📄 social_science

Modeling Artificial Intelligence Tool Adoption in Mathematics Teacher Education: A TAM-Based Structural Equation Modeling

Este estudio utiliza un Modelo de Aceptación de la Tecnología aumentado para analizar las intenciones de adopción de la IA entre 268 futuros docentes de matemáticas en Patna, India, revelando que, si bien la Utilidad Percibida y la Facilidad de Uso impulsan fuertemente las actitudes positivas y las intenciones de comportamiento, factores externos como la Autoeficacia Tecnológica y las Condiciones Facilitadoras tienen un impacto directo relativamente bajo.

Autores originales: Vivek Kumar Rawat, M. T.V. Nagaraju, Kumari Dipti

Publicado 2026-07-14

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Vivek Kumar Rawat, M. T.V. Nagaraju, Kumari Dipti

Artículo original bajo licencia CC BY 4.0 (https://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 estás tratando de convencer a un grupo de futuros profesores de matemáticas para que comiencen a usar un asistente robótico súper inteligente impulsado por IA en sus aulas. Podrías pensar: "¡Si ellos simplemente creen que son buenos con las computadoras, o si la escuela les da un buen Wi-Fi, lo usarán!". Pero un nuevo estudio de la India sugiere que la magia no funciona exactamente así.

Los investigadores, Vivek Kumar Rawat, M. T.V. Nagaraju y Kumari Dipti, decidieron probar esta idea utilizando un "mapa" llamado el Modelo de Aceptación Tecnológica (TAM). Les pidieron a 268 estudiantes de profesorado en Patna, India, que completaran una encuesta sobre sus sentimientos hacia las herramientas de IA. Piensa en esta encuesta como un gigantesco anillo digital de cambios de humor que mide seis cosas diferentes: qué tan útil creen que es la IA, qué tan fácil es de usar, cómo se sienten al respecto, si planean usarla, qué tan seguros se sienten con la tecnología y qué apoyo proporciona la escuela.

La gran sorpresa: no se trata de la confianza o del apoyo (al menos, no directamente)

Aquí está el giro: el estudio encontró que el simple hecho de sentirse seguros de sus habilidades tecnológicas (llamado "Autoeficacia Tecnológica") o tener una escuela que promete ayudar (llamadas "Condiciones Facilitadoras") no hizo que los estudiantes quisieran usar la IA directamente en este contexto específico.

De hecho, los datos mostraron que el vínculo entre "me siento seguro" y "creo que esta herramienta es útil" no fue estadísticamente significativo para este grupo. Los investigadores señalaron que estos factores mostraron "poco efecto directo", lo que indica que la creencia en las propias capacidades y el apoyo proporcionado por el entorno no tienen valor predictivo para la adopción a menos que su valor experiencial se haga explícito. Incluso la idea de que "si planeo usarlo, me resultará fácil" tampoco se sostuvo en sus cifras.

Los verdaderos impulsores: "¿Es útil?" y "¿Es fácil?"

Entonces, ¿qué fue lo que funcionó? El estudio encontró que las dos llaves principales para desbloquear el deseo de los estudiantes de usar la IA fueron la Utilidad Percibida y la Facilidad de Uso Percibida.

Piénsalo de esta manera: Imagina que tienes en tus manos un nuevo y elegante control de videojuegos.

Utilidad Percibida (UP): Esta es la pregunta: "¿Realmente me ayudará este control a vencer al jefe del nivel?". El estudio encontró que si los estudiantes de profesorado creían que la IA realmente haría que sus futuras lecciones de matemáticas fueran mejores, era mucho más probable que les gustara y quisieran usarla. Este fue el factor más fuerte, actuando como un imán pesado que los atraía hacia la tecnología.
Facilidad de Uso Percibida (FUUP): Esta es la pregunta: "¿Va a ser este control una pesadilla de entender?". Si la herramienta se sentía fácil de manejar, eso hacía que los estudiantes se sintieran mejor al usarla.

El estudio mostró que cuando los estudiantes veían la IA como útil, esto hacía que la herramienta se sintiera más fácil de usar, y esa combinación creaba una actitud positiva. Es como descubrir que una nueva aplicación no solo te ahorra tiempo (Útil), sino que también tiene un botón que dice "Hazlo por mí" (Fácil). Ahí es cuando realmente haces clic en "Descargar".

Los números no mienten

Los investigadores no solo adivinaron; pasaron los números a través de un motor estadístico complejo llamado Modelado de Ecuaciones Estructurales. Los resultados fueron increíblemente claros.

El factor de "Utilidad" tuvo un efecto positivo y fuerte en la "Actitud" (una puntuación de 0.532).
El factor de "Facilidad de Uso" también ayudó, aunque un poco menos intensamente (una puntuación de 0.127).
El modelo que construyeron se ajustaba a los datos tan perfectamente que la tasa de error era esencialmente cero (RMSEA = 0.000) y la puntuación de "ajuste" era un perfecto 1.000. Esto significa que su mapa de cómo se conectan estos sentimientos es muy preciso para este grupo de estudiantes.

El misterio de la "Mediación"

Los investigadores también probaron una teoría específica: ¿El "sentirse seguro" (Autoeficacia) hace que pienses que la herramienta es "útil", lo que luego hace que te guste? Revisaron esta ruta cuidadosamente. ¿El resultado? No. La ruta indirecta era demasiado pequeña para contar. En el mundo de estos 268 estudiantes de profesorado, el simple hecho de sentirse seguros no los engañó para que pensaran que la IA era útil. Necesitaban ver el beneficio real primero.

La conclusión

Por lo tanto, si eres un líder escolar o un formador de docentes que quiere introducir la IA en la educación matemática, este estudio sugiere un camino claro. No te limites a comprar las computadoras y decirles a los profesores: "¡Ustedes pueden hacerlo!" o "¡Tenemos un gran apoyo!". Si bien esas cosas son agradables, no son el interruptor mágico por sí solas.

En su lugar, tienes que mostrarles exactamente cómo la IA hará que sus lecciones de matemáticas sean mejores (Utilidad) y demostrar que no será un dolor de cabeza aprender a usarla (Facilidad de Uso). Una vez que vean que la herramienta es un compañero útil y fácil de usar, su actitud cambiará y estarán listos para adoptarla. El estudio confirma que, para estos futuros profesores, el "por qué" y el "cómo" importan mucho más que el "yo puedo" o el "tenemos", a menos que esos factores estén ligados a experiencias claras y explícitas del valor de la tecnología.

Resumen Técnico: Modelado de la Adopción de Herramientas de Inteligencia Artificial en la Formación de Profesores de Matemáticas

Planteamiento del Problema
Si bien las herramientas de Inteligencia Artificial (IA) —como los sistemas de tutoría inteligente y las plataformas de aprendizaje adaptativo— ofrecen un potencial significativo para redefinir la instrucción matemática mediante el apoyo personalizado y la visualización conceptual, su adopción entre los futuros profesores de matemáticas sigue siendo inconsistente. Esta inconsistencia se atribuye a las variaciones en las percepciones, la preparación digital y los niveles de apoyo institucional. La literatura existente ha aplicado extensamente el Modelo de Aceptación de la Tecnología (TAM) a tecnologías educativas generales (p. ej., e-learning, aplicaciones móviles), pero existe una escasez de investigación empírica que examine específicamente la adopción de la IA dentro de la formación de profesores de matemáticas. Además, la interacción específica entre los constructos centrales del TAM y variables externas como la Autoeficacia Tecnológica (TSE) y las Condiciones Facilitadoras (FC) en este contexto específico requiere validación empírica para asegurar la integridad contextual.

Metodología
El estudio empleó un diseño de investigación cuantitativo y transversal basado en el Modelado de Ecuaciones Estructurales (SEM) para probar un Modelo de Aceptación de la Tecnología aumentado.

Muestra: El estudio encuestó a 268 formadores de futuros profesores de matemáticas matriculados en instituciones de todo el distrito de Patna en Bihar, India, utilizando un muestreo por conveniencia.
Instrumento: Los datos se recolectaron mediante un cuestionario psicométricamente validado compuesto por 36 ítems en una escala de Likert de cinco puntos, que mide seis constructos latentes: Autoeficacia Tecnológica (TSE), Condiciones Facilitadoras (FC), Utilidad Percibida (PU), Facilidad de Uso Percibida (PEOU), Actitud hacia el Uso (ATU) e Intención de Comportamiento (BI). La escala demostró una alta confiabilidad (Alfa de Cronbach = 0.869).
Análisis: La investigación utilizó el Análisis Factorial Confirmatorio (CFA) para validar el modelo de medición, seguido de la Estimación de Máxima Verosimilitud para probar las hipótesis estructurales. El ajuste del modelo se evaluó mediante índices que incluyen CFI, RMSEA, TLI y GFI.

Resultos Clave
El modelado de ecuaciones estructurales produjo un modelo con una excepcional bondad de ajuste (CFI = 1.000, RMSEA = 0.000, TLI = 1.028), validando la robustez del marco propuesto.

Hipótesis Soportadas:
- La Utilidad Percibida (PU) resultó ser un fuerte predictor tanto de la Facilidad de Uso Percibida (PEOU) ( $\beta$ = 0.485, $p < .001$ ) como de la Actitud hacia el Uso (ATU) ( $\beta$ = 0.532, $p < .001$ ).
- La Facilidad de Uso Percibida (PEOU) influyó significativamente en la Actitud hacia el Uso (ATU) ( $\beta$ = 0.127, $p < .001$ ).
- Estos hallazgos confirman las relaciones tradicionales del TAM donde la utilidad y la facilidad de uso impulsan actitudes positivas.
Hipótesis No Soportadas:
- La Autoeficacia Tecnológica (TSE) no influyó significativamente en la Utilidad Percibida (PU) ( $\beta$ = 0.056, $p > .05$ ), contradiciendo estudios previos que sugieren que la autoeficacia es un motor primario de la percepción de utilidad.
- Las Condiciones Facilitadoras (FC) no mostraron una influencia directa significativa en la Intención de Comportamiento (BI) en la ruta probada.
- Análisis de Mediación: El estudio probó si la PU mediaba la relación entre la TSE y la ATU. El efecto indirecto no fue estadísticamente significativo, lo que indica que, en este contexto específico, la autoeficacia no se traduce en cambios de actitud a través de la utilidad percibida por sí sola.

Contribuciones Clave
El estudio contribuye a la literatura al:

Contextualizar el TAM para la IA en la Educación Matemática: Proporciona una base empírica para comprender la adopción de la IA específicamente entre los futuros profesores de matemáticas, un vacío identificado en revisiones previas.
Refinar las Variables Externas: Desafía la aplicabilidad universal de la TSE y las FC como predictores directos en este dominio específico, sugiriendo que su impacto puede ser más complejo o indirecto de lo teorizado previamente en la literatura general de adopción tecnológica.
Validación del Modelo: Establece un modelo estructuralmente sólido con índices de ajuste excelentes, ofreciendo un marco confiable para futuras investigaciones en la formación docente potenciada por IA.

Significancia y Reivindicaciones
Los autores afirman que los hallazgos proporcionan una base empírica para los responsables de políticas y educadores que buscan integrar la preparación para la IA en los programas de formación docente. El estudio sugiere que para fomentar la adopción de la IA, los programas de formación docente deben priorizar la demostración de las ventajas instruccionales prácticas (Utilidad Percibida) y asegurar la usabilidad (Facilidad de Uso Percibida) de las herramientas de IA, ya que estos son los principales impulsores de una actitud positiva y la intención de comportamiento.

Si bien el estudio señala que el apoyo institucional (Condiciones Facilitadoras) y la autoeficacia son necesarios, los resultados indican que son insuficientes por sí solos para impulsar la adopción sin un valor experiencial explícito. En consecuencia, los autores proponen una "estrategia de dos vertientes" para la intervención institucional: reforzar los sistemas de creencias internos mediante iniciativas de desarrollo de competencias y, simultáneamente, optimizar las estructuras de apoyo externas. El artículo concluye que esta conceptualización, teóricamente fundamentada y empíricamente aprobada, puede guiar el despliegue estratégico de las tecnologías de IA para empoderar a los futuros profesores de matemáticas.

Más como este