Profiles of AI Dependency: A Latent Class Analysis of Filipino Students' Academic Competencies

A continuación se presenta un resumen técnico detallado del artículo "Perfiles de Dependencia de la IA: Un Análisis de Clases Latentes de las Competencias Académicas de Estudiantes Filipinos".

1. Planteamiento del Problema

El estudio aborda la creciente preocupación de que la dependencia de herramientas de Inteligencia Artificial (IA), particularmente la IA generativa (por ejemplo, ChatGPT), está erosionando las competencias académicas fundamentales entre los estudiantes de educación superior. Si bien la IA ofrece beneficios como la retroalimentación en tiempo real y la generación de contenido, existe el riesgo de una "descarga cognitiva", lo que conduce a:

• Una reducción en las habilidades de pensamiento crítico y redacción.
• Una disminución de la independencia en el aprendizaje y las capacidades de investigación.
• Un cambio del aprendizaje profundo a la finalización superficial de tareas.

La literatura existente a menudo se centra en actitudes generales o dominios académicos aislados y carece de enfoques estadísticos centrados en la persona para identificar perfiles conductuales, especialmente en regiones subrepresentadas como Filipinas. Este estudio tiene como objetivo llenar ese vacío analizando la dependencia de la IA en cinco dominios específicos dentro del contexto filipino.

2. Metodología

• Diseño de Investigación: Estudio cuantitativo transversal.
• Participantes:
  • Tamaño de la Muestra: 651 respuestas válidas (de 800 recopiladas) de estudiantes universitarios.
  • Demografía: Estudiantes de 45 instituciones públicas y privadas acreditadas por la Comisión de Educación Superior (CHED) en Pampanga, Filipinas.
  • Perfil: Edad media de 20.22 años; predominantemente estudiantes de primer y tercer año; distribución mixta de género.
• Instrumento: Una encuesta de 24 ítems que mide cinco dimensiones de habilidades académicas:
  1. Pensamiento Crítico (PC)
  2. Habilidades de Redacción (HR)
  3. Independencia en el Aprendizaje (IA)
  4. Habilidades de Investigación (HI)
  5. Compromiso Académico (CA)
  • Fiabilidad: Alta consistencia interna confirmada mediante el alfa de Cronbach ($\alpha > 0.92$ para todos los constructos).
• Recopilación de Datos: Encuesta en línea (Google Forms) realizada de octubre de 2024 a enero de 2025 utilizando muestreo por bola de nieve.
• Análisis Estadístico:
  • Estadística Descriptiva: Para analizar las medias y desviaciones estándar de las puntuaciones de dependencia.
  • Análisis de Clases Latentes (ACL): Utilizado para identificar subgrupos distintos (perfiles) de estudiantes basados en sus patrones de dependencia de la IA. El ajuste del modelo se determinó utilizando el Criterio de Información de Akaike (AIC) y el Criterio de Información Bayesiano (BIC).
  • Análisis de Chi-cuadrado: Para examinar las relaciones entre las variables demográficas (género, año académico, rendimiento) y las clases latentes identificadas.

3. Contribuciones Clave

• Perfilado Centrado en la Persona: A diferencia de estudios anteriores que se enfocan en enfoques centrados en variables, este estudio utiliza ACL para categorizar a los estudiantes en perfiles conductuales distintos con respecto al uso de la IA.
• Perspectiva Contextual: Proporciona datos empíricos sobre la dependencia de la IA dentro del sistema de educación superior filipino, una región a menudo subrepresentada en la literatura global sobre IA en la educación.
• Evaluación Multidimensional: Evalúa el impacto de la IA en un espectro holístico de habilidades académicas (pensamiento crítico, redacción, independencia, investigación y compromiso) en lugar de tareas aisladas.
• Marco de Política: Ofrece una base para intervenciones educativas dirigidas basadas en perfiles específicos de estudiantes en lugar de un enfoque de "talla única".

4. Resultados

Hallazgos Descriptivos:

• Los estudiantes mostraron una dependencia moderada a alta de la IA, particularmente en la aceptación acrítica de resultados ($M=3.23$), sugerencias de investigación ($M=3.13$) y sustitución del compromiso académico ($M=3.06$).
• La dependencia fue sistemática en lugar de esporádica, lo que indica una erosión generalizada de las competencias básicas.

Perfiles del Análisis de Clases Latentes (ACL):
El modelo óptimo identificó cuatro perfiles distintos de estudiantes:

1. Aprendices Independientes Altamente Comprometidos (Clase 3):
   • Características: Las competencias más fuertes en los cinco dominios; dependencia mínima de la IA; uso selectivo de la IA.
   • Estado: Desempeño académico ideal.
2. Usuarios Selectivos de IA (Clase 2):
   • Características: Fuertes habilidades de investigación y redacción; alto compromiso; utilizan la IA como una herramienta complementaria en lugar de un recurso principal.
   • Estado: Usuarios equilibrados y estratégicos.
3. Usuarios Moderados de IA (Clase 0):
   • Características: Habilidades moderadas en todos los dominios pero mostrando signos de dependencia, particularmente en la independencia del aprendizaje.
   • Estado: En riesgo de caer en la sobredependencia; necesitan capacitación en verificación.
4. Aprendices Dependientes de la IA (Clase 1):
   • Características: Competencias académicas más débiles en todos los dominios (especialmente PC, redacción e investigación); dependencia muy alta de la IA; baja independencia en el aprendizaje y compromiso.
   • Estado: Alto riesgo de erosión de habilidades académicas; probablemente sustituyen habilidades básicas con contenido generado por IA.

Correlaciones Demográficas:

• Género: No hubo diferencia significativa en los patrones de dependencia de la IA ($p = .237$).
• Rendimiento Académico: No hubo asociación significativa entre las calificaciones autoinformadas y los niveles de dependencia. Tanto los estudiantes con alto rendimiento como los de bajo rendimiento utilizan la IA de manera similar, aunque los de alto rendimiento pueden usarla estratégicamente mientras que los de bajo rendimiento pueden depender de ella para compensar.
• Año Académico: Se encontró variación significativa ($p = .003$). Los estudiantes de últimos años exhibieron niveles más altos de dependencia de la IA, probablemente debido a la mayor carga de trabajo académico y la exposición prolongada a herramientas de IA.

5. Significado e Implicaciones

• Política Educativa: Destaca la necesidad urgente de programas de alfabetización en IA integrados tempranamente en el currículo. Las políticas deben equilibrar la adopción tecnológica con la preservación de habilidades cognitivas esenciales.
• Intervenciones Dirigidas:
  • Aprendices Dependientes de la IA: Requieren apoyo enfocado para reconstruir habilidades de pensamiento crítico e investigación.
  • Usuarios Moderados: Se benefician de la capacitación en validación de información y razonamiento analítico.
  • Aprendices Independientes: Pueden servir como mentores entre pares para modelar un uso equilibrado de la IA.
• Adaptación del Currículo: Las instituciones deben rediseñar las evaluaciones para priorizar el pensamiento crítico y el proceso sobre los resultados finales, asegurando que la IA actúe como una herramienta de apoyo en lugar de un sustituto del aprendizaje.
• Investigación Futura: Los autores solicitan estudios longitudinales para rastrear los impactos a largo plazo de la dependencia de la IA y desarrollar marcos para mitigar la erosión de habilidades en un panorama educativo impulsado por la tecnología.