📄 medicine

Measuring AI Readiness in Health Professions Education: Development and Validation of the AI Competence and Preparedness Evaluation Resource (AICPER)

Este estudio presenta el desarrollo y la rigurosa validación psicométrica del AICPER, un instrumento multidimensional diseñado para evaluar las percepciones de los profesionales en formación de las ciencias de la salud sobre la IA a través de los dominios funcional, ético y educativo, demostrando una sólida fiabilidad y validez estructural en programas de enfermería, farmacia y salud pública.

Autores originales: Divya Kewalramani, Oluwaseun J. Adeyemi, Stuti Shah, Justin L. Benton, Dylan R. Nieman, Advaith Bongu, Nell Maloney Patel, Archana Pradhan, Laura Sclafani, Joseph A. Barone, Christine Repsha, Steven G

Publicado 2026-07-14

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Divya Kewalramani, Oluwaseun J. Adeyemi, Stuti Shah, Justin L. Benton, Dylan R. Nieman, Advaith Bongu, Nell Maloney Patel, Archana Pradhan, Laura Sclafani, Joseph A. Barone, Christine Repsha, Steven Glogocheski, Angela R. Starkweather, Laura E. Liang, Claire Brown, Perry N. Halkitis, Amy P. Murtha, Mayur Narayan

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 enseñar a toda una escuela de futuros médicos, enfermeros y expertos en salud pública a usar un nuevo asistente robótico súper inteligente. Antes de que puedas construir el manual de entrenamiento perfecto, necesitas saber exactamente qué piensan los estudiantes sobre el robot. ¿Les encanta? ¿Tienen miedo de que cometa errores? ¿Piensan que es hacer trampa si lo usan para la tarea?

Durante mucho tiempo, las herramientas utilizadas para hacer estas preguntas fueron un poco como usar una regla para medir la temperatura: simplemente no se ajustaban al trabajo. A menudo eran demasiado simples, se centraban solo en un tipo de estudiante o fueron escritas antes de la explosión de la "IA generativa" (el tipo de IA que escribe ensayos y crea imágenes).

Entra el AICPER. Piensa en esto como un nuevo y tecnológico "Termómetro de Actitud hacia la IA" diseñado específicamente para estudiantes de salud en los Estados Unidos. Un equipo de investigadores de la Universidad de Rutgers construyó esta herramienta para ver exactamente cómo se sienten los estudiantes de enfermería, farmacia y salud pública con respecto a la inteligencia artificial.

El Gran Descubrimiento: No se Trata de Dónde, sino de Cómo

Cuando los investigadores construyeron inicialmente el AICPER, pensaron que estaban midiendo tres lugares específicos donde se utiliza la IA: Práctica Clínica (en el hospital), Investigación (en el laboratorio) y Educación (en el aula). Esperaban que las respuestas se clasificaran en estos tres montones ordenados.

Pero aquí está el giro: los cerebros de los estudiantes no clasificaron las respuestas de esa manera. Cuando los investigadores analizaron los números, los "montones" se reorganizaron en tres categorías completamente diferentes basadas en sentimientos en lugar de ubicaciones.

Beneficios Funcionales (El factor "Herramienta Genial"): Este grupo mide cuánto creen los estudiantes que la IA hará sus trabajos más fáciles, rápidos e inteligentes. Es como preguntar: "¿Este robot me ayudará a cargar cajas pesadas?"
Ética y Confianza (El factor "Preocupación"): Este grupo captura los miedos. ¿Cometerá el robot errores? ¿Es sesgado? ¿Podemos confiarle los secretos de los pacientes? Es el montón de "¿Este robot me va a robar el trabajo o me va a mentir?".
Compromiso Educativo (El factor "Vamos a Aprender"): Esto mide el nivel de compromiso de los estudiantes con el aprendizaje relacionado con la IA. Es el montón de "Quiero tomar una clase sobre esto".

El artículo encontró que esta nueva estructura de tres partes es una forma mucho mejor de entender a los estudiantes que simplemente preguntar "¿Te gusta la IA en el hospital?". Un estudiante puede pensar que la IA es una herramienta fantástica para ahorrar tiempo (Altos Beneficios Funcionales) pero seguir teniendo terror de sus riesgos éticos (Baja Ética y Confianza). Las herramientas antiguas habrían perdido ese matiz, pero el AICPER lo captura.

Cómo lo Probaron (La "Prueba de Estrés")

Para asegurarse de que este nuevo termómetro realmente funcionaba, los investigadores no solo adivinaron. Lo sometieron a una rigurosa prueba de estrés que involucró a 193 estudiantes y 7 jueces expertos.

