Uso de la inteligencia articial entre profesores de educación básica superior en Ecuador. pp. 30 - 43 /
Volumen 5, número 3 / DOI: https://doi.org/10.37431/conectividad.v5i3.148
Fecha de recepción: 20 / 05 / 2024
Fecha de aceptación: 19 / 06 / 2024
Fecha de publicación: 23 / 07 / 2024
30
Instituto Superior Tecnológico Universitario Rumiñahui
Uso de la inteligencia articial entre profesores de educación básica superior
en Ecuador
Use of articial intelligence among teachers of higher basic education in Ecuador
Angélica Valeria Jiménez Banchón1 , Richard Ramírez Anormaliza2
1Universidad Península de Santa Elena, angelica.jimenezb@educacion.gob, La Libertad, Ecuador
2 Universidad Estatal de Milagro, Universidad de Guayaquil, rramireza@unemi.edu.ec, Milagro, Ecua-
dor
Autor de correspondencia: angelica.jimenezb@educacion.gob.ec
RESUMEN
Este artículo examina la adopción de la inteligencia artificial (IA) entre los docentes de educa-
ción básica superior en Ecuador, destacando la importancia de la intención de uso, la usabilidad
percibida y la utilidad esperada. Se enfatiza la necesidad de mejorar la usabilidad y comunicar
la utilidad de la IA para su adopción, con implicaciones para la formación docente. El estudio
utiliza un enfoque cuantitativo y modelado de ecuaciones estructurales para analizar datos de
299 docentes de un Distrito de educación, encontrando que la usabilidad percibida y la utilidad
esperada influyen significativamente en la intención de usar IA. Los hallazgos sugieren que
centrarse en mejorar la usabilidad y comunicar claramente los beneficios de la IA puede fo-
mentar su adopción entre los educadores. Los temas incluyen la evolución y tendencias futuras
de la IA en la educación, la integración de la tecnología en las prácticas docentes y aceptación
de la tecnología por parte de los docentes, a través de modelos como el Modelo de Aceptación
de Tecnología (TAM). Se destaca además la importancia de equipar a los docentes con las ha-
bilidades necesarias para integrar la tecnología en la educación, inspirados por marcos como
TPACK.
Palabras claves: Inteligencia artificial, El aprendizaje, Rendimiento académico, Aceptación de
la tecnología
ABSTRACT
This article examines the adoption of artificial intelligence (AI) among higher primary educa-
tion teachers in Ecuador, highlighting the importance of intention to use, perceived usability,
and expected usefulness. The need to improve usability and communicate the usefulness of AI
for adoption is emphasized, with implications for teacher training. The study uses a quantitative
approach and structural equation modeling to analyze data from 299 teachers from an educa-
tion district, finding that perceived usability and expected usefulness significantly influence
the intention to use AI. The findings suggest that improving usability and communicating the
benefits of AI can encourage its adoption among educators. Topics include the evolution and
future trends of AI in education, the integration of technology into teaching practices, and the
teachers’ acceptance of technology through models such as the Technology Acceptance Model
(TAM). The importance of equipping teachers with the skills necessary to integrate technology
Uso de la inteligencia articial entre profesores de educación básica superior en Ecuador. pp. 30 - 43 /
Volumen 5, número 3 / DOI: https://doi.org/10.37431/conectividad.v5i3.148
Fecha de recepción: 20 / 05 / 2024
Fecha de aceptación: 19 / 06 / 2024
Fecha de publicación: 23 / 07 / 2024
31
Instituto Superior Tecnológico Universitario Rumiñahui
into education, inspired by frameworks such as TPACK, is also highlighted.
Key words: Artificial intelligence, Learning, Academic performance, Acceptance of technology
1. INTRODUCCIÓN
La inteligencia artificial (IA) ha emergido como una tecnología transformadora en diversos
campos, incluyendo la educación (Zawacki-Richter et al., 2019)2019. En el contexto educativo,
la IA tiene el potencial de revolucionar la enseñanza y el aprendizaje, ofreciendo oportunidades
para personalizar la instrucción, automatizar tareas administrativas y mejorar los resultados de
aprendizaje (Popenici & Kerr, 2017). A medida que la IA continúa evolucionando y se vuelve
más accesible, es crucial comprender los factores que influyen en su adopción y uso por parte
de los educadores.
La adopción de tecnología ha sido un tema ampliamente estudiado en la literatura, con varios
modelos teóricos desarrollados para explicar y predecir el comportamiento de adopción de los
usuarios. Uno de los modelos más influyentes es el Modelo de Aceptación Tecnológica (TAM)
propuesto por Davis (1989), que postula que la utilidad percibida y la facilidad de uso percibida
son determinantes clave de la intención de uso y el uso real de una tecnología. El TAM ha sido
ampliamente aplicado y extendido en diversos contextos, incluyendo la educación (Scherer
et al., 2019).
Además del TAM, la literatura ha identificado otros factores que pueden influir en la adopción
de tecnología por parte de los educadores. La usabilidad, definida como la medida en que un
producto puede ser utilizado por usuarios específicos para lograr objetivos específicos con efec-
tividad, eficiencia y satisfacción (ISO, 2018), ha sido reconocida como un factor crítico en la
aceptación de tecnología (Teo, 2010). Los educadores son más propensos a adoptar tecnologías
que sean fáciles de usar y que se integren sin problemas en sus prácticas de enseñanza existen-
tes (Joo, 2020).
