A cognitive–motivational perspective on AI-assisted pre-clerkship preparation: a theory- informed cross-sectional study

Resumen Técnico: Una Perspectiva Cognitivo-Motivacional sobre la Preparación Preclínica Asistida por IA

Planteamiento del Problema
La educación médica enfrenta una brecha de transición crítica entre la adquisición de conocimientos teóricos y la práctica clínica experiencial, particularmente en especialidades como la obstetricia y ginecología. Los estudiantes encuentran frecuentemente barreras estructurales durante las rotaciones clínicas, incluyendo el acceso restringido a pacientes debido a preocupaciones de privacidad, oportunidades limitadas de examen práctico y variabilidad en la exposición a casos clínicos. Estos factores suelen derivar en una preparación inadecuada y en una "brecha de andamiaje cognitivo preclínico", donde los alumnos carecen de mecanismos estructurados para organizar y activar el conocimiento antes de participar en contextos clínicos auténticos. Si bien la Inteligencia Artificial (IA), particularmente los Modelos de Lenguaje Extensos (LLM), ofrece un potencial para el aprendizaje interactivo y adaptativo, su papel en la fase preparatoria específica que precede a la exposición clínica permanece suboptimizado y es insuficientemente comprendido en cuanto a los mecanismos de aprendizaje subyacentes y la aceptación del estudiante.

Metodología
El estudio empleó un diseño transversal informado por la teoría para examinar la aceptación de los estudiantes de medicina hacia un modelo de preparación preclínica asistido por IA.

• Participantes: Se encuestó a 176 estudiantes de pregrado de medicina de la Universidad de la Ciudad de Hangzhou (China) entre febrero y abril de 2026, previo a su rotación de obstetricia y ginecología. La tasa de respuesta efectiva fue del 91.7% (176 respuestas válidas de 192 recolectadas).
• Instrumento: Se desarrolló un cuestionario de 32 ítems basado en el Modelo de Aceptación de la Tecnología (TAM) y la literatura sobre educación médica. Evaluó características demográficas, alfabetización digital, expectativas de la rotación clínica, utilidad percibida (5 ítems), intención de comportamiento (disposición a participar) y preferencias de implementación.
• Marco Teórico: El estudio se guio por el TAM, postulando que la utilidad percibida es el determinante primario de la intención de comportamiento. La utilidad percibida se operacionalizó como una puntuación compuesta (media de 5 ítems), y la intención de comportamiento se midió mediante un único ítem que evaluaba la disposición para participar activamente.
• Análisis: El análisis estadístico incluyó estadísticas descriptivas, análisis de correlación de Pearson/Spearman y regresión lineal múltiple utilizando SPSS versión 26.0. Las variables significativas en el análisis univariado ($P < 0.10$) se introdujeron en un modelo multivariable para identificar predictores independientes.

Resultados Clave

• Niveles de Aceptación: Los estudiantes demostraron una aceptación de moderada a alta de la preparación asistida por IA, con una puntuación media de disposición de $3.73 \pm 0.70$. Aproximadamente el 63.0% expresó la intención de participar en tales actividades.
• Predictores de Compromiso: En los análisis univariados, la utilidad percibida, el rendimiento académico y la alfabetación digital mostraron asociaciones con la intención de comportamiento. Sin embargo, en el análisis de regresión multivariable, la utilidad percibida emergió como el único predictor independiente significativo ($\beta = 0.866, P < 0.001$).
• Varianza Explicada: El modelo explicó el 71.8% de la varianza en la intención de comportamiento ($R^2\ Ajustado = 0.718$).
• Factores No Significativos: Tras el ajuste, variables como la autopercepción del rendimiento académico, las calificaciones de cursos teóricos, la confianza en la alfabetización digital, la familiaridad con bases de datos médicas y la intención de carrera no estuvieron asociadas de forma independiente con la intención de comportamiento. Esto sugiere que su influencia puede estar mediada por la utilidad percibida.
• Preferencias de Implementación: Los estudiantes prefirieron formatos concisos y estructurados. Las preferencias clave incluyeron:
  • Temporalidad: 2 a 3 días antes de la rotación clínica (34.1%).
  • Contenido: Se priorizaron los objetivos de aprendizaje explícitos (50%) y las listas de enfermedades con preguntas guía (35.3%) sobre los casos de pacientes virtuales.
  • Formato: Resúmenes escritos (33.6%) y mapas conceptuales (25.8%).
  • Duración: Una fuerte preferencia por la eficiencia, con un 69.9% que favorece tareas completadas en menos de 30 minutos.

Significancia y Reivindicaciones
El artículo sostiene que apoya un Modelo de Aceptación de la Tecnología simplificado donde la utilidad percibida es el motor principal del compromiso del estudiante con la preparación preclínica asistida por IA, superando las diferencias individuales en alfabetización digital o rendimiento académico previo.

Los autores argumentan que estos hallazgos desafían la suposición de que la competencia técnica es la barrera principal para la adopción de la IA en la educación médica. En su lugar, proponen un mecanismo de adopción impulsado por el valor: los estudiantes se involucran con las herramientas de IA cuando perciben una relevancia clara para su aprendizaje y desempeño clínico. El estudio sugiere que la preparación asistida por IA puede abordar la brecha de andamiaje cognitivo preclínico al proporcionar experiencias de aprendizaje estructuradas y cognitivamente de apoyo que ayuden a los estudiantes a organizar el conocimiento y reducir la carga cognitiva antes de ingresar a la clínica.

Los autores concluyen que la implementación educativa debe priorizar el valor de aprendizaje significativo y la relevancia clínica por encima de la complejidad tecnológica. Postulan que la IA debe conceptualizarse no como un reemplazo de la enseñanza clínica, sino como un andamiaje preparatorio que mejora el compromiso conductual, contribuyendo así potencialmente a mejorar la preparación clínica.

Limitaciones
Los autores reconocen varias limitaciones: el diseño de una sola institución limita la generalización; el uso de medidas de autoinforme introduce un posible sesgo de respuesta; la intención de comportamiento se midió mediante un solo ítem; y el estudio evaluó el compromiso anticipado en lugar del uso real o los resultados de aprendizaje posteriores. Se recomienda que investigaciones futuras empleen diseños longitudinales y experimentales para evaluar el impacto en el desempeño clínico real.