Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 1 - Año 2026
Página | 1
PORTADA
(Elaborada por la revista)
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 1 - Año 2026
Página | 369
Inteligencia Artificial Generativa en la Educación Superior:
Entre el Apoyo y la Dependencia
Generative Artificial Intelligence in Higher Education: Between Empowerment
and Dependence
Isidro Amaro Rodríguez
iamaro@itdurango.edu.mx
https://orcid.org/0000-0001-7502-2894
TecNM/Instituto Tecnológico de Durango
Durango – México
Juana Hernández Chavarría
juana.hernandez@itdurango.edu.mx
https://orcid.org/0000-0003-0268-6280
TecNM/Instituto Tecnológico de Durango
Durango – México
Adriana Eréndira Murillo
amurillo@itdurango.edu.mx
https://orcid.org/0000-0002-5558-6833
TecNM/Instituto Tecnológico de Durango
Durango – México
Artículo recibido: 17/02/2026
Aceptado para publicación: 19/02/2026
Conflictos de Intereses: Ninguno que declarar
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 1 - Año 2026
Página | 370
RESUMEN
La expansión de la inteligencia artificial generativa (IAG) en la educación superior
plantea el reto de garantizar un uso que fortalezca las competencias digitales sin comprometer
el desarrollo cognitivo del estudiantado, en consonancia con el ODS 4 sobre educación de
calidad. Este estudio analizó el uso académico, la autoeficacia tecnológica percibida y la
dependencia asociada a la IAG en 424 estudiantes del Instituto Tecnológico de Durango (edad
media = 19.88 años; 57.5% hombres y 41.27% mujeres). Se aplicó un diseño cuantitativo, no
experimental y transversal mediante un cuestionario tipo Likert validado. Se calcularon
estadísticos descriptivos, Alfa de Cronbach, correlaciones de Pearson y regresión lineal simple.
Los resultados muestran alta autoeficacia tecnológica (x
=3.67), uso académico moderado
(x
=3.45) y riesgo medio de dependencia (x
=3.18). El uso académico se correlacionó
fuertemente con la autoeficacia (r=0.764; p<0.001) y explicó el 58.3% de su varianza.
Asimismo, el uso explicó el 30.1% de la variación en dependencia. Se concluye que la IAG
fortalece la confianza técnica y la productividad académica; sin embargo, su uso intensivo
incrementa el riesgo de dependencia. Estos hallazgos resaltan la necesidad de integrar
lineamientos pedagógicos, formación ética y diseño instruccional orientado al pensamiento
crítico, con el fin de asegurar que la IAG contribuya al desarrollo de competencias
profesionales sostenibles en educación superior.
Palabras clave: inteligencia artificial generativa, educación de calidad, competencias
digitales, autoeficacia tecnológica, dependencia tecnológica
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 1 - Año 2026
Página | 371
ABSTRACT
The expansion of generative artificial intelligence (GAI) in higher education raises the
challenge of strengthening digital competencies without undermining students’ cognitive
development, in alignment with SDG 4 on quality education. This study analyzed academic
use, perceived technological self-efficacy, and dependency associated with GAI among 424
students from the Instituto Tecnológico de Durango (mean age = 19.88 years; 57.5% male
and 41.27% female). A quantitative, non-experimental, cross-sectional design was
implemented using a validated Likert-type questionnaire. Descriptive statistics, Cronbach’s
alpha, Pearson correlations, and simple linear regression analyses were conducted. Results
indicate high perceived technological self-efficacy (M=3.67), moderate academic use
(M=3.45), and a medium level of dependency risk (M=3.18). Academic use strongly
correlated with self-efficacy (r=0.764; p<0.001) and explained 58.3% of its variance.
Academic use also explained 30.1% of the variance in dependency. The findings suggest that
GAI enhances technical confidence and academic productivity; however, intensive use
increases dependency risk. The study underscores the need for pedagogical guidelines, ethical
training, and instructional design focused on critical thinking to ensure that GAI supports
sustainable professional competencies in higher education.