Los Expertos: Siete personas inteligentes con grados avanzados revisaron cada pregunta para asegurarse de que tuviera sentido. Coincidieron en que las preguntas eran relevantes, otorgando a la herramienta una puntuación de "validez de contenido" de 0.86 (que es una puntuación muy buena).
Los Estudiantes: 193 estudiantes de programas de enfermería, farmacia y salud pública realizaron la encuesta.
Las Matemáticas: Los investigadores utilizaron estadísticas de gran potencia (como el "Análisis Factorial Exploratorio" y el "Análisis Factorial Confirmatorio") para ver si las preguntas se mantenían unidas adecuadamente. ¿El resultado? La herramienta resistió maravillosamente. La puntuación de consistencia interna fue de 0.86, lo que significa que las preguntas medían de manera confiable los mismos sentimientos subyacentes.

Lo que Dicen los Números

El estudio no solo dijo "funciona". Proporcionó números específicos para respaldarlo:

La herramienta final tiene 18 preguntas (eliminaron dos porque no encajaban bien).
Los tres factores (Beneficios Funcionales, Ética y Compromiso) son distintos pero están relacionados, con correlaciones entre 0.42 y 0.61.
La herramienta funciona de la misma manera para los estudiantes de enfermería, farmacia y salud pública. Los investigadores comprobaron esto comparando los grupos y encontraron que la diferencia en cómo la herramienta los medía era minúscula (-0.001), lo que significa que un enfermero y un farmacéutico están respondiendo las preguntas en el mismo "lenguaje".

Lo que NO Es (La Lista de los "No")

Es importante saber lo que este artículo no afirma.

No es una varita mágica: El artículo establece explícitamente que esto es un paso "preliminar" para algunas partes. Utilizaron el mismo grupo de estudiantes tanto para descubrir la estructura como para confirmarla. Aunque utilizaron matemáticas avanzadas (remuestreo de bootstrap con 2,000 repeticiones) para demostrar que los resultados eran estables, admiten que probarlo en un diferente grupo de estudiantes es el siguiente paso necesario.
Aún no es perfecto: Los investigadores notaron que algunas de las preguntas de "puntuación inversa" (aquellas donde tienes que pensar "no" para significar "sí") crearon un poco de ruido adicional en los datos. Cerca del 24.8% de la variación en esas respuestas específicas se debió a la forma en que se redactó la pregunta, no solo a la opinión del estudiante. Sugieren que las versiones futuras deberían reformularlas para que sean más claras.
No es para todos (todavía): El estudio solo incluyó estudiantes de enfermería, farmacia y salud pública. No incluyó a estudiantes de medicina (futuros médicos), por lo que aún no podemos estar seguros de si funciona para ellos.

La Conclusión

El AICPER es una herramienta de 18 ítems rigurosamente probada que mide con éxito cómo se sienten los estudiantes de salud con respecto a la IA. Demostró que las actitudes de los estudiantes no se tratan solo de "dónde" usan la IA, sino de tres sentimientos centrales: utilidad, confianza y compromiso.

Los investigadores sugieren que los líderes escolares pueden usar esta herramienta para descubrir exactamente dónde están estancados sus estudiantes. Si una clase es excelente viendo los beneficios pero tiene miedo de la ética, pueden construir una lección específica para solucionar ese temor. Si son éticamente sólidos pero no quieren aprender la tecnología, pueden intentar un enfoque de enseñanza diferente.

Aunque el artículo no llega a llamarlo una "solución final" (ya que se necesitan más pruebas), proporciona el primer mapa sólido y validado para navegar el complejo mundo de la preparación para la IA en la educación de la salud. Convierte una suposición nebulosa en una imagen clara y tridimensional.

Resumen Técnico: Desarrollo y Validación del Instrumento AICPER

Planteamiento del Problema
A pesar de la rápida integración de la inteligencia artificial (IA) en la prestación de servicios de salud, la educación y la investigación, existe una brecha significativa en los instrumentos psicométricamente validados para medir las percepciones de los estudiantes de profesiones de la salud dentro de las poblaciones de los EE. UU. Las herramientas existentes sufren tres limitaciones principales:

Falta de Validación Interdisciplinaria: Ningún instrumento ha sido validado en una muestra interdisciplinaria (enfermería, farmacia y salud pública) donde los currículos de IA están emergiendo simultáneamente.
Insuficiencia de Granularidad: Las escalas actuales a menudo no logran distinguir las percepciones a través de distintos subconstructos (práctica clínica, educación e investigación), tratando la preparación para la IA como un concepto monolítico. Esto impide que los educadores adapten las intervenciones a preocupaciones específicas (por ejemplo, un estudiante puede confiar en la IA clínicamente pero desconfiar de ella en la redacción académica).
Obsolescencia: Muchas de las herramientas existentes son anteriores a la disponibilidad generalizada de la IA generativa, careciendo de ítems relevantes para cuestiones contemporáneas como la integridad académica, la redacción asistida por IA y la confianza en los resultados de los chatbots.

Metodología
El estudio empleó un diseño de encuesta en línea transversal para desarrollar y validar el Artificial Intelligence Competence and Preparedness Evaluation Resource (AICPER).

Participantes: El estudio incluyó a 193 estudiantes de programas de enfermería, farmacia y salud pública de una universidad de los EE. UU., junto con un panel de siete expertos en la materia para la validación de contenido.
Desarrollo del Instrumento: Se desarrolló una escala preliminar de 20 ítems basada en una revisión de la literatura e iterativamente refinada por un panel institucional. Los ítems utilizaron una escala Likert de cuatro puntos con una opción de "No lo sé" (IDK, por sus siglas en inglés) para distinguir la falta de opinión de la neutralidad.
Análisis Psicométrico:
- Validez de Contenido: Evaluada mediante el Índice de Validez de Contenido de Ítem (I-CVI), el Índice de Validez de Contenido de Escala (S-CVI) y estadísticas kappa modificadas.
- Manejo de Datos: Los datos faltantes (incluyendo las respuestas IDK tratadas como datos faltantes) se abordaron mediante Imputación Múltiple por Ecuaciones Encadenadas (MICE) con 20 conjuntos de datos imputados.
- Fiabilidad: La consistencia interna se evaluó mediante el alfa de Cronbach, el alfa ordinal y el omega de McDonald.
- Validez Estructural: El estudio utilizó un Análisis Factorial Exploratorio (AFE) con extracción de máxima verosimilitud y rotación oblimin, seguido de un Análisis Factorial Confirmatorio (AFC) utilizando mínimos cuadrados ponderados diagonalmente (DWLS/WLSMV).
- Modelado Avanzado: El análisis incluyó un modelo de efectos de método para dar cuenta de la varianza en los ítems con puntuación inversa, intervalos de confianza de bootstrap del 95% para las cargas factoriales y pruebas de invarianza de medición (configural y métrica) a través de las tres profesiones de la salud.

Resultos Clave

Refinamiento del Instrumento: La escala inicial de 20 ítems se redujo a un instrumento final de 18 ítems tras eliminar dos ítems (A16 y A20) debido a efectos de techo y bajas correlaciones ítem-total.
Estructura Factorial: Contrario al diseño a priori basado en dominios de aplicación (clínico, investigación, educación), el AFE y el AFC revelaron una estructura de tres factores estable basada en dimensiones actitudinales:
1. Beneficios Funcionales (FB): Percepciones de eficiencia, optimización del flujo de trabajo y utilidad.
2. Ética y Confianza (ET): Preocupaciones relativas a errores, sesgos, responsabilidad e integridad académica.
3. Compromiso Educativo (EE): Disposición para buscar aprendizaje y certificación relacionados con la IA.
Fiabilidad y Validez:
- La escala de 18 ítems demostró una buena consistencia interna (alfa total = 0.86).
- Los índices de ajuste del AFC fueron excelentes (CFI = 0.987, TLI = 0.984, RMSEA = 0.032).
- Invarianza de Medición: Se apoyó la invarianza métrica entre los programas de enfermería, farmacia y salud pública ( $\Delta$ CFI = -0.001), lo que sugiere que el instrumento mide los mismos constructos de manera equivalente en estas disciplinas.
- Efectos de Método: Aunque un factor de método explicó una parte no trivial de la varianza (media del 24.8%) en los ítems con puntuación inversa, la estructura sustantiva de tres factores persistió cuando se modelaron dichos efectos.
Validez de Contenido: La escala demostró una validez de contenido aceptable con un S-CVI medio de 0.86 y un fuerte acuerdo de los expertos.

Significancia y Reivindicaciones
Los autores posicionan al AICPER como el primer instrumento multidimensional validado psicométricamente diseñado específicamente para los estudiantes de profesiones de la salud en los EE. UU. Su importancia radica en tres áreas:

Evaluación Diferenciada: Al separar los Beneficios Funcionales, la Ética/Confianza y el Compromiso Educativo, la herramienta permite a los educadores identificar déficits específicos (por ejemplo, un alto optimismo funcional pero una baja confianza ética) en lugar de depender de una puntuación compuesta que oscurece las necesidades matizadas.
Utilidad Interdisciplinaria: La demostración de la invarianza de la medición a través de la enfermería, la farmacia y la salud pública respalda el uso del AICPER para comparaciones interprofesionales y estudios comparativos, abordando un vacío donde anteriormente predominaban las escalas específicas de cada profesión.
Relevancia Contemporánea: La inclusión de ítems que abordan la IA generativa (por ejemplo, integridad académica, redacción asistida por IA) alinea el instrumento con las experiencias actuales de los estudiantes, a diferencia de las herramientas anteriores a 2023.

El artículo concluye que el AICPER proporciona una infraestructura de medición rigurosa para apoyar el desarrollo de currículos basados en evidencia, la evaluación de intervenciones y los informes de acreditación, pasando la evaluación de la preparación para la IA de estrategias basadas en suposiciones a estrategias basadas en datos. Los autores señalan como limitaciones la muestra de una sola institución, la exclusión de estudiantes de medicina y el diseño transversal, identificando la replicación con una muestra independiente como el siguiente paso necesario.