Teachers' Artificial Intelligence Anxiety and Psychological Well-Being: The Sequential Mediating Roles of AI Self-Efficacy and Attitudes Toward AI

Resumen Técnico: Ansiedad de los Docentes ante la Inteligencia Artificial y Bienestar Psicológico

Planteamiento del Problema y Marco Teórico
La rápida integración de la Inteligencia Artificial (IA) en los entornos educativos está redefiniendo los roles profesionales de los docentes, introduciendo nuevas demandas psicológicas que amenazan su bienestar. Mientras que la literatura existente aborda la aceptación de la IA y los resultados pedagógicos, los mecanismos que vinculan la ansiedad ante la IA con el bienestar psicológico de los docentes aún no se comprenden suficientemente. Este estudio aborda esta brecha conceptualizando la ansiedad ante la IA no meramente como un estresor técnico, sino como una "demanda laboral psicológica basada en la tecnología".

La investigación se fundamenta en el modelo de Demandas-Recursos Laborales (JD-R, por sus siglas en inglés). Los autores proponen que los modelos JD-R tradicionales, que a menudo se centran en estresores organizacionales como la carga de trabajo o la ambigüedad de rol, requieren una reinterpretación para las transformaciones impulsadas por la IA. En este contexto, se postula que la ansiedad ante la IA es una demanda que genera incertidumbre respecto a la autonomía profesional y la toma de decisiones, lo que potencialmente agota los recursos psicológicos individuales. El estudio investiga si esta ansiedad deteriora directamente el bienestar o si opera a través de una erosión secuencial de recursos: específicamente, al socavar la autoeficacia ante la IA (un recurso personal) y, posteriormente, fomentar actitudes negativas hacia la IA (un proceso de evaluación cognitiva).

Metodología

• Participantes: El estudio utilizó un método de muestreo por conveniencia que involucró a 432 docentes activos de diversas instituciones educativas en Turquía (preescolares, primaria, secundaria, bachillerato y centros de educación especial). La muestra consistió en 240 mujeres y 192 hombres, con una edad media de 40.59 años (DE = 8.22) y una experiencia profesional media de 16.22 años.
• Instrumentos: Los datos se recolectaron mediante encuestas en línea (Google Forms) utilizando cuatro escalas validadas:
  1. Escala de Ansiedad ante la IA (AIA): Una escala de 16 ítems que mide reacciones emocionales y cognitivas negativas ante la IA (Alfa de Cronbach = .80).
  2. Escala de Autoeficacia ante la IA: Una versión corta de 5 ítems que mide la competencia percibida en el uso de tecnologías de IA (Alfa de Cronbach = .80).
  3. Escala de Actitud hacia la Inteligencia Artificial (AIAS-4): Una escala de 4 ítems que evalúa valoraciones positivas o negativas de la IA (Alfa de Cronbach = .91).
  4. Escala de Bienestar Psicológico: Una escala de 8 ítems basada en Diener et al. (2009) que mide la autoaceptación, el propósito y la competencia (Alfa de Cronbach = .80).
• Procedimiento y Análisis: La recolección de datos ocurrió entre diciembre de 2025 y febrero de 2026. Tras filtrar los valores atípicos y asegurar la normalidad, los datos fueron analizados mediante SPSS 27 y AMOS 24. El estudio empleó un análisis de mediación serial utilizando el Modelo 6 del macro PROCESS con 5,000 muestras de bootstrapping para probar las rutas indirectas. La varianza del método común se evaluó mediante la prueba de factor único de Harman y se consideró no problemática.

Resultados Clave
El análisis arrojó los siguientes hallazgos:

1. Correlaciones: La ansiedad ante la IA mostró una correlación negativa significativa con el bienestar psicológico ($r = -.18$), la autoeficacia ante la IA ($r = -.36$) y las actitudes hacia la IA ($r = -.54$). Por el contrario, la autoeficacia ante la IA y las actitudes positivas hacia la IA se correlacionaron positivamente con el bienestar psicológico.
2. Efectos Directos vs. Indirectos: Cuando se introdujeron las variables mediadoras en el modelo, el efecto directo de la ansiedad ante la IA sobre el bienestar psicológico dejó de ser significativo ($\beta = -.02, p = .692$). Sin embargo, el efecto total se mantuvo significativo y negativo ($\beta = -.18, p < .001$).
3. Mediación Secuencial: La relación fue mediada totalmente por una cadena secuencial:
   • Ruta 1: La ansiedad ante la IA predijo de forma significativa y negativa la autoeficacia ante la IA ($\beta = -.36$).
   • Ruta 2: La reducción de la autoeficacia ante la IA predijo de forma significativa y negativa las actitudes hacia la IA ($\beta = .20$).
   • Ruta 3: Tanto la autoeficacia ante la IA ($\beta = .21$) como las actitudes hacia la IA ($\beta = .15$) predijeron significativamente el bienestar psicológico.
   • Efectos Indirectos: El efecto indirecto total fue significativo ($\beta = -.154$). Las rutas indirectas específicas incluyeron: ansiedad ante la IA $\rightarrow$ autoeficacia ante la IA $\rightarrow$ bienestar ($\beta = -.076$); ansiedad ante la IA $\rightarrow$ actitudes $\rightarrow$ bienestar ($\beta = -.068$); y la ruta secuencial completa: ansiedad ante la IA $\rightarrow$ autoeficacia ante la IA $\rightarrow$ actitudes $\rightarrow$ bienestar ($\beta = -.010$).

Contribuciones y Afirmaciones Clave
El artículo afirma realizar contribuciones tanto teóricas como empíricas al modelo JD-R y a la literatura sobre tecnología educativa:

1. Reconceptualización de las Demandas Laborales: El estudio sostiene que la ansiedad ante la IA representa una demanda laboral cualitativamente distinta. A diferencia del tecnostrés tradicional o la ambigüedad de rol, la ansiedad ante la IA surge de una incertidumbre "ontológica" respecto a la identidad profesional y la pérdida del control pedagógico, desafiando la autoridad del docente de una manera que las tecnologías previas no hicieron.
2. Mecanismo de Impacto: El estudio demuestra que la ansiedad ante la IA no degrada directamente el bienestar psicológico. En su lugar, opera a través de una espiral secuencial de agotamiento de recursos. La ansiedad primero erosiona el recurso personal de la autoeficacia; esta disminución de la autoeficacia conduce entonces a evaluaciones cognitivas negativas (actitudes) de la tecnología; finalmente, estas actitudes negativas resultan en una reducción del bienestar.
3. Extensión del Modelo JD-R: Al integrar la ansiedad ante la IA como una demanda psicológica específica, el estudio extiende el modelo JD-R para explicar cómo las transformaciones impulsadas por la tecnología agotan los recursos individuales y alteran las evaluaciones cognitivas antes de impactar el bienestar.
4. Implicaciones Prácticas: Los autores afirman que las intervenciones no deben centrarse únicamente en eliminar la ansiedad. En cambio, los hallazgos sugieren que mejorar la autoeficacia ante la IA y fomentar actitudes positivas son puntos de apalancamiento críticos. Fortalecer estos recursos puede mitigar el impacto negativo de la ansiedad, incluso si la ansiedad misma persiste.

Limitaciones y Direcciones Futuras
Los autores reconocen modestamente varias limitaciones:

• Diseño Transversal: El estudio no puede establecer causalidad; se requiere investigación longitudinal para validar el mecanismo secuencial.
• Sesgo de Autoinforme: La dependencia de datos autoinformados introduce el riesgo de sesgo de deseabilidad social, aunque la varianza del método común fue controlada estadísticamente.
• Muestreo: El uso de muestreo por conveniencia limita la generalización de los hallazgos a otras regiones o contextos educativos.
• Granularidad: La ansiedad ante la IA fue tratada como un constructo general. Investigaciones futuras deberían examinar subdimensiones específicas (por ejemplo, seguridad laboral frente a competencia técnica) y comparar los hallazgos en diferentes contextos culturales.

En conclusión, el artículo postula que las consecuencias psicológicas de la integración de la IA en la educación son complejas y están mediadas por los recursos individuales y las evaluaciones cognitivas, instando a un cambio en las estrategias de apoyo: de la reducción de la ansiedad hacia la construcción de recursos y el reencuadre de actitudes.