Keywords: generative artificial intelligence, quality education, digital competencies,
technological self-efficacy, technological dependency
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 1 - Año 2026
Página | 372
INTRODUCCIÓN
La incorporación de la inteligencia artificial generativa (IAG) en las instituciones de educación
superior no ha ocurrido de manera repentina o aislada. Forma parte de un proceso más amplio
de transformación digital que, desde hace varios años, viene modificando la forma en que
estudiantes y docentes acceden, comprenden y producen conocimiento. A diferencia de la
inteligencia artificial restringida, enfocada en tareas específicas, la IAG permite generar texto,
código, imágenes y otros contenidos a partir de modelos de aprendizaje profundo entrenados
con grandes volúmenes de datos (Camacho et al., 2023; Alpízar Garrido et al., 2024; Corredera,
2023; Perezchica-Vega et al., 2024). Esta capacidad ha abierto nuevas posibilidades para la
enseñanza, pero también ha generado debates relevantes dentro del ámbito académico.
Diversas investigaciones coinciden en que los estudiantes emplean la IAG principalmente
como apoyo para la búsqueda de información, la comprensión de conceptos complejos, la
organización de ideas y la redacción de trabajos académicos (Sousa, 2025; Naznin et al., 2025;
Muirragui Irrazabal et al., 2025). En áreas como la ingeniería y la tecnología, su uso también
se extiende a la programación, depuración de código y resolución de problemas estructurados
(Sajja et al., 2025; García Gutiérrez et al., 2025). Estas aplicaciones pueden favorecer la
personalización del aprendizaje, la retroalimentación inmediata y el desarrollo de habilidades
técnicas (Andrade-Girón et al., 2024; Gao et al., 2024; Vicari, 2018). Sin embargo, distintos
autores advierten que el impacto educativo de la IAG depende en gran medida del diseño
instruccional y del acompañamiento docente, ya que su uso sin orientación pedagógica puede
derivar en prácticas superficiales y poco reflexivas (Crompton y Burke, 2024; Kasneci et al.,
2023; Olaitan y Ajao, 2025).
El problema adquiere especial importancia porque, junto con sus beneficios, la IAG también
plantea riesgos asociados con la dependencia tecnológica, el plagio y la llamada “descarga
cognitiva”, es decir, la delegación sistemática de procesos mentales a herramientas externas
(Risko y Gilbert, 2016; Cotton et al., 2023; Fuchs, 2023). Estudios recientes incluso sugieren
posibles efectos sobre el razonamiento y la creatividad cuando el uso es intensivo y poco crítico
(Akinwalere e Ivanov, 2022; Kalnina et al., 2024; Kos’Myna, 2025; Jia, 2025). En este
contexto, organismos como la UNESCO (2021, 2023) han señalado la necesidad de acompañar
la integración de la IAG con marcos éticos claros basados en principios de inclusión,
transparencia y responsabilidad. De igual manera, Williams (2024) y Vega-Reinel et al. (2025)
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 1 - Año 2026
Página | 373
subrayan los dilemas relacionados con la autoría académica, la originalidad y la equidad en el
acceso.
Desde la teoría social cognitiva, la autoeficacia percibida desempeña un papel central en la
manera en que las personas afrontan tareas y desafíos tecnológicos (Bandura, 1986, 1999,
2001). En el ámbito educativo, esta percepción influye en la motivación, la autorregulación y
el desempeño académico (Cid et al., 2010; Olivari y Urra, 2007). En consecuencia, es razonable
suponer que una mayor confianza en el manejo de la IAG puede relacionarse con un uso más
frecuente; sin embargo, como advierte Yusuf (2024), la aceptación tecnológica no garantiza
necesariamente un uso crítico o ético. Además, Zawacki-Richter et al. (2019, 2024) señalan
que gran parte de la investigación sobre inteligencia artificial en educación superior se ha
centrado en aspectos técnicos, dejando en segundo plano la reflexión pedagógica y los efectos
formativos.
