Artificial Intelligence Competence of K-12 Students Shapes Their AI Risk Perception: A Co-occurrence Network Analysis

Resumen Técnico: La competencia en IA de los estudiantes de K-12 moldea su percepción del riesgo de la IA

Planteamiento del problema
A medida que la Inteligencia Artificial (IA), particularmente la IA Generativa (GenAI), se integra en la educación, comprender cómo los estudiantes perciben los riesgos asociados es crítico para una adopción responsable. Si bien la IA es reconocida tanto como una oportunidad como un riesgo, la relación específica entre la autopercepción de la competencia en IA de un estudiante y su percepción de los riesgos relacionados con la IA sigue siendo poco estudiada. La literatura existente identifica diversas categorías de riesgo (privacidad, sesgo, precisión, ética, etc.), pero no está claro cómo los niveles de competencia individuales, específicamente, moldean el encuadre de estos riesgos. Este estudio aborda dos preguntas primarias: (1) ¿Qué factores perciben los estudiantes de secundaria (K-12) como riesgos relacionados con la IA? y (2) ¿Cómo moldea la competencia en IA autorreportada estas percepciones de riesgo?

Metodología
El estudio empleó un diseño cuantitativo, transversal, utilizando un enfoque de análisis de red de coocurrencia basado en la ciencia de la complejidad y la psicometría de redes.

• Participantes: Los datos se recolectaron de 163 estudiantes (47% mujeres, 51% hombres, 2% no binarios) en una escuela secundaria general finlandesa (nivel ISCED 3) involucrada en un proyecto de desarrollo de GenAI de dos años. La mediana del año de nacimiento fue 2008.
• Instrumentos:
  • Competencia en IA: Una escala de cuatro ítems calificada en una escala Likert de 5 puntos que evalúa el uso general de la IA, el apoyo al aprendizaje personalizado y la gestión de la información. El Análisis Factorial Confirmatorio (CFA) confirmó una estructura unidimensional con un ajuste de modelo excelente (CFI = 1.00, RMSEA = .041) y confiabilidad ($\alpha$ = 0.89).
  • Preocupaciones/Riesgos de la IA: Una lista de verificación binaria de 14 ítems que captura las percepciones de riesgos en tres dominios: Sistémicos (p. ej., sesgo, inexactitud, utilización de recursos), Institucionales (p. ej., trampas, ventaja injusta, políticas escolares, derechos de autor) y Personales (p. ej., reducción del pensamiento crítico, creatividad, aprendizaje, adicción, privacidad).
• Enfoque Analítico:
  • Los estudiantes fueron estratificados en grupos de "baja" y "alta" competencia utilizando una división por la mediana (Mdn = 17).
  • Se realizó un Análisis de Red de Coocurrencia para modelar la estructura relacional de las preocupaciones. Las respuestas binarias se transformaron en una matriz de coocurrencia.
  • Los datos se sometieron a una normalización $L_2$ para controlar el número total de preocupaciones seleccionadas por estudiante.
  • Se calcularon pesos de arista ajustados por regresión mediante regresión de Mínimos Cuadrados Ordinarios (OLS) para aislar el efecto de la competencia controlando por género y grupo de año.
  • Se computó la Centralidad de Vector Propio (EC) para identificar la importancia estructural relativa de preocupaciones específicas dentro de las redes de los grupos de baja vs. alta competencia. Las aristas con valores absolutos por debajo del percentil 75 fueron podadas para resaltar las asociaciones salientes.

Resultos Clave
El análisis reveló patrones distintos en cómo los niveles de competencia influyen en la percepción del riesgo:

1. Prevalencia General: Las preocupaciones citadas con mayor frecuencia en todos los estudiantes fueron la inexactitud/sesgo de la IA, el uso de la IA para hacer trampa y los riesgos para la calidad del aprendizaje (reducción del pensamiento crítico y la creatividad). Las preocupaciones institucionales y legales (derechos de autor, reglas inconsistentes) fueron las menos citadas.
2. Competencia y Volumen de Preocupación: Los estudiantes en el grupo de baja competencia reportaron un mayor número de preocupaciones en casi todas las categorías en comparación con sus pares de alta competencia. Los estudiantes de baja competencia mostraron un mayor énfasis en los riesgos personales de aprendizaje y en problemas basados en el miedo (uso indebido, adicción).
3. Diferencias en la Estructura de la Red:
   • Grupo de Alta Competencia: La red se caracterizó por asociaciones positivas fuertes entre los riesgos sistémicos e institucionales. Los nodos centrales clave fueron AI_cheating (trampa con IA; EC = 0.53) y Biased (Sesgado; EC = 0.52), seguidos por Teachers_rules (reglas de los profesores) e Inaccurate (inexacto). Esto indica que los estudiantes con mayor competencia ven los riesgos como problemas sistémicos interconectados (por ejemplo, vinculando las trampas con el sesgo y las reglas escolares).
   • Grupo de Baja Competencia: La red se centró en amenazas personales y relacionadas con el aprendizaje. Los nodos más centrales fueron Less_creative (Menos creativo; EC = -0.53) y Less_critical (Menos crítico; EC = -0.49). Este grupo conectó fuertemente las preocupaciones sobre la creatividad y el pensamiento crítico con cuestiones de equidad y recursos.
4. Hallazgos de la Regresión: Los pesos de arista positivos (que aumentan con la competencia) vincularon elementos sistémicos/institucionales (p. ej., AI_cheating—Biased). Los pesos de arista negativos (que disminuyen con la competencia) vincularon elementos personales/de aprendizaje (p. ej., Less_creative—Less_critical), lo que sugiere que los estudiantes de menor competencia tienen más probabilidades de confundir el declive cognitivo con las preocupaciones de equidad y recursos.

Contribuciones Clave

• Evidencia Empírica del Vínculo Competencia-Riesgo: El estudio proporciona evidencia empírica de que la autopercepción de la competencia en IA es un predictor significativo de cómo los estudiantes enmarcan los riesgos de la IA. Va más allá de los simples recuentos de prevalencia para mostrar cómo la competencia altera las relaciones estructurales entre las diferentes percepciones de riesgo.
• Diferenciación de Marcos de Riesgo: Distingue entre un marco de riesgo "sistémico/institucional" (dominante en estudiantes de alta competencia) y un marco de riesgo "personal/cognitivo" (dominante en estudiantes de baja competencia).
• Aplicación Metodológica: El artículo demuestra la utilidad del análisis de red de coocurrencia y la Centralidad de Vector Propio en la investigación educativa para visualizar la compleja red de creencias de los estudiantes respecto a la tecnología.

Significancia y Reivindicaciones
Los autores afirman que estos hallazgos resaltan una necesidad crítica de incorporar la alfabetización en IA en los currículos. El estudio postula que, sin una enseñanza sistemática y equitativa de la alfabetización en IA, las disparidades en el conocimiento pueden aumentar, provocando oportunidades desiguales (la "brecha de la IA").

• Para Educadores: Los docentes deben ir más allá de las políticas binarias de "permitir/prohibir". Para los estudiantes de baja competencia, se requiere un andamiaje para abordar los temores de uso indebido y atrofia cognitiva. Para los estudiantes de alta competencia, son necesarias directrices claras sobre el uso aceptable y la formación en la evaluación de los resultados de la IA.
• Para la Política: Los resultados se alinean con el énfasis de la Ley de Inteligencia Artificial de la UE en la alfabetización en IA. Los autores argumentan que no institucionalizar la construcción de competencias puede dejar a los sistemas educativos desprevenidos ante los cambios tecnológicos.
• Alcance Modesto: Los autores reconocen explícitamente las limitaciones, incluyendo el contexto de una sola escuela (lo que limita la generalización), la dependencia de la competencia autorreportada y el diseño transversal que impide realizar afirmaciones causales. No proponen modelos pedagógicos nuevos específicos, sino que sugieren que la investigación existente sobre la autoeficacia y la conciencia del riesgo debe informar futuras intervenciones.

En conclusión, el artículo afirma que la competencia en IA no es simplemente un conjunto de habilidades, sino un lente a través del cual los estudiantes evalúan los riesgos y las oportunidades de la IA en la educación. Promover la alfabetización en IA es, por lo tanto, esencial para permitir que los estudiantes se involucren de manera crítica, responsable y productiva con las herramientas de IA.