Universidad de Ciego de Ávila Máximo Gómez Báez
|
ISSN: 2309-8333
|
RNPS: 2411
|13(2) |2025|
Este es un artículo Open Access bajo la licencia CC BY-NC-SA 4.0 (https://creativecommons.org/licenses/by-nc-sa/4.0/)
Estrategia y Gestión Universitaria EGU
Artículo de investigación científico
tecnológica
Cómo citar:
Vivanco Enriquez, J. L.,
Espinoza Gómez, S. T., Mateo Nuñez, H. R.,
Vilca Ramirez, P. A., & Chincha Llecllish, J.
M. (2025). Modelado de la adopción de
herramientas de inteligencia artificial en la
educación superior: un enfoque basado en
TAM.
Estrategia y Gestión Universitaria
,
13(2), e9024.
https://doi.org/10.5281/zenodo.17653760
Recibido: 20/08/2025
Aceptado: 15/11/2025
Publicado: 24/11/2025
Autor para correspondencia:
jlvivanco@pucp.edu.pe
Conflicto de intereses:
los autores
declaran no tener ningún conflicto de
intereses, que puedan haber influido en
los resultados obtenidos o las
interpretaciones propuestas
.
Modelado de la adopción de
herramientas de inteligencia artificial
en la educación superior: un enfoque
basado en TAM
Modeling of the adoption of artificial
intelligence tools in higher education: a
TAM -based approach
Modelagem da adoção de ferramentas
de inteligência artificial no ensino
superior: uma abordagem baseada em
TAM
Resumen
Introducción: la inteligencia artificial (IA) se ha consolidado
como una de las tecnologías más transformadoras en la
educación superior, al ofrecer herramientas que facilitan la
personalización del aprendizaje y optimizan los procesos
académicos y administrativos; sin embargo, su adopción
depende de factores individuales y organizacionales.
Objetivo: analizar la influencia de la utilidad percibida, la
facilidad de uso, la actitud e intención de uso en la adopción
de herramientas de IA en estudiantes universitarios mediante
el Modelo de Aceptación Tecnológica (TAM). Método: se
empleó un enfoque cuantitativo descriptivo-correlacional,
aplicando un cuestionario validado a 55 estudiantes con
experiencia previa en IA, y los datos fueron procesados
mediante correlaciones de Pearson y regresión múltiple.
Resultados: la intención de uso se configuró como el predictor
más relevante del uso real (β = 0.679, p < 0.001), seguida por
la utilidad percibida (β = 0.374, p = 0.024), mientras que la
facilidad de uso no tuvo un impacto significativo, y la actitud
mostró una relación negativa no concluyente. Conclusión: el
modelo TAM resultó pertinente para explicar la adopción de
herramientas de IA en la educación universitaria, destacando
que la utilidad percibida y la intención de uso son los factores
determinantes para garantizar una implementación efectiva
de estas tecnologías.
Palabras clave: inteligencia artificial, educación superior,
adopción tecnológica, utilidad percibida
Abstract
Introduction: artificial intelligence (AI) has emerged as one of
the most transformative technologies in higher education,
providing tools that facilitate personalized learning and
optimize academic and administrative processes; however, its
adoption depends on individual and organizational factors.
Jesús L. Vivanco Enriquez
1
Pontificia Universidad Católica del Perú
https://orcid.org/0000-0002-4482-7726
jlvivanco@pucp.edu.pe
Perú
Silvana Tabata Espinoza Gómez
2
Universidad Católica de Santa María
https://orcid.org/0009-0000-1441-7470
s.t.espinozagomez@ieee.org
Perú
Hayashi Rafael Mateo Nuñez
3
Universidad Nacional Federico Villareal
https://orcid.org/0009-0002-5705-0757
hayashi@fablablima.org
Perú
Piero Alejandro Vilca Ramirez
4
Universidad Nacional Federico Villareal
https://orcid.org/0009-0004-0376-5479
pier388_bvl@hotmail.com
Perú
Jesús Manuel Chincha Llecllish
5
Universidad de San Martín de Porres
https://orcid.org/0000-0002-5083-1043
jmanuel.chincha@gmail.com
Perú
Estrategia y Gestión Universitaria
|
ISSN
: 2309-8333
|
RNPS:
2411
13(2) | Julio-Diciembre |2025|
| Jesús L. Vivanco Enriquez | Silvana Tabata Espinoza Gómez | Hayashi Rafael Mateo Nuñez | Piero Alejandro Vilca Ramirez |
Jesús Manuel Chincha Llecllish |
Objective:
to analyze the influence of perceived usefulness, ease of use,
attitude, and intention to use on the adoption of AI tools among university
students through the Technology Acceptance Model (TAM).
