sobre
un uso responsable y ético del mismo incorporando cada vez más en su día a día
estrategias que les permitan observar todas las posibilidades que ofrece como
ampliar el acceso a una gran variedad de conocimientos, facilitar la
realización de tareas operativas en diversos campos o incluso incrementar la
eficiencia en diferentes profesiones (Vera-Rubio et al., 2023; Selwyn et al.,
2022 y Zárate, 2021). Lo cierto es que se augura un panorama prometedor, pero
con importantes implicaciones éticas y deontológicas que deberán ser
regularizadas por la legislación. No se debe olvidar que en el paradigma
pedagógico actual el estudiantado se sitúa en el centro del aprendizaje, por lo
que herramientas como la IA permitirán un mayor énfasis en el aprendizaje
basado en proyectos, el aprendizaje flexible, el aprendizaje colaborativo y el
aprendizaje autorregulado, mejorando así la calidad educativa en general e
incidiendo en la mejora de los sistemas educativos (Flores-Vivar y
García-Peñalvo, 2023). En este sentido, la incorporación de la IA como recurso
educativo durante la formación inicial del profesorado puede ser clave para
desarrollar estas competencias (Ayuso del Puerto y Gutiérrez, 2022). Los
programas de formación inicial del profesorado deberían revisar y actualizar
sus estrategias formativas para asegurar una alfabetización tecnológica
equitativa entre las distintas etapas educativas. Estos resultados también
plantean la necesidad de adaptar los entornos de práctica y evaluación para
asegurar que la competencia digital no solo se desarrolle, sino que se
consolide y transfiera al ejercicio profesional.
En último lugar, otros resultados interesantes de este
estudio se vinculan a la no diferenciación por sexo de los resultados en las
distintas variables analizadas. De este modo, se observa que la mayor
diferenciación radica en la escasa formación al respecto y en el
desconocimiento de muchas de las posibilidades que la IA ofrece en los entornos
educativos. Este hecho puede explicar por qué algunos entornos y/o espacios
educativos son más propicios que otros en relación con su uso, dado que la
Universitat de Lleida (UDL) es la que más utiliza IA según la muestra de este
estudio. Además, tanto la Universitat de Lleida, como la Universidad
Internacional de Valencia presentan una mayor competencia en la creación de
contenido digital. En este caso, ambos son espacios universitarios, por lo que
tal y como apuntaba el reciente informe de Pedreño, et al. (2024), el papel de
la IA en este ámbito es crucial para la renovación y transformación de las
universidades, pese a que en el contexto europeo todavía se muestran resultados
no demasiado ambiciosos respecto a la integración de la IA en estos entornos,
la formación del profesorado en relación a las oportunidades que ofrece en las
aulas, así como el desarrollo de políticas que regulen el buen uso de la misma.
La ausencia de diferencias por sexo podría interpretarse como ua señal positiva
de democratización del acceso a las competencias digitales; sin embargo,
también puede estar enmascarando desigualdades más sutiles vinculadas al tipo
de formación recibida, la autoeficacia percibida o el acceso a experiencias
prácticas con IA. En cuanto a la diferencia entre centros, estas podrían estar
relacionadas con factores institucionales, como el compromiso estratégico con
la innovación, la existencia de políticas claras de digitalización o la
presencia de figuras de liderazgo pedagógico que impulsen el uso de la IA. Esto
implica que el contexto institucional desempeña un papel clave en la adopción
tecnológica, lo que refuerza la necesidad de implementar políticas homogéneas y
sostenibles que garanticen una formación adecuadad en todos los niveles y
territorios.
5. Conclusiones
Los hallazgos de este estudio evidencian la creciente
relevancia de la inteligencia artificial (IA) en el ámbito educativo, así como
la necesidad de continuar explorando su impacto en la competencia digital de
docentes y estudiantes. A pesar de que no se identificaron diferencias
significativas en las aficiones relacionadas con la IA entre ambos colectivos,
los resultados reflejan una mayor utilización de herramientas de IA por parte
del alumnado y un mayor uso para la creación de contenido por parte del profesorado.
Asimismo, se observó que la competencia digital varía en función del nivel
educativo, destacando la etapa de educación primaria como el grupo con mayores
niveles en alfabetización informacional, creación de contenidos digitales,
seguridad y resolución de problemas.
A nivel práctico, los resultados de esta investigación
no solo aportan conocimiento empírico sobre el uso y la percepción de la IA en
el contexto universitario, sino que ofrece una base sólida para la toma de
decisiones pedagógicas e institucionales. En primer lugar, permiten orientar el
diseño de programas de formación en competencia digital e IA adaptados a las
necesidades diferenciadas de docentes y estudiantes. Asimismo, los resultados
también pueden emplearse para seleccionar herramientas de IA más adecuadas
según el perfil del usuario (creación de contenido, automatización o
personalización del aprendizaje).