Otro factor importante es la utilidad esperada, que se refiere a la medida en que los educado-
res creen que una tecnología mejorará su desempeño y eficacia en el trabajo (Venkatesh et al.,
2003). Los educadores están más dispuestos a adoptar tecnologías que perciben como benefi-
ciosas para su enseñanza y para el aprendizaje de sus estudiantes (Backfisch et al., 2020). La
investigación ha demostrado que la utilidad esperada es un fuerte predictor de la intención de
uso de tecnología en el contexto educativo (Scherer et al., 2019).
A pesar del creciente interés en la IA en la educación, hay una escasez de investigaciones que
examinen los factores que influyen en la adopción de IA por parte de los profesores, particu-
larmente en el contexto de la educación básica superior en Ecuador. Este estudio busca abordar
esta brecha en la literatura, proponiendo un modelo basado en el TAM que incorpora la usabili-
dad percibida y la utilidad esperada como predictores de la intención de uso y el uso real de la
Uso de la inteligencia articial entre profesores de educación básica superior en Ecuador. pp. 30 - 43 /
Volumen 5, número 3 / DOI: https://doi.org/10.37431/conectividad.v5i3.148
Fecha de recepción: 20 / 05 / 2024
Fecha de aceptación: 19 / 06 / 2024
Fecha de publicación: 23 / 07 / 2024
32
Instituto Superior Tecnológico Universitario Rumiñahui
IA entre los profesores de educación básica superior en Ecuador.
Los objetivos específicos de esta investigación son: (1) examinar el efecto de la usabilidad
percibida y la utilidad esperada en la intención de uso de la IA; (2) investigar el impacto de la
utilidad esperada en la usabilidad percibida; y (3) evaluar la relación entre la intención de uso y
el uso real de la IA entre los profesores de educación básica superior en Ecuador. Los resultados
de este estudio contribuirán a una mejor comprensión de los factores que impulsan la adopción
de IA en la educación y proporcionarán información valiosa para el diseño de programas de
capacitación docente y la implementación exitosa de tecnologías de IA en las aulas.
2. MATERIALES Y MÉTODOS
Esta investigación adoptó un enfoque cuantitativo y un diseño transversal (Creswell & Creswe-
ll, 2017). Se utilizó un modelo de ecuaciones estructurales basado en mínimos cuadrados par-
ciales (PLS-SEM) para examinar las relaciones entre los constructos propuestos (Hair, 2017).
La población objetivo para este estudio fueron los profesores de educación básica superior de
un distrito en Ecuador. Se empleó un muestreo no probabilístico por conveniencia para reco-
pilar los datos (Etikan et al., 2015). La recolección de datos se realizó mediante una encuesta
en línea, y se obtuvo una muestra final de 299 profesores de un distrito de educación en una
escuela de Ecuador.
Los constructos del modelo fueron medidos utilizando escalas adaptadas de estudios previos.
La intención de uso (BI) y el uso real (U) se midieron con escalas adaptadas de Venkatesh et al.
(2012). La usabilidad percibida (UP) se midió con una escala adaptada de Brooke (1996), mien-
tras que la utilidad esperada (UE) se midió con una escala adaptada de Davis (1989). Todas las
escalas utilizaron un formato de respuesta tipo Likert de 6 puntos, donde 1 indica “totalmente
en desacuerdo” y 6 indica “totalmente de acuerdo”. Los constructos con sus respectivos indica-
dores se muestran en al Tabla 1.
Tabla 1: Constructos e indicadores
Constructo – indicador Fuente
Utilidad Percibida (UP): Para la intención conductual
de uso, la auto-ecacia y la
ansiedad se han adaptado los
propuestos por (Venkatesh et
al., 2003):
UP1 El uso de IA en la educación mejora mi efectividad en
la enseñanza
UP2 El uso de la IA en la educación me resulta útil
UP3 El uso de la IA en la educación me ahorra tiempo.
UP4 Es útil incorporar tecnologías basadas en IA para la
evaluación de mis estudiantes
UP5 El uso de herramientas basadas en IA aumenta mis
oportunidades de evaluación.
Uso de la inteligencia articial entre profesores de educación básica superior en Ecuador. pp. 30 - 43 /
Volumen 5, número 3 / DOI: https://doi.org/10.37431/conectividad.v5i3.148
Fecha de recepción: 20 / 05 / 2024
Fecha de aceptación: 19 / 06 / 2024
Fecha de publicación: 23 / 07 / 2024
33
Instituto Superior Tecnológico Universitario Rumiñahui
Facilidad de Uso Percibida (EU): Los ítems referidos a la
facilidad de uso, la utilidad
percibida y la intención
conductual han sido
adaptados de la propuesta de
davis (1989).
UE1
Aprender a usar herramientas digitales basadas en IA
es fácil para mí.
UE2
Adquirir habilidades en el uso de herramientas digita-
les basadas en inteligencia articial es fácil.
UE3
Enseñar es más fácil si la IA me ofrece herramientas
digitales
UE4 Me resulta fácil conseguir que las IA hagan lo que yo
quiero que hagan.
UE5
Los sistemas basados en IA me parecen fáciles de
usar.
Intención Conductual hacia el Uso (BI) Grado en el que el usuario
formula planes conscientes
para desarrollar (o no)
una conducta futura. La
intención es proactiva, en
el sentido que implica que
el usuario se interesará en
contar con esa tecnología
en la vida diaria (Bedregal-
Alpaca et al., 2019).