Method:
a
quantitative descriptive-correlational approach was employed, applying a
validated questionnaire to 55 students with prior experience in AI, and the data
were processed using Pearson correlations and multiple regression analysis.
Results:
intention to use was identified as the most relevant predictor of actual
use (β = 0.679, p < 0.001), followed by perceived usefulness (β = 0.374, p = 0.024),
while ease of use had no significant impact, and attitude showed an inconclusive
negative relationship.
Conclusion:
the TAM model proved pertinent in explaining
the adoption of AI tools in higher education, highlighting that perceived
usefulness and intention to use are the determining factors to ensure effective
implementation of these technologies.
Keywords:
artificial intelligence, higher education, technology adoption,
perceived usefulness
Resumo
Introdução: a inteligência artificial (IA) consolidou-se como uma das
tecnologias mais transformadoras no ensino superior, ao oferecer
ferramentas que facilitam a personalização da aprendizagem e otimizam os
processos acadêmicos e administrativos; entretanto, sua adoção depende de
fatores individuais e organizacionais. Objetivo: analisar a influência da
utilidade percebida, da facilidade de uso, da atitude e da intenção de uso na
adoção de ferramentas de IA por estudantes universitários, por meio do
Modelo de Aceitação Tecnológica (TAM). Método: foi empregado um enfoque
quantitativo descritivo-correlacional, aplicando-se um questionário validado
a 55 estudantes com experiência prévia em IA, e os dados foram processados
por meio de correlações de Pearson e regressão múltipla. Resultados: a
intenção de uso configurou-se como o preditor mais relevante do uso real (β
= 0.679, p < 0.001), seguida pela utilidade percebida (β = 0.374, p = 0.024),
enquanto a facilidade de uso não apresentou impacto significativo, e a
atitude mostrou uma relação negativa inconclusiva. Conclusão: o modelo
TAM mostrou-se pertinente para explicar a adoção de ferramentas de IA na
educação superior, destacando que a utilidade percebida e a intenção de uso
são os fatores determinantes para garantir uma implementação efetiva
dessas tecnologias.
Palavras-chave:
inteligência artificial, ensino superior, adoção tecnológica,
utilidade percebida
| Jesús L. Vivanco Enriquez | Silvana Tabata Espinoza Gómez | Hayashi Rafael Mateo Nuñez | Piero Alejandro Vilca Ramirez |
Jesús Manuel Chincha Llecllish |
e9024
Introducción
La Inteligencia Artificial (IA) se ha consolidado como una de las tecnologías
más transformadoras en el ámbito educativo, al ofrecer oportunidades significativas
para personalizar la enseñanza, optimizar los procesos administrativos y fortalecer
la toma de decisiones pedagógicas (Galdames, 2024). En el contexto de la educación
superior, la incorporación de herramientas basadas en IA -como tutores inteligentes,
sistemas de evaluación automatizada, análisis predictivo del rendimiento estudiantil
y asistentes virtuales- tiene el potencial de redefinir las prácticas pedagógicas, los
entornos de aprendizaje y la gestión institucional.
Al Badi et al. (2024) encontraron una correlación positiva entre los
componentes del Modelo de Aceptación de Tecnología (TAM) y los factores que
influyen en el uso de Microsoft Teams en el aprendizaje virtual. Sin embargo,
aspectos como el nivel de habilidades tecnológicas y los años de experiencia docente
no mostraron diferencias significativas en la percepción del profesorado sobre la
plataforma.
