📄 social_science

Beyond Efficiency: Critical Thinking, Trust, and Learning Outcomes in Human-GenAI Partnerships within UAE Higher Education

Este estudio de estudiantes de negocios de pregrado en los EAU revela que, si bien la IA generativa mejora el compromiso, la productividad y la confianza, no logra mejorar significativamente el pensamiento crítico y puede incluso inducir la procrastinación, lo que resalta una desconexión crítica entre la eficiencia impulsada por la IA y los resultados de aprendizaje profundo.

Autores originales: charu banga, Amir Kincar, Hassan Mustafa

Publicado 2026-08-20

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: charu banga, Amir Kincar, Hassan Mustafa

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

En el aula moderna, ha llegado un nuevo tipo de compañero. No es un profesor, ni un compañero de clase, sino una máquina capaz de escribir ensayos, resolver problemas y generar ideas en segundos. Esta tecnología, conocida como inteligencia artificial generativa, se ha extendido por las universidades con una velocidad sorprendente, cambiando la forma en que los estudiantes abordan su trabajo. Durante décadas, los educadores han confiado en teorías sobre cómo aprende la mente, como la idea de que nuestros cerebros tienen una cantidad limitada de energía mental para procesar nueva información en cualquier momento dado. Cuando una herramienta ayuda a reducir el esfuerzo pesado de las tareas básicas, se esperaba que esta energía liberada permitiera a los estudiantes pensar más profundamente, razonar mejor y aprender de manera más efectiva. La pregunta que ahora pende sobre las universidades es simple pero profunda: ¿este nuevo y poderoso asistente realmente hace a los estudiantes más inteligentes, o simplemente los hace más rápidos?

Un equipo de investigadores de una universidad en Dubái se propuso responder a esta pregunta observando cómo los estudiantes de negocios utilizaban realmente estas herramientas en sus estudios diarios. No se limitaron a preguntar a los estudiantes lo que pensaban; rastrearon con qué frecuencia usaban la tecnología, cómo interactuaban con ella y qué sentían que habían aprendido como resultado. El estudio se centró en un grupo específico de estudiantes de pregrado a quienes se les permitió explícitamente usar estas herramientas de inteligencia artificial para todo, desde la lluvia de ideas hasta la redacción de informes de proyectos finales. Los investigadores querían ver si el uso más frecuente de la herramienta conducía a mejores calificaciones, una comprensión más profunda o habilidades de pensamiento crítico más agudas. También buscaron comportamientos ocultos, como si la disponibilidad de una respuesta rápida causaba que los estudiantes retrasaran el inicio de su trabajo.

Los resultados revelaron una historia de dos caminos diferentes. Por un lado, los estudiantes que utilizaron las herramientas de inteligencia artificial con mayor frecuencia y profundidad se involucraron mucho más con sus cursos. Informaron sentirse más productivos, ahorrando cantidades significativas de tiempo y sintiéndose más creativos en su enfoque de los problemas. Las herramientas parecían funcionar exactamente como se pretendía para estas tareas, actuando como un motor fiable para realizar el trabajo. Sin embargo, los investigadores descubrieron una desconexión sorprendente cuando analizaron la medida más importante del aprendizaje profundo: el pensamiento crítico. Si bien las herramientas ayudaron a los estudiantes a terminar las tareas más rápido y con más ideas, el estudio encontró que el simple hecho de usar la tecnología no hacía que los estudiantes fueran mejores analizando la información o pensando críticamente. De hecho, los datos mostraron que la capacidad de pensar críticamente seguía siendo ampliamente independiente de cuánto utilizara el estudiante la inteligencia artificial.

Este hallazgo desafía una esperanza común de que la tecnología mejora naturalmente nuestras habilidades de pensamiento. El estudio sugiere que, si bien la inteligencia artificial puede encargarse del trabajo pesado de recopilar información y redactar textos, no enseña automáticamente al estudiante cómo evaluar esa información. Los estudiantes del estudio no fueron pasivos; fueron activos. Una gran mayoría de ellos, casi el 90 por ciento, verificó los hechos y las referencias proporcionadas por la máquina antes de utilizarlos. Sin embargo, esta verificación cuidadosa no se tradujo en un aumento mensurable en sus puntuaciones de pensamiento crítico. Los investigadores encontraron que el pensamiento crítico era el predictor más fuerte del éxito general de aprendizaje de un estudiante, pero no era una habilidad que la herramienta de inteligencia artificial pudiera generar por sí misma. En cambio, parecía ser una habilidad que los estudiantes ya poseían o desarrollaban por otros medios, la cual aplicaban mientras usaban la herramienta.

