Adopción de Inteligencia Artificial Generativa en el ámbito educativo: Aplicación del Modelo de Aceptación Tecnológica

David Agapito Zambrano Vera, María del Carmen Castelo Naveda, María José Zambrano Solís, Reni Danilo Vinocunga Pillajo

Resumen


La inteligencia artificial generativa ha transformado las prácticas educativas mediante la personalización y adaptación de contenidos, siendo su adopción evaluada a través del Modelo de Aceptación Tecnológica (TAM). El objetivo del trabajo fue analizar los factores que influyen en la adopción de la inteligencia artificial generativa en educación mediante el Modelo de Aceptación Tecnológica, evaluando percepción de utilidad, facilidad de uso e intención de uso. Este estudio utilizó un enfoque cuantitativo con diseño transversal, aplicando encuestas a 253 docentes universitarios de Quito, Ecuador, analizadas mediante modelos estructurales (PLS-SEM) que evaluaron percepción de utilidad, facilidad de uso e intención de uso. Los resultados evidenciaron que la facilidad de uso tiene mayor impacto (coeficiente 0.502) en la intención de adopción que la utilidad percibida (coeficiente 0.238), explicando el 43% de la variabilidad (R²=0.432). Aunque las herramientas tecnológicas intuitivas y accesibles son esenciales, factores externos como la capacitación y el apoyo institucional también inciden significativamente. En conclusión, superar barreras tecnológicas y arraigos pedagógicos tradicionales mediante formación y recursos tecnológicos adecuados es fundamental para integrar eficazmente estas tecnologías en los procesos educativos.


Palabras clave


Percepción de Utilidad; Percepción de Facilidad de Uso; Inteligencia Artificial Generativa; Aceptación Tecnológica.

Texto completo:

PDF

Referencias


Al-Adwan, A. S., Li, N., Al-Adwan, A., Abbasi, G. A., Albelbisi, N. A., & Habibi, A. (2023). "Extending the Technology Acceptance Model (TAM) to Predict University Students' Intentions to Use Metaverse-Based Learning Platforms". Educ Inf Technol (Dordr), 28(2), 1-33. https://doi.org/10.1007/s10639-023-11816-3

Alenezi, F. Y. (2023). Artificial intelligence versus Arab universities: An enquiry into the Saudi context. The Scientific Journal of King Faisal University: Humanities and Management Sciences, 24(1), 1-7. https://doi.org/10.37575/h/edu/220038

Amora, J. T. (2021). Convergent validity assessment in PLS-SEM: A loadings-driven approach. Data Analysis Perspectives Journal, 2(3), 1-6. https://scriptwarp.com/dapj/2021_DAPJ_2_3/Amora_2021_DAPJ_2_3_ConvergentValidity.pdf

Ayuso-del Puerto, D., & Gutiérrez-Esteban, P. (2022). La Inteligencia Artificial como recurso educativo durante la formación inicial del profesorado. RIED. Revista Iberoamericana de Educación a Distancia, 25(2), 1-13. https://doi.org/10.5944/ried.25.2.32332

Caballero Alarcón, F. A., & Brítez Carli, R. (2024). Inteligencia Artificial en el mejoramiento de la enseñanza y aprendizaje, Ministerio de Educación y Ciencias. ACADEMO, 11(2), 99-108. https://doi.org/10.30545/academo.2024.may-ago.1

Chou, C.-M., Shen, T.-C., Shen, T.-C., & Shen, C.-H. (2023). The level of perceived efficacy from teachers to access AI-based teaching applications. Research and Practice in Technology Enhanced Learning, 18, 021. https://doi.org/10.58459/rptel.2023.18021

Global Market Insights. (2023). AI en estadísticas del mercado de la educación, tendencias y oportunidades de crecimiento 2032. Recuperado: 17 noviembre 2024. Disponible: https://www.gminsights.com/es/industry-analysis/artificial-intelligence-ai-in-education-market

Granić, A., & Marangunić, N. (2019). Technology acceptance model in educational context: A systematic literature review. British Journal of Educational Technology, 50(5), 2572-2593. https://doi.org/10.1111/bjet.12864

Hair, J. F., Matthews, L. M., Matthews, R. L., & Sarstedt, M. (2017). PLS-SEM or CB-SEM: updated guidelines on which method to use. International Journal of Multivariate Data Analysis, 1(2), 107-123. https://doi.org/10.1504/IJMDA.2017.087624

Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115-135. https://doi.org/10.1007/s11747-014-0403-8

Hussain, S., & Qureshi, I. M. (2024). Electric Vehicle Adoption: The Nexus of Knowledge, Perceived Usefulness, and Ease of Use. Qlantic Journal of Social Sciences and Humanities, 5(2), 154-161. https://doi.org/10.55737/qjssh.591349398