La irrupción de la IA está transformando los métodos de enseñanza, los
procesos administrativos y las estrategias de aprendizaje en el ámbito universitario
(Morales, 2025; Galdames, 2024). Diversas investigaciones han demostrado su
potencial para personalizar la educación, optimizar la evaluación del desempeño
estudiantil y fortalecer la eficiencia institucional (Contreras & Guerrero, 2025). No
obstante, pese a su creciente adopción, persisten brechas en la comprensión de los
factores que condicionan su implementación efectiva por parte de estudiantes y
docentes, especialmente en contextos caracterizados por limitaciones de recursos o
resistencias culturales (Widodo et al., 2024).
Los desafíos más significativos detectados en la bibliografía residen en la
complejidad de incorporar herramientas de Inteligencia Artificial en contextos
académicos, donde la utilidad percibida, la sencillez de manejo y las posturas hacia
la tecnología son cruciales (Davis, 1989; Venkatesh et al., 2003). Investigaciones
como las de Kanont et al. (2024) y Zambrano Vera et al. (2024) han examinado estas
variables (percepción de utilidad, facilidad de uso e intención de uso), con resultados
que difieren dependiendo del contexto, lo que resalta la importancia de realizar más
estudios que tomen en consideración las especificidades de cada contexto educativo.
El vínculo entre la intención de uso y el comportamiento auténtico de adopción
necesita una mayor investigación, dado que no siempre se convierte en una
implementación sostenible (Sergeeva et al., 2025).
El modelo TAM es un modelo de referencia utilizado para pronosticar la
intención y el uso de tecnologías en la educación universitaria. Vanduhe et al. (2020)
combinaron los modelos TAM, motivación social y TTF para analizar la intención de
continuar con el uso de la gamificación en la educación universitaria. TAM se utilizó
para analizar la adopción de distintas tecnologías educativas como los sistemas de
gestión de aprendizaje (LMS) (Fathema et al., 2015), las tecnologías móviles (Buana
et al., 2021), el aprendizaje electrónico, YouTube como medio de aprendizaje
(Chintalapati et al., 2017), la computación en la nube con fines académicos (Amron
et al., 2021) y gamificación para la formación (Vanduhe et al., 2020).
| Jesús L. Vivanco Enriquez | Silvana Tabata Espinoza Gómez | Hayashi Rafael Mateo Nuñez | Piero Alejandro Vilca Ramirez |
Jesús Manuel Chincha Llecllish |
e9024
Los fundamentos del modelo TAM son teóricos y colaboran en el proceso de
analizar la adopción de la tecnología (Buana et al., 2021). Con frecuencia, las
investigaciones realizan su estudio usando el modelo TAM puro, que abarca la
usabilidad y la facilidad de uso (Chintalapati et al., 2017). Recientemente,
investigaciones han adaptado el modelo TAM puro añadiendo otros constructos
externos relevantes en la educación universitaria (Fathema et al., 2015). El análisis
de regresión lineal y el análisis de las ecuaciones estructurales (PLS-SEM) son
estrategias típicas para evaluar y validar el modelo TAM en esta área (Amron et al.,
2021). Además, el modelo TAM ha sido sistemáticamente estudiado para examinar
su aplicación con el objetivo de entender la sostenibilidad de la educación superior,
especialmente en el escenario de la pandemia por COVID-19 (Rosli et al., 2022).
La percepción de utilidad (PU) de la IA y una mentalidad enfocada en el
crecimiento son elementos cruciales que impactan en la postura de los usuarios
respecto a la adopción de la tecnología, siendo estos elementos esenciales en el
avance desde la consideración hasta la incorporación activa del AI en diversos
escenarios (Ibrahim et al., 2025).
La implementación de instrumentos de inteligencia artificial (IA) en la
educación universitaria simboliza una revolución en la pedagogía que demanda un
estudio detallado y organizado. En este contexto, Mourtajji y Arts-Chiss (2024)
indican que el actual estudio exploratorio señala el comienzo de una investigación
en múltiples etapas, iniciando con un extenso análisis cualitativo orientado a
profesores, con la finalidad de perfeccionar el modelo conceptual y entender las
aplicaciones profesionales y personales de tecnologías como ChatGPT. Luego, se
propone una etapa cuantitativa centrada en las percepciones y acciones de los
estudiantes, lo que facilita la comparación de las dinámicas de adopción de la IA
entre docentes y estudiantes.