Surgió otro comportamiento inesperado de los datos, uno que los investigadores describen como un retraso en el inicio del trabajo. Debido a que los estudiantes sabían que podían confiar en la inteligencia artificial para ayudarlos a terminar las tareas rápidamente, tendieron a esperar más tiempo antes de comenzar sus asignaciones. Un grupo de estudiantes, que utilizaba las herramientas intensamente, comenzó sus proyectos aproximadamente una semana y media más tarde de lo que habrían hecho de otro modo. Esto sugiere que la eficiencia ganada con la tecnología vino acompañada de un costo conductual. La velocidad de la herramienta creó un sentido de urgencia menos inmediato, lo que llevó a los estudiantes a la procrastinación. Intercambiaron el tiempo ahorrado durante el trabajo por el tiempo perdido al inicio, un intercambio que podría no ser obvio hasta que se acerca la fecha límite.

El estudio también destacó una brecha entre lo que los estudiantes hacían y lo que reportaban. Aunque la mayoría de los estudiantes fueron cuidadosos al verificar la información que la máquina les entregaba, muy pocos reconocieron formalmente el uso de la herramienta en sus entregas finales. Solo alrededor de un tercio de los estudiantes citó la inteligencia artificial en su trabajo, a pesar de haber verificado la exactitud de su producción. Esto crea una situación compleja donde los estudiantes actúan de manera responsable al verificar los hechos, pero no siguen las reglas académicas estándar sobre la atribución. Los investigadores señalaron que esta desconexión entre la verificación y la citación es una preocupación creciente en la educación superior, señalando la necesidad de directrices más claras sobre cómo usar estas herramientas éticamente.

En última instancia, la investigación dibuja la imagen de una herramienta que es excelente para la eficiencia pero neutral para el crecimiento cognitivo profundo. La inteligencia artificial ayudó a los estudiantes a trabajar más rápido, generar más ideas y sentirse más seguros en su capacidad para completar tareas. Sin embargo, no los hizo mejores pensadores críticos por sí sola. El estudio concluye que, para que los estudiantes se beneficien realmente de esta tecnología, deben aportar sus propias habilidades analíticas a la interacción. La máquina puede proporcionar la materia prima, pero la mente humana aún debe realizar el trabajo pesado de la evaluación y el juicio. Sin ese compromiso activo y crítico, la velocidad de la herramienta puede simplemente conducir a un aprendizaje más rápido, pero más superficial. El camino a seguir en la educación, sugieren los investigadores, no consiste en prohibir la herramienta o asumir que enseñará todo a los estudiantes, sino en diseñar lecciones que requieran que los estudiantes utilicen la herramienta mientras practican simultáneamente el difícil trabajo de pensar por sí mismos.

Resumen Técnico: Más allá de la eficiencia: Pensamiento crítico, confianza y resultados de aprendizaje en las asociaciones Humano-GenAI dentro de la educación superior de los EAU

Planteamiento del problema
A pesar de la rápida adopción de la Inteligencia Artificial Generativa (GenAI) en la educación superior, una pregunta empírica fundamental sigue sin resolverse: si las herramientas de GenAI funcionan como verdaderos copartners cognitivos que profundizan el aprendizaje o simplemente como sustitutos de eficiencia que mejoran la productividad a costa del desarrollo cognitivo. La literatura existente se centra predominantemente en los patrones de adopción o en los efectos directos sobre los resultados, tratando a menudo el uso de la GenAI como un fenómeno binario. Además, existe una brecha geográfica y contextual significativa respecto al impacto de la GenAI dentro del Consejo de Cooperación del Golfo (CCG) y los Emiratos Árabes Unidos (EAU), donde la evidencia empírica que vincula la intensidad de uso con mecanismos cognitivos y conductuales específicos es limitada. Este estudio aborda la falta de comprensión sobre cómo los distintos niveles de compromiso con la GenAI activan procesos interconectados que moldean las experiencias de aprendizaje y el rendimiento académico.

Metodología
El estudio emplea un diseño de investigación cuantitativo y explicativo utilizando una encuesta de censo transversal a 91 estudiantes de grado en negocios (inscritos en Finanzas, Gestión de Negocios Globales y Marketing) en una institución de educación superior estadounidense en Dubái durante el año académico 2025-2026. El contexto del estudio fue un entorno instructivo estructurado donde el uso de GenAI fue permitido explícitamente para evaluaciones, entregas de proyectos y preparación de estudios.

La investigación utiliza un marco analítico de dos etapas:

Análisis descriptivo: Para establecer patrones empíricos en el uso, el compromiso y los resultados percibidos.
Modelado de Ecuaciones Estructurales por Mínimos Cuadrados Parciales (PLS-SEM): Para probar un modelo conceptual que integra la Teoría de la Carga Cognitiva (CLT), la Teoría del Aprendizaje Social (SCT) y una perspectiva de aprendizaje mediada por la tecnología.

El modelo examina dos vías distintas que vinculan la intensidad de uso de la GenAI con los resultados de aprendizaje:

Vía de compromiso mediado secuencial: Intensidad de uso $\rightarrow$ Compromiso $\rightarrow$ Productividad/Creatividad/Pensamiento Crítico $\rightarrow$ Resultados de aprendizaje.
Vía afectivo-evaluativa: Intensidad de uso $\rightarrow$ Confianza en la IA $\rightarrow$ Resultados de aprendizaje.