BI1
Tengo la intención de utilizar con frecuencia la
inteligencia articial para mejorar el aprendizaje en
mis estudiantes.
BI2
Tengo la intención de utilizar la inteligencia articial
en el proceso educativo.
BI3
Tengo la intención de utilizar la inteligencia articial
y las herramientas que faciliten la enseñanza durante
este trimestre y el otro.
BI4
Tengo la intención de utilizar repetidamente
herramientas digitales en el proceso educativo con la
mayor frecuencia posible.
BI5
Tengo la intención de utilizar la inteligencia articial
en mis clases y así se me facilite el proceso de
evaluación de los estudiantes
USO (U): El uso real (U) se midieron
con escalas adaptadas de
Venkatesh et al. (2012).
U1 Tengo experiencia en el uso de la inteligencia arti-
cial.
U2 Ya he utilizado aplicaciones impulsadas por IA (chat-
bots, etc.).
U3 Utilizar herramientas digitales aplicadas en el proceso
de aprendizaje es una buena idea.
U4 Es benecioso el uso de la inteligencia articial den-
tro de las aulas.
U5 Como docente he utilizado la inteligencia articial y
me parece de fácil uso.
Uso de la inteligencia articial entre profesores de educación básica superior en Ecuador. pp. 30 - 43 /
Volumen 5, número 3 / DOI: https://doi.org/10.37431/conectividad.v5i3.148
Fecha de recepción: 20 / 05 / 2024
Fecha de aceptación: 19 / 06 / 2024
Fecha de publicación: 23 / 07 / 2024
34
Instituto Superior Tecnológico Universitario Rumiñahui
Con los constructos del modelo de aceptación de la tecnología 2 (Scherer et al., 2019)y los in-
dicadores seleccionados, se planteó el modelo de investigación presentado en la Figura 1.
Figura 1: Modelo de investigación
Los datos se analizaron utilizando el software SmartPLS 4 (Ringle et al., 2022). Se siguió el
enfoque de dos pasos recomendado por Anderson & Gerbing (1988), evaluando primero el
modelo de medida y luego el modelo estructural. La fiabilidad y validez del modelo de medida
se evaluó mediante el examen de las cargas factoriales, la fiabilidad compuesta, la varianza
extraída media (AVE) y la validez discriminante (Hair, 2017). El modelo estructural se evaluó
examinando los coeficientes de ruta, los valores de R², los tamaños del efecto (f²) y la relevancia
predictiva (Q²) (Chin, 1998; Hair, 2017). Esta investigación se adhirió a los principios éticos
establecidos por Ministerio de Educación del Ecuador. Se obtuvo el consentimiento informado
de todos los participantes, y se garantizó el anonimato y la confidencialidad de los datos reco-
pilados.
3. RESULTADOS
Modelo de medida
El modelo de medida fue evaluado examinando las cargas factoriales, la fiabilidad compuesta,
la varianza extraída media (AVE) y la validez discriminante. Como se muestra en la Tabla 2,
todas las cargas factoriales de los indicadores en sus respectivos constructos son superiores a
0.7, lo que indica una buena fiabilidad individual de los indicadores (Hair, 2017).
Uso de la inteligencia articial entre profesores de educación básica superior en Ecuador. pp. 30 - 43 /
Volumen 5, número 3 / DOI: https://doi.org/10.37431/conectividad.v5i3.148
Fecha de recepción: 20 / 05 / 2024
Fecha de aceptación: 19 / 06 / 2024
Fecha de publicación: 23 / 07 / 2024
35
Instituto Superior Tecnológico Universitario Rumiñahui
T abla 2: Cargas factoriales de los indicadores en sus respectivos constructos
Indicador – constructo Cargas externas
BI1 <- BI 0.962
BI2 <- BI 0.957
BI3 <- BI 0.966
BI4 <- BI 0.960
BI5 <- BI 0.944
U1 <- U 0.875
U2 <- U 0.857
U3 <- U 0.909
U4 <- U 0.913
UE1 <- UE 0.925
UE2 <- UE 0.947
UE3 <- UE 0.929
UE4 <- UE 0.891
UE5 <- UE 0.936
UP1 <- UP 0.920
UP2 <- UP 0.961
UP3 <- UP 0.945
UP4 <- UP 0.937
UP5 <- UP 0.892
La Tabla 3 presenta los valores de fiabilidad compuesta (rho_c), el alfa de Cronbach y la varian-
za extraída media (AVE) para cada constructo. Todos los valores de fiabilidad compuesta y alfa
de Cronbach superan el umbral de 0.7, lo que sugiere una buena consistencia interna (Fornell &
Larcker, 1981; Nunnally & Bernstein, 1994) (Fornell & Larcker, 1981; Nunnally & Bernstein,
1994). Además, la varianza extraída media (AVE) para cada constructo es superior a 0.5, lo que
indica una buena validez convergente (Bagozzi & Yi, 1988).
Tabla 3: Fiabilidad y validez de constructo
Constructo Alfa de Cronbach
Fiabilidad
compuesta
(rho_a)
Fiabilidad
compuesta (rho_c)
Varianza extraída
media (AVE)
BI 0.977 0.978 0.982 0.917
U 0.913 0.931 0.938 0.791
UE 0.958 0.960 0.968 0.857
UP 0.962 0.962 0.970 0.867
La validez discriminante se evaluó mediante el criterio de Fornell & Larcker (1981). Como se
muestra en la Tabla 4, la raíz cuadrada del AVE de cada constructo (valores en la diagonal) es
mayor que las correlaciones con otros constructos, lo que sugiere una adecuada validez discri-
minante.