Los datos obtenidos en el estudio subrayan la
importancia de la formación continua y del desarrollo de estrategias
pedagógicas que integren la IA de manera ética y efectiva. Además, la
diferencia en el uso de la IA entre instituciones educativas sugiere la
necesidad de políticas homogéneas que promuevan la equidad en la implementación
de estas tecnologías. En este sentido, el presente estudio aporta evidencia
empírica sobre la interrelación entre la IA y la educación, proporcionando un
punto de partida para futuras investigaciones que profundicen en los retos y
oportunidades que plantea su incorporación en el contexto universitario.
5.1. Limitaciones
y futuras líneas de investigación
Este estudio presenta algunas limitaciones que
conviene considerar. En primer lugar, el uso exclusivo de métodos cuantitativos
limita la comprensión de las motivaciones y percepciones individuales, por lo
que futuras investigaciones deberían integrar enfoques cualitativos. Asimismo,
la fijación de la significancia en p ≤ 0.1 responde al carácter
exploratorio del trabajo, pero sugiere la necesidad de replicar estos análisis
con criterios estadísticos más exigentes. Finalmente, aunque se destaca la
originalidad del enfoque, sería pertinente explorar con mayor profundidad cómo
estos resultados se integran en los marcos conceptuales existentes sobre
competencia digital y adopción tecnológica, con el fin de aportar una
contribución más teórica y contextualizada al campo.
Contribución de los autores
Conceptualización, I.L.S.; curación de datos, E.G.S.;
análisis formal, E.G.S.; investigación, E.G.S.; metodología, E.G.S. y E.L.R.;
administración del proyecto, I.L.S., E.G.S, E.L.R..; recursos, E.G.S.;
software, E.G.S. E.L.R .; supervisión, I.L.S.; validación, I.L.S., E.G.S,
E.L.R.; visualización, I.L.S., E.G.S, E.L.R.; redacción—preparación del
borrador original, I.L.S., E.G.S, E.L.R.; redacción—revisión y edición, I.L.S.,
E.G.S, E.L.R.
Financiación
Esta investigación no ha recibido financiación externa
Disponibilidad de datos
El conjunto de datos utilizados
en este estudio están disponibles previa solicitud razonable al autor de
correspondencia
Aprobación ética
No se aplica
Consentimiento de publicación
No se aplica
Conflicto de interés
Los autores declaran no tener conflictos de interés
Derechos y permisos
Open Access. Este artículo está licenciado bajo una Licencia Creative Commons Atribución 4.0 Internacional, que permite el uso, intercambio,
adaptación, distribución y reproducción en cualquier medio o formato, siempre y
cuando se otorgue el crédito correspondiente al autor original y a la fuente,
se proporcione un enlace a la licencia Creative Commons y se indique si se
realizaron cambios.
Referencias
Ayuso del Puerto, D. y
Gutiérrez, P. (2022). La Inteligencia Artificial como recurso educativo durante
la formación inicial del profesorado. RIED-Revista Iberoamericana de
Educación a Distancia, 25(2), 347-362.
Bonilla, A., Márquez, J. E.,
Benavides, L. G., y Gutiérrez, F. R. (2024). Inteligencia Artificial Generativa
(IAG) en la educación matemática. Encuentro Internacional de educación en
Ingeniería. https://doi.org/10.26507/paper.3672
Chiappe, A., San Miguel, C.
y Sáez, F.M. (2025). IA generativa versus profesores: reflexiones desde una
revisión de la literatura. Píxel-Bit. Revista de Medios y Educación, 72,
119-137. https://doi.org/10.12795/pixelbit.107046
Comisión Europea.
(2019). A Definition of AI.
Main Capabilities and Disciplines. https://bit.ly/40IOZco
Comisión Europea (2020). Libro
Blanco sobre la inteligencia artificial: Un enfoque europeo orientado a la
excelencia y la confianza. https://bit.ly/4erTpHU
Dawson, S., Jocksimovic, J., Mills, C., Gasevic,
D. y Siemens, G. (2023). Advancing theory in the age
of artificial intelligence guest editors. British Journal of Educational
Technology, 54, 1051-1056. https://doi.org/10.1111/bjet.13343
Flores-Vivar, J., y García-Peñalvo,
F. (2023). Reflexiones sobre la ética,
potencialidades y desafíos de la inteligencia artificial en el marco de una
educación de calidad (ODS4). Comunicar, 74, 37–47. https://doi.org/10.3916/C74-2023-03
Fombella, J. (2018). Ventajas y amenazas del uso
de las TIC en el ámbito educativo. Debates & Prácticas en Educación,
3(2), 30-46. https://bit.ly/48Pgjb0
García Peñalvo, F. J.,
Llorens-Largo, F., y Vidal, J. (2024). The new reality of
education in the face of advances in generative
artificial intelligence. [La
nueva realidad de la educación ante los avances de la inteligencia artificial
generativa]. RIED-Revista Iberoamericana de Educación a Distancia, 27(1),
9-39. https://doi.org/10.5944/ried.27.1.37716
Marquès, P. (s.f). Innovación
educativa. https://www.peremarques.net/innovacionportada.htm
McCarthy, J., Minsky, M.L., Rochester, N. y Shannon,
C.E. (2006). A proposal for the Dartmouth summer research project on artificial
intelligence. AI Magazine, 27(4), 12-14. https://doi.org/10.1609/aimag.v27i4.1904
Ministerio de Asuntos
Económicos y Transformación digital (s.f.). Cuestionario de autodiagnóstico
de Generación D. https://generaciond.gob.es/cuestionario-autodiagnostico
Organización Internacional
de Cooperación y Desarrollo Económico (OCDE) (2021). OECD Digital Education Outlook 2021: Pushing the
frontiers with artificial intelligence, blockchain and robots. https://doi.org/10.1787/589b283f-en
Pedreño, A., González, R.,
Mora, T., Del Mar, E. Ruiz, J. y Torres, A. (2024). La inteligencia
artificial en las universidades: retos y oportunidades. Grupo 1MillionBot.
Redecker, C. (2020). Marco Europeo para la
Competencia Digital de los Educadores (DigCompEdu).
Secretaría General Técnica del Ministerio de Educación y Formación Profesional
de España.
Revuelta-Domínguez, F.-I.,
Guerra-Antequera, J., González-Pérez, A., Pedrera-Rodríguez, M.-I. y
González-Fernández, (2022). Digital Teaching Competence: A systematic Review. Sustainability,
14, 6428. https://doi.org/10.3390/su14116428
Rojas, E. M. (2015). Una
mirada a la inteligencia artificial. Revista de Ingeniería, Matemáticas y
Ciencias de la Información. Revista Ingeniería, Matemáticas y Ciencias de la
Información, 2(3), 27-31. https://bit.ly/4hXghSG
Russell, S. y Norvig, P. (2010). Artificial
Intelligence: A modern approach (3rd. ed.). Prentice Hall.
Sanabria-Navarro, J.,
Silveira-Pérez, Y., Pérez-Bravo, D., y de-Jesús-Cortina-Núñez, M. (2023). Incidences of
artificial intelligence in contemporary education. Comunicar,
77, 97-107. https://doi.org/10.3916/C77-2023-08
Selwyn, N., Rivera-Vargas, P., Passeron, E. y
Miño-Puigcercos, R. (2022). ¿Por qué no todo es (ni
debe ser) digital? Interrogantes para pensar sobre digitalización, datificación e inteligencia artificial en educación. En P.
Rivera-Vargas, R. Miño-Puigcercos y E. Passeron
(Eds.), Educar con sentido transformador en la universidad (pp.137-147).
Octaedro.
Long, P. y Siemens, G. (2011). Penetrating the Fog:
Analytics in Learning and Education. Educause Review, 46/5), 30-40
Spirina, K. (2018). Is
AI here to replace human teachers or is it teacher’s
assistant? Towards Data Science. https://medium.com/p/2db6bd624a45
Organización de las Naciones
Unidas para la Educación, la Ciencia y la Cultura (UNESCO) (2021). International
Forum on AI and the futures of education developing competencies for AI era. UNESCO. https://bit.ly/4fNd8D5
Organización de las Naciones
Unidas para la Educación, la Ciencia y la Cultura (UNESCO) (Ed.). (2022). Recomendación sobre la ética de la
inteligencia artificial. https://bit.ly/3KBvPx8
Valencia, A.T. y Figueroa,
R. (2023). Incidencia de la Inteligencia Artificial en la Educación. Educatio Siglo XXI, 41(3), 235-264. https://doi.org/10.6018/educatio.555681
Vera-Rubio, P.E.,
Bonilla-González, G.P., Quishpe-Salcán, A.C. y
Campos-Yedra, H.M. (2023). La inteligencia artificial en la educación superior:
un enfoque transformador. Polo del Conocimiento, 8(11),
67-80. https://doi.org/10.23857/pc.v8i11.6193
Zárate, R. (2021). Una vista
a las oportunidades y amenazas de la inteligencia artificial en la educación
superior. Revista Académica Institucional (RAI), 5, 49-61. https://bit.ly/4fjXmj4