La investigación buscó aportar evidencia sobre cómo las percepciones de
utilidad, facilidad de uso y actitudes influyen en la decisión de integrar estas
tecnologías de IA en el ámbito académico. Los resultados contribuyen a la literatura
existente y ofrecen insumos para el diseño de políticas educativas que promuevan
una adopción más efectiva y equitativa de la IA en instituciones de educación
superior.
Materiales y métodos
Esta investigación optó por un método cuantitativo descriptivo-
correlacional, enfocado en modelar la implementación de instrumentos de
inteligencia artificial (IA) en la educación universitaria a partir del Modelo de
Aceptación de la Tecnología (TAM). Sánchez-Prieto et al. (2016) estudiaron cómo se
podía entender la adopción de tecnologías móviles en este sector a través del TAM,
resaltando su progreso y los elementos cruciales que determinaban la adopción por
parte de los docentes.
La meta consistió en examinar las percepciones, actitudes e intenciones de
uso de herramientas de Inteligencia Artificial en estudiantes universitarios, tomando
| Jesús L. Vivanco Enriquez | Silvana Tabata Espinoza Gómez | Hayashi Rafael Mateo Nuñez | Piero Alejandro Vilca Ramirez |
Jesús Manuel Chincha Llecllish |
e9024
en cuenta cinco dimensiones: utilidad percibida, facilidad de uso percibida, actitud
hacia el uso, intensión de uso y uso real.
La población objetivo estuvo conformada por estudiantes de educación
superior de instituciones tecnológicas ubicadas en Lima Metropolitana. Se empleó un
muestreo no probabilístico por conveniencia, seleccionando a estudiantes de
distintas carreras y ciclos académicos que hubieran tenido algún tipo de contacto
previo con herramientas de IA durante su formación. La muestra final quedó
compuesta por 55 participantes, quienes completaron voluntariamente un
cuestionario en formato digital.
Para la recolección de datos, se diseñó un cuestionario estructurado
compuesto por 20 ítems, distribuidos en las cinco dimensiones del modelo TAM
adaptado al contexto educativo.
1. Utilidad percibida (4 ítems): Evalúa el grado en que los estudiantes
consideran que el uso de herramientas de IA mejora su rendimiento académico y
facilita el aprendizaje.
2. Facilidad de uso percibida (4 ítems): Mide la percepción de los estudiantes
respecto a la simplicidad y accesibilidad del uso de herramientas de IA en sus
actividades académicas.
3. Actitud hacia el uso (3 ítems): Indaga sobre la valoración general que los
estudiantes tienen respecto al uso de IA como apoyo en su educación.
4. Intención de uso (3 ítems): Evalúa la disposición futura de los estudiantes
a seguir utilizando herramientas de IA y su voluntad de recomendarlas.
5. Uso real (4 ítems): Mide la frecuencia y tipo de uso actual de herramientas
de IA (como ChatGPT, Copilot o Grammarly) en actividades académicas concretas.
Cada ítem fue formulado como una afirmación y evaluado mediante una
escala tipo Likert de 5 puntos, que iba desde 1 (totalmente en desacuerdo) hasta 5
(totalmente de acuerdo).
Para medir la coherencia interna del instrumento, se determinó el
coeficiente alfa de Cronbach (α), resultando en un valor total de α = 0,974, lo que
señaló una confiabilidad elevada en todos los ítems.
La recopilación de información se llevó a cabo en el segundo trimestre de
2025, utilizando formularios digitales que se distribuyeron entre grupos de
estudiantes. En todo momento, se garantizó que la participación en la encuesta
fuera voluntaria y anónima, respetando así los principios éticos relacionados con la
investigación educativa.