Uso de la inteligencia articial entre profesores de educación básica superior en Ecuador. pp. 30 - 43 /
Volumen 5, número 3 / DOI: https://doi.org/10.37431/conectividad.v5i3.148
Fecha de recepción: 20 / 05 / 2024
Fecha de aceptación: 19 / 06 / 2024
Fecha de publicación: 23 / 07 / 2024
36
Instituto Superior Tecnológico Universitario Rumiñahui
Tabla 4: Validez discriminante: criterio de Fornell-Larcker
Constructo BI U UE UP
BI 0.958
U0.834 0.889
UE 0.822 0.833 0.926
UP 0.846 0.810 0.840 0.931
Modelo estructural
Los resultados del modelo estructural se presentan en las Tabla 5. Todos los coeficientes de
ruta son estadísticamente significativos (p < 0.05) y tienen una magnitud considerable (Cohen,
1988; Hair, 2017). La intención de uso (BI) tiene un efecto positivo y significativo sobre el uso
real (U) (β = 0.834, p < 0.001). La usabilidad percibida (UP) y la utilidad esperada (UE) tienen
efectos positivos y significativos sobre la intención de uso (BI) (β = 0.530 y β = 0.376, respec-
tivamente, p < 0.001). La utilidad esperada (UE) tiene un efecto positivo y significativo sobre
la usabilidad percibida (UP) (β = 0.840, p < 0.001).
Tabla 5: Coeficientes de ruta
Ruta
Muestra
original (O)
Media de la
muestra (M)
Desviación
estándar
(STDEV)
Estadísticos t
(|O/STDEV|) Valores p
BI -> U 0.834 0.834 0.024 34.112 0.000
UE -> BI 0.376 0.380 0.074 5.078 0.000
UE -> UP 0.840 0.840 0.022 37.364 0.000
UP -> BI 0.530 0.526 0.075 7.113 0.000
Los valores de R² para los constructos endógenos (BI, U y UP) se muestran en la Tabla 6, tales
valores son superiores a 0.6, lo que indica un buen poder explicativo del modelo (Chin, 1998).
Tabla 6: Coeficientes de determinación (R²)
Constructo R cuadrado R cuadrado
ajustada
BI 0.758 0.756
U0.695 0.694
UP 0.706 0.705
La Tabla 7 presenta los tamaños del efecto (f²), sugieren que la intención de uso (BI) tiene un
gran impacto sobre el uso real (U), y la utilidad esperada (UE) tiene un gran efecto sobre la
usabilidad percibida (UP) (Cohen, 1988).
Uso de la inteligencia articial entre profesores de educación básica superior en Ecuador. pp. 30 - 43 /
Volumen 5, número 3 / DOI: https://doi.org/10.37431/conectividad.v5i3.148
Fecha de recepción: 20 / 05 / 2024
Fecha de aceptación: 19 / 06 / 2024
Fecha de publicación: 23 / 07 / 2024
37
Instituto Superior Tecnológico Universitario Rumiñahui
Tabla 7: Tamaño del efecto (f²)
Ruta f cuadrado
BI -> U 2.281
UE -> BI 0.172
UE -> UP 2.405
UP -> BI 0.341
Calidad del modelo
La calidad del modelo se evaluó mediante el índice SRMR (standardized root mean square re-
sidual) y otros índices de ajuste, como se muestra en la Tabla 8. El SRMR del modelo estimado
es 0.074, lo que está ligeramente por encima del umbral de 0.08 sugerido por Hu & Bentler
(1999)which includes using the maximum likelihood (ML, pero aún se considera aceptable. El
NFI (normed fit index) sugiere un ajuste razonable del modelo, aunque ligeramente por debajo
del umbral de 0.9 propuesto por Bentler & Bonett (1980).
Tabla 8: Resumen de índices de ajuste del modelo
Índice Modelo satu-
rado Modelo esti-
mado
SRMR 0.059 0.074
d_ULS 0.655 1.031
d_G 0.484 0.552
Chi-cuadrado 877.224 953.012
NFI 0.897 0.888
En resumen, los resultados indican que el modelo propuesto tiene una buena fiabilidad, validez
y capacidad predictiva, según los criterios establecidos en la literatura (Bagozzi & Yi, 1988;
Cohen, 1988; Fornell & Larcker, 1981; Hair, 2017; Hu & Bentler, 1999; Nunnally & Bernstein,
1994). La intención de uso de la inteligencia artificial entre los profesores de educación básica
superior en Ecuador está influenciada positivamente por la usabilidad percibida y la utilidad
esperada. A su vez, la utilidad esperada tiene un fuerte impacto en la usabilidad percibida. La
intención de uso es un predictor significativo del uso real de la inteligencia artificial en este
contexto.
Estos hallazgos tienen implicaciones importantes para la adopción y el uso efectivo de la inteli-
gencia artificial en la educación básica superior en Ecuador. Se recomienda enfocarse en mejo-
rar la usabilidad y comunicar claramente la utilidad esperada de estas tecnologías para fomentar
su adopción entre los profesores.
