Gender Differences in AI Literacy Workshop Outcomes and Deepfake Engagement

Resumen Técnico: Diferencias de Género en los Resultados de Talleres de Alfabetización en IA y el Compromiso con los Deepfakes

Planteamiento del Problema
A medida que las iniciativas de alfabetización en Inteligencia Artificial (IA) se expanden dentro de la educación K–12, existe una brecha crítica en la comprensión de cómo el género influye en las percepciones base de los estudiantes, el uso de herramientas y la capacidad de respuesta ante las intervenciones. Si bien las disparidades de género en la educación computacional están bien documentadas, la evidencia empírica sobre las diferencias de género en la alfabetización en IA entre estudiantes de secundaria sigue siendo escasa. Además, el rápido aumento de los medios sintéticos (deepfakes) introduce riesgos de seguridad diferenciados por género, aunque la intersección entre la educación en alfabetización en IA y la conciencia sobre los deepfakes ha recibido una atención empírica limitada. Los marcos existentes suelen abordar qué deben saber los estudiantes, pero no logran analizar quién se beneficia de estas intervenciones o si las estrategias son efectivas en diversos grupos demográficos.

Metodología
Este estudio evaluó el impacto de un taller de un día de alfabetización en IA (parte del programa "Day of AI") en estudiantes de secundaria australianos de dos escuelas gubernamentales coeducativas en Nueva Gales del Sur.

• Participantes: El estudio incluyó estudiantes de los años 7, 8 y 10 ($N_{pre} = 199$, $n_{post} = 136$). Se excluyeron las escuelas de un solo sexo y el año 9 para evitar variables de confusión. Las respuestas de género no binario o no declaradas fueron excluidas debido al tamaño insuficiente de la muestra ($n \le 9$).
• Instrumento: Una encuesta adaptada de trabajos previos midió nueve constructos: conocimiento de la IA, comprensión del entrenamiento y sesgo de la IA, actitudes, confianza, frecuencia de uso de herramientas, aplicación conceptual, motivaciones, experiencia con deepfakes (multiselección) e interés en carreras STEM.
• Análisis: Los análisis estadísticos controlaron el nivel de año y la escuela.
  • Ítems ordinales (escalas Likert): Analizados mediante regresión de Mínimos Cuadrados Ordinarios (OLS) con género codificado como variable dummy (Masculino como referencia). Los tamaños del efecto se calcularon utilizando la $d$ de Cohen.
  • Ítems binarios/multiselección: Analizados mediante regresión logística, reportando la Razón de Momios (OR) para el coeficiente de género.
  • Efectos de la intervención: Las comparaciones pre y post-intervención se realizaron dentro de los grupos de género utilizando un modelo de resultado de $\sim fase + nivel\_de\_año + escuela$.

Hallazgos Clave

1. Diferencias de Género Basales (Pre-Taller)

• Aspiraciones STEM: Los estudiantes varones reportaron un interés significativamente mayor en las carreras STEM en los tres dominios: Ingeniería ($d = -0.81$), Ciencias de la Computación ($d = -0.68$) e IA ($d = -0.58$).
• Comprensión de la IA: Los varones reportaron una comprensión autoevaluada significativamente mayor sobre cómo se entrenan los sistemas de IA ($d = -0.29$).
• Uso de Herramientas: Las estudiantes mujeres fueron significativamente más propensas a usar la IA para tareas escolares (OR = 1.81) y a buscar asesoramiento de herramientas de IA (OR = 2.35). Los varones reportaron un uso más frecuente de Microsoft Copilot.
• Comportamientos con Deepfakes: Los varones fueron significativamente más propensos a haber compartido contenido deepfake (23.2% vs. 10.0%, OR = 0.34). Las mujeres fueron significativamente más propensas a haber reportado contenido deepfake (24.0% vs. 14.1%, OR = 2.14). Las tendencias sugirieron que los varones eran más propensos a crear deepfakes o ser sujetos de ellos, aunque estos no fueron estadísticamente significativos tras controlar las covariables.
• Sin Diferencias Significativas: No se encontraron diferencias basales en el conocimiento general de la IA, la confianza, la conciencia sobre la privacidad o la comprensión del sesgo de la IA.

2. Efectos Diferenciales de la Intervención (Post-Taller)

• Ganancias Generales: Ambos géneros mostraron mejoras estadísticamente significativas en el conocimiento y la confianza en la IA (tamaños de efecto medianos para ambos).
• Ganancias Específicas de las Mujeres: Las estudiantes demostraron un perfil de ganancias más rico, incluyendo mejoras de tamaño medio en la comprensión del entrenamiento de la IA ($d = 0.75$) y el sesgo de la IA ($d = 0.49$). Crucialmente, las mujeres mostraron incrementos significativos en el interés profesional por la IA ($\Delta M = +0.45$, $d = 0.52$) y las Ciencias de la Computación ($\Delta M = +0.44$, $d = 0.47$).
• Resultos Específicos de los Varones: Los estudiantes varones no mostraron cambios significativos en sus aspiraciones profesionales para la IA o las Ciencias de la Computación.
• Reconocimiento de Plataformas: Ambos géneros mejoraron en la identificación del uso de IA en plataformas de entretenimiento (Netflix, Spotify), con las mujeres mostrando también mejoras en la identificación de TikTok.

Contribuciones Clave y Reivindicaciones de Significancia
Los autores afirman proporcionar el primer análisis desglosado por género de un taller de alfabetización en IA con estudiantes de secundaria australianos. La significancia del estudio radica en tres áreas primarias:

1. Reducción de la Brecha de Género en STEM: El taller parece ayudar a reducir la brecha de género en las aspiraciones STEM. Mientras que los varones comenzaron con un mayor interés, su interés se mantuvo estático tras la intervención, mientras que las mujeres mostraron ganancias significativas en el interés profesional por la IA y las Ciencias de la Computación.
2. Resultados Sensibles al Género: La intervención produjo resultados diferenciados por género. Aunque ambos géneros ganaron en conocimiento y confianza, las mujeres lograron ganancias conceptuales más amplias (entrenamiento, sesgo) y cambios en su trayectoria profesional.
3. Implicaciones de Seguridad de los Deepfakes: Los hallazgos resaltan patrones de comportamiento distintos respecto a los medios sintéticos. La mayor tasa de difusión y potencial creación de deepfakes entre los varones sugiere la necesidad de una educación de seguridad dirigida, centrada en la difusión ética de medios sintéticos para los estudiantes varones.

Limitaciones y Recomendaciones
Los autores señalan limitaciones, incluyendo la restricción a dos escuelas regionales (lo que limita la generalización), el diseño de encuesta anónima que impide análisis individuales pareados y el posible sesgo de autoinforme.

Basándose en estos hallazgos, el documento propone tres recomendaciones específicas para el diseño de programas de alfabetización en IA:

1. Aprovechar los talleres específicamente para aumentar el interés profesional de las mujeres en STEM.
2. Incorporar módulos de seguridad de deepfakes específicos para el género, apuntando particularmente a los estudiantes varones.
3. Asegurar que las evaluaciones de los talleres monitoreen explícitamente la equidad del impacto por género.