Los datos fueron procesados y analizados en la plataforma Google Colab,
haciendo uso de la biblioteca Pingouin. Para calcular el coeficiente alfa de Cronbach
y realizar el análisis de regresión múltiple, se empleó la función
pingouin.cronbach_alpha(). Esta herramienta permitió evaluar la consistencia
interna del cuestionario, tanto en términos generales como en cada dimensión del
modelo TAM.
| Jesús L. Vivanco Enriquez | Silvana Tabata Espinoza Gómez | Hayashi Rafael Mateo Nuñez | Piero Alejandro Vilca Ramirez |
Jesús Manuel Chincha Llecllish |
e9024
Resultados y discusión
Los hallazgos se derivaron del estudio de las correlaciones entre los
constructos del Modelo de Aceptación Tecnológica (TAM), utilizado en el análisis de
la adopción de instrumentos de inteligencia artificial (IA) en la educación
universitaria. La Tabla 1 mostró las correlaciones de Pearson entre los constructos:
percepción de la utilidad (UP), percepción de la facilidad de uso (PEOU), actitud
hacia el uso (ATU), intención de uso (IU) y uso real (UB).
Tabla 1
Correlaciones entre constructos del modelo TAM
UP
PEOU
ATU
IU
UB
UP
1.00
0.73
0.79
0.77
0.75
PEOU
0.73
1.00
0.63
0.76
0.73
ATU
0.79
0.63
1.00
0.78
0.62
IU
0.77
0.76
0.78
1.00
0.83
UB
0.75
0.73
0.62
0.83
1.00
Fuente: Elaboración propia.
Los hallazgos mostraron conexiones positivas y relevantes entre todos los
constructos estudiados. La utilidad percibida (UP) evidenció una fuerte correlación
con la actitud hacia el uso (ATU) (r = 0.79), la intención de uso (IU) (r = 0.77) y el
uso real (UB) (r = 0.75), corroborando así la hipótesis principal del modelo TAM
acerca de cómo la percepción de utilidad influye directamente en la adopción de la
tecnología.
Se mostró una correlación elevada entre la facilidad de uso percibida (PEOU)
y la intención de uso (r = 0.76) y el uso real (r = 0.73), corroborando así su función
como facilitador del comportamiento de adopción. Sin embargo, su correlación con
la actitud hacia el uso (r = 0.63) fue moderada, lo que indicó que, en este escenario,
la percepción de facilidad aportó a una disposición positiva, aunque no de manera
decisiva.
Finalmente, la intención de uso (IU) se ubicó como el principal predictor del
uso real (UB), con una correlación de r = 0.83, la más alta en la matriz, lo que subrayó
su función mediadora entre las percepciones iniciales (UP, PEOU, ATU) y el
comportamiento efectivo de uso. En la Figura 1 se presentan los resultados obtenidos
a partir del análisis de correlaciones.
Figura 1
Correlaciones entre constructos del modelo TAM aplicado
| Jesús L. Vivanco Enriquez | Silvana Tabata Espinoza Gómez | Hayashi Rafael Mateo Nuñez | Piero Alejandro Vilca Ramirez |
Jesús Manuel Chincha Llecllish |
e9024
Fuente: Elaboración propia.
Los resultados del modelo de regresión lineal múltiple (Tabla 2) indicaron
que, de los constructos analizados, la intención de uso (IU) se convirtió en el
predictor más importante y al que mayor relevancia debe concederse en la
descripción del uso real de herramientas de inteligencia artificial (UB) en el contexto
de la educación superior. El coeficiente normalizado de IU fue igual a β = 0.679 y su
valor de p fue p < 0.001, lo que supuso un impacto positivo y concluyente desde el
punto de vista estadístico.
De igual modo, la utilidad percibida (UP) se identificó como un factor
relevante (β = 0.374, p = 0.024), lo que indica que, a medida que los estudiantes
perciben que las herramientas de inteligencia artificial aportan valor a sus tareas
académicas, aumenta su nivel de uso.
La facilidad de uso percibida (PEOU) no fue significativa (p = 0.2197), lo que
significa que en este modelo no tenía un efecto directo sobre el uso real al controlar
por el resto de factores. Este hecho podría interpretarse como una priorización de
las ventajas funcionales a las ventajas operativas en ambientes académicos en los
que se hace más referencia a los efectos sobre el aprendizaje o rendimiento.