A partir de estos antecedentes surge la necesidad de analizar cómo se articulan el uso
académico de la IAG, la autoeficacia tecnológica percibida y la posible dependencia en
estudiantes de educación superior, particularmente en contextos de formación en ingeniería,
donde la integración tecnológica suele tener un carácter estructural (García Gutiérrez et al.,
2025). Por ello, este estudio se planteó las siguientes preguntas: ¿Cuál es el nivel de uso
académico de la IAG en estudiantes de educación superior? ¿Cómo se relaciona dicho uso con
la autoeficacia tecnológica percibida? ¿En qué medida el uso académico y la autoeficacia
predicen la dependencia tecnológica?
Con base en la teoría y la evidencia previa, se formularon las siguientes hipótesis: (H1) el uso
académico de la IAG se relaciona positivamente con la autoeficacia tecnológica percibida; (H2)
el uso académico se relaciona positivamente con la dependencia tecnológica; y (H3) la
autoeficacia tecnológica percibida se relaciona positivamente con la dependencia.
Para dar respuesta a estas preguntas se adoptó un enfoque cuantitativo, con diseño no
experimental y corte transversal, mediante la aplicación de un cuestionario tipo Likert validado
previamente (Trejo-Trejo y Gordillo-Espinoza, 2026). Se realizaron análisis descriptivos,
pruebas de fiabilidad, correlaciones de Pearson y regresiones lineales simples con el propósito
de examinar las relaciones entre las variables estudiadas.
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 1 - Año 2026
Página | 374
METODOLOGÍA
Diseño y Participantes
El estudio siguió un enfoque cuantitativo, con diseño no experimental, de corte transversal y
alcance descriptivo-correlacional con análisis predictivo. Se trabajó con datos numéricos
obtenidos mediante un cuestionario con preguntas cerradas, aplicado en un solo momento del
tiempo. El objetivo consistió en identificar los patrones de uso académico de la inteligencia
artificial generativa (IAG), el nivel de autoeficacia tecnológica percibida y la presencia de
conductas asociadas con dependencia.
La investigación se desarrolló en el Instituto Tecnológico de Durango (ITD), perteneciente al
Tecnológico Nacional de México. La institución cuenta con una población aproximada de 6720
estudiantes distribuidos en 17 programas de ingeniería y licenciatura, además de programas de
posgrado. La muestra estuvo conformada por 424 estudiantes de educación superior, con una
edad promedio de 19.88 años. En cuanto a la distribución por sexo, el 57.5% fueron hombres,
el 41.27% mujeres y el 1.18% prefirió no declarar esta información.
Se empleó un muestreo no probabilístico por conveniencia, considerando la disponibilidad y
accesibilidad de los estudiantes durante el periodo de aplicación del instrumento. Con base en
una población de 6720 estudiantes y una muestra de 424 participantes, el tamaño muestral
permite estimar un nivel de confianza del 95% con un margen de error aproximado del 4.7%,
lo que resulta adecuado para fines descriptivos y correlacionales en estudios institucionales.
Como criterios de inclusión se consideró que los participantes fueran estudiantes activos del
ITD durante el periodo de aplicación y que aceptaran participar voluntariamente en el estudio.
Se excluyeron cuestionarios incompletos o con inconsistencias evidentes en las respuestas. La
participación fue voluntaria y anónima, garantizando la confidencialidad de la información
recabada.
Aunque el instrumento se aplicó a estudiantes de distintas áreas disciplinares, la base de datos
no incluyó la identificación específica del programa académico de procedencia, por lo que el
análisis se realizó sobre una muestra institucional agregada. Esta decisión permitió obtener una
visión general de los patrones de uso, percepciones y hábitos relacionados con la IAG dentro
de la comunidad estudiantil.
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 1 - Año 2026
Página | 375
Instrumento y Dimensiones de Análisis
Para la recolección de la información se empleó un cuestionario estructurado con ítems
evaluados mediante una escala tipo Likert de cinco puntos, donde 1 corresponde a “totalmente
en desacuerdo” y 5 a “totalmente de acuerdo”. Este formato permitió captar con mayor
sensibilidad las percepciones, prácticas y actitudes del estudiantado frente al uso académico de
la IAG.
