🤖 AI

AI-Automation Tooling in Computer Engineering Education: Mixed-Methods TAM/UTAUT Evidence for a General Acceptance Attitude

Este estudio de métodos mixtos realizado con 103 estudiantes tailandeses de ingeniería informática demuestra una aceptación sólida y generalizada de las herramientas de automatización de IA (específicamente n8n) impulsada principalmente por la expectativa de desempeño, revelando al mismo tiempo una divergencia entre el entusiasmo cuantitativo y el escepticismo cualitativo respecto a la calidad de los resultados, apoyando así la integración curricular de dichas herramientas con andamiajes instruccionales específicos.

Autores originales: Aung Pyae

Publicado 2026-06-12

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Aung Pyae

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres un profesor intentando presentar a un nuevo asistente robótico súper inteligente a una clase de futuros ingenieros. Antes de dejarlos actuar para construir cosas con él, quieres saber: ¿Realmente les gusta? ¿Creen que es útil? ¿Y confían en él?

Este documento es la boleta de calificaciones de un estudio donde 103 estudiantes de ingeniería informática en Tailandia probaron un tipo específico de herramienta de "cerebro robótico" (llamada n8n) durante una serie de talleres. Los investigadores querían ver si estos estudiantes estaban listos para adoptar la automatización por IA en sus futuras carreras.

Aquí está el desglose de lo que encontraron, utilizando analogías simples:

1. La configuración: Una "prueba de manejo" para el futuro

Piensa en los talleres como una prueba de manejo de un coche nuevo. Los estudiantes no solo leyeron sobre el coche; se pusieron al volante durante dos horas. Utilizaron una herramienta gratuita de código abierto llamada n8n para conectar diferentes tareas digitales entre sí (como hacer que un agente de IA lea un mensaje y lo guarde en una base de datos).

Después de la "prueba de manejo", los estudiantes completaron una breve encuesta. La encuesta les pedía calificar la herramienta en seis diferentes "medidores de control" tomados de teorías tecnológicas famosas:

Expectativa de desempeño: "¿Me ayudará esto a hacer mi trabajo?"
Expectativa de esfuerzo: "¿Es difícil de aprender?"
Intención de comportamiento: "¿Volveré a usar esto?"
Autoeficacia: "¿Me siento capaz de usarlo?"
Motivación hedónica: "¿Es divertido?"
Calidad de la salida: "¿La herramienta da buenos resultados?"

2. Los resultados: El "Efecto Halo"

Los estudiantes dieron a la herramienta puntuaciones muy altas en todos los aspectos. Casi todos estuvieron de acuerdo en que la herramienta era útil, fácil de usar y algo que volverían a usar.

La gran sorpresa (el "Halo"):
Normalmente, cuando le preguntas a la gente sobre una nueva herramienta, esperas que tengan opiniones diferentes sobre distintas cosas (por ejemplo, "Es útil, pero aburrido" o "Es divertido, pero difícil de usar").

Sin embargo, los investigadores descubrieron algo interesante: los estudiantes aún no podían distinguir entre estas categorías.

La analogía: Imagina mirar un teléfono inteligente nuevo, brillante y reluciente a través de una ventana ligeramente empañada. Puedes ver que es un teléfono y se ve genial, pero aún no puedes distinguir la cámara de la pantalla o la batería del procesador.
El hallazgo: Debido a que los estudiantes solo usaron la herramienta durante un corto tiempo (un taller), sus cerebros agruparon las seis preguntas en un solo sentimiento: "Me gusta esta herramienta". Los detalles específicos (como si es divertido vs. útil) aún no se habían separado en sus mentes. Esto es lo que los investigadores llaman una "actitud de aceptación general".

3. La "Brecha de Confianza": Los escépticos silenciosos

Aunque las cifras de la encuesta fueron brillantes (todos dijeron que la herramienta producía resultados de alta calidad), los comentarios abiertos contaban una historia ligeramente diferente.

La analogía: Imagina a un grupo de personas probando un pastel nuevo. El 95% dice: "¡Esto es delicioso!". Pero un pequeño grupo del 5% susurra: "Espera, el glaseado es un poco inconsistente; a veces es perfecto, a veces es grumoso".
El hallazgo: La encuesta decía que la "Calidad de la salida" era excelente. Pero los pocos estudiantes que escribieron comentarios mencionaron que la IA a veces daba resultados inexactos o inconsistentes.
Por qué importa: Los investigadores se dieron cuenta de que, solo porque los estudiantes dicen que confían en la herramienta (basándose en la encuesta), no significa que tengan una confianza calibrada. Podrían estar confiando demasiado, o podrían no saber cuándo verificar el trabajo. El documento sugiere que los estudiantes no solo necesitan aprender a usar la herramienta, sino también a detectar cuándo la herramienta comete un error.