Uso de la inteligencia articial entre profesores de educación básica superior en Ecuador. pp. 30 - 43 /
Volumen 5, número 3 / DOI: https://doi.org/10.37431/conectividad.v5i3.148
Fecha de recepción: 20 / 05 / 2024
Fecha de aceptación: 19 / 06 / 2024
Fecha de publicación: 23 / 07 / 2024
38
Instituto Superior Tecnológico Universitario Rumiñahui
4. DISCUSIÓN
Los resultados de esta investigación proporcionan un valioso conocimiento sobre los factores
que influyen en la adopción y uso de la inteligencia artificial (IA) entre los profesores de educa-
ción básica superior en Ecuador. El modelo propuesto, basado en ecuaciones estructurales con
PLS-SEM, demostró tener una buena fiabilidad, validez y capacidad predictiva, lo que respalda
la solidez de los hallazgos. Uno de los principales resultados es la fuerte influencia de la inten-
ción de uso (BI) sobre el uso real (U) de la IA entre los profesores (β = 0.834, p < 0.001). Este
hallazgo es consistente con la teoría del comportamiento planificado (Ajzen, 1991)1985, Ajzen,
1987 y con estudios previos que han encontrado una relación significativa entre la intención y el
comportamiento real en el contexto de la adopción de tecnología (Davis, 1989; Venkatesh et al.,
2003). Este resultado implica que los esfuerzos para promover el uso de la IA en la educación
deben centrarse en fomentar una intención positiva entre los profesores, ya que esto se traducirá
en un mayor uso real de estas tecnologías.
Además, se encontró que la usabilidad percibida (UP) y la utilidad esperada (UE) son predic-
tores significativos de la intención de uso (BI) de la IA entre los profesores (β = 0.530 y β =
0.376, respectivamente, p < 0.001). Estos resultados están en línea con el modelo de aceptación
tecnológica (TAM) de Davis (1989), que destaca la importancia de la facilidad de uso percibi-
da y la utilidad percibida en la adopción de nuevas tecnologías. La influencia de la usabilidad
percibida sugiere que los profesores valoran las herramientas de IA que son fáciles de usar e
integrar en su práctica docente. Por otro lado, el impacto de la utilidad esperada indica que los
profesores están más dispuestos a adoptar la IA cuando perciben que estas tecnologías les ayu-
darán a mejorar su eficacia y desempeño en el aula.
Otro hallazgo relevante es el fuerte efecto de la utilidad esperada (UE) sobre la usabilidad perci-
bida (UP) (β = 0.840, p < 0.001). Este resultado sugiere que cuando los profesores perciben que
la IA es útil para su trabajo, también tienden a percibirla como más fácil de usar. Esta relación
ha sido observada en estudios anteriores sobre la adopción de tecnología educativa (Scherer
et al., 2019)a plethora of models exist explaining influential factors and mechanisms of tech-
nology use in classrooms, one of which—the Technology Acceptance Model (TAM y destaca
la importancia de comunicar claramente los beneficios y la utilidad de la IA para fomentar su
adopción entre los profesores.
Los altos valores de R² para los constructos endógenos (BI, U y UP) indican que el modelo
propuesto explica una proporción sustancial de la varianza en estos constructos. Esto sugiere
que la intención de uso, la usabilidad percibida y la utilidad esperada son factores clave para en-
tender y predecir el uso de la IA entre los profesores de educación básica superior en Ecuador. A
pesar de los resultados significativos, este estudio tiene algunas limitaciones. En primer lugar,
se basa en datos transversales, lo que limita la capacidad para establecer relaciones causales.
Futuros estudios podrían adoptar diseños longitudinales para examinar cómo evolucionan las
Uso de la inteligencia articial entre profesores de educación básica superior en Ecuador. pp. 30 - 43 /
Volumen 5, número 3 / DOI: https://doi.org/10.37431/conectividad.v5i3.148
Fecha de recepción: 20 / 05 / 2024
Fecha de aceptación: 19 / 06 / 2024
Fecha de publicación: 23 / 07 / 2024
39
Instituto Superior Tecnológico Universitario Rumiñahui
percepciones y el uso de la IA a lo largo del tiempo. En segundo lugar, la investigación se cen-
tró en profesores de educación básica superior en Ecuador, por lo que la generalización de los
resultados a otros contextos educativos o culturales debe realizarse con precaución.
5. CONCLUSIÓN
Este estudio ha proporcionado una comprensión detallada de los factores que influyen en la
adopción de la inteligencia artificial (IA) entre los docentes de educación básica superior en
Ecuador. Los hallazgos destacan la importancia de la usabilidad percibida y la utilidad espera-
da como predictores claves de la intención de uso y el uso real de la IA. Estos resultados son
consistentes con el Modelo de Aceptación de Tecnología (TAM), subrayando la necesidad de
interfaces de usuario intuitivas y la comunicación clara de los beneficios de la IA para fomentar
su adopción.
Las implicaciones prácticas de este estudio son significativas. Para promover la adopción efec-
tiva de la IA en el ámbito educativo, es esencial que los diseñadores de tecnología educativa
y los responsables de políticas se centren en mejorar la usabilidad de las herramientas de IA y
en comunicar de manera efectiva sus beneficios. Además, los programas de formación docente
deben incorporar módulos específicos sobre el uso de la IA, basados en marcos como TPACK,
que integran el conocimiento tecnológico, pedagógico y de contenido. El estudio también re-
salta la importancia de abordar las actitudes y percepciones de los docentes hacia la tecnolo-
gía, además de los aspectos técnicos. Estrategias como la comunicación de casos de éxito y la
demostración de beneficios tangibles de la IA en el aula pueden ser efectivas para aumentar la
intención de uso.
