Español (pdf)
Articulo en XML
Referencias del artículo
Traducción automática
Enviar articulo por email
Citado por SciELO 
Similares en
SciELO 
Permalink
1. INTRODUCCIÓN
En 2019 la UNESCO expondría los cambios que generaría el uso de la Inteligencia Artificial (IA), poniendo en preaviso la manera en que se transformaría la adquisición del conocimiento, el acceso a la información y en consecuencia las estrategias de los docentes. Desde entonces, la integración de la IA en el ámbito educativo ha experimentado un crecimiento exponencial, especialmente con la aparición de herramientas de IA generativa como ChatGPT, Claude y Gemini, entre otras (Kasneci et al., 2023). Estas tecnologías han evidenciado su potencial para reducir la carga administrativa docente, permitiendo la automatización de tareas rutinarias como la planificación de clases, creación de recursos didácticos y de instrumentos para la evaluación formativa (Celik et al., 2022).
Sin embargo, la adopción de estas tecnologías enfrenta múltiples barreras. Según Chaudhry y Kazim (2022), los docentes experimentan una sobrecarga laboral significativa que paradójicamente limita su tiempo para explorar nuevas herramientas tecnológicas, e incluso pensar con profundidad la tarea pedagógica. Situación que podría mejorarse significativamente en términos administrativos, como ya lo han señalado Moroianu et al., (2023) al encontrar que la IA podría ayudar a reducir el tiempo dedicado a crear contenido educativo, permitiendo mayor enfoque en los estudiantes.
En Ecuador, esta situación se agrava por la brecha digital existente y la limitada formación tecnológica del profesorado (Navarrete & Mendieta, 2018), la cual es más evidente en contextos rurales. La brecha detectada se suma a la resistencia al cambio tecnológico en escenarios educativos hispanoamericanos, constituyéndose como un desafío adicional que requiere estrategias específicas de intervención (Cabero-Almenara et al., 2021).
Aunado a ello, la formación en tecnología y las herramientas características ofrecidas por la IA exige una capacitación progresiva y muy acelerada, debido a la gran cantidad de información y recursos que se están desarrollando. Eso sugiere, tal como Pineda et al. (2024) habrían visualizado, la necesidad de la creación de procesos interactivos e inmersivos, con el propósito de facilitar en los docentes la habilidad de autoformarse, y adquirir habilidades instrumentales que ayuden a mejorar sus competencias educativas.
La formación en tecnología es esencial, no se puede tener un buen concepto de las herramientas que no se han usado. Los factores involucrados con el éxito en el uso de las herramientas tecnológicas como la IA pueden ayudar a optimizar la calidad educativa, disminuyendo tareas administrativas relacionadas a la labor docente, permitiéndole generar materiales de aprendizaje personalizados y retroalimentación en tiempo real (Moroianu et al., 2023), facilitando que éste se ocupe de lo realmente importante, educar (Méndez et al., 2025).
El Modelo de Aceptación Tecnológica (TAM), desarrollado por Davis (1989) y posteriormente extendido por Venkatesh y Davis (2000), proporciona un marco teórico sólido para comprender los factores que influyen en la adopción de tecnologías. Este modelo postula que la utilidad percibida (PU) y la facilidad de uso percibida (PEU) son determinantes principales de la intención de uso (BI). Para el contexto educativo, Scherer et al. (2019) sugieren incorporar dimensiones adicionales como la compatibilidad pedagógica (PC) y la actitud hacia el cambio (AC), elementos cruciales en la transformación digital docente.
Se hace urgente la necesidad de preparar a los docentes para la era de la IA educativa, considerando que según Holmes et al. (2023), el 65% de las instituciones educativas a nivel mundial planean implementar herramientas de IA en los próximos tres años.
Por tanto, se propuso en esta investigación analizar los niveles de aceptación del uso de inteligencia artificial para tareas pedagógico-administrativas en docentes de bachillerato mediante el modelo TAM extendido, identificando los factores facilitadores y las barreras para su implementación efectiva.
2. METODOLOGÍA
El enfoque de investigación fue cuantitativo con diseño descriptivo-correlacional de corte transversal. Este diseño permitió examinar las relaciones entre las dimensiones del modelo TAM extendido y las características sociodemográficas de los docentes de manera transversal (Hernández-Sampieri & Mendoza, 2018). La población estuvo conformada por 60 docentes de bachillerato de dos instituciones educativas públicas de la ciudad de Quito, Ecuador. La muestra final fue de 51 docentes (85% de participación), seleccionados mediante muestreo no probabilístico por conveniencia.
Para la adaptación del instrumento TAM extendido propuesto por Sánchez-Prieto et al. (2017), se modificó la dimensión "Resistencia al Cambio (RC)" por "Actitud hacia el cambio (AC)" para reflejar una perspectiva más positiva. Para poder validar la confiabilidad de este ajuste, se realizó una prueba piloto a 35 sujetos. El cuestionario final constó de 16 ítems, distribuidos en cinco dimensiones, utilizando una escala Likert de 6 puntos (1=Totalmente en desacuerdo, 6=Totalmente de acuerdo). La confiabilidad se evaluó mediante el coeficiente Alfa de Cronbach (ver Tabla 1). La prueba piloto mostró una mayor confiabilidad en la dimensión adaptada de Resistencia al Cambio (RC) a Actitud al Cambio (AC), de α= 0.68 a α= 0.80.