4. Qué significa esto para la educación

El documento concluye con tres "palancas" (herramientas) que los profesores pueden usar para ayudar a los estudiantes a sacar el máximo provecho de la automatización por IA:

La escalera de andamiaje: Dado que los estudiantes encontraron la herramienta útil pero a veces complicada, los profesores deben construir una escalera de apoyo. Comenzar con pasos fáciles y eliminar lentamente el acompañamiento para que los estudiantes se sientan capaces de construir cosas por sí mismos.
El impulso de confianza: Algunos estudiantes sintieron que podían usar la herramienta, pero solo si tenían ayuda. Los profesores deben brindarles apoyo específico para cerrar la brecha entre "sé qué hace esto" y "puedo hacer esto yo mismo".
La calibración de la confianza: Esta es la más importante. Los profesores no solo deben mostrar a los estudiantes cómo funciona la herramienta perfectamente. Deben mostrar a los estudiantes cuándo la herramienta falla. Esto ayuda a los estudiantes a aprender a verificar el trabajo de la IA en lugar de confiar ciegamente en ella.

Resumen

En resumen, este documento dice: Los futuros ingenieros están entusiasmados con las herramientas de automatización por IA y creen que son útiles. Sin embargo, después de solo un breve taller, ven la herramienta como una "cosa buena" única en lugar de una máquina compleja con diferentes fortalezas y debilidades.

La conclusión clave para los educadores es: No se limiten a celebrar el entusiasmo. También deben enseñar a los estudiantes cómo manejar los errores ocasionales de la herramienta para que se conviertan en usuarios inteligentes y críticos en lugar de solo usuarios felices.

Resumen Técnico: Herramientas de Automatización con IA en la Educación de Ingeniería en Computación

Planteamiento del Problema
A medida que la IA generativa y las plataformas de flujo de trabajo de bajo código (low-code) se vuelven integrales en la práctica del software, surge una pregunta empírica crítica para la educación en ingeniería en computación: ¿aceptan los estudiantes de pregrado estas herramientas como útiles, usables y dignas de un compromiso sostenido? Si bien se esperará que la próxima generación de ingenieros diseñe y razone sobre automatizaciones aumentadas por IA, existe una falta de evidencia respecto a las actitudes de los estudiantes hacia este tipo de herramientas, particularmente dentro de los contextos educativos del sudeste asiático. Además, la literatura existente suele carecer de un manejo metodológico riguroso de los instrumentos de fuente única y formato corto utilizados para medir la aceptación inmediatamente después de intervenciones instruccionales.

Metodología
El estudio emplea un diseño de métodos mixtos explicativo y transversal que involucra a 103 estudiantes de pregrado de ingeniería en computación en una universidad tailandesa. Los participantes, poseedores de habilidades de Python de nivel básico a intermedio y experiencia diaria con herramientas de IA de propósito general, asistieron a tres talleres con guiones idénticos utilizando la plataforma de código abierto n8n.

Instrumentación: Se administró un cuestionario Likert de 12 ítems y cinco puntos tras el taller, mapeando seis constructos derivados del Modelo de Aceptación de Tecnología (TAM), la Teoría Unificada de Aceptación y Uso de la Tecnología (UTAUT) y UTAUT2: Expectativa de Desempeño (PE), Expectativa de Esfuerzo (EE), Intención de Comportamiento (BI), Autoeficacia (SE), Motivación Hedónica (HM) y Calidad de Salida (OQ). Cada constructo fue medido por dos ítems.
Análisis Cuantitativo: Para abordar las limitaciones de un diseño parsimonioso (dos ítems por constructo, $N=103$ $N = 103$ ), el estudio evitó el Modelado de Ecuaciones Estructurales (SEM) en favor de técnicas robustas no paramétricas y específicas para datos ordinales. Los análisis incluyeron:
- Estimación de confiabilidad utilizando coeficientes de Spearman-Brown y omega de McDonald ( $\omega$ ) basados en correlaciones policóricas.
- Intervalos de confianza por bootstrap (95%, $B=5,000$ ) para las medias de los constructos.
- Pruebas de Wilcoxon de rangos con signo de una muestra contra el punto medio neutral (3.0).
- Correlaciones de Spearman con corrección de Holm para comparaciones múltiples.
- Diagnósticos de dimensionalidad: análisis paralelo de Horn, prueba de factor único de Harman y medidas de Kaiser-Meyer-Olkin (KMO) para evaluar el sesgo de método común y la separabilidad de los factores.
Análisis Cualitativo: Se realizó un análisis temático inductivo sobre 13 comentarios abiertos sustantivos para identificar convergencias y divergencias con los datos cuantitativos.