A pesar de las limitaciones, como la concentración de datos en un solo distrito educativo, los
resultados de este estudio ofrecen una base sólida para futuras investigaciones y para el desa-
rrollo de políticas y programas de formación que faciliten la integración exitosa de la IA en la
educación. En última instancia, al centrarse en mejorar la usabilidad y comunicar claramente
los beneficios de la IA, es posible fomentar una adopción más amplia y efectiva de esta tecno-
logía entre los educadores, contribuyendo así a la mejora de las prácticas educativas y al avance
del sistema educativo en Ecuador.
REFERENCIAS
Ahn, Doyeon, & Kwangho, L. (2022). Analysis of achievement predictive factors and pre-
dictive AI model development – Focused on blended math classes. The Mathematical
Education, 61(2), 257-271.
Al Rawashdeh, A. Z., Mohammed, E. Y., Al Arab, A. R., Alara, M., Al-Rawashdeh, B., &
Al-Rawashdeh, B. (2021). Advantages and Disadvantages of Using e-Learning in Uni-
versity Education: Analyzing Students’ Perspectives. Electronic Journal of E-Learn-
ing, 19(3), 107-117. https://doi.org/10.34190/ejel.19.3.2168
Uso de la inteligencia articial entre profesores de educación básica superior en Ecuador. pp. 30 - 43 /
Volumen 5, número 3 / DOI: https://doi.org/10.37431/conectividad.v5i3.148
Fecha de recepción: 20 / 05 / 2024
Fecha de aceptación: 19 / 06 / 2024
Fecha de publicación: 23 / 07 / 2024
40
Instituto Superior Tecnológico Universitario Rumiñahui
Alam, T. M., Mushtaq, M., Shaukat, K., Hameed, I. A., Sarwar, M. U., & Luo, S. (2021).
A Novel Method for Performance Measurement of Public Educational Institutions
Using Machine Learning Models. APPLIED SCIENCES-BASEL, 11(19). https://doi.
org/10.3390/app11199296
Anderson, J. C., & Gerbing, D. W. (1988). Structural equation modeling in practice: A review
and recommended two-step approach. Psychological Bulletin, 103(3), 411-423. https://
doi.org/10.1037/0033-2909.103.3.411
Amjad, S., Younas, M., Anwar, M., Shaheen, Q., Shiraz, M., & Gani, A. (2022). Data Mining
Techniques to Analyze the Impact of Social Media on Academic Performance of High
School Students. WIRELESS COMMUNICATIONS & MOBILE COMPUTING, 2022.
https://doi.org/10.1155/2022/9299115
Ajzen, I. (1991). The theory of planned behavior. Organizational Behavior and Human Deci-
sion Processes, 50(2), 179-211. https://doi.org/10.1016/0749-5978(91)90020-T
Arango-Serna, M. D., Branch-Bedoya, J. W., & Jiménez-Builes, J. A. (2020). El Ágora U.S.B.,
20(1), 190-209. https://doi.org/10.21500/16578031.4255
Backsch, I., Lachner, A., Hische, C., Loose, F., & Scheiter, K. (2020). Professional knowl-
edge or motivation? Investigating the role of teachers’ expertise on the quality of
technology-enhanced lesson plans. Learning and Instruction, 66, 101300. https://doi.
org/10.1016/j.learninstruc.2019.101300
Bagozzi, R. P., & Yi, Y. (1988). On the evaluation of structural equation models. Journal of
the Academy of Marketing Science, 16(1), 74-94. https://doi.org/10.1007/BF02723327
Bentler, P. M., & Bonett, D. G. (1980). Signicance tests and goodness of t in the anal-
ysis of covariance structures. Psychological Bulletin, 88(3), 588-606. https://doi.
org/10.1037/0033-2909.88.3.588
Bosch, N. (2021). Identifying supportive student factors for mindset interventions: A two-mod-
el machine learning approach. COMPUTERS & EDUCATION, 167. https://doi.or-
g/10.1016/j.compedu.2021.104190
Botella Nicolás, A. M., & Ramos Ramos, P. (2019). Investigación-acción y aprendizaje ba-
sado en proyectos: Una revisión bibliográca. Perles Educativos, 41(163), 109-122.
https://doi.org/10.22201/iisue.24486167e.2019.163.58923
Cabero Almenara, J., & Llorente Cejudo, C. (2020). La adopción de las tecnologías por las
personas mayores: Aportaciones desde el modelo TAM (Technology Acceptance
Model). PUBLICACIONES, 50(1), 141-157. https://doi.org/10.30827/publicaciones.
v50i1.8521
Chin, W. W. (1998). The Partial Least Squares Approach to Structural Equation Modeling. En
Modern Methods for Business Research. Psychology Press.
Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed). L. Erlbaum
Associates.
Creswell, J. W., & Creswell, J. D. (2017). Research Design: Qualitative, Quantitative, and
Mixed Methods Approaches. SAGE Publications.
