A Multidimensional Analysis of User Experience and AI Personalization in Indonesian University Websites

Resumen Técnico: Un Análisis Multidimensional de la Experiencia del Usuario y la Personalización por IA en los Sitios Web de Universidades Indonesias

Planteamiento del Problema
La rápida transformación digital de la educación superior, acelerada por la pandemia de COVID-19, ha establecido a los sitios web universitarios como interfaces críticas para la participación estudiantil, la imagen institucional y el reclutamiento internacional. Sin embargo, la literatura existente sobre la evaluación de sitios web universitarios permanece fragmentada, centrándose a menudo de forma estrecha en la usabilidad técnica o la satisfacción general, mientras descuida la integración de la estrategia de contenido, la percepción internacional y las funciones emergentes de personalización mediante Inteligencia Artificial (IA). Esta brecha es particularmente aguda en el contexto indonesio, donde las instituciones de educación a distancia enfrentan desafíos sistémicos relacionados con la infraestructura digital, el aseguramiento de la calidad y la necesidad de optimizar la comunicación basada en la web tanto para audiencias nacionales como internacionales bajo la filosofía "Merdeka Belajar". Existe una falta de marcos multidimensionales con base empírica que evalúen cómo estos distintos dominios interactúan para dar forma a la experiencia del usuario (UX) en plataformas educativas habilitadas por IA.

Metodología
Este estudio empleó un diseño convergente de métodos mixtos transversales para evaluar las percepciones de los usuarios en cuatro instituciones de educación superior de Indonesia: Universitas Terbuka, Universitas Negeri Surabaya (UNESA), Universitas Pradita e Indonesia Cyber Education Institute (ICEI).

• Participantes: La muestra final consistió en 75 encuestados, que comprenden ciudadanos indonesios (n=44, 58.7%) y usuarios internacionales (n=31, 41.3%) de ocho países (Filipinas, Japón, Myanmar, Sri Lanka, Pakistán, México, Timor-Leste y Turquía).
• Instrumento: Los datos se recolectaron a través de un cuestionario en línea estructurado alojado en Google Forms, con 62 ítems de calificación organizados en cinco constructos y cuatro preguntas cualitativas abiertas. Los ítems de calificación utilizaron una escala diferencial semántica bipolar de siete puntos (1 = atributos negativos a 7 = atributos positivos).
• Constructos: La evaluación cubrió cuatro dominios primarios: Estrategia de Contenido, Usabilidad, Percepción Internacional y Personalización por IA, junto con una métrica de Satisfacción General.
• Análisis: El análisis cuantitativo involucró estadísticas descriptivas, alfa de Cronbach para la consistencia interna, correlación de Pearson, pruebas t de muestras independientes, ANOVA de un factor y regresión lineal múltiple utilizando librerías de Python (scipy, statsmodels, pandas). Los datos cualitativos se sometieron a un análisis temático para identificar áreas de mejora prioritarias.

Resultados Clave
El estudio arrojó una alta confiabilidad de consistencia interna en todos los constructos (alfa de Cronbach entre 0.929 y 0.982).

• Estadísticas Descriptivas: Los cuatro dominios de evaluación recibieron puntuaciones de satisfacción de moderadas a altas (medias > 5.0 en una escala de 7 puntos). La Personalización por IA alcanzó la media de dominio más alta (M=5.26), seguida de cerca por la Estrategia de Contenido (M=5.20) y la Percepción Internacional (M=5.20), con la Usabilidad ligeramente inferior (M=5.13).
• Análisis de Regresión: Un modelo de regresión múltiple reveló que los cuatro dominios explican colectivamente el 87.6% de la varianza en la Satisfacción General (R² = 0.876).
  • La Personalización por IA surgió como el predictor único más fuerte (β = 0.512, p < .001).
  • La Usabilidad fue el segundo predictor significativo (β = 0.189, p = .007).
  • La Estrategia de Contenido y la Percepción Internacional no alcanzaron significancia estadística como predictores únicos al controlar los otros dominios, aunque permanecieron altamente correlacionadas con la satisfacción.
• Hallazgos Subdimensionales: Dentro de la Estrategia de Contenido, "Alojamiento y costos de vida" recibió la calificación más baja (M=4.36), lo que indica una brecha de información crítica para los estudiantes internacionales.
• Análisis Comparativos: No se encontraron diferencias estadísticamente significativas entre los encuestados nacionales e internacionales en ningún dominio, lo que sugiere percepciones culturalmente consistentes. Sin embargo, se observó una diferencia de género significativa en la percepción de la Personalización por IA, donde las mujeres calificaron este aspecto más alto que los hombres. Universitas Terbuka logró las puntuaciones de satisfacción general más altas (M=6.07) en comparación con las otras instituciones.
• Perspectivas Cualitativas: El análisis temático destacó que los usuarios valoran la facilidad de uso y la presentación clara de la información. Las solicitudes clave de mejora incluyeron un mejor rendimiento del servidor (24.2% de los comentarios de mejora), mejor navegación, funcionalidad de búsqueda mejorada y funciones de personalización más robustas (por ejemplo, chatbots, recomendaciones adaptativas). Los usuarios internacionales solicitaron específicamente accesibilidad multilingüe y traducción profesional por encima de las herramientas automatizadas.

Contribuciones Clave

1. Marco Multidimensional: El estudio introduce un marco de evaluación integral que evalúa simultáneamente la estrategia de contenido, la usabilidad, la percepción internacional y la personalización por IA, yendo más allá de las métricas de usabilidad tradicionales y aisladas.
2. Validez Predictiva de la IA: La investigación proporciona evidencia empírica de que la personalización por IA es el motor dominante de la satisfacción del usuario en el contexto de los sitios web universitarios de Indonesia, superando a los factores tradicionales de contenido y usabilidad en poder predictivo.
3. Consistencia Transcultural: Los hallazgos desafían las suposiciones de variaciones culturales significativas en las preferencias de los sitios web, demostrando que las plataformas bien diseñadas pueden lograr experiencias de usuario comparables a través de diversos entornos nacionales.
4. Especificidad Contextual: El estudio aborda un vacío en la literatura sobre la educación a distancia en Indonesia, ofreciendo datos específicos sobre el desempeño de instituciones tanto públicas como privadas en un contexto de infraestructura digital en desarrollo.

Significancia y Reivindicaciones
El artículo sostiene que sus hallazgos representan un cambio de paradigma en cómo deben diseñarse y evaluarse los entornos educativos digitales. Al identificar la personalización por IA como el predictor más fuerte de la satisfacción, el estudio sugiere que el Modelo de Aceptación de la Tecnología (TAM) puede requerir una actualización para incorporar explícitamente la personalización por IA como un constructo de predictor distinto y de alto impacto.

Prácticamente, los resultados ofrecen orientación accionable para los administradores institucionales y desarrolladores web. Los autores argumentan que las instituciones deben priorizar las inversiones en el desarrollo de chatbots, sistemas de recomendación de contenido personalizado y funcionalidad de búsqueda adaptativa para mejorar el compromiso del usuario. Además, el estudio destaca la necesidad urgente de abordar brechas de contenido específicas, como la información sobre alojamiento y costos de vida, así como las limitaciones de infraestructura como el rendimiento del servidor, para apoyar el reclutamiento y la retención de estudiantes internacionales. La investigación concluye que la atención sistemática a la calidad del sitio web, particularmente la integración de una personalización por IA efectiva y confiable, es un imperativo estratégico para las instituciones que buscan mejorar su alcance internacional y ofrecer experiencias de aprendizaje digital equitativas.