Tabla 1 Confiabilidad para el instrumento TAM extendido y adaptado para aceptación del uso de la inteligencia artificial (IA)
| Dimensión | Propuesta Validada* | Dimensiones con adaptaciones | Adaptación | Estadístico |
| Utilidad Percibida (PU) | .78 | Utilidad Percibida (PU) | .90 | Alfa de Cronbach |
| Facilidad de uso (PEU) | .75 | Facilidad de uso (PEU) | .89 | Alfa de Cronbach |
| Compatibilidad (PC) | .80 | Compatibilidad (PC) | .83 | Alfa de Cronbach |
| Intención (BI) | .83 | Intención (BI) | .73 | Alfa de Cronbach |
| Resistencia al cambio (RC) | .68 | Actitud al cambio (AC)** | .80 | Alfa de Cronbach |
* Sánchez Prieto, J.C., Olmos Migueláñez, S., y García-Peñalvo, F. J (2017). Instrumento TAM Extendido. **La resistencia al cambio se adaptó a actitud al cambio.
Los datos fueron procesados en Jamovi versión 2.6.26. Para el análisis de los datos se usaron estadísticos descrptivos a partir de las medidas de tendencia central (medias, medianas, desviaciones estándar) e inferenciales (correlaciones de Pearson, pruebas T de Student).
3. RESULTADOS Y DISCUSIÓN
3.1. Características socioprofesionales de los docentes
La muestra estuvo compuesta por 51 docentes de bachillerato, con preponderancia femenina (62.7%, n=32). La edad promedio fue de 31-40 años. Respecto a la experiencia docente, las mujeres reportaron una media de 3.94 años (DE=1.24) mientras que los hombres 4.42 años (DE=1.02), sin diferencias estadísticamente significativas (t=1.43, p=.159) (ver tabla 2).
La experiencia docente moderada (3-4 años) podría representar una ventaja, ya que estos profesionales han desarrollado competencias pedagógicas básicas sin estar completamente arraigados en prácticas tradicionales resistentes al cambio. Esta situación difiere del panorama descrito por Navarrete y Mendieta (2018) para el contexto ecuatoriano, donde la brecha digital se acentúa con la experiencia docente prolongada.
En cuanto a la formación tecnológica, el 78.4% de los docentes reportó tener formación básica o intermedia, con una ligera ventaja de los hombres (M=1.63, DE=0.955) sobre las mujeres (M=1.41, DE=1.07), aunque esta diferencia no fue significativa (ver tabla 2). Estos resultados son consistentes con estudios previos en contextos hispanoamericanos que reportan brechas de género mínimas en competencias digitales docentes (Guillén-Gámez et al., 2021).
Sin embargo, este resultado desafía parcialmente los planteamientos de Cabero-Almenara et al. (2021) sobre la resistencia al cambio tecnológico en contextos hispanoamericanos, sugiriendo que las nuevas generaciones de docentes presentan mayor apertura a la formación digital. La homogeneidad por género contradice las brechas tradicionales documentadas en la literatura, posiblemente reflejando los efectos de las políticas de capacitación digital implementadas durante la crisis sanitaria de la pandemia por COVID-19 del 2020 al 2023.
3.2. Niveles de aceptación del uso de la inteligencia artificial (IA) por dimensiones
La Utilidad Percibida (PU) con una media de 2.00 (DE=0.872) (ver tabla 3), revela que los docentes reconocen conceptualmente los beneficios de la IA, coincidiendo con Pingping et al. (2020) quienes encontraron que la utilidad percibida es el predictor más fuerte de la intención de uso en contextos educativos. También el resultado se alinea con las proyecciones de Moroianu et al. (2023) sobre el potencial de estas herramientas para reducir tiempo en creación de contenido educativo.
A pesar de ello, esta percepción moderada sugiere que los docentes aún no visualizan completamente cómo la IA puede transformar específicamente sus prácticas cotidianas, contrastando con la visión optimista de Méndez et al. (2025) sobre la capacidad de la IA para permitir que los docentes se enfoquen en "lo realmente importante: educar".
En relación a la Facilidad de Uso Percibida (PEU) con media de 2.20 (DE=0.722) indica mayor dispersión en las percepciones. El 33.3% percibe dificultades significativas, lo cual podría vincularse con la limitada exposición previa a herramientas de IA, como señalan Chatterjee y Bhattacharjee (2020) (ver tabla 3). Esta dispersión refleja la heterogeneidad de competencias digitales que Holmes et al. (2022) identifican como un desafío crítico para la implementación masiva de IA educativa.
Los datos contrastan con la facilidad de uso que teóricamente deberían ofrecer las herramientas de IA generativa mencionadas por Celik et al. (2022). A su vez, permite evidenciar las preocupaciones anticipadas por Pineda et al. (2024) sobre la necesidad de capacitación progresiva y acelerada en IA.
La Intención de Comportamiento (BI) con media de 1.98 (DE=0.648) presenta una aparente contradicción con las proyecciones de Holmes et al. (2022), quienes reportan que el 65% de instituciones educativas planean implementar IA en tres años. La baja intención de uso individual contrasta con las expectativas institucionales, sugiriendo una desconexión entre políticas organizacionales y disposiciones docentes individuales. Lo que parece indicar la necesidad de intervenciones específicas.
En cuanto a la Compatibilidad Percibida (PC) con media de 2.12 (DE=0.683) refleja las tensiones identificadas por Hwang et al. (2020) entre las innovaciones tecnológicas y las metodologías pedagógicas tradicionales. Esta percepción moderada sugiere que los docentes no visualizan claramente cómo integrar la IA sin disrumpir sus enfoques pedagógicos establecidos, problemática que Scherer et al. (2019) habían anticipado al proponer la inclusión de esta dimensión en el modelo TAM educativo.
La Actitud hacia el Cambio (AC) mostró una media de 2.04 (DE=0.799), este resultado particularmente sugiere apertura moderada al cambio, contrastando con estudios que reportan mayor resistencia en contextos tradicionales (Al-Emran et al., 2021) (ver tabla 3).
Tabla 3 Medidas de tendencia central para los niveles de aceptación del uso de la IA en docentes de bachillerato
| - | PU_Niveles | PEU_Niveles | BI_Niveles | PC_Niveles | AC_Niveles |
| N | 51 | 51 | 51 | 51 | 51 |
| Media | 2.00 | 2.20 | 1.98 | 2.12 | 2.04 |
| Mediana | 2 | 2 | 2 | 2 | 2 |
| Desviación estándar | 0.872 | 0.722 | 0.648 | 0.683 | 0.799 |
Niveles de Aceptación: Alto: Media ≥ 4.5 (en escala 0-6); Moderado: Media 3.0-4.4; Bajo: Media < 3.0
3.3. Diferencias por género en relación a la aceptación de uso de la inteligencia artificial (IA)
El análisis por género reveló diferencias significativas en la Utilidad Percibida (PU) (t=-3.21, p=.002), en las mujeres, mostrando mayor percepción de utilidad (M=21.3) que los hombres (M=18.2). Este hallazgo pone de manifiesto constrastes con investigaciones previas que reportan una mayor afinidad tecnológica masculina (Cai et al., 2017), sugiriendo un cambio en las percepciones de género hacia la tecnología educativa (ver gráficos 1 y 2).
-----
3.4. Correlaciones entre las dimensiones del modelo TAM extendido, la formación en tecnología y la experiencia con IA
Se evidenció entre la Utilidad Percibida y Facilidad de Uso Percibida (PU-PEU) (r=0.757, p<.001) una fuerte correlación que confirma el modelo TAM original, donde la facilidad de uso influye significativamente en la utilidad percibida (Davis, 1989). A su vez, la Intención de Uso (BI) obtuvo correlaciones significativas con todas las dimensiones. En este sentido, las correlaciones altas con PU (r=0.638) y PEU (r=0.796) validan que estas son predictoras clave de la intención de uso, consistente con meta-análisis previos (Granić & Marangunić, 2019) (ver tabla 4).
Sin embargo, la Formación Tecnológica solo mostró correlaciones positivas con PEU (r=0.533, p<.001) y BI (r=0.424, p=.002), sugiriendo que la capacitación previa facilita la adopción de nuevas tecnologías. Hecho que es corroborado al buscar la existencia de correlación con la Experiencia con IA, donde los resultados no mostraron ninguna correlación significativa, posiblemente debido a la limitada exposición previa de los docentes a estas herramientas (ver tabla 4).
4. CONCLUSIONES
El modelo TAM extendido y adaptado a la evaluación perceptiva de los docentes en relación con el uso de la inteligencia artificial (IA) es pertinente para establecer diagnósticos que permitan el establecimiento de estrategias posteriores para la formación pedagógica.
Los docentes mostraron niveles moderados de aceptación hacia la IA, con la Utilidad Percibida como dimensión mejor valorada, indicando comprensión de los beneficios potenciales. Esta expresión fue acompañada de la Facilidad de Uso Percibida, de la cual se deja evidencia la necesidad de formación diferenciada según niveles de competencia digital. Las diferencias de género favorecieron a las mujeres en utilidad percibida, lo que manifiesta una evolución en las dinámicas tradicionales de adopción tecnológica.
Las distintas correlaciones significativas entre dimensiones validan el modelo TAM extendido en el contexto ecuatoriano, con la formación tecnológica previa como factor facilitador clave para el cambio.
Los resultados llevan a pensar en los diseños de los programas formativos, los cuales han de ser enfocados en demostrar aplicaciones prácticas de IA para tareas específicas (planificación, evaluación, material didáctico). De esta forma disminuir la carga administrativa, que recae en los docentes. También, en este marco, planificar estrategias diferenciadas, haciendo abordajes metodológicos de acuerdo con la particularidad de cada sujeto. Así capitalizar la alta percepción de utilidad para motivar la adopción efectiva.
