Resumen Técnico: Normas Sociales y Compromiso Estudiantil en el Aprendizaje Apoyado por IA Generativa

Planteamiento del Problema

Si bien la Inteligencia Artificial Generativa (IA Gen) está transformando rápidamente la educación superior a través de herramientas como sistemas de recomendación inteligentes y evaluación automatizada, los mecanismos que vinculan la aceptación de la IA con el compromiso estudiantil real siguen sin comprenderse suficientemente. La investigación existente suele centrarse en las funcionalidades técnicas o en la adopción inicial de la tecnología, descuidando los procesos psicológicos que traducen la aceptación en comportamientos de aprendizaje profundo y sostenido. Además, el papel de las normas sociales —las expectativas percibidas de profesores, compañeros e instituciones— como una condición de contorno en este proceso ha recibido una atención limitada. Existe una brecha en la comprensión de cómo las actitudes individuales, los factores motivacionales (intención) y las creencias de capacidad (autoeficacia) interactúan dentro de un contexto social para impulsar el compromiso en entornos dinámicos de IA Generativa.

Metodología

El estudio empleó un diseño cuantitativo y transversal para probar un modelo teórico integrado que combina la Teoría del Comportamiento Planificado (TPB) y la Teoría Cognitiva Social (SCT).

• Participantes: Los datos fueron recolectados de 2,568 estudiantes (incluyendo de grado y posgrado) en diez universidades de China, representando diversos niveles educativos (universidades y colegios de nivel inferior) y disciplinas (Humanidades, Ciencias, Ingeniería, etc.).
• Instrumento: Un cuestionario estructurado en línea administrado a través de la plataforma Wenjuanxing que incluyó cinco constructos latentes medidos en escalas Likert de cinco puntos:
  1. Actitudes hacia la IA: Evaluaciones cognitivas y afectivas de la IA (6 ítems).
  2. Autoeficacia de la IA: Confianza en el uso efectivo de las herramientas de IA (4 ítems).
  3. Intención de Uso: Voluntad de continuar usando la IA para el aprendizaje (4 ítems).
  4. Compromiso Estudiantil: Compromiso multidimensional (conductual, emocional, cognitivo, agéntico) en contextos de IA Generativa (19 ítems).
  5. Normas Sociales de Apoyo: Percepción de estímulo y apoyo de recursos del entorno social (4 ítems).
• Análisis: Los investigadores utilizaron el Modelado de Ecuaciones Estructurales de Mínimos Cuadrados Parciales (PLS-SEM) a través de SmartPLS 4. El análisis consistió en:
  • Evaluar la confiabilidad y validez del modelo de medición (alfa de Cronbach, confiabilidad compuesta, AVE, HTMT).
  • Probar efectos directos, mediadores y moderadores mediante bootstrapping (5,000 remuestreos).
  • Evaluar tamaños de efecto ($f^2$) y relevancia predictiva ($R^2$, SRMR).

Principales Contribuciones

El estudio realiza tres contribuciones teóricas primarias:

1. Integración Teórica: Extiende la integración de la TPB y la SCT específicamente a los contextos de aprendizaje con IA Generativa, proponiendo una vía secuencial donde las actitudes moldean la autoeficacia, la cual luego influye en la intención, impulsando finalmente el compromiso. Notablemente, posiciona la autoeficacia como temporalmente anterior a la intención en este contexto específico, argumentando que los estudiantes deben percibir su capacidad antes de formar intenciones sostenidas.
2. Expansión del Resultado: Desplaza el enfoque desde la mera adopción tecnológica hacia el compromiso estudiantil como el resultado principal, capturando la profundidad de la interacción requerida en los entornos de IA Generativa.
3. Condiciones de Contorno Contextuales: Conceptualiza las normas sociales de apoyo no solo como predictores directos, sino como moderadores críticos que fortalecen la traducción de actitudes en creencias, intenciones y comportamientos.

Resultados

El modelo estructural demostró un ajuste satisfactorio ($SRMR = 0.033$, $NFI = 0.885$, $R^2 = 0.688$ para el compromiso).

• Efectos Directos: Las actitudes hacia la IA predicen de manera significativa y positiva el compromiso estudiantil ($\beta = 0.330$).
• Efectos de Mediación:
  • La Autoeficacia media parcialmente la relación entre las actitudes y el compromiso ($\beta = 0.129$).
  • La Intención de Uso media parcialmente la relación entre las actitudes y el compromiso ($\beta = 0.151$).
  • Mediación Secuencial: Existe una mediación en cadena significativa: Actitudes hacia la IA $\rightarrow$ Autoeficacia $\rightarrow$ Intención de Uso $\rightarrow$ Compromiso Estudiantil ($\beta = 0.068$).
• Efectos de Moderación: Las Normas Sociales de Apoyo moderan significativamente las relaciones entre las actitudes hacia la IA y:
  • La Autoeficacia ($\beta = 0.081$)
  • La Intención de Uso ($\beta = 0.111$)
  • El Compromiso Estudiantil ($\beta = 0.162$)
  • Interpretación: Los efectos positivos de las actitudes hacia la IA sobre estos resultados son significativamente más fuertes cuando las normas sociales de apoyo son altas en comparación con cuando son bajas.
• Tamaños de Efecto: Las actitudes hacia la IA mostraron un efecto grande sobre la autoeficacia ($f^2 = 0.657$) y efectos medianos sobre la intención y el compromiso. Los efectos de interacción (moderación) fueron pequeños en magnitud pero estadísticamente significativos, indicando que influyen meaningfulmente en la fuerza de las relaciones principales.

Significación y Reivindicaciones

Los autores afirman que este estudio proporciona una explicación exhaustiva de cómo los estudiantes transitan de la percepción a la acción en los entornos de aprendizaje apoyados por IA.

• Clarificación del Mecanismo: Los hallazgos confirman que las actitudes positivas hacia la IA son fundamentales, pero su traducción al compromiso está mediada por la confianza del estudiante (autoeficacia) y la motivación (intención). Crucialmente, el estudio postula que la autoeficacia actúa como un prerrequisito para la intención en este contexto, donde la confianza en la capacidad precede a la formación de intenciones de uso sostenidas.
• Importancia Contextual: El estudio subraya que los factores psicológicos individuales no operan en el vacío. Las normas sociales de apoyo actúan como condiciones de contorno críticas que amplifican el impacto de las actitudes positivas. En contextos colectivistas, la alineación del comportamiento con las expectativas sociales percibidas mejora significativamente la probabilidad de compromiso.
• Implicación Práctica: Los autores sugieren que la integración efectiva de la IA requiere un enfoque coordinado: fomentar actitudes positivas, construir la confianza del estudiante mediante experiencias de andamiaje y cultivar activamente entornos institucionales y de pares que sean de apoyo.

El artículo concluye que, si bien el diseño transversal limita la inferencia causal, el modelo integrado ofrece un marco robusto para comprender la interacción dinámica de los factores cognitivos, motivacionales y contextuales en la era de la IA Generativa.