Mientras tanto, la actitud hacia el uso (ATU) presentó una relación
inversamente proporcional con el uso real (β = -0.208), pero no alcanzó el nivel de
significancia del 5% (p = 0.0992). Este indicio reveló una cierta complicación en las
relaciones entre la tendencia actitudinal y la acción práctica, lo que podría requerir
consideraciones desde la perspectiva de la investigación cualitativa o
consideraciones de mediación mediante mediadores o modelos de mediación.
Tabla 2
Predecir el uso de herramientas de IA (UB)
| Jesús L. Vivanco Enriquez | Silvana Tabata Espinoza Gómez | Hayashi Rafael Mateo Nuñez | Piero Alejandro Vilca Ramirez |
Jesús Manuel Chincha Llecllish |
e9024
Variable
independiente
Coeficiente
(β)
Error
estándar
Valor t Valor p
IC 95%
inferior
IC 95%
superior
Constante -0,087 0,362 -0,239 0,8117 -0,814 0,64
Utilidad Percibida
(UP)
0,37 0,16 2,33 0,02 0,05 0,70
Facilidad de uso
(PEOU)
0,17 0,13 1,24 0,22 -0,10 0,43
Actitud hacia el uso
(ATU)
-0,21 0,12 -1,68 0,10 -0,46 0,04
Intención de uso (IU)
0,68
0,15
4,52
0,00
0,38
0,98
Fuente: Elaboración propia.
La intención de uso (IU) se configura como el predictor más potente y
significativo del uso real (UB) de las herramientas de inteligencia artificial, siendo
coherente con investigaciones anteriores que apuntan a la intención como el mejor
determinante de la conducta real en los contextos tecnológicos (Davis, 1989;
Venkatesh et al., 2003).
La utilidad percibida (UP) también mostró un impacto positivo y significativo
sobre el uso real, lo que refuerza la idea de que los usuarios valoran principalmente
los beneficios funcionales que estas tecnologías aportan a sus actividades
académicas. Este hallazgo es coherente con la literatura que destaca la percepción
de utilidad como un motor clave en la adopción tecnológica, especialmente en
contextos donde la mejora del rendimiento es prioritaria (Venkatesh et al., 2003).
Estos resultados coinciden con lo reportado por Yong et al. (2010), quienes
observaron que el uso de TIC aumenta a medida que los estudiantes avanzan en su
formación universitaria, en gran parte debido a las exigencias curriculares, sobre
todo en carreras tecnológicas. Además, identificaron que los estudiantes con un
bachillerato de tres años tienden a utilizar más las TIC en comparación con aquellos
que cursaron solo dos años. Por su parte, Calle-Díaz et al. (2024) destacaron que la
percepción de utilidad y facilidad de uso influye directamente en la disposición de
los estudiantes para emplear herramientas tecnológicas y compartir contenidos
académicos. A mayor aceptación tecnológica, más efectiva es la difusión de
información, lo que subraya la importancia de promover plataformas que sean
percibidas como accesibles y funcionales dentro del entorno educativo.
En contraste, la facilidad de uso percibida (PEOU) no fue significativamente
predictiva del uso real en simultáneo con el resto de constructos, aunque continuó
siendo significativa en su relación con la intención de uso y el uso real. Esto podría
indicar que, dentro la educación universitaria, la facilidad de uso podría desempeñar
más bien el papel de facilitador indirecto influyendo sobre la intención de uso que
el de predecir directamente el comportamiento eficaz. Se puede admitir que los
estudiantes con experiencia anterior o habilidades digitales no vean la facilidad
como un gran impedimento otorgando una mayor importancia a las ventajas que a
la facilidad de las operaciones.