El instrumento fue retomado del estudio de Trejo-Trejo y Gordillo-Espinoza (2026), donde se
presenta la validación de un cuestionario para medir la adopción académica de la IAG en
estudiantes universitarios. La estructura del cuestionario se organizó en secciones y
dimensiones claramente definidas.
La sección inicial incluyó datos sociodemográficos básicos como edad, sexo y formación
previa relacionada con el uso académico de herramientas de IAG. Esta información permitió
caracterizar el perfil general de los participantes.
Para el presente estudio se analizaron cuatro dimensiones principales:
• Uso académico integral (Ítems 1–14): evalúa la frecuencia y nivel de sofisticación
con que el estudiantado emplea la IAG en actividades académicas, incluyendo
análisis de información, apoyo en tareas técnicas y resolución estructurada de
problemas.
• Creación y edición (Ítems 11–14): subdimensión centrado en la generación y
adaptación de contenidos textuales y multimedia, lo que permite observar la
interacción creativa con la herramienta.
• Autoeficacia tecnológica percibida (Ítems 15–21): mide el grado de confianza del
estudiante en su capacidad para utilizar la IAG de manera eficaz, autónoma y crítica
dentro de su proceso de aprendizaje.
• Dependencia o adicción (Ítems 40–42): identifica conductas asociadas con un uso
excesivo o compulsivo de la IAG, incluso en situaciones donde su utilización no
resulta estrictamente necesaria.
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 1 - Año 2026
Página | 376
Cada dimensión generó valores numéricos que permitieron describir patrones de uso y analizar
relaciones entre variables. La consistencia interna del instrumento se evaluó mediante el
coeficiente Alfa de Cronbach, cuyos resultados se presentan en la sección correspondiente.
Procedimiento y Análisis de Datos
La aplicación del instrumento se realizó de manera digital mediante un formulario en línea, lo
que permitió una recolección estandarizada de la información. El tiempo promedio de respuesta
fue de aproximadamente 10 a 15 minutos por participante. La participación fue voluntaria y
anónima, y los datos se procesaron de forma agregada con fines exclusivamente académicos.
El análisis y la visualización de los datos se realizaron utilizando el lenguaje Python (versión
3.x) en el entorno Google Colaboratory. El tratamiento estadístico se efectuó por dimensiones,
priorizando la identificación de patrones de uso y la relación entre las variables principales del
estudio.
El tratamiento estadístico de la información fue útil para poder aplicar los siguientes análisis:
• Estadísticos Descriptivos: media (x
) y Desviación Estándar (σ) para caracterizar la
intensidad y dispersión de las variables.
• Fiabilidad: coeficiente Alfa de Cronbach (α) para evaluar la consistencia interna de
las escalas usadas en el instrumento.
• Correlaciones: coeficiente de correlación de Pearson (r) para determinar la fuerza y
dirección de la relación lineal entre las dimensiones clave.
• Regresión Lineal Simple: para explorar la capacidad predictiva de las variables
(Uso Académico → Autoeficacia; Autoeficacia → Dependencia; Uso Académico
→ Dependencia).
El nivel de significancia estadística se estableció en p < 0.05. Este conjunto de análisis permitió
no solo describir el comportamiento de las variables, sino también examinar su capacidad
explicativa y predictiva dentro del modelo propuesto.
RESULTADOS Y DISCUSIÓN
En este apartado se presentan y analizan los resultados obtenidos a partir del análisis
estadístico, integrando la interpretación de los hallazgos en función de las hipótesis planteadas.
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 1 - Año 2026
Página | 377
Fiabilidad de las Escalas
En primer lugar, se evaluó la consistencia interna del instrumento mediante el coeficiente Alfa
de Cronbach. Los resultados muestran niveles adecuados de fiabilidad en todas las dimensiones
analizadas, superando el umbral de 0.70 recomendado para investigación en ciencias sociales
(Nunnally, 1978; Tavakol y Dennick, 2011). Ver tabla 1.