Davis, F. D. (1989). Perceived Usefulness, Perceived Ease of Use, and User Acceptance of In-
Uso de la inteligencia articial entre profesores de educación básica superior en Ecuador. pp. 30 - 43 /
Volumen 5, número 3 / DOI: https://doi.org/10.37431/conectividad.v5i3.148
Fecha de recepción: 20 / 05 / 2024
Fecha de aceptación: 19 / 06 / 2024
Fecha de publicación: 23 / 07 / 2024
41
Instituto Superior Tecnológico Universitario Rumiñahui
formation Technology. MIS Quarterly, 13(3), 319-340. https://doi.org/10.2307/249008
Etikan, I., Musa, S. A., & Alkassim, R. S. (2015). Comparison of Convenience Sampling and
Purposive Sampling. American Journal of Theoretical and Applied Statistics, 5(1), Ar-
ticle 1. https://doi.org/10.11648/j.ajtas.20160501.11
Fornell, C., & Larcker, D. F. (1981). Evaluating Structural Equation Models with Unobserv-
able Variables and Measurement Error. Journal of Marketing Research, 18(1), 39-50.
https://doi.org/10.2307/3151312
Freitas, P. D. S. C. D., & Sousa, C. E. B. D. (2022). RELAÇÕES ENTRE A TEORIA DE
PIAGET E A NEUROCIÊNCIA COGNITIVA NO ENSINO DE FÍSICA. https://doi.
org/10.1590/SciELOPreprints.4378
García Peñalvo, F. J., Llorens-Largo, F., & Vidal, J. (2023). La nueva realidad de la educación
ante los avances de la inteligencia articial generativa. RIED-Revista Iberoamericana
de Educación a Distancia, 27(1), 9-39. https://doi.org/10.5944/ried.27.1.37716
Guerrero Salazar, C. V. (2022). Limitaciones del conectivismo en el Ecuador: Necesidades
urgentes para la calidad. Revista Cientíca Ciencia y Tecnología, 22(33). https://doi.
org/10.47189/rcct.v22i33.513
Gutierrez-Cirlos, C., Bermudez-Gonzalez, J. L., Carrillo-Perez, D. L., Hidrogo-Montemayor,
I., Martinez-Gonzalez, A., Carrillo-Esper, R., & Sanchez-Mendiola, M. (2023). Med-
icine and the metaverse: Current applications and future. Gaceta medica de Mexico,
159(4), 280-286. https://doi.org/10.24875/GMM.M23000795
Hair, J. F. (Ed.). (2017). A primer on partial least squares structural equation modeling (PLS-
SEM) (Second edition). Sage.
Hu, L., & Bentler, P. M. (1999). Cuto criteria for t indexes in covariance structure analysis:
Conventional criteria versus new alternatives. Structural Equation Modeling: A Multi-
disciplinary Journal, 6(1), 1-55. https://doi.org/10.1080/10705519909540118
ISO. (2018). ISO 9241-11:2018 Ergonomics of human-system interactionPart 11: Usability:
Denitions and concepts. https://www.iso.org/standard/63500.html
Joo, L. H. (2020). A Systematic Review of Articial Intelligence Use in English Learning: Fo-
cus on Higher Education. The Journal of Humanities and Social science, 11(6), 2027-
2042.
Lozano Rodríguez, A., Zárate Ortiz, J. F., & Llaven Aguilar, M. I. (2018). Uso de Recursos
Educativos en Línea en el nivel medio superior: Desarrollo de competencias didácti-
cas del docente. CPU-e, Revista de Investigación Educativa, 26, 114-135. https://doi.
org/10.25009/cpue.v0i26.2539
Maia, J. de S. Z., Bueno, A. P. A., & Sato, J. R. (2023). Applications of Articial Intelli-
gence Models in Educational Analytics and Decision Making: A Systematic Review.
WORLD, 4(2), 288-313. https://doi.org/10.3390/world4020019
Melo, E. V. D., Mercado, L. P. L., & Melo, A. L. C. D. (2023). TECNOLOGIAS DIGITAIS
E DESENVOLVIMENTO COGNITIVO NA APRENDIZAGEM DE MATEMÁTICA:
UMA REVISÃO SISTEMÁTICA DA LITERATURA. https://doi.org/10.1590/SciELO-
Preprints.6762
Uso de la inteligencia articial entre profesores de educación básica superior en Ecuador. pp. 30 - 43 /
Volumen 5, número 3 / DOI: https://doi.org/10.37431/conectividad.v5i3.148
Fecha de recepción: 20 / 05 / 2024
Fecha de aceptación: 19 / 06 / 2024
Fecha de publicación: 23 / 07 / 2024
42
Instituto Superior Tecnológico Universitario Rumiñahui
Mijwil, M. M., & Abttan, R. A. (2021). Articial Intelligence: A Survey on Evolution and
Future Trends. Asian Journal of Applied Sciences, 9(2). https://doi.org/10.24203/ajas.
v9i2.6589
Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric Theory (3rd Edition). McGraw-Hill.
https://www.amazon.com/Psychometric-Theory-Jum-C-Nunnally/dp/007047849X
Ortega-Sánchez, D. (s. f.). ¿Cómo investigar en Didáctica de las Ciencias Sociales?
Pando, V. F. (2018). Tendencias didácticas de la educación virtual: Un enfoque interpretativo.