Investigaciones como la de Ngabiyanto et al. (2021) aportaron matices
| Jesús L. Vivanco Enriquez | Silvana Tabata Espinoza Gómez | Hayashi Rafael Mateo Nuñez | Piero Alejandro Vilca Ramirez |
Jesús Manuel Chincha Llecllish |
e9024
relevantes al extender el modelo TAM, demostrando que la facilidad de uso no
siempre influye de manera positiva en la intención de adopción. En su estudio, la
disposición del docente fue el factor más determinante, incluso por encima de la
percepción de utilidad, mientras que la facilidad de uso tuvo un efecto negativo y
significativo sobre la intención de utilizar plataformas de aprendizaje en línea.
A su vez, existe un vínculo negativo, aunque no significativo, entre la actitud
hacia el uso (ATU) y el uso real, lo que pudiera sugerir la complejidad y la
heterogeneidad en las actitudes en el proceso de adopción tecnológica. Este
resultado pone de manifiesto la necesidad de futuras investigaciones que analicen
de qué manera los factores de contexto, emocionales o sociales puedan mediar esta
relación, utilizando técnicas cualitativas o modelos estructurales más sofisticados.
En este contexto, Al-Abdullatif (2024) amplió el Modelo de Aceptación
Tecnológica (TAM), integrando la habilidad en IA (inteligencia artificial), el TPACK
inteligente y la confianza percibida, e indicaba que era importante considerar no
solo las variables individuales, sino también las organizacionales y pedagógicas para
poder explicar de manera más explícita cuáles son las barreras y los facilitadores
para la adopción. Va más allá y advierte de las limitaciones de utilizar medidas
autoinformadas, que pueden no reflejar el uso real de las tecnologías, sugiriendo
que en futuras investigaciones las medidas vayan acompañadas de datos
observacionales para tener una visión más ajustada de la adopción de la IA como
parte de la enseñanza universitaria.
Las correlaciones que se establecen entre los constructos corroboraron la
consistencia interna del modelo TAM en el presente análisis, lo que refuerza la idea
de que las percepciones iniciales inciden en la intención, y que esta última afecta el
comportamiento final. De manera similar, Barz et al. (2024) validaron el modelo
TAM en estudiantes universitarios, incidiendo en la adicionalidad de la
autorregulación del aprendizaje y la tendencia hacia la tecnología en el aumento de
la aceptación de los ambientes de aprendizaje electrónico. Aunque también
consideran la autoeficacia digital como un constructo externo, no encontraron un
efecto significativo en su relación con la facilidad de uso ni con la utilidad percibida,
evidenciando que la adopción de la tecnología puede ser un proceso complejo y que
requiere de más investigación.
Limitaciones y futuras líneas de investigación
El estudio presenta limitaciones relacionadas con el tamaño reducido de la
muestra (N = 55), lo que restringe la estabilidad y generalización de los resultados.
Asimismo, el uso de un muestreo no probabilístico por conveniencia limita la validez
externa de los hallazgos. Aunque el alfa de Cronbach (α = 0,974) refleja una buena
fiabilidad de los ítems, se recomienda ajustar y validar los instrumentos en futuras
investigaciones. Para fortalecer la robustez y aplicabilidad de los resultados, se
sugiere ampliar el tamaño muestral, emplear técnicas de muestreo probabilístico y
explorar nuevas variables
Conclusiones
Este estudio reafirma la utilidad y la validez del TAM para explicar la
| Jesús L. Vivanco Enriquez | Silvana Tabata Espinoza Gómez | Hayashi Rafael Mateo Nuñez | Piero Alejandro Vilca Ramirez |
Jesús Manuel Chincha Llecllish |
e9024
implementación de herramientas de inteligencia artificial en el contexto de la
educación universitaria, ya que se ha determinado que la Intención de Uso (IU) se
considera el predictor más importante del uso real del mismo y, a su vez, este dato
indica que la motivación y la predisposición a emplear Inteligencia Artificial son
elementos indispensables para la implementación efectiva de estas herramientas.
Además, la Utilidad Percibida (UP) también tiene un peso importante al
influir positivamente en el uso real, lo que refleja el hecho de que las personas que
utilizan estas herramientas valoran estos beneficios prácticos y funcionales que la IA
puede aportar a sus actividades académicas, en contraposición con la Facