📄 ciencias sociales

Artificial intelligence literacy and self-efficacy among nursing students: A network analysis of educational stratification

Este estudio utiliza el análisis de redes para revelar que la alfabetización en IA y la autoeficacia entre los estudiantes de enfermería forman una estructura moderadamente interconectada centrada en la "Asistencia", con variaciones significativas en la organización de la red entre los estudiantes de grado asociado y de licenciatura que sugieren la necesidad de estrategias educativas diferenciadas.

Autores originales: Lu Feng, Yujuan Zhao, Jiao Zhai, Xinyue Nie, Qiuyue Huang, Jie Jing

Publicado 2026-09-14

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Lu Feng, Yujuan Zhao, Jiao Zhai, Xinyue Nie, Qiuyue Huang, Jie Jing

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

La inteligencia artificial ya no es solo un concepto de la ciencia ficción; está remodelando silenciosamente la forma en que funciona la atención médica, desde ayudar a los médicos a tomar decisiones hasta gestionar los registros de los pacientes. Para las enfermeras del mañana, comprender estas herramientas se está volviendo tan esencial como saber administrar medicamentos. Pero saber que una herramienta existe es diferente a sentirse capaz de usarla. Aquí es donde entran en juego dos ideas: la alfabetización y la confianza. La alfabetización es la capacidad real de comprender, usar y juzgar la inteligencia artificial. La confianza, o lo que los investigadores llaman autoeficacia, es la creencia interna de que uno puede operar con éxito esa tecnología. Aunque los educadores saben que estas dos cosas están vinculadas, la forma precisa en que se influyen mutuamente dentro de la mente de un estudiante ha sido un tanto misteriosa. ¿El saber cómo usar una herramienta te hace sentir más valiente, o el sentirte valiente te hace querer aprender más? ¿Y cambia esta relación dependiendo de si un estudiante está en un programa de formación más corto y práctico o en un título universitario más largo y teórico?

Un equipo de investigadores de la Universidad de Ciencia y Tecnología Electrónica de China se propuso mapear estas conexiones. Reunieron a 776 estudiantes de enfermería de cinco escuelas diferentes en la provincia de Sichuan y les pidieron que respondieran preguntas detalladas sobre su conocimiento de la inteligencia artificial y su confianza en su uso. En lugar de limitarse a observar los puntajes promedio, los investigadores utilizaron un método llamado análisis de redes. Imagine las diferentes partes del conocimiento y la confianza de un estudiante como distintas habitaciones en una casa. Algunas habitaciones están conectadas por puertas anchas y robustas, mientras que otras tienen pasillos estrechos o carecen de puertas. Los investigadores querían ver cuáles eran las habitaciones principales que sostenían toda la casa, y qué puertas conectaban la parte del "conocimiento" de la casa con la parte de la "confianza". También querían ver si el diseño de esta casa se veía diferente para los estudiantes de programas de grado asociado en comparación con los de programas de licenciatura.

El estudio reveló que la habitación más importante de toda la casa era la etiquetada como "Asistencia". Esto representa la creencia de un estudiante de que la inteligencia artificial es realmente útil y valiosa para sus tareas. Esta creencia única actuó como el núcleo central, conectando casi todo lo demás. Fue el vínculo más fuerte entre conocer la IA y sentirse confiado al usarla. Cuando un estudiante sentía verdaderamente que la IA era un ayudante útil, esto potenciaba todo su sistema de habilidades y confianza. La segunda habitación más importante fue "Uso", que se refiere a la capacidad real de operar estas herramientas. Los investigadores encontraron que cuanto más sentían los estudiantes que la IA era útil, más tendían a usarla, y cuanto más la usaban, más crecía su competencia general. Sin embargo, el estudio también descubrió algunas conexiones negativas sorprendentes. Por ejemplo, los estudiantes que se sentían muy cómodos interactuando con una IA que sonaba o actuaba como un humano eran, en realidad, menos propensos a sentirse seguros en sus habilidades de uso práctico. Del mismo modo, un enfoque sólido en las habilidades técnicas a veces se produjo a expensas de la comprensión de las reglas éticas de la IA, lo que sugiere que los estudiantes que eran muy buenos en la mecánica podrían estar pasando por alto las implicaciones morales.

Los investigadores luego observaron cómo se construía esta "casa" de manera diferente para los estudiantes en distintas etapas de su educación. Aunque el número total de conexiones fue similar para ambos grupos, las habitaciones más importantes cambiaron. Para los estudiantes en programas de grado asociado, que tienden a centrarse más en la práctica manual, las habitaciones más centrales fueron "Evaluación" —la capacidad de juzgar si el resultado de la IA es correcto— y "Comodidad con la IA". Estos estudiantes dependían en gran medida de su capacidad para revisar críticamente el trabajo de la máquina y de su facilidad emocional con el proceso. En contraste, para los estudiantes de programas de licenciatura, que a menudo implican un estudio más teórico, los núcleos centrales fueron "Uso" y "Asistencia". Estos estudiantes estaban más impulsados por la aplicación práctica de las herramientas y su percepción del valor de las mismas. El estudio sugiere que la forma en que los estudiantes organizan sus habilidades y confianza depende de su formación educativa.

Estos hallazgos ofrecen un camino claro para los educadores que desean formar a la próxima generación de enfermeras. Debido a que la creencia en la "Asistencia" es el motor principal, la forma más efectiva de construir confianza es mostrar a los estudiantes exactamente cómo la IA puede ayudarlos de formas reales y tangibles. No basta con enseñar los pasos técnicos; los estudiantes deben ver el valor primero. El estudio también sugiere que la formación debe ser personalizada. Para los estudiantes en programas prácticos más cortos, los educadores deben centrarse en desarrollar las habilidades de pensamiento crítico para que los estudiantes puedan juzgar con confianza los resultados de la IA, además de crear un entorno de bajo estrés para fomentar la comodidad emocional. Para los estudiantes en programas de grados más largos, el enfoque debe ser profundizar sus habilidades operativas y reforzar la idea de que la IA es un socio poderoso en su aprendizaje. Al comprender exactamente cómo encajan estas piezas, las escuelas pueden dejar de adivinar y comenzar a construir programas de formación que realmente preparen a las enfermeras para un futuro donde la inteligencia artificial sea una parte estándar de su trabajo diario.

Resumen Técnico: Alfabetización en Inteligencia Artificial y Autoeficacia en Inteligencia Artificial entre Estudiantes de Enfermería: Un Análisis de Red de Estratificación Educativa

Planteamiento del Problema
Si bien la Inteligencia Artificial (IA) se está integrando rápidamente en la atención médica y la educación en enfermería, las interacciones dimensionales específicas entre la alfabetización en IA y la autoeficacia en IA entre los estudiantes de enfermería siguen sin estar claras. Las investigaciones previas se han basado principalmente en análisis a nivel de constructo (por ejemplo, puntuaciones totales, regresión, modelos de ecuaciones estructurales) para establecer correlaciones positivas entre estos dos conceptos multidimensionales. Sin embargo, dichos métodos no logran revelar las complejas interacciones no lineales entre subdimensiones específicas (por ejemplo, Conciencia, Uso, Evaluación y Ética frente a Asistencia, Interacción Antropomórfica, Comodidad y Habilidades Tecnológicas). Además, se desconoce si la estructura de red que vincula estas competencias varía según los diferentes niveles educativos (título de asociado frente a licenciatura), lo que limita el desarrollo de intervenciones educativas estratificadas y dirigidas.

Metodología
Este estudio transversal empleó un enfoque de análisis de redes para mapear las relaciones estructurales entre la alfabetización en IA y la autoeficacia en IA.

Participantes: Se reclutó una muestra de conveniencia de 776 estudiantes de enfermería de cinco instituciones en Sichuan, China, entre febrero y abril de 2026. La muestra se estratificó en un subgrupo de título de asociado ( $N=344$ ) y un subgrupo de licenciatura o superior ( $N=432$ ).
Mediciones:
- Escala de Alfabetización en IA (AILS): Un instrumento de 12 ítems que mide cuatro dimensiones: Conciencia, Uso, Evaluación y Ética.
- Escala de Autoeficacia en IA (AISES): Un instrumento de 22 ítems que mide cuatro dimensiones: Asistencia, Interacción Antropomórfica, Comodidad con la IA y Habilidades Tecnológicas.
Estimación de la Red: Se estimó una red de correlación parcial regularizada utilizando el método EBICglasso (Criterio de Información Bayesiano Extendido con $\gamma=0.5$ ) a través del paquete qgraph en R. Los nodos representaron las ocho dimensiones de las escalas y las aristas representaron las correlaciones parciales controlando por todos los demás nodos.
Análisis:
- Centralidad: Se calcularon la centralidad de fuerza, intermediación y cercanía para identificar los nodos influyentes.
- Fuerza de Puente (Bridge Strength): Se calculó para identificar los nodos que conectan las comunidades de alfabetización en IA y autoeficacia en IA.
- Predictibilidad: Estimó la proporción de la varianza en cada nodo explicada por sus vecinos ( $R^2$ ).
- Estabilidad: Se evaluó mediante bootstrapping no paramétrico (1,000 iteraciones) para determinar la precisión de las aristas y la estabilidad de la correlación (coeficiente CS) de los índices de centralidad.
- Comparación de Grupos: Se utilizó la Prueba de Comparación de Redes (NCT) para comparar la fuerza global, la estructura de la red y la centralidad de la fuerza del nodo entre los subgrupos de título de asociado y licenciatura.

Resultos Clave

Estructura de la Red: La red general consistió en 8 nodos y 20 aristas no nulas, con una densidad de 0.714. La red estaba moderadamente interconectada.
Nodos Centrales y de Puente:
- 'Asistencia' (Autoeficacia en IA) surgió como el nodo más central (Fuerza = 1.170) y el principal nodo de puente que conecta las dos comunidades. También exhibió la mayor predictibilidad ( $R^2 = 0.654$ ).
- 'Uso' (Alfabetización en IA) fue el segundo nodo más central (Fuerza = 1.037).
- 'Evaluación' (Alfabetización en IA) sirvió como un nodo de puente secundario clave (Fuerza de Puente = 0.561).
Asociaciones Negativas: Se identificaron tres aristas negativas:
- 'Interacción Antropomórfica' se asoció negativamente con 'Uso' ( $r = -0.145$ ).
- 'Habilidades Tecnológicas' se asoció negativamente con 'Ética' ( $r = -0.104$ ).
- 'Interacción Antropomórfica' se asoció negativamente con 'Conciencia' ( $r = -0.090$ ).
Estratificación Educativa:
- Fuerza Global: No se encontró una diferencia significativa en la conectividad general de la red entre los subgrupos ( $P=0.758$ ).
- Estructura de la Red: Se observó una diferencia significativa en la estructura de la red (patrones de peso de las aristas) ( $M=0.287, P=0.018$ ).
- Divergencia de Centralidad:
  - Subgrupo de Título de Asociado: Centrado en 'Evaluación' (Fuerza = 1.158) y 'Comodidad con la IA' (Fuerza = 1.034).
  - Subgrupo de Licenciatura: Centrado en 'Uso' (Fuerza = 1.181) y 'Asistencia' (Fuerza = 1.172).
- Fuerza de Puente: No se encontraron diferencias significativas en la fuerza de puente entre los subgrupos para ninguna dimensión.
Estabilidad: La red demostró una alta estabilidad, con coeficientes CS para la centralidad de fuerza (0.594) y la fuerza de puente (0.75) que superan el umbral recomendado de 0.50.

Significancia y Reivindicaciones
Los autores sostienen que este estudio constituye la primera investigación sistemática de las asociaciones a nivel dimensional entre la alfabetización en IA y la autoeficacia en IA utilizando el análisis de redes. Los hallazgos sugieren que:

'Asistencia' es el Motor Central: La utilidad percibida de la IA es el núcleo central que impulsa tanto la alfabetización como la autoeficacia, actuando como una vía psicológica crítica para la interacción entre ambos constructos.
El Nivel Educativo Modera la Organización: Aunque la interconectividad general de las competencias es similar entre los niveles educativos, la organización estructural específica difiere. Los estudiantes de título de asociado dependen más de la 'Evaluación' y la 'Comodidad', mientras que los estudiantes de licenciatura son impulsados por el 'Uso' y la 'Asistencia'.
Implicaciones para la Intervención: Los resultados respaldan la necesidad de estrategias educativas diferenciadas. Las intervenciones deben priorizar la mejora del valor de asistencia percibido de la IA, adaptando los enfoques según los antecedentes educativos: centrándose en la evaluación crítica y la comodidad emocional para los estudiantes de asociado, y reforzando las habilidades operativas prácticas y la comprensión técnica profunda para los estudiantes de licenciatura.
Hallazgos de Precaución: Las asociaciones negativas identificadas (por ejemplo, entre la interacción antropomórfica y el uso) sugieren que las interfaces de IA excesivamente humanizadas pueden dificultar la adquisición de habilidades operativas en aprendices novatos, y que la formación técnica no debe realizarse a expensas de la educación ética.

El artículo concluye que estos matizados conocimientos de red ofrecen una base teórica para desarrollar intervenciones educativas precisas y estratificadas para mejorar sinérgicamente las competencias centrales de los estudiantes de enfermería en entornos de atención de salud inteligente.

Más como este