Validación de una escala sobre la percepción de la Inteligencia Artificial en la educación superior
Resumen
La IA tiene el potencial para personalizar el aprendizaje, automatizar evaluaciones y proporcionar retroalimentación inmediata. El objetivo del artículo es describir el proceso de diseño y validación de la escala de percepción titulada PEIIA, creada para medir la percepción de la Inteligencia Artificial en la educación superior. La escala tipo Likert desarrollada contiene nueve dimensiones: efectividad de uso de la IA, mejoras de aprendizaje, dependencia cognitiva y tecnológica, facilidad de uso, apoyo hacia el aprendizaje, reacciones emocionales hacia la IA, precisión de la IA, aversión hacia el uso de la IA y percepción docente. Se aplicó a 1010 estudiantes inscritos en una universidad pública mexicana (58.9% de mujeres y 41.1% de hombres). Se realizó un análisis factorial exploratorio (AFE) y análisis factorial confirmatorio (AFC) para determinar su validez, que derivó en la eliminación de ítems con baja o nula correlación. Como parte de los resultados, se obtuvo un alfa de Cronbach de 0.945 y un índice Kaiser-Meyer-Olkin (KMO) de 0.960 global para las siete subescalas. La versión final contiene 35 ítems agrupados en siete factores. La escala PEIIA cuenta con un nivel aceptable de confiabilidad y validez para medir la percepción de la Inteligencia Artificial en la educación superior.
Descargas
Citas
Aliño, J., Rebato, A., Abrenica, A, Baguio, J., Villanueva, M., Dianne, O. y Sumatra, K. (2024). The Relationship Between AI Self-Efficacy and AI Trust of College Students. International Journal of Multidisciplinary Studies in Higher Education, 1(1), 92–102.
https://doi.org/10.70847/587961
Alshamy, A., Al-Harthi, A. y Abdullah, S. (2025). Perceptions of Generative AI Tools in Higher Education: Insights from Students and Academics at Sultan Qaboos University. Education Sciences, 15(4), 501-516. https://doi.org/10.3390/educsci15040501
Brown, T. (2015). Confirmatory Factor Analysis for Applied Research (2a edición). The Guilford Press.
Byrne, B. (2010). Structural Equation Modeling with AMOS (2a edición). Routledge Taylor & Francis Group.
Cao, Y., Aziz, A. y Arshard, W. (2023). University students’ perspectives on Artificial Intelligence: A survey of attitudes and awareness among Interior Architecture students. IJERI: International Journal of Educational Research and Innovation, (20), 1–21. https://doi.org/10.46661/ijeri.8429
Cea, M. (2004). Análisis multivariable. Teoría y práctica en la investigación social. Síntesis.
Chávez, G., Polo, T., Zegarra, L., Balarezo, O., Calderón, C. y Dominguez, S. (2024). Self-efficacy scale for university teaching in virtual environments, SSUTVE. Heliyon, 11(1), 1-25.
https://doi.org/10.1016/j.heliyon.2024.e41134
Cruz, J., Villafranca, F. y Taype, O. (2024). Revolucionando el aprendizaje: El papel de la inteligencia artificial en la educación universitaria. Revista Tribunal, 4(9), 525-540. https://doi.org/10.59659/revistatribunal.v4i9.81
De Lara, A. (2022). Retos de la divulgación de la inteligencia artificial en los cibermedios españoles. Contratexto, 38(038), 205-226. https://doi.org/10.26439/contratexto2022.n038.5701
DeVellis, R. (2012). Scale Development. Theory and Applications. SAGE.
Gallent, C., Zapata, A. y Ortego, J. (2023). El impacto de la inteligencia artificial generativa en educación superior: una mirada desde la ética y la integridad académica. RELIEVE. Revista Electrónica de Investigación y Evaluación Educativa, 29(2), 1-21. https://doi.org/10.30827/relieve.v29i2.29134
García, D., Cobo, R. y Hernández, J. (2022). Validez, fiabilidad e invarianza factorial de las escalas de autoeficacia general y autoeficacia académica en estudiantes universitarios. Retos, 46, 1093–1104. https://doi.org/10.47197/retos.v46.94281
Griffin, M. y Steinbrecher, T. (2013). Large-Scale Datasets in Special Education Research. En R. Urbano (ed.), International Review of Research in Developmental Disabilities (Vol. 45, pp. 155-183). Elsevier. https://doi.org/10.1016/b978-0-12-407760-7.00004-9
Hooper, D., Coughlan, J. y Mullen, M. (2008). Structural Equation Modelling: Guidelines for Determining Model Fit. Electronic Journal of Business Research Methods, 6(1), 53-60. https://www.researchgate.net/publication/254742561_Structural_Equation_Modeling_Guidelines_for_Determining_Model_Fit
Hu, L. y Bentler, P. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling: A Multidisciplinary Journal, 6(1), 1-55. https://doi.org/10.1080/10705519909540118
Katsantonis, A. y Katsantonis, I. (2024). University Students’ Attitudes toward Artificial Intelligence: An Exploratory Study of the Cognitive, Emotional, and Behavioural Dimensions of AI Attitudes. Education Sciences, 14(9), 988-1001. https://doi.org/10.3390/educsci14090988
Khairuddin, Z., Shahabani, N., Ahmad, S., Ahmad, A. y Zamri, N. (2024). Students’ Perceptions on The Artificial Intelligence (AI) Tools As Academic Support. Malaysian Journal of Social Sciences and Humanities (MJSSH), 9(11), 1-13. https://doi.org/10.47405/mjssh.v9i11.3087
Kline, R. (2016). Principles and Practice of Structural Equation Modeling (4ª edición). The Guilford Press.
Larico, R. (2024). Impacto de la inteligencia artificial generativa ChatGPT en la enseñanza universitaria. Chakiñan, Revista De Ciencias Sociales Y Humanidades, (25), 317-341. https://doi.org/10.37135/chk.002.25.14
Narváez, R. y Medina, L. (2024). Validación de un cuestionario para explorar el uso de la IA en estudiantes de educación superior. Revista Paraguaya de Educación a Distancia (REPED), 5(4), 29–40. https://doi.org/10.56152/reped2024-dossierIA2-art4
Negrete, M. y Mosquera, D. (2025). Estrategias Didácticas Basadas en Inteligencia Artificial para el Aprendizaje del Inglés: Una Revisión Sistemática de la Producción Bibliográfica 2019-2023. Ciencia Latina Revista Científica Multidisciplinar, 9(1), 4538-4560. https://doi.org/10.37811/cl_rcm.v9i1.16172
Osman, Z. (2025). Attitude as a Catalyst: The Role of Perceived Ease of Use, Perceived Usefulness, and Self-Efficacy in Shaping Student Intentions to Use Artificial Intelligence in Higher Education. International Journal of Academic Research in Accounting, Finance and Management Sciences, 15(1), 201–215. http://dx.doi.org/10.6007/IJARAFMS/v15-i1/24459
Slimi, Z. (2023). The Impact of Artificial Intelligence on Higher Education: An Empirical Study. ERIC. European Journal of Educational Sciences, 10(1), 17-33.
http://dx.doi.org/10.19044/ejes.v10no1a17
Swidan, A., Lee, S. y Romdhane, S. (2025). College Students’ Use and Perceptions of AI Tools in the UAE: Motivations, Ethical Concerns and Institutional Guidelines. Education Sciences, 15(4), 461-481. https://doi.org/10.3390/educsci15040461
Vera, P., Bonilla, G., Quishpe, A. y Campos, H. (2023). La inteligencia artificial en la educación superior: un enfoque transformador. Polo del Conocimiento, 8(11), 67-80. https://polodelconocimiento.com/ojs/index.php/es/article/view/6193
Wang, Y y Chuang, Y. (2024). Artificial intelligence self-efficacy: Scale development and validation. Education and Information Technologies, 29, 4785–4808. https://doi.org/10.1007/s10639-023-12015-w
Yurt, E. y Kasarci, I. (2024). A Questionnaire of Artificial Intelligence Use Motives: A contribution to investigating the connection between AI and motivation. International Journal of Technology in Education (IJTE), 7(2), 308-325. https://doi.org/10.46328/ijte.725
Vega Alvarez, E., & Huang Chang, Y. (2024). Blended Learning, and Its Impact on English Speaking Skills in Pronunciation in Group 11-4 of Liceo de Santo Domingo, I Quarter 2024. Ciencia Y Reflexión, 3(2), 159–173. https://doi.org/10.70747/cr.v3i2.18
Chavarría Hidalgo, C. (2024). Calculation of productive capacity: From theory to practice. Ciencia Y Reflexión, 3(2), 194–214. https://doi.org/10.70747/cr.v3i2.20
Agrela Rodrigues, F. de A., Moreira da Silveira, F., Moreira de Lima, M. R., & Pinto Uchôa , K. S. (2024). Identificando a Inteligência em Crianças: Traços Físicos e Comportamentais. Ciencia Y Reflexión, 3(2), 21–51. https://doi.org/10.70747/cr.v3i2.5
Guzmán Campoverde, G. A., García Reinoso, L. L., & Espinoza Pesantez , D. I. (2025). Dímero D en pacientes con SARS-CoV-2 en un Hospital Privado de Cuenca, Ecuador (2020 y 2021). Ciencia Y Reflexión, 4(1), 1959–1973. https://doi.org/10.70747/cr.v4i1.227
Pineda Herrera, Y. de J., & Troya Sanchez, M. E. (2025). Using Art as a Pedagogical Tool for Improving English Vocabulary Learning among 5th Graders. Ciencia Y Reflexión, 4(1), 852–875. https://doi.org/10.70747/cr.v4i1.44
Acosta Varela, N., & Vera Bustillos, E. (2025). Donación de Plasma Trasfronteriza en Estudiantes Universitarios: Un Análisis Socioeconómico. Ciencia Y Reflexión, 4(1), 1787–1812. https://doi.org/10.70747/cr.v4i1.99
Derechos de autor 2025 Carlos Arturo Torres-Gastelú , Carlos Torres-Real
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
.png)
.png)
1.png)
