ISSN No. 2631-2743
U
NIVERSIDAD NACIONAL DE CHIMBORAZO
FACULTAD DE
CIENCIAS POLÍTICAS Y
ADMINISTRATIVAS
,
LA INTELIGENCIA ARTIFICIAL
Y SU INFLUENCIA EN EL
COMPORTAMIENTO DE LOS
ESTUDIANTES
ARTIFICIAL INTELLIGENCE
AND ITS INFLUENCE ON
STUDENT BEHAVIOR
DOI:
https://doi.org/10.37135/kai.03.14.04
KAIRÓS, Vol. (8) No. 14, pp. 67-87, enero - junio 2025
Génesis P. Romero-Calle
gromero10@utmachala.edu.ec
Universidad Técnica de Machala
(Machala - Ecuador)
ORCID: 0009-0008-7384-5449
Dilia M. Tivillin-Gutama
dtivillin1@utmachala.edu.ec
Universidad Técnica de Machala
(Machala - Ecuador)
ORCID: 0009-0005-5071-433X
Lorenzo Bonisoli
lbonisoli@utmachala.edu.ec
Facultad de Ciencias Empresariales
Universidad Técnica de Machala
(Machala - Ecuador)
ORCID: 0000-0003-3336-5658
Recibido: 27/08/2024
Aceptado: 27/12/2024
ISSN No. 2631-2743
,
KAIRÓS, Vol. (8) No. 14, pp. 67-87, enero - junio 2025
LA INTELIGENCIA ARTIFICIAL
Y SU INFLUENCIA EN EL
COMPORTAMIENTO DE LOS
ESTUDIANTES
ARTIFICIAL INTELLIGENCE
AND ITS INFLUENCE ON
STUDENT BEHAVIOR
Resumen
El propósito del presente estudio es analizar la
inuencia de la motivación intrínseca, extrínseca,
habilidades y normas subjetivas en la adopción de
inteligencia articial (IA) por parte de estudiantes
ecuatorianos. Se utilizó una metodología cuantitativa
para medir la intención y el comportamiento de
uso de la IA, basada en un modelo de Ecuaciones
Estructurales con Mínimos Cuadrados Parciales
(SEM-PLS). La muestra consistió en 223 estudiantes
encuestados. Los resultados revelan que la
motivación extrínseca, intrínseca, intención de uso
y comportamiento tienen un impacto signicativo
en los estudiantes, mientras que las habilidades y
normas subjetivas no inuyen directamente en ellos.
Palabras clave: aptitud, conducta,
autodisciplina, aprendizaje, actitud.
Abstract
The purpose of the present study is to analyze the
inuence of intrinsic and extrinsic motivation,
skills, and subjective norms on the adoption of
articial intelligence (AI) by Ecuadorian students.
A quantitative methodology was used to measure
the intention and behavior of using AI, based on
a Structural Equation Model with Partial Least
Squares (SEM-PLS). The sample consisted of 223
surveyed students. The results reveal that extrinsic
and intrinsic motivation, intention to use, and
behavior have a signicant impact on students,
while skills and subjective norms do not directly
inuence them.
Keywords: aptitude, behavior, self-discipline,
learning, attitude.
DOI:
https://doi.org/10.37135/kai.03.14.04
La inteligencia articial y su inuencia en el comportamiento de los estudiantes
69
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 8(14), pp. 67-87. Primer Semestre de 2025
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.14.04
Introducción
La tecnología ha transformado profundamente diversos aspectos de la vida cotidiana y
profesional en las últimas décadas, desempeñando un papel esencial en la innovación y la
eciencia (Belanger & Crossler, 2019). La rápida evolución de las tecnologías emergentes,
como la inteligencia articial (IA), está cambiando la forma en que interactuamos con el
mundo, ofreciendo nuevas oportunidades (Rochina Chileno et al., 2024).
En el ámbito educativo, la inteligencia articial ha demostrado un impacto signicativo al
permitir la personalización de aprendizaje y la optimización de enseñanza. Por ejemplo, la
IA puede facilitar un aprendizaje más efectivo mediante sistemas adaptativos que responden
a las necesidades individuales de los estudiantes (Dwivedi et al., 2019). Sin embargo, en
Ecuador, la integración de la IA en la educación enfrenta desafíos relacionados con la falta
de investigaciones que exploren cómo factores clave, inuyen en el comportamiento de los
estudiantes al adoptar esta tecnología.
Uno de los problemas principales es comprender qué factores motivan a los estudiantes
ecuatorianos a adoptar la IA como herramienta en sus actividades académicas. Este fenómeno
plantea interrogantes sobre variables como la motivación intrínseca (interés personal y
satisfacción interna), la motivación extrínseca (recompensas externas y reconocimiento), las
habilidades tecnológicas (competencia para interactuar con herramientas avanzadas) y las
normas subjetivas (presión social o expectativas percibidas) (Zaccone y Pedrini, 2019).
Aunque la IA ha sido objeto de múltiples estudios en el ámbito educativo, la mayoría se
enfoca en contextos internacionales o en aspectos generales, como la intención de uso y el
comportamiento de adopción de tecnología. Existe, sin embargo, una carencia de investigaciones
que analicen cómo estas cuatro variables afectan especícamente la adopción de la IA en el
contexto ecuatoriano, un país que enfrenta limitaciones y oportunidades únicas (Zarouali et al.,
2018). Este vacío en el conocimiento limita la capacidad de implementar estrategias efectivas
que promuevan el uso adecuado de la IA en el ámbito educativo (Montalván-Vélez et al., 2024).
Por esta razón, este estudio tiene como objetivo analizar cómo la motivación intrínseca, la
motivación extrínseca, las habilidades y las normas subjetivas inuyen en la adopción de la
inteligencia articial entre los estudiantes ecuatorianos. Este análisis busca proporcionar un
entendimiento más detallado de los factores que determinan la disposición de los estudiantes a
integrar herramientas de IA en su proceso de aprendizaje y rendimiento académico (Xu et al.,
2023).
Este estudio podría ser relevante para académicos especializados en tecnología educativa, así
como para instituciones educativas, al proporcionar una comprensión detallada de por qué los
70
Génesis P. Romero-Calle, Dilia M. Tivillin-Gutama, Lorenzo Bonisoli
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 8(14), pp. 67-87. Primer Semestre de 2025
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.14.04
estudiantes en Ecuador se relacionan con el uso de la tecnología en sus tareas académicas.
Además, los educadores interesados en promover el aprendizaje efectivo podrían beneciarse
al utilizar los hallazgos de este estudio para fomentar el uso consciente y efectivo de la
inteligencia articial en el entorno educativo.