Tabla 1. Coeficientes de fiabilidad por dimensión
DIMENSIÓN
ÍTEMS
ALFA DE CRONBACH (Α)
INTERPRETACIÓN
Uso académico integral
14
.897
Excelente
Autoeficacia tecnológica
percibida
7
.903
Excelente
Dependencia o Adicción
3
.808
Buena
Fuente: Elaboración propia con Python (Google Colab).
Nota: Valores superiores a 0.80 indican una alta consistencia interna.
Estos resultados confirman que las escalas utilizadas presentan estabilidad interna suficiente
para el análisis correlacional y predictivo posterior.
Estadísticos Descriptivos
Posteriormente, se calcularon medias y desviaciones estándar para cada dimensión (Escala
Likert 1–5).
Tabla 2. Estadísticos descriptivos por dimensión (Escala Likert 1–5)
DIMENSIÓN
MEDIA
(X
)
DESVIACIÓN ESTÁNDAR
(Σ)
Autoeficacia
Tecnológica
Percibida
3.67
0.84
Uso Académico
Integral
3.45
0.78
Creación y Edición
2.27
0.92
Dependencia o
Adicción
3.18
1.02
Fuente: Elaboración propia con Python (Google Colab).
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 1 - Año 2026
Página | 378
La autoeficacia tecnológica percibida presenta la media más alta (x
= 3.67), lo que indica que
los estudiantes se perciben competentes en el uso de la IAG. El uso académico integral muestra
una frecuencia moderada (x
= 3.45), mientras que la dependencia se sitúa en un nivel medio (x
= 3.18).
Figura 1. Medias y desviación estándar por dimensión
Fuente: Elaboración propia con Python (Google Colab).
Nota: Las barras de error representan la Desviación Estándar.
Correlaciones entre variables
Para contrastar las hipótesis H1 y H2 se aplicó el coeficiente de correlación de Pearson.
Tabla 3. Correlaciones de Pearson entre dimensiones
RELACIÓN
R DE PEARSON
INTERPRETACIÓN
Uso Académico ↔ Autoeficacia
0.764**
Fuerte
Uso Académico ↔ Dependencia
0.549**
Moderada
Autoeficacia ↔ Dependencia
0.494**
Moderada
Fuente: Elaboración propia con Python (Google Colab).
Nota: p < 0.001
La correlación más fuerte se observa entre uso académico y autoeficacia (r = 0.764), lo que
respalda la hipótesis H1: a mayor uso académico, mayor confianza tecnológica percibida.
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 1 - Año 2026
Página | 379
Asimismo, el uso académico se relaciona positivamente con la dependencia (r = 0.549),
apoyando la hipótesis H2.
Figura 2. Relación entre uso académico y autoeficacia tecnológica percibida
Fuente: Elaboración propia con Python (Google Colab).
Nota: La línea roja representa la regresión lineal simple.
Análisis de regresión lineal
Con el propósito de examinar el poder predictivo entre variables, se realizaron regresiones
lineales simples.
Tabla 4. Modelos de regresión lineal simple
MODELO DE
REGRESIÓN
VARIABLE PREDICTORA Β
VARIABLE
CRITERIO
R²
P
Modelo 1
Uso Académico (β = 0.817)
Autoeficacia
0.583
< 0.001
Modelo 2
Uso Académico (β = 0.720)
Dependencia
0.301
< 0.001
Modelo 3
Autoeficacia (β =0.606)
Dependencia
0.244
< 0.001
Fuente: Elaboración propia con Python (Google Colab).
El uso académico explica el 58.3% de la varianza en la autoeficacia tecnológica percibida, lo
que confirma su fuerte capacidad predictiva (H1). Asimismo, explica el 30.1% de la variación
en la dependencia, mientras que la autoeficacia explica el 24.4%, lo que respalda parcialmente
H3.
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 1 - Año 2026
Página | 380
Discusión integrada de los hallazgos
Los resultados muestran que la IAG se ha integrado como herramienta de productividad
académica en estudiantes de educación superior. La alta autoeficacia tecnológica coincide con
estudios que relacionan confianza digital y desempeño académico (Bandura, 1986; Gao et al.,
2024).