Propósitos y Representaciones, 6(1). https://doi.org/10.20511/pyr2018.v6n1.167
Párraga Mendoza, C. E., & Arteaga Briones, L. A. (2023). Estándares de la UNESCO en el uso
de las TIC en los docentes de la Unidad Educativa Atahualpa. Revista Cientíca Ar-
bitrada Multidisciplinaria PENTACIENCIAS, 5(5), 507-519. https://doi.org/10.59169/
pentaciencias.v5i5.761
Popenici, S. A. D., & Kerr, S. (2017). Exploring the impact of articial intelligence on teach-
ing and learning in higher education. Research and Practice in Technology Enhanced
Learning, 12(1), 22. https://doi.org/10.1186/s41039-017-0062-8
Ringle, C. M., Wende, S., & Becker, J. M. (2022). SmartPLS (4.0) [Software]. https://www.
smartpls.com/
Silva, J. B. D., Bilessimo, S. M. S., & Machado, L. R. (2021). INTEGRAÇÃO DE TEC-
NOLOGIA NA EDUCAÇÃO: PROPOSTA DE MODELO PARA CAPACITAÇÃO
DOCENTE INSPIRADA NO TPACK. Educação Em Revista, 37, e232757. https://doi.
org/10.1590/0102-4698232757
Scherer, R., Siddiq, F., & Tondeur, J. (2019). The technology acceptance model (TAM): A
meta-analytic structural equation modeling approach to explaining teachers’ adoption
of digital technology in education. Computers & Education, 128, 13-35. https://doi.
org/10.1016/j.compedu.2018.09.009
Teo, T. (2010). A path analysis of pre-service teachers’ attitudes to computer use: Applying
and extending the technology acceptance model in an educational context. Interactive
Learning Environments, 18(1). https://doi.org/10.1080/10494820802231327
Tigse-Carreño, C. (2019). El Constructivismo, según bases teóricas de César Coll. Revista An-
dina de Educación, 2(1), 25-28. https://doi.org/10.32719/26312816.2019.2.1.4
Topal, A. D., Eren, C. D., & Gecer, A. K. (2021). Chatbot application in a 5th grade science
course. EDUCATION AND INFORMATION TECHNOLOGIES, 26(5), 6241-6265.
https://doi.org/10.1007/s10639-021-10627-8
Tsai, S.-C., Chen, C.-H., Shiao, Y.-T., Ciou, J.-S., & Wu, T.-N. (2020). Precision education
with statistical learning and deep learning: A case study in Taiwan. INTERNATIONAL
JOURNAL OF EDUCATIONAL TECHNOLOGY IN HIGHER EDUCATION, 17(1).
https://doi.org/10.1186/s41239-020-00186-2
Universidad Estatal del Sur de Manabí, Cisneros Caicedo, A. J., Guevara García, A. F., Uni-
versidad Estatal del Sur de Manabí, Urdánigo Cedeño, J. J., Universidad Estatal del
Sur de Manabí, Garcés Bravo, J. E., & Universidad Estatal del Sur de Manabí. (2022).
Técnicas e Instrumentos para la Recolección de Datos que Apoyan a la Investigación
Uso de la inteligencia articial entre profesores de educación básica superior en Ecuador. pp. 30 - 43 /
Volumen 5, número 3 / DOI: https://doi.org/10.37431/conectividad.v5i3.148
Fecha de recepción: 20 / 05 / 2024
Fecha de aceptación: 19 / 06 / 2024
Fecha de publicación: 23 / 07 / 2024
43
Instituto Superior Tecnológico Universitario Rumiñahui
Cientí ca en Tiempo de Pandemia. Dominio de las Ciencias, 8(1), 1165-1185. https://
doi.org/10.23857/dc.v8i1.2546
Varela-Ordorica, S. A., & Valenzuela-González, J. R. (2020). Uso de las tecnologías de la
información y la comunicación como competencia transversal en la formación inicial
de docentes. Revista Electrónica Educare, 24(1), 1-20. https://doi.org/10.15359/ree.24-
1.10
Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User Acceptance of Infor-
mation Technology: Toward a Unied View (SSRN Scholarly Paper 3375136). https://
papers.ssrn.com/abstract=3375136
Wang, W., Nepal, S., Huckins, J. F., Hernandez, L., Vojdanovski, V., Mack, D., Plomp, J.,
Pillai, A., Obuchi, M., Dasilva, A., Murphy, E., Hedlund, E., Rogers, C., Meyer, M.,
& Campbell, A. (2022). First-Gen Lens: Assessing Mental Health of First-Generation
Students across Their First Year at College Using Mobile Sensing. PROCEEDINGS
OF THE ACM ON INTERACTIVE MOBILE WEARABLE AND UBIQUITOUS TECH-
NOLOGIES-IMWUT, 6(2). https://doi.org/10.1145/3543194
Wu, W., & Plakhtii, A. (2021). E-Learning Based on Cloud Computing. International Journal
of Emerging Technologies in Learning (iJET), 16(10), 4. https://doi.org/10.3991/ijet.
v16i10.18579
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of
research on articial intelligence applications in higher education – where are the edu-
cators? International Journal of Educational Technology in Higher Education, 16(1),
39. https://doi.org/10.1186/s41239-019-0171-0
Zuloaga Cachay, J. F., Carrión-Barco, G., Chayan Coloma, A., & Figueroa Piscoya, E. N.
(2022). Gestión de equipamiento computacional en aulas de innovación pedagógi-
ca. Revista Venezolana de Gerencia, 27(28), 815-830. https://doi.org/10.52080/rvg-
luz.27.98.27