Resultos Clave

Altos Niveles de Aceptación: Todos los seis constructos demostraron medias significativamente superiores al punto medio neutral ( $p < 0.0001$ ) con tamaños de efecto grandes ( $r$ entre 0.68 y 0.81). El ranking de las medias fue PE (4.28) > OQ (4.16) > EE (4.11) > BI (4.05) > SE (4.04) > HM (4.00).
Colapso Dimensional: Los diagnósticos de dimensionalidad revelaron que los seis constructos teóricamente distintos colapsaron en un único factor de aceptación general. El análisis paralelo de Horn retuvo solo un factor (autovalor 8.77 frente a un benchmark aleatorio de ~1.76), y la prueba de Harman mostró una varianza del primer factor del 73.1%. Esto sugiere que, en un contexto de post-taller de formato corto, los estudiantes no diferencian empíricamente entre los sub-facetas de la aceptación; responden con una actitud de "halo" holística.
Divergencia Cuantitativa-Cualitativa: Aunque las puntuaciones cuantitativas de la Calidad de Salida (OQ) fueron altas, la retroalimentación cualitativa reveló una "minoría escéptica de la fiabilidad". Un pequeño subgrupo de estudiantes expresó preocupaciones sobre la inconsistencia de los prompts y la inexactitud de los resultados, indicando que el respaldo agregado no equivale a una confianza calibrada en la automatización.
Consistencia de las Sesiones: Las pruebas de Kruskal-Wallis confirmaron que no hubo diferencias estadísticamente significativas en los perfiles de aceptación entre las tres sesiones del taller, validando la fidelidad del protocolo.

Contribuciones Clave

Empírica: El estudio proporciona la primera evidencia a nivel de constructo sobre la aceptación de herramientas de automatización con IA entre estudiantes de pregrado de ingeniería en computación en Tailandia, una población subrepresentada en la literatura de TAM/UTAUT.
Metodológica: Ofrece un marco analítico transparente para instrumentos de fuente única, ordinales y de formato corto. Al utilizar correlaciones policóricas, pruebas no paramétricas y diagnósticos de dimensionalidad explícitos, el artículo demuestra cómo analizar rigurosamente datos donde el SEM está subidentificado, evitando supuestos por defecto de separabilidad de factores.
Teórica: El hallazgo de que las sub-facetas canónicas de TAM/UTAUT colapsan en una actitud de aceptación general única en entornos instruccionales de corto plazo desafía la suposición de que estos constructos son empíricamente separables inmediatamente después de una sola exposición. Sugiere que la red nomológica completa de la aceptación puede requerir una exposición longitudinal sostenida para manifestarse.
Pedagógica: La integración de métodos mixtos identifica tres palancas instruccionales fundamentadas en la teoría:
1. Andamiajes de secuenciación de instrucción para abordar la fricción de la Expectativa de Esfuerzo.
2. Apoyos de autoeficacia para cerrar la brecha entre reconocer la utilidad y sentirse capaz.
3. Intervenciones de calibración de la confianza (por ejemplo, oportunidades estructuradas para encontrar y verificar fallos) para abordar la divergencia en las percepciones de la Calidad de Salida.

Significancia y Reivindicaciones
El artículo sostiene que, si bien la aceptación de los estudiantes de pregrado hacia las herramientas de automatización con IA es ampliamente favorable y está anclada en la utilidad instrumental, la actitud inmediata post-taller es un constructo generalizado y no diferenciado, en lugar de un conjunto de factores psicológicos distintos. En consecuencia, los autores argumentan que los instrumentos de aceptación de formato corto deben interpretarse como medidas de una dimensión actitudinal única, suplementadas con sondas cualitativas para detectar preocupaciones específicas como la fiabilidad.

El estudio concluye que la adopción curricular de tales herramientas está respaldada por los datos, pero la pedagogía efectiva debe ir más allá de la simple exposición. Debe abordar activamente el "problema de la dependencia apropiada" mediante el diseño de una instrucción que calibre la confianza del estudiante a través de comportamientos de verificación, en lugar de asumir que el entusiasmo inicial se traduce en una dependencia madura y calibrada de los sistemas automatizados. Los autores señalan explícitamente que sus hallazgos se limitan a una sola institución y a un diseño transversal, lo que impide la inferencia causal, y llaman a realizar estudios longitudinales para rastrear si las actitudes favorables iniciales maduran hacia comportamientos de uso a largo plazo apropiados.