Materiales y métodos
Comportamiento de uso (CU) e Intención de uso (IU)
El comportamiento de uso se dene como la percepción subjetiva de una persona sobre la
probabilidad de llevar a cabo una acción particular, inuyendo en sus decisiones de consumo de
un producto o adquisición de alguna tecnología especíca (Christino et al., 2021). La intención
de uso, por su parte, es un factor central que motiva a un individuo a realizar una conducta
especíca (Perri et al., 2020). En estudios recientes, como el de Carranza et al. (2021) basado
en la Teoría de la Acción Razonada (TRA), se ha investigado cómo la intención de uso afecta
la decisión de los consumidores de adoptar productos o tecnologías, resalta la importancia de
entender la intención de uso, ya que puede determinar la adopción de tecnologías emergentes
como la inteligencia articial en la educación.
Además, Tilibașa et al. (2023) arman que la integración de la inteligencia articial puede
facilitar el desarrollo de habilidades de pensamiento crítico entre los estudiantes y aumentar
su motivación y compromiso con el aprendizaje. En particular, se considera que la facilidad
de acceso a la información, gracias a la proliferación de recursos digitales y plataformas en
línea, también es un factor clave que incrementa la intención de uso de tecnologías educativas
(Singh et al., 2020), ofreciendo a estudiantes y educadores acceso a materiales educativos,
textos y documentos, vídeos y simulaciones interactivas. Por ende, la intención de uso y el
comportamiento de uso deben considerarse como factores estrechamente relacionados,
trabajando juntos para realizar acciones especícas. Por lo tanto, se plantea la siguiente
hipótesis:
H1: La intención de uso inuye positivamente en el comportamiento de uso.
Motivación intrínseca (MI)
La Teoría de la Autodeterminación (SDT), se centra en la motivación y el crecimiento personal.
Esta teoría sostiene que para que las personas se comprometan de manera efectiva con una
tarea, deben satisfacer tres necesidades psicológicas básicas: autonomía, competencia y
relación. La satisfacción de estas necesidades facilita una mayor motivación intrínseca y una
mayor integración del comportamiento en el sentido de identidad personal y valores (Zaccone
& Pedrini, 2019).
La inteligencia articial y su inuencia en el comportamiento de los estudiantes
71
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 8(14), pp. 67-87. Primer Semestre de 2025
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.14.04
La motivación intrínseca se reere a la realización de una tarea sin la necesidad de incentivos
externos, siendo el propio proceso de ejecución de la actividad la recompensa principal, como
la sensación de placer experimental durante el proceso (Wang et al., 2022). La motivación
intrínseca juega un papel signicativo en las intenciones de adoptar una innovación tecnológica.
Aquellos que experimentan una motivación interna hacia la utilización de la tecnología están
más propensos a encontrar satisfacción en su uso continuo para lograr tareas especícas
relacionadas con su aplicación.
Para estos usuarios, los obstáculos asociados con la nueva tecnología suelen ser menores, ya
que perciben el uso de la inteligencia articial como algo más sencillo y disfrutan del proceso
de emplearla (Chaurasia et al., 2019). Se podría argumentar que, en el ámbito de la innovación
tecnológica, el uso continuo para lograr tareas especícas relacionadas con su aplicación, como
tareas de estudio, puede afectar a la adopción de los estudiantes a adoptar y utilizarla de manera
continua en el tiempo. En este sentido, podría existir una relación positiva entre la motivación
intrínseca de los estudiantes hacia la adopción de una innovación tecnológica y su voluntad de
mantener un uso constante de la misma (Wu et al., 2022).
Por consiguiente, la motivación intrínseca juega un papel crucial en fomentar un compromiso
continuo con la inteligencia articial entre los estudiantes, lo que conlleva benecios tangibles,
como una mayor eciencia en la realización de tareas académicas y un aprovechamiento más
completo de las capacidades de la inteligencia articial en cuestión (Amani et al., 2022). Por lo
tanto, se formula la siguiente hipótesis:
H2: La motivación intrínseca afectará positivamente la intención de uso al utilizar la IA.
Aunque la motivación intrínseca es crucial para la participación inicial y el compromiso con
la tarea, el comportamiento de uso puede depender más de factores extrínsecos y contextuales,
como recompensas y reconocimientos (Malek et al., 2020). Esto nos lleva a plantear la siguiente
hipótesis:
H3: Motivación intrínseca no tiene un efecto signicativo en comportamiento de uso.
Motivación extrínseca (ME)
La motivación extrínseca en el contexto del aprendizaje se reere a la tendencia de realizar
una actividad educativa impulsada por la búsqueda de recompensas externas o la evitación
de consecuencias negativas, en lugar de encontrar satisfacción intrínseca en el proceso de
aprendizaje en sí mismo. Este tipo de motivación puede estar vinculado a la percepción de
utilidad tangible o benecios prácticos que se obtienen al completar la tarea educativa (Urhahne
& Wijnia, 2023).
72
Génesis P. Romero-Calle, Dilia M. Tivillin-Gutama, Lorenzo Bonisoli
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 8(14), pp. 67-87. Primer Semestre de 2025
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.14.04
En el ámbito estudiantil y la integración de la inteligencia articial, la motivación extrínseca
se posiciona como un elemento igualmente relevante que la motivación intrínseca para inuir
en el comportamiento. Esta motivación externa, proveniente de la comunicación interpersonal
y recompensas, ejerce un fuerte impacto en las conductas de los estudiantes. Según estudios
recientes, la motivación extrínseca proporcionada por señales de estímulo-respuesta puede
inuir mucho en la intención de uso más que los motivadores intrínsecos (Seo et al., 2021).
Con respecto a la tecnología inteligente, como la inteligencia articial, tanto las razones
externas como las internas son importantes para motivar a los usuarios. Las razones externas
pueden ser cosas como recompensas o inuencias de otras personas, mientras que las internas
vienen de nuestro propio interés y satisfacción personal (Yin et al., 2021).
En un entorno educativo mediado por la tecnología, la presencia de motivadores extrínsecos
podría tener un efecto signicativo en la intención de los estudiantes de usar la inteligencia
articial. En el ámbito de la educación y la tecnología, se plantea que las recompensas externas
pueden aumentar el deseo de utilizar la tecnología, como la obtención de buenos resultados
en las tareas. Sin embargo, un exceso de estas recompensas podría conducir a una pérdida del
verdadero disfrute del proceso de aprendizaje (Kusumawati et al., 2023).
Por lo tanto, se plantea la idea de que, si bien las recompensas externas pueden motivar a los
estudiantes a utilizar más la inteligencia articial para el estudio, también es crucial mantener
el disfrute del proceso del aprendizaje. Así se plantea la siguiente hipótesis:
H4: La motivación extrínseca inuye positivamente en la intención de los estudiantes de utilizar
la inteligencia articial para nes académicos.