Kanont, K., Pingmuang, P., Simasathien, T., Wisnuwong, S., Wiwatsiripong, B., Poonpirome, K., & Khlaisang, J. (2024). Generative-AI, a Learning Assistant? Factors Influencing Higher-Ed Students' Technology Acceptance. Electronic Journal of e-Learning, 22(6), 18-33. https://doi.org/10.34190/ejel.22.6.3196

Keeble, C., Law, G., Barber, S., & Baxter, P. (2015). Choosing a Method to Reduce Selection Bias: A Tool for Researchers. Open Journal of Epidemiology, 5(3), 155-162. https://doi.org/10.4236/ojepi.2015.53020

Kline, R. B. (2016). Principles and practice of structural equation modeling, 4th ed. In T. D (Ed.), Principles and practice of structural equation modeling, 4th ed. (pp. 445). Guilford Press. http://ndl.ethernet.edu.et/bitstream/123456789/74702/1/35.pdf

Kock, N. (2015). Common method bias in PLS-SEM: A full collinearity assessment approach. International Journal of e-Collaboration, 11(4), 1-10. https://doi.org/10.4018/ijec.2015100101

Mannan, M., & Maruf, T. I. (2024). Perceived Usefulness and Perceived Ease of Use in the Worth of Online Education System in Bangladesh. https://doi.org/10.5281/zenodo.13763573

Martínez Ávila, M., & Fierro Moreno, E. (2018). Aplicación de la técnica PLS-SEM en la gestión del conocimiento: un enfoque técnico práctico. RIDE. Revista Iberoamericana para la Investigación y el Desarrollo Educativo, 8(16), 130-164. https://doi.org/10.23913/ride.v8i16.336

Mohsin, F. H., Md Isa, N., Ishak, K., & Mohamed Salleh, H. (2024). Navigating the Adoption of Artificial Intelligence in Higher Education. International Journal of Business and Technopreneurship (IJBT), 14(1), 109-120. https://doi.org/10.58915/ijbt.v14i1.433

Moral de la Rubia, J. (2019). Revisión de los criterios para validez convergente estimada a través de la Varianza Media Extraída. Psychologia. Avances de la disciplina, 13(2), 25-41. https://www.redalyc.org/journal/2972/297261276003/html/

Nazaretsky, T., Ariely, M., Cukurova, M., & Alexandron, G. (2022). Teachers' trust in AI-powered educational technology and a professional development program to improve it. British Journal of Educational Technology, 53(4), 914-931. https://doi.org/https://doi.org/10.1111/bjet.13232

Nazaretsky, T., Cukurova, M., Ariely, M., & Alexandron, G. (2021). Confirmation bias and trust: human factors that influence teachers' attitudes towards AI-based educational technology. CEUR Workshop Proceedings, Bozen-Bolzano, Italy.

Norabuena Mendoza, C., Huamán Osorio, A., & Ramirez Asis, E. (2021). Modelo de ecuaciones estructurales (con estimación PLS). Basado en calidad de servicio y lealtad del cliente de las cajas rurales peruanas. Ciencias Administrativas, 1(18), 1-14. https://doi.org/10.24215/23143738e081

Norman-Acevedo, E. (2023). La inteligencia artificial en la educación: una herramienta valiosa para los tutores virtuales universitarios y profesores universitarios. PANORAMA, 17(32), 1-11. https://doi.org/10.15765/pnrm.v17i32.3681

Teo, T., Fan, X., & Du, J. (2015). Technology acceptance among pre-service teachers: Does gender matter? Australasian Journal of Educational Technology, 31(3). https://doi.org/10.14742/ajet.1672

Zhang, P., & Tur, G. (2024). A systematic review of ChatGPT use in K-12 education. European Journal of Education, 59(2), 1-16. https://doi.org/10.1111/ejed.12599

Zulkarnain, N. S., & Yunus, M. M. (2023). Teachers' perceptions and continuance usage intention of artificial intelligence technology in Tesl. International Journal Of Multidisciplinary Research And Analysis, 6(5), 2101-2109. https://doi.org/10.47191/ijmra/v6-i5-34.




DOI: https://doi.org/10.23857/pc.v9i12.8597

Enlaces de Referencia

  • Por el momento, no existen enlaces de referencia
';

Bookmark and Share




Polo del Conocimiento              

Revista Científico-Académica Multidisciplinaria

ISSN: 2550-682X

Casa Editora del Polo                                                 

Manta - Ecuador       

Dirección: Ciudadela El Palmar, II Etapa,  Manta - Manabí - Ecuador.

Código Postal: 130801

Teléfonos: 056051775/0991871420

Email: polodelconocimientorevista@gmail.com / director@polodelconocimiento.com

URL: https://www.polodelconocimiento.com/