Sin embargo, la relación positiva entre uso académico y dependencia sugiere que el incremento
en la frecuencia de uso puede derivar en una mayor delegación de procesos cognitivos,
fenómeno descrito como descarga cognitiva (Risko y Gilbert, 2016). Aunque la media de
dependencia no es elevada, la capacidad predictiva del uso académico evidencia la necesidad
de acompañamiento pedagógico y lineamientos éticos, como lo plantea la UNESCO (2023).
En el contexto de la formación en ingeniería, estos resultados indican que no basta con
promover el uso frecuente de la IAG, sino que es necesario orientar su aplicación hacia tareas
técnicas avanzadas que mantengan el control crítico del estudiante sobre el proceso formativo
(García Gutiérrez et al., 2025).
CONCLUSIÓN
Los resultados muestran que los estudiantes de educación superior del ITD perciben una alta
autoeficacia en el manejo de la inteligencia artificial generativa, lo que se asocia de manera
fuerte con la intensidad del uso académico. Esta relación es especialmente relevante en dichos
estudiantes, donde el uso de estas herramientas se vincula con una mayor productividad y un
manejo técnico más sofisticado. Los datos también indican que existe un riesgo moderado de
sobre dependencia, ya que a medida que aumenta el uso de estas herramientas, también
aumenta la probabilidad de depender de ellas para completar tareas académicas. Lo que sugiere
que un mayor uso de la IAG en tareas académicas repercute en la confianza y capacidad para
manejarla, aunque no se tienen elementos empíricos para comprobar si su uso es en
aplicaciones específicas para su formación profesional, en este caso en disciplinas de la
ingeniería y tecnología.
En este sentido, los hallazgos confirman la hipótesis que plantea una relación positiva entre el
uso académico de la IAG y la autoeficacia tecnológica percibida, así como la asociación entre
uso intensivo y mayores niveles de dependencia. La autoeficacia también mostró una relación
significativa con la dependencia, lo que sugiere que la confianza tecnológica puede funcionar
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 1 - Año 2026
Página | 381
simultáneamente como facilitador de adopción y como posible factor de intensificación del
uso. Desde el punto de vista teórico, estos resultados permiten articular las dimensiones de uso,
percepción de competencia y dependencia dentro de un mismo marco explicativo, aportando
evidencia empírica al debate actual sobre el impacto formativo de la IAG en la educación
superior.
Además, se evidenció un uso generalizado y apropiación natural de las herramientas de IAG
en la muestra analizada. Sin embargo, estudios previos plantean la necesidad de que se
acompañe de políticas, lineamientos éticos y pedagógicos al interior de las instituciones que
regulen su uso y aplicación en el proceso de enseñanza-aprendizaje y que se ajusten a las
características y demandas de la educación técnica superior, así como acciones para la
prevención de la dependencia tecnológica. Sin perder de vista que el acompañamiento docente
es un elemento esencial para la integración adecuada de la IAG en la formación educativa.
A partir de los hallazgos obtenidos, se pueden generar ciertas recomendaciones orientadas a
fortalecer una integración más consciente, crítica y formativa de la IAG para la educación
superior. En primer lugar, es pertinente fomentar un uso crítico y avanzado de la IAG dentro
de la malla curricular; no sólo emplearla como apoyo para la generación de textos o código
básico, sino impulsar la utilización en tareas de mayor complejidad y especialización para la
toma de decisiones técnicas. En segundo lugar, se recomienda integrar una auditoría de la IAG
en la planeación didáctica, que implique el diseño de actividades en las que los estudiantes no
solo utilicen resultados generados por la IAG, sino que los examinen, cuestionen, corrijan y
mejoren. Este ejercicio favorece el desarrollo del pensamiento y análisis crítico, lo que
contribuye a que la inteligencia humana continúe siendo el eje central del proceso formativo,
incluso en entornos altamente automatizados.
No obstante, es importante reconocer algunas limitaciones del estudio. La investigación se
realizó en una sola institución y mediante un muestreo no probabilístico, lo que restringe la
generalización de los resultados a otros contextos. Asimismo, el diseño transversal impide
establecer relaciones causales entre las variables analizadas, y la información se obtuvo
mediante autopercepción, lo que puede introducir sesgos asociados a la evaluación subjetiva.