La motivación extrínseca también puede inuir directamente en el uso de la inteligencia articial
por parte de los estudiantes. Las recompensas y otros incentivos pueden no solo aumentar la
intención de uso sino también, facilita la traducción de esta intención en comportamiento real
(Shneor & Munim, 2019). Los factores de la motivación extrínseca son efectivos positivos en
promover el uso de la inteligencia articial. Por lo tanto, se desarrolla la siguiente hipótesis.
H5: La motivación extrínseca tiene un efecto positivo y signicativo en la intención de
comportamiento de los estudiantes al utilizar la inteligencia articial para sus estudios.
Habilidad (HA)
La habilidad se dene como la capacidad de una persona para llevar a cabo acciones especícas.
Aunque una persona pueda estar muy motivada, es poco probable que realice una tarea
especíca si no cuenta con las habilidades necesarias (Strzelecki, 2023). Dentro del contexto
La inteligencia articial y su inuencia en el comportamiento de los estudiantes
73
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 8(14), pp. 67-87. Primer Semestre de 2025
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.14.04
de la inteligencia articial, se ha observado que la habilidad percibida para usarla no siempre
se correlaciona con la intención de utilizarla.
A pesar de que los estudiantes pueden sentirse competentes o seguros de sus habilidades
relacionadas con la Inteligencia articial, esto no necesariamente se traduce en una disposición
activa para utilizarla de manera efectiva en sus actividades académicas. Los estudios sugieren
que los estudiantes pueden creer que poseen las habilidades necesarias para interactuar con la
inteligencia articial, pero esto no garantiza que estén dispuestos o motivados a utilizarla de
manera efectiva.
Esta discrepancia indica que la percepción de habilidad podría no inuir directamente en la
intención de uso de la inteligencia articial en sus estudios y rendimiento académico. Factores
adicionales podrían mediar en la relación entre la habilidad percibida y la intención de uso por
el cual se basó en la revisión de la literatura, se plantea la siguiente hipótesis:
H6: La habilidad para utilizar la inteligencia articial no inuye positivamente con la intención
de los estudiantes de emplearla como herramienta en su proceso de aprendizaje y rendimiento
académico.
Las habilidades son esenciales para la capacidad de los estudiantes de utilizar la inteligencia
articial, pero no necesariamente se traduce directamente en el comportamiento de uso.
Aunque las habilidades son un requisito para el uso efectivo de la IA, el comportamiento de uso
puede estar inuenciado por otros factores como la motivación intrínseca. Tener habilidades no
garantiza necesariamente el uso de la IA (Chan & Lee, 2023).
H7: La habilidad no inuye directamente en el comportamiento de uso.
Normas subjetivas (NS)
Las normas subjetivas se reeren a la percepción que tienen los individuos sobre las expectativas
sociales y la presión de sus pares para realizar o abstenerse de realizar un comportamiento
especíco. Este constructo es un componente clave en la Teoría del Comportamiento
Planicado (Ajzen, 2020), que sugiere que las decisiones individuales están signicativamente
inuenciadas por la aprobación o desaprobación percibida de personas importantes para ellos,
como familiares, amigos y colegas (Leong et al., 2023).
En el ámbito de la tecnología, y más especícamente de la inteligencia articial, las normas
subjetivas han sido utilizadas para entender cómo las percepciones y presiones sociales inuyen
en la adopción y uso de nuevas tecnologías. Por ejemplo, estudios recientes han demostrado que
las normas subjetivas inuyen en la aceptación de chatbots y asistentes virtuales, y en cómo los
74
Génesis P. Romero-Calle, Dilia M. Tivillin-Gutama, Lorenzo Bonisoli
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 8(14), pp. 67-87. Primer Semestre de 2025
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.14.04
individuos perciben la utilidad y facilidad de uso de estas tecnologías (Brachten et al., 2021).
En el contexto de la educación, se ha observado que la presión de pares y las expectativas de los
profesores pueden motivar a los estudiantes a utilizar tecnologías avanzadas como la IA para
mejorar su aprendizaje y desempeño académico (Zarouali et al., 2018).
Las normas subjetivas podrían tener una inuencia signicativa en la intención de uso de la
inteligencia articial en estudiantes. Las percepciones de aprobación o desaprobación social
podrían afectar la disposición de los estudiantes para utilizar la IA en sus actividades académicas.
Esta propuesta se basa en estudios que sugieren que las normas subjetivas pueden jugar un rol
importante en la formación de intenciones de uso hacia nuevas tecnologías, al inuir en cómo
los individuos valoran la adopción de estas herramientas en contextos especícos (Nguyen &
Ho, 2022). Por lo consiguiente se desarrolla la hipótesis:
H8: Las normas subjetivas tienen una relación signicativa con la intención de uso de
inteligencia articial en estudiantes.
De manera similar, se considera que las normas subjetivas podrían impactar el comportamiento
real de uso de la inteligencia articial entre los estudiantes. La presión social y las expectativas de
los compañeros y profesores podrían inuir en cómo y con qué frecuencia los estudiantes utilizan
tecnologías avanzadas como la IA en su entorno académico. Esta hipótesis se fundamenta en
investigaciones que han observado que las expectativas sociales pueden determinar el grado de
uso de nuevas tecnologías (Zarouali et al., 2018). Por lo tanto, se genera la siguiente hipótesis:
H9: Las normas subjetivas tienen una relación signicativa con el comportamiento de uso de
inteligencia articial en estudiantes.
En la gura 1 se presenta el modelo teórico.
Figura 1. Modelo Teórico.
Fuente: elaboración propia.
La inteligencia articial y su inuencia en el comportamiento de los estudiantes
75
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 8(14), pp. 67-87. Primer Semestre de 2025
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.14.04
Metodología
El instrumento de investigación consistió en un cuestionario compuesto por 3 preguntas
descriptivas (género, edad, ingresos familiares) y 24 ítems que miden variables clave como
el comportamiento de uso, la intención de uso, la motivación extrínseca e intrínseca, las
habilidades y las normas subjetivas (Apéndice 1). Cada ítem fue evaluado mediante una escala
de Likert de 7 puntos. Antes de ser enviado a los encuestados, los ítems fueron validados
mediante técnicas cualitativas, basadas en entrevistas personales a un panel de expertos en el
área de estudio. Esta validación permitió evitar problemas relacionados con la comprensión de
los indicadores, la traducción al español, y el diferente contexto cultural de aplicación.
La muestra fue seleccionada utilizando una técnica no probabilística de conveniencia, dirigida
a estudiantes de educación superior. En la encuesta participaron 268 personas, pero tras el
análisis de las respuestas no pertinentes, se cancelaron 45 respuestas, resultando en 223
respuestas válidas para el estudio.
La encuesta fue distribuida a través de chat, utilizando contactos personales mediante la técnica
de bola de nieve. Para analizar los resultados obtenidos, se empleó la técnica del Modelo
de Ecuaciones Estructurales basado en la varianza (SEM-PLS) con enfoque en los mínimos
cuadrados parciales, y se utilizó el programa SmartPLS (Ringle, C. M., Wende, S., y Becker,
J.-M. 2024. “SmartPLS 4.” Bönningstedt: SmartPLS, https://www.smartpls.com) para la
elaboración de los resultados.
Tabla 1. Análisis descriptivo
Fuente: elaboración propia.
Genero
Edad
Ingresos familiares
Total
Total 268 100%
100%
100%
268
268
Total
Frecuencia
Frecuencia
Frecuencia
Porcentaje
Porcentaje
Porcentaje
Masculino
Femenino
108
160
40.3%
59.7%
17-20 años
21-25 años
26-30 años
31-35 años
Mas de 35 años
74
126
29
9
30
27.6%
47.0%
10.8%
3.4%
11.2%
$400-800
$800-1.600
$1.600-2.600
$2.600 o más
193
62
11
2
72.1%
23.1%
4.1%
0.7%
76
Génesis P. Romero-Calle, Dilia M. Tivillin-Gutama, Lorenzo Bonisoli
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 8(14), pp. 67-87. Primer Semestre de 2025
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.14.04
El análisis de resultados se desarrolla en dos fases:
La primera fase se evaluó la abilidad de los instrumentos utilizados mediante el coeciente
alfa de Cronbach. Este coeciente mide la consistencia interna de los ítems de una escala, y un
valor superior a 0.7 indica una alta abilidad. Además, se utilizaron otros índices para evaluar
la abilidad del modelo, incluyendo la ρ_A de Dijkstra y Henseler (2015) y la ρ_C de Jöreskog
(1971) (Guanaquiza-Leiva et al., 2022).
Tabla 2. Fiabilidad y AVE
Fuente: elaboración propia.
La validez convergente es un aspecto crucial en la evaluación del modelo de medición, ya
que determina si los indicadores están adecuadamente relacionados con el constructo al que
pertenecen. La validez convergente se calcula mediante dos índices principales: las cargas
externas de cada indicador y el valor de la varianza media extraída (AVE) para cada constructo.
Las cargas externas miden la fuerza de la relación entre cada indicador y el constructo
correspondiente. Se considera que un indicador tiene una carga externa adecuada si su valor es
mayor a 0.708. El AVE reeja la proporción de la varianza de los indicadores explicada por el
constructor y se debe considerar válido si el AVE supera el umbral de 0.50 (Coughlan, 2007).
Los resultados del estudio (tabla 2 y 3) muestran que los indicadores cumplen con estos criterios.
Tabla 3. Cargas externas
Cronbach´s alpha Composite reliability
(rho_a)
Composite reliability
(rho_c)
Average variance
extracted (AVE)
0.890
0.891
0.820
0.950
0.902
0.807
CO
HA
IU
ME
MI
NS
0.892
0.903
0.824
0.951
0.904
0.829
0.932
0.919
0.893
0.962
0.939
0.871
0.820
0.694
0.735
0.834
0.837
0.630
CO1
CO2
CO3
HA1
HA2
HA3
HA4
HA5
IU1
IU2
IU3
0.883
0.916
0.918 0.836
0.835
0.830
0.854
0.808
0.853
0.891
0.828
CO HA IU ME MI NS
La inteligencia articial y su inuencia en el comportamiento de los estudiantes
77
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 8(14), pp. 67-87. Primer Semestre de 2025
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.14.04
Fuente: elaboración propia.
La validez discriminante asegura que los constructos en un modelo de medición estén
adecuadamente diferenciados entre sí y no estén excesivamente correlacionados. Esta validez se
evalúa mediante la matriz Fornell-Larcker, en la que los valores en la diagonal, que representan
la raíz cuadrada del valor de la varianza media extraída (AVE) de cada constructo, deben ser
superiores a los valores en las mismas columnas y las que muestran las correlaciones entre
los constructos (Gao, 2024).
Los resultados mostrados en la Tabla 4 indican que los valores en la diagonal, correspondientes
a la raíz cuadrada del AVE, son mayores que las correlaciones entre los constructos. Esto
conrma que el modelo cumple con los requisitos de validez discriminante, asegurando que
los constructos están adecuadamente diferenciados y no están excesivamente correlacionados.
Tabla 4. Matrix Fornell-Larcker
Fuente: elaboración propia.
La prueba de hipótesis en el análisis de resultados se centra en evaluar si las relaciones
propuestas entre variables en el modelo son signicativas. En la segunda fase del análisis, se
ha aplicado un enfoque en dos aspectos principales: primero, la prueba de hipótesis y, segundo,
el análisis de la capacidad predictiva del modelo. Para llevar a cabo la prueba de hipótesis, se
utilizó la técnica estadística no paramétrica de Bootstrapping. Este método permite estimar
la signicancia de los parámetros del modelo al calcular el valor p asociado a cada hipótesis.
El valor p representa la probabilidad de obtener los resultados observados si la hipótesis nula
fuera cierta. Para aceptar una hipótesis, el valor p debe ser inferior a 0.05 (Razak et al., 2018).
ME1
ME2
ME3
ME4
ME5
MI1
MI2
MI3
NS1
NS2
NS3
NS4
0.880
0.935
0.928 0.807
0.855
0.714
0.792
CO HA IU ME MI NS
CO
HA
IU
ME
MI
NS
0.906
0.632
0.766
0.797
0.803
0.651
0.833
0.670
0.784
0.745
0.733
0.857
0.780
0.790
0.612
0.915
0.722 0.794
0.913
0.879
0.755
CO HA IU ME MI NS
78
Génesis P. Romero-Calle, Dilia M. Tivillin-Gutama, Lorenzo Bonisoli
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 8(14), pp. 67-87. Primer Semestre de 2025
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.14.04
Los resultados de la prueba de hipótesis, presentados en la Tabla 4, muestran que algunas
relaciones entre las variables tienen valores p menores a 0.05, conrmando la signicancia
estadística de las hipótesis evaluadas y demostrando la capacidad predictiva del modelo.
Tabla 5. Bootstrapping
Fuente: elaboración propia.
Finalmente, la capacidad predictiva se evalúa el coeciente R² que interpreta la cantidad de
varianza de las variables endógenas explicada por el modelo. En el análisis del comportamiento
del consumidor, se consideran aceptables valores de 0.2, y en algunos casos se aceptan valores
mínimos de 0.1. Los valores de 0.25, 0.50 y 0.75 se consideran débiles, moderados y fuertes
respectivamente para R² (Sarango et al., 2024). Los resultados de la Tabla 6 muestran valores
entre moderado y fuerte para ambas variables endógenas.
Tabla 6. R2
Fuente: elaboración propia.
En la gura 2 se presenta el modelo con los resultados.
Figura 2. Modelo teórico estructural con resultados
Nota: El nivel de signicancia viene dada por: (***: p < 0.001; **: p < 0.01; *: p < 0.05; en cursiva no signicante).
Fuente: elaboración propia.
Original
sample (O)
IU -> CO
MI-> IU
MI -> CO
ME -> IU
ME -> CO
HA -> IU
HA -> CO
NS -> IU
NS -> CO
Sample
mean (M)
Standard
deviation
(STDEV)
T statistics
(|O/STDEV|) P values
0.293
0.446
0.320
0.338
0.301
0.100
-0.106
-0.038
0.091
H1
H2
H3
H4
H5
H6
H7
H8
H9
0.302
0.439
0.330
0.349
0.269
0.094
-0.092
-0.036
0.094
0.075
0.100
0.121
0.112
0.142
0.069
0.086
0.058
0.074
0.000
0.000
0.008
0.003
0.034
0.148
0.219
0.513
0.220
3.887
4.477
2.643
3.009
2.116
1.447
1.230
0.655
1.227
R-square
CO
IU
0.714
0.660
0.707
0.653
R-square adjusted
La inteligencia articial y su inuencia en el comportamiento de los estudiantes
79
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 8(14), pp. 67-87. Primer Semestre de 2025
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.14.04
Discusión
El propósito de esta investigación es explorar cómo la IA inuye en el comportamiento y
la intención de uso entre estudiantes, considerando factores como la motivación intrínseca,
motivación extrínseca, las habilidades y las normas subjetivas. En esta discusión, se hace
énfasis en los resultados obtenidos a partir del análisis mediante SEM-PLS, con un enfoque en
la validez de las hipótesis planteadas.
La motivación intrínseca y la intención de uso de la inteligencia articial (IA) están estrechamente
relacionadas, como muestran los resultados del estudio. La motivación intrínseca, entendida
como el placer y la satisfacción derivados del uso de la tecnología, ejerce una inuencia
positiva en la intención de uso de la IA (Martín-Núñez et al., 2023). Este hallazgo apoya la
teoría de la autodeterminación, que sostiene que una mayor motivación intrínseca fomenta una
mayor disposición para adoptar nuevas tecnologías. Además, la motivación intrínseca, también
impacta positivamente en el comportamiento de uso de la IA, subrayando su importancia no
solo en la intención de uso sino en el uso real de la tecnología (Z. Liu et al., 2023). Esto indica
que, para promover un uso sostenido de la IA, es crucial fomentar la motivación intrínseca
entre los estudiantes.
El análisis de la motivación extrínseca y su efecto en la intención de uso de la IA muestra
una relación positiva signicativa. La motivación extrínseca, que incluye recompensas
y reconocimientos externos, tiene un impacto positivo en la intención de uso de la IA,
sugiriendo que las recompensas externas pueden aumentar la disposición de los estudiantes
para utilizar esta tecnología (Lai et al., 2023). La motivación extrínseca inuye positivamente
en el comportamiento la IA, apoyando la idea de que las recompensas externas fomentan la
intención de uso y la adopción real de la tecnología (Hoces, 2023). Estos hallazgos destacan la
importancia de las recompensas externas en la promoción de la tecnología.
El estudio también evaluó el impacto de las habilidades en la intención de uso y el comportamiento
de uso de la IA. Aunque se esperaba que las habilidades inuyeran signicativamente en la
intención de uso de la IA, los resultados no conrmaron esta hipótesis. Esto sugiere que, a
pesar de las habilidades tecnológicas, los estudiantes no necesariamente muestran una mayor
intención de uso de la IA (Chiu et al., 2023). De igual forma las habilidades no demostraron
tener un impacto signicativo en el comportamiento de uso de la IA. Esto indica que, aunque los
estudiantes puedan tener las habilidades necesarias, otros factores pueden ser más determinantes
en el uso real de la IA (Jang et al., 2021)
Las normas subjetivas y su impacto en la intención de uso y el comportamiento de uso de la IA
también fueron analizadas en el estudio. Los resultados revelan que las normas subjetivas no
80
Génesis P. Romero-Calle, Dilia M. Tivillin-Gutama, Lorenzo Bonisoli
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 8(14), pp. 67-87. Primer Semestre de 2025
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.14.04
muestran un efecto signicativo en la intención de uso de la IA, indicando que las percepciones
sobre la aceptación social o el apoyo de otros no son factores clave en la adopción de la IA en
un contexto académico (R. De Liu et al., 2019).
Este hallazgo contrasta con investigaciones anteriores en diferentes contextos, como en la
adopción de tecnologías en el ámbito empresarial o en servicios bancarios electrónicos, donde
se ha encontrado que las normas subjetivas tienen un impacto signicativo (Ho et al., 2020).
En esos otros contextos, las normas subjetivas pueden inuir más en la adopción de tecnologías
debido a factores como las expectativas sociales. Además, las normas subjetivas tampoco
inuyen signicativamente en el comportamiento de uso de la IA en este estudio, lo que sugiere
que su impacto puede variar dependiendo del entorno y la tecnología especíca evaluada.
El coeciente de determinación mide qué proporción de la varianza en la variable dependiente
es explicada por las variables independientes en un modelo de regresión. Esta medida indica la
calidad del ajuste del modelo a los datos observados y reeja la proporción de la variabilidad
total que el modelo es capaz de explicar. El cálculo de se basa en la comparación entre la
variabilidad observada en los datos y la variabilidad que el modelo puede explicar, evaluando
cómo las predicciones del modelo se ajustan a los datos reales (Gao, 2024). El análisis de la
capacidad predictiva del modelo, medido a través del coeciente , muestra que los valores
obtenidos para las variables endógenas son de moderados a fuertes.
Para el comportamiento de uso e intención de uso, los valores indican que el modelo explica
una cantidad signicativa de la varianza en ambas variables, lo que respalda la robustez del
modelo en predecir el comportamiento y la intención de uso de la IA. La importancia del radica
en su capacidad para reejar el ajuste y la precisión del modelo, como se ha documentado en
la literatura sobre SEM-PLS (Goktas & Dirsehan, 2024).
Conclusión
Este estudio ha proporcionado una visión detallada de cómo la inteligencia articial inuye en
el comportamiento y la intención de uso entre los estudiantes universitarios ecuatorianos. Los
resultados indican que la intención de uso y el comportamiento de uso están signicativamente
inuenciados por factores motivacionales tanto intrínsecos como extrínsecos. La motivación
intrínseca, relacionada con la satisfacción personal y el disfrute del uso de la IA, ha demostrado
ser un factor clave tanto para la intención de uso como para el comportamiento de uso real.
Asimismo, la motivación extrínseca, impulsada por recompensas externas y reconocimiento,
también ha mostrado una inuencia positiva signicativa en ambos aspectos.
La inteligencia articial y su inuencia en el comportamiento de los estudiantes
81
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 8(14), pp. 67-87. Primer Semestre de 2025
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.14.04
Sin embargo, las habilidades percibidas para utilizar la IA no mostraron una relación directa y
signicativa con la intención de uso ni con el comportamiento de uso, lo que sugiere que, aunque
los estudiantes se sientan competentes, esto no garantiza su disposición a utilizar la tecnología.
Además, las normas subjetivas no resultaron ser un factor determinante en la adopción de la IA,
indicando que la presión social y las expectativas de los pares no inuyen signicativamente en
las decisiones de los estudiantes para utilizar esta tecnología.
Los hallazgos de este estudio son de particular interés tanto para las autoridades académicas
como para los propios estudiantes. Para las autoridades, los resultados sugieren la necesidad de
centrarse en los aspectos motivacionales y de habilidades de los estudiantes, tanto intrínsecos
como extrínsecos, para promover un mayor uso de la IA. Esto podría incluir el desarrollo
de programas y actividades que integren la IA de manera que aumenten la motivación y las
habilidades de los estudiantes, mejorando así su colaboración en proyectos académicos. Para
los estudiantes, esta investigación serviría de motivación, destacando la importancia de los
aspectos motivacionales y de habilidades en la adopción de nuevas tecnologías y alentándolos
a explorar y utilizar la IA como herramienta que para su desarrollo académico.
Este estudio se ha centrado en estudiantes universitarios, por lo que sería interesante replicar
la investigación en estudiantes de bachillerato para identicar posibles inconsistencias en los
resultados o relaciones signicativas. Esto permitiría crear políticas y programas educativos
más inclusivos y adaptados a las necesidades especícas de cada grupo, mejorando así la
integración de la IA en la educación. Además, la investigación abordó la IA de manera general,
sin especicar una tecnología particular. Dado el rápido avance en el campo de la IA, sería
relevante seleccionar una IA especíca para realizar análisis comparativos y determinar si
los resultados son consistentes con esta investigación. Esto permitiría identicar si algunas
tecnologías de IA destacan por su capacidad para desarrollar la motivación en los estudiantes.
Declaración de contribución de autoría CRediT
Romero C. Génesis-Paulete: Conceptualización, investigación, administración del proyecto, recursos,
visualización, redacción borrador original.
Dilia M. Tivillin-Gutama: Contribución realizada al artículo: Contribución realizada al artículo: Conceptualización,
investigación, metodología, administración del proyecto, recursos, visualización, redacción borrador original.
Lorenzo Bonisoli: Contribución realizada al artículo: Curación de datos, análisis formal, metodología,
administración del proyecto, recursos, software, supervisión, validación, redacción (revisión y edición).
Declaración de conictos de interés
Los autores declaran no tener ningún conicto de intereses.
La inteligencia articial y su inuencia en el comportamiento de los estudiantes
82
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 8(14), pp. 67-87. Primer Semestre de 2025
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.14.04
Referencias
1. Ajzen, I. (2020). The theory of planned behavior: Frequently asked questions. Human
Behavior and Emerging Technologies, 2(4), 314–324. https://doi.org/10.1002/hbe2.195
2. Amani, S., White, L., Balart, T., Arora, L., Shryock, K. J., Brumbelow, K., & Watson, K. L.
(n.d.). Generative AI Perceptions: A Survey to Measure the Perceptions of Faculty, Sta,
and Students on Generative AI Tools in Academia. arXiv preprint arXiv:2304.14415.
3. Belanger, F., & Crossler, R. E. (2019). Dealing with digital traces: Understanding protective
behaviors on mobile devices. Journal of Strategic Information Systems, 28(1), 34–49.
https://doi.org/10.1016/j.jsis.2018.11.002
4. Brachten, F., Kissmer, T., & Stieglitz, S. (2021). The acceptance of chatbots in an enterprise
context – A survey study. International Journal of Information Management, 60. https://
doi.org/10.1016/j.ijinfomgt.2021.102375
5. Carranza, R., Díaz, E., Sánchez-Camacho, C., & Martín-Consuegra, D. (2021). e-Banking
Adoption: An Opportunity for Customer Value Co-creation. Frontiers in Psychology, 11,
621248. https://doi.org/10.3389/fpsyg.2020.621248
6. Chan, C. K. Y., & Lee, K. K. W. (2023). The AI generation gap: Are Gen Z students
more interested in adopting generative AI such as ChatGPT in teaching and learning than
their Gen X and millennial generation teachers? Smart Learning Environments, 10(1), 60.
https://doi.org/10.1186/s40561-023-00269-3
7. Chaurasia, S. S., Verma, S., & Singh, V. (2019). Exploring the intention to use M-payment
in India: Role of extrinsic motivation, intrinsic motivation and perceived demonetization
regulation. Transforming Government: People, Process and Policy, 13(3–4), 276–305.
https://doi.org/10.1108/TG-09-2018-0060
8. Chiu, T. K. F., Xia, Q., Zhou, X., Chai, C. S., & Cheng, M. (2023). Systematic literature
review on opportunities, challenges, and future research recommendations of articial
intelligence in education. Computers and Education: Articial Intelligence, (4), 100118.
https://doi.org/10.1016/j.caeai.2022.100118
9. Christino, J. M. M., Cardozo, É. A. A., Petrin, R., & de Aguiar Pinto, L. H. (2021).
Fatores que inuenciam a intenção e o comportamento de uso de aplicativos de delivery
83
Génesis P. Romero-Calle, Dilia M. Tivillin-Gutama, Lorenzo Bonisoli
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 8(14), pp. 67-87. Primer Semestre de 2025
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.14.04
para restaurantes. Revista Brasileira de Gestao de Negocios, 23(1), 21–42. https://doi.
org/10.7819/rbgn.v23i1.4095
10. Coughlan, J. (2007). Structural Equation Modeling: Guidelines for Determining Model
Fit. https://www.researchgate.net/publication/254742561
11. Deci, E. L., & Ryan, R. M. (2000). The “what” and “why” of goal pursuits: Human needs
and the self-determination of behavior. Psychological Inquiry, 11(4), 227–268. https://doi.
org/10.1207/S15327965PLI1104_01
12. Dwivedi, Y. K., Rana, N. P., Jeyaraj, A., Clement, M., & Williams, M. D. (2019). Re-
examining the Unied Theory of Acceptance and Use of Technology (UTAUT): Towards
a Revised Theoretical Model. Information Systems Frontiers, 21(3), 719–734. https://doi.
org/10.1007/s10796-017-9774-y
13. Gao, J. (2024). R-Squared (R 2 ) – How much variation is explained? . Research Methods in
Medicine & Health Sciences, 5(4), 104–109. https://doi.org/10.1177/26320843231186398
14. Goktas, P., & Dirsehan, T. (2024). Using PLS-SEM and XAI for casual-predictive services
marketing research. Journal of Services Marketing, 39(1). https://doi.org/10.1108/JSM-
10-2023-0377
15. Guanaquiza-Leiva, M., Espinoza-Saraguro, D., & Bonisoli, L. (2022). Análisis de
los factores ambientales en la decisión de compra de los productos orgánicos en el
consumidor ecuatoriano. 593 Digital Publisher CEIT, 7(2), 247–259. https://doi.
org/10.33386/593dp.2022.2.1026
16. Ho, J. C., Wu, C. G., Lee, C. S., & Pham, T. T. T. (2020). Factors aecting the behavioral
intention to adopt mobile banking: An international comparison. Technology in Society,
63. https://doi.org/10.1016/j.techsoc.2020.101360
17. Hoces, Z. (2023). Motivación y estrategias de aprendizaje en educación universitaria.
Instituto Universitario de Innovación Ciencia y Tecnología Inudi Perú. https://doi.
org/10.35622/inudi.b.117
18. Jang, M., Aavakare, M., Nikou, S., & Kim, S. (2021). The impact of literacy on intention
to use digital technology for learning: A comparative study of Korea and Finland.
Telecommunications Policy, 45(7). https://doi.org/10.1016/j.telpol.2021.102154
84
Génesis P. Romero-Calle, Dilia M. Tivillin-Gutama, Lorenzo Bonisoli
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 8(14), pp. 67-87. Primer Semestre de 2025
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.14.04
19. Kusumawati, M. D., Fauziddin, M., & Ananda, R. (2023). The Impact of Reward and
Punishment on the Extrinsic Motivation of Elementary School Students. AL-ISHLAH:
Jurnal Pendidikan, 15(1), 183–192. https://doi.org/10.35445/alishlah.v15i1.2856
20. Lai, C. Y., Cheung, K. Y., & Chan, C. S. (2023). Exploring the role of intrinsic motivation
in ChatGPT adoption to support active learning: An extension of the technology
acceptance model. Computers and Education: Articial Intelligence, 5, 100178. https://
doi.org/10.1016/j.caeai.2023.100178
21. Leong, L. Y., Hew, T. S., Ooi, K. B., Metri, B., & Dwivedi, Y. K. (2023). Extending the
Theory of Planned Behavior in the Social Commerce Context: A Meta-Analytic SEM
(MASEM) Approach. Information Systems Frontiers, 25(5), 1847–1879. https://doi.
org/10.1007/s10796-022-10337-7
22. Liu, R. De, Wang, J., Gu, D., Ding, Y., Oei, T. P., Hong, W., Zhen, R., & Li, Y. M. (2019).
The eect of parental phubbing on teenager’s mobile phone dependency behaviors: The
mediation role of subjective norm and dependency intention. Psychology Research and
Behavior Management, 12, 1059–1069. https://doi.org/10.2147/PRBM.S224133
23. Liu, Z., Wang, S., & Gu, Q. (2023). Study on the Mechanism of Inuencing Adolescents’
Willingness to Participate in Ice Sports. Children, 10(6), 1080. https://doi.org/10.3390/
children10061080
24. Malek, S. L., Sarin, S., & Haon, C. (2020). Extrinsic Rewards, Intrinsic Motivation, and
New Product Development Performance. Journal of Product Innovation Management,
37(6), 528–551. https://doi.org/10.1111/jpim.12554
25. Martín-Núñez, J. L., Ar, A. Y., Fernández, R. P., Abbas, A., & Radovanović, D. (2023).
Does intrinsic motivation mediate perceived articial intelligence (AI) learning and
computational thinking of students during the COVID-19 pandemic? Computers and
Education: Articial Intelligence, 4, 100128. https://doi.org/10.1016/j.caeai.2023.100128
26. Montalván-Vélez, C. L., Mogrovejo-Zambrano, J. N., Rodríguez-Andrade, A. E., &
Andrade-Vaca, A. L. (2024). Adopción y Efectividad de Tecnologías Emergentes en la
Educación desde una Perspectiva Administrativa y Gerencial. Journal of Economic and
Social Science Research, 4(1), 160–172. https://doi.org/10.55813/gaea/jessr/v4/n1/92
27. Nguyen, G. N., & Ho, T. T. H. (2022). Interplay between subjective norm, emotions, and
purchase intention towards foreign brands: evidence from Vietnam. Innovative Marketing,
La inteligencia articial y su inuencia en el comportamiento de los estudiantes
85
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 8(14), pp. 67-87. Primer Semestre de 2025
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.14.04
18(1), 79–93. https://doi.org/10.21511/im.18(1).2022.07
28. Perri, C., Giglio, C., & Corvello, V. (2020). Smart users for smart technologies: Investigating
the intention to adopt smart energy consumption behaviors. Technological Forecasting
and Social Change, 155. https://doi.org/10.1016/j.techfore.2020.119991
29. Razak, N. I. A., Zamzuri, Z. H., & Suradi, N. R. M. (2018). Bootstrapping technique in
structural equation modeling: A Monte Carlo study. Journal of Physics: Conference Series,
1132(1). https://doi.org/10.1088/1742-6596/1132/1/012072
30. Rochina Chileno, S. C., Duarte Mora, M. J., Macanchí Pico, M. L., & Tipantuña Soria, E. G.
(2024). Transformación educativa en el siglo XXI: Integración de Tecnologías Emergentes
para el Aprendizaje Efectivo. Reincisol., 3(6), 6092–6109. https://doi.org/10.59282/
reincisol.V3(6)6092-6109
31. Sarango, E., Vásquez, F., & Bonisoli, L. (2024). Responsabilidad social corporativa y
lealtad a la marca: un análisis empírico. Journal Business Science, 5(1), 53–68. https://doi.
org/10.56124/jbs.v5i1.004
32. Seo, K., Tang, J., Roll, I., Fels, S., & Yoon, D. (2021). The impact of articial intelligence
on learner–instructor interaction in online learning. International Journal of Educational
Technology in Higher Education, 18(1). https://doi.org/10.1186/s41239-021-00292-9
33. Shneor, R., & Munim, Z. H. (2019). Reward crowdfunding contribution as planned
behaviour: An extended framework. Journal of Business Research, 103, 56–70. https://
doi.org/10.1016/j.jbusres.2019.06.013
34. Singh, A., Sharma, S., & Paliwal, M. (2020). Adoption intention and eectiveness of digital
collaboration platforms for online learning: the Indian students’ perspective. Interactive
Technology and Smart Education, 18(4), 493–514. https://doi.org/10.1108/ITSE-05-2020-
0070
35. Strzelecki, A. (2023). Students’ Acceptance of ChatGPT in Higher Education: An Extended
Unied Theory of Acceptance and Use of Technology. Innovative Higher Education.
https://doi.org/10.1007/s10755-023-09686-1
36. Tilibașa, M. A., Boncilică, A. N., Popa, I., Ștefan, S. C., & Tărăban, I. (2023). Implications
of digital risks on teachers’ motivation and intention to use digital tools: a PLS-POS
perspective in Romanian preuniversity education system. Kybernetes, 52(13), 45–60.
La inteligencia articial y su inuencia en el comportamiento de los estudiantes
86
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 8(14), pp. 67-87. Primer Semestre de 2025
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.14.04
https://doi.org/10.1108/K-06-2023-1116
37. Urhahne, D., & Wijnia, L. (2023). Theories of Motivation in Education: an Integrative
Framework. Educational Psychology Review, 35(2), 45. https://doi.org/10.1007/s10648-
023-09767-9
38. Wang, Y. M., Wei, C. L., Lin, H. H., Wang, S. C., & Wang, Y. S. (2022). What drives students’
AI learning behavior: a perspective of AI anxiety. Interactive Learning Environments,
32(6), 2584–2600. https://doi.org/10.1080/10494820.2022.2153147
39. Wu, C. H., Liu, C. H., & Huang, Y. M. (2022). The exploration of continuous learning
intention in STEAM education through attitude, motivation, and cognitive load.
International Journal of STEM Education, 9(1). https://doi.org/10.1186/s40594-022-
00346-y
40. Xu, L., Zhang, J., Ding, Y., Zheng, J., Sun, G., Zhang, W., & Philbin, S. P. (2023).
Understanding the role of peer pressure on engineering students’ learning behavior: A
TPB perspective. Frontiers in Public Health, 10, 1069384. https://doi.org/10.3389/
fpubh.2022.1069384
41. Yin, J., Goh, T. T., Yang, B., & Xiaobin, Y. (2021). Conversation Technology With Micro-
Learning: The Impact of Chatbot-Based Learning on Students’ Learning Motivation and
Performance. Journal of Educational Computing Research, 59(1), 154–177. https://doi.
org/10.1177/0735633120952067
42. Zaccone, M. C., & Pedrini, M. (2019). The eects of intrinsic and extrinsic motivation
on students learning eectiveness. Exploring the moderating role of gender. International
Journal of Educational Management, 33(6), 1381–1394. https://doi.org/10.1108/IJEM-
03-2019-0099
43. Zarouali, B., Van Den Broeck, E., Walrave, M., & Poels, K. (2018). Predicting Consumer
Responses to a Chatbot on Facebook. Cyberpsychology, Behavior, and Social Networking,
21(8), 491–497. https://doi.org/10.1089/cyber.2017.0518
La inteligencia articial y su inuencia en el comportamiento de los estudiantes
87
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 8(14), pp. 67-87. Primer Semestre de 2025
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.14.04
Apéndice 1. Escalas y medidas
Fuente: elaboración propia.
Constructo
IU - Intención
de Uso
IUI - Yo recomendaría el uso de la IA a mis amigos para mejorar su
rendimiento académico.
IU2 - Utilizaría aplicaciones de la IA para optimizar mi aprendizaje.
IU3 - Quiero utilizar constantemente aplicaciones de la IA.
CO1 - Sugiero la IA a mis amigos para mejorar sus notas.
CO2 - Uso la IA en todas las oportunidades disponibles.
CO3 - Por lo general uso la IA en mi estudio.
MI1 - Me complace explorar nuevas maneras de emplear la IA para
optimizar mi rendimiento académico y apoyar mi proceso de
aprendizaje como estudiante.
MI2 - Estoy satisfecho en utilizar la IA para mejorar la calidad de mis
estudios.
ME1 - Descubrí que el uso de herramientas de IA para personalizar mi
experiencia de aprendizaje es útil.
ME2 - Descubrí que gestionar mi progreso académico a t ravés de
sistemas de IA es sencillo.
ME3 - La I A permite un aprendizaje más rápido y adaptado a m is
necesidades.
ME4 - La IA hace que sea más fácil acceder a mis recursos educativos.
ME5 - Pienso que es eficiente usar IA.
OP1 - La IA me ayuda en el cumplimiento de mis tareas.
OP2 - Creo que utilizo la IA como herramienta porque me permite una
búsqueda rápida.
HA1 - Aprender habilidades relacionadas con la IA es fácil para mí.
HA2 - No creo q ue m e falte el potencial para aprender habilidades
relacionadas con la IA.
OP3 - Confío en la información proporcionada por la IA.
OP5 - La IA permite que los estudiantes tengan información m ás
confiable.
OP4 - Uso herramientas d e búsqueda avanzada basadas e n IA para
agilizar el proceso de búsqueda.
CO –
Comportamiento
de Uso
MI –
Motivación
Intrínseca
ME -
Motivación
Extrínseca
HA - Habilidades
OP -
Oportunidades
Indicadores Fuentes
(Yu et a l.,
2021)
(Yu et a l.,
2021)
(Hasbullah et
al., 2022)
(Hasbullah et
al., 2022)
(Wang et a l.,
2022)
(Nguyen & H o,
2022b)
(Strzelecki ,
2023b)
(Chaurasia et
al., 2019b)
HA3 - No creo que me falte el conocimiento para e l aprendizaje de
habilidades relacionadas con la IA.
HA4 - No tengo miedo de aprender habilidades relacionadas con la IA.
HA5 - Tengo suficiente i nteligencia para aprender habilidades
relacionadas con la IA.
MI3 - Estoy contento al incorporar herramientas de IA en mis tareas.
MI4 - Estoy de acuerdo contribuir al avance académico a través del uso
de la IA.
31. NS1 - Las personas que influyen en mi comportamiento piensan
que debería usar la IA.
32. NS2 - Si las personas que me rodean usan la IA, esto me impulsará
a utilizar también.
34. NS4 - EL contenido educativo creado por I A en plataformas en
línea puede animarme a usar esta herramienta para mejorar mi
comprensión de los temas de estudio.
33. NS3 - Las personas que tienen influencia sobre mí (como familiares
y amigos) i nfluyen e n mi decisión de adoptar la I A en m is propios
estudios.
NS – Normas
Subjetivas