Los constructos se midieron mediante una combinación de escalas Likert de cinco puntos (para variables perceptuales como la confianza y el pensamiento crítico) y medidas ordinales/de frecuencia (para la intensidad de uso y el ahorro de tiempo). La fiabilidad y la validez se evaluaron mediante el alfa de Cronbach, la fiabilidad compuesta (CR), la varianza media extraída (AVE) y las razones HTMT.

Resultados clave
El análisis del modelo estructural arrojó varios hallazgos críticos:

Uso y compromiso: La intensidad de uso de la GenAI es un fuerte predictor del compromiso del estudiante ( $\beta = 0.720, p < 0.001$ ). Un mayor uso conduce a una participación más profunda en la investigación, la generación de ideas y la redacción.
Productividad y creatividad: El compromiso mejora significamente la productividad percibida ( $\beta = 0.655$ ) y la creatividad ( $\beta = 0.400$ ).
La paradoja del pensamiento crítico: Contrariamente a las expectativas, el compromiso con la GenAI no predice significativamente el pensamiento crítico ( $\beta = 0.124, p = 0.331$ ). Sin embargo, el pensamiento crítico sigue siendo el predictor directo más fuerte de los resultados de aprendizaje ( $\beta = 0.377, p < 0.001$ ). Esto indica que el pensamiento crítico opera independientemente de los patrones de compromiso con la GenAI en este modelo.
La desconexión entre eficiencia y aprendizaje: Mientras que el compromiso impulsa la productividad, la productividad no se traduce significativamente en mejores resultados de aprendizaje ( $\beta = 0.201, p = 0.099$ ). Del mismo modo, la confianza en la IA, aunque influenciada positivamente por la intensidad de uso, no predice significativamente los resultados de aprendizaje ( $\beta = 0.171, p = 0.095$ ).
Compromisos conductuales: El estudio identifica un "efecto de procrastinación", donde la disponibilidad de la GenAI se correlaciona con el retraso en el inicio de las tareas (desplazando el inicio del proyecto de la semana 8.5 a la semana 10), a pesar de los ahorros de tiempo reportados durante la ejecución.
Verificación vs. Atribución: Existe una brecha significativa entre la verificación y la atribución formal. Mientras que el 89% de los estudiantes contrastan las referencias generadas por IA, solo el 34.1% cita formalmente las herramientas de GenAI, lo que resalta una desconexión entre la verificación crítica y las prácticas de integridad académica.

Contribuciones clave
El artículo realiza cuatro contribuciones específicas a la literatura:

Operacionalización de la intensidad: Va más allá de las métricas de uso binarias al operacionalizar la intensidad de uso de la GenAI como un constructo formativo que incorpora tanto la frecuencia como la profundidad del compromiso.
Modelado mecanístico: Desarrolla y prueba empíricamente un modelo estructural secuencial mediado por el compromiso dentro del contexto de los EAU, vinculando la intensidad de uso con los resultados de aprendizaje a través de mediadores cognitivos y conductuales específicos.
Identificación de fenómenos conductuales: Cuantifica el "efecto de procrastinación" asociado con la disponibilidad de la GenAI y la "paradoja de la verificación-atribución", donde los estudiantes verifican el contenido rigurosamente pero fallan en atribuirlo formalmente.
Evidencia contextual: Proporciona datos empíricos a nivel poblacional e basados en intervenciones del poco investigado sector de la educación superior de los EAU, desafiando la suposición de que el compromiso con la tecnología desarrolla orgánicamente las capacidades evaluativas.

Significancia y afirmaciones
Los autores afirman que el estudio hace avanzar el campo desde una perspectiva centrada en la adopción hacia una comprensión orientada al proceso de las asociaciones humano-GenAI. La significancia central radica en el hallazgo de que la eficiencia no equivale al aprendizaje. El estudio demuestra que, si bien la GenAI mejora la productividad y el compromiso, no fomenta automáticamente el pensamiento crítico ni mejora los resultados de aprendizaje a menos que los estudiantes apliquen activamente habilidades evaluativas.

El artículo postula que el pensamiento crítico es un prerrequisito para un aprendizaje significativo habilitado por la GenAI, en lugar de un subproducto de la misma. En consecuencia, los autores argumentan que las intervenciones educativas deben pasar de simplemente capacitar a los estudiantes en el uso de herramientas a cultivar explícitamente las habilidades de evaluación crítica y establecer políticas claras para la atribución de la IA. Los hallazgos sugieren que, sin un andamiaje pedagógico que asegure un compromiso cognitivo profundo, la GenAI puede facilitar la finalización de tareas mientras fomenta inadvertidamente el procesamiento superficial y el retraso en el inicio de las tareas.

Más como este