Futuras investigaciones podrían incorporar diseños longitudinales, análisis diferenciados por
programa académico y medidas objetivas de desempeño que permitan profundizar en la
comprensión del impacto formativo de la IAG.
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 1 - Año 2026
Página | 382
REFERENCIAS
Akinwalere, S. N., & Ivanov, V. (2022). Artificial intelligence in higher education: Challenges
and opportunities. Border Crossing, 12(1), 1–15.
https://doi.org/10.33182/bc.v12i1.2015
Alpízar Garrido, L. O., & Martínez Ruiz, H. (2024). Perspectiva de estudiantes de nivel medio
superior respecto al uso de la inteligencia artificial generativa en su aprendizaje. RIDE.
Revista Iberoamericana para la Investigación y el Desarrollo Educativo, 14(28).
https://doi.org/10.23913/ride.v14i28.1830
Andrade-Girón, D., Marín-Rodríguez, W., Saldívar-Rosas, J., Carreño-Cisneros, E., Susanibar-
Ramírez, E., Zuñiga-Rojas, M., Ángeles-Morales, J., & Villarreal-Torres, H. (2024).
Generative artificial intelligence in higher education learning: A review based on
academic databases. Iberoamerican Journal of Science Measurement and
Communication, 4(1). https://doi.org/10.47909/ijsmc.101
Bandura, A. (1986). Self-efficacy mechanism in human agency. American Psychologist, 37(2),
122–147. https://doi.org/10.1037/0003-066X.37.2.122
Bandura, A. (1999). Autoeficacia: Cómo afrontamos los cambios de la sociedad actual.
Desclée de Brouwer.
Bandura, A. (2001). Social cognitive theory: An agentic perspective. Annual Review of
Psychology, 52, 1–26.
Camacho, M. U., Tambasco, P., Martínez, S., & Correa, M. G. (2023). El impacto de la
inteligencia artificial en la educación: Riesgos y potencialidades en el aula. RiiTE
Revista Interuniversitaria de Investigación en Tecnología Educativa, 41–57.
https://doi.org/10.6018/riite.584501
Cid, P., Orellana, A., & Barriga, O. (2010). Validación de la escala de autoeficacia general en
Chile. Revista Médica de Chile, 138(5), 551–557.
Corredera, J. C. (2023). Inteligencia artificial generativa. Anales de la Real Academia de
Doctores, 8(3), 475–489.
Cotton, D. R. E., Cotton, P. A., & Shipway, J. R. (2023). Chatting and cheating: Ensuring
academic integrity in the era of ChatGPT. Innovations in Education and Teaching
International, 61(2), 228–239.
Crompton, H., & Burke, D. (2024). Artificial intelligence in higher education: The state of the
field. Educational Technology Research and Development, 72(1), 1–18.
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 1 - Año 2026
Página | 383
Fontanillas, T. R., Carbonell, M. R., Catasús, M. G., & Quemada, P. B. (2025). Desafíos de la
inteligencia artificial generativa en educación superior. RIED-Revista Iberoamericana
de Educación a Distancia, 28(2), 189–231.
Fuchs, K. (2023). Exploring the opportunities and challenges of NLP models in higher
education. Frontiers in Education, 8, 1166682.
Gao, Z., Cheah, J. H., Lim, X. J., & Luo, X. (2024). Enhancing academic performance of
business students using generative AI. The International Journal of Management
Education, 22(2), 100958.
García Gutiérrez, G., Tapia Guerrero, J., Mejía Peralta, C., & Egez Cevallos, R. (2025). Uso
de inteligencia artificial generativa como herramienta de apoyo académico en la
innovación pedagógica universitaria. Revista Social Fronteriza, 5(6), e955.
Jia, W. (2025). Effect of generative AI dependency on university students’ academic outcomes.
Journal of Medical Internet Research, 27, e12561201.
Kalnina, D., Nīmante, D., & Baranova, S. (2024). Artificial intelligence for higher education:
Benefits and challenges. Frontiers in Education, 9.
Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U.,
& Krusche, S. (2023). ChatGPT for good? On opportunities and challenges of large
language models for education. Learning and Individual Differences, 103, 102274.
Kos’Myna, N. (2025). Your brain on ChatGPT: Accumulation of cognitive debt when using
an AI assistant for essay writing tasks. arXiv preprint.
Muirragui Irrazabal, V. L., Garzón Balcázar, J. M., Moreira Cañizares, A. C., & Ponce Reyes,
F. S. (2025). Impacto del uso de la inteligencia artificial en la educación universitaria.
RECIMUNDO, 9(2), 349–360.
Naznin, K., Al Mahmud, A., Nguyen, M. T., & Chua, C. (2025). ChatGPT integration in higher
education. Computers, 14(2), 53.
Nunnally, J. C. (1978). Psychometric theory (2nd ed.). McGraw-Hill.
Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). McGraw-Hill.
Olaitan, O., & Ajao, I. O. (2025). Generative AI in higher education. International Journal of
Learning and Teaching Research, 14(2), 45–62.
Olivari, C., & Urra, E. (2007). Autoeficacia y conductas de salud. Ciencia y Enfermería, 13(1), 9–15.
Perezchica-Vega, J. E., Sepúlveda-Rodríguez, J. A., & Román-Méndez, A. D. (2024).
Inteligencia artificial generativa en la educación superior. European Public & Social
Innovation Review, 9, 1–20.
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 1 - Año 2026
Página | 384
Risko, E. F., & Gilbert, S. J. (2016). Cognitive offloading. Trends in Cognitive Sciences, 20(9),
676–688.
Sajja, R., Sermet, Y., Fodale, B., & Demir, I. (2025). Evaluation of AI-based learning assistants
in engineering higher education. arXiv preprint.
Sousa, A. E. (2025). Use of generative AI by higher education students. Electronics, 14(7), 1258.
Tavakol, M., & Dennick, R. (2011). Making sense of Cronbach’s alpha. International Journal
of Medical Education, 2, 53–55.
Trejo-Trejo, G. A., & Gordillo-Espinoza, E. G. (2026). Validación de un instrumento para
medir el uso académico de la IAG en estudiantes universitarios. Pixel-Bit. Revista de
Medios y Educación, (75).
UNESCO. (2021). International forum on AI and the futures of education: Developing
competencies for the AI era. UNESCO.
UNESCO. (2023). AI and education: Guidance for policy-makers. UNESCO.
Vega-Reinel, S. V., Palacios-Zuñiga, R. M., Pazmiño-Gaibor, Á. X., Peña, P. M., & García-
Laje, C. A. (2025). Implicaciones éticas del uso de inteligencia artificial generativa en
la formación universitaria. REICOMUNICAR, 8(15), 833–851.
Vicari, M. R. (2018). Tendências em inteligência artificial na educação no período de 2017 a
2030. SENAI.
Williams, R. T. (2024). The ethical implications of using generative chatbots in higher
education. Frontiers in Education, 8.
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of
research on artificial intelligence applications in higher education. International
Journal of Educational Technology in Higher Education.
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2024). Artificial intelligence
applications in higher education: Where are the educators? International Journal of
Educational Technology in Higher Education.
© Los autores. Este artículo se publica en Prisma ODS bajo la Licencia Creative Commons Atribución 4.0
Internacional (CC BY 4.0). Esto permite el uso, distribución y reproducción en cualquier medio, incluidos fines
comerciales, siempre que se otorgue la atribución adecuada a los autores y a la fuente original.
: https://doi.org/10.65011/prismaods.v5.i1.172
Cómo citar este artículo (APA 7ª edición):
Amaro Rodríguez, I. ., Hernández Chavarría, J. ., & Eréndira Murillo, A. . (2026). Inteligencia
Artificial Generativa en la Educación Superior: Entre el Apoyo y la Dependencia. Prisma
ODS: Revista Multidisciplinaria Sobre Desarrollo Sostenible, 5(1), 369-
384. https://doi.org/10.65011/prismaods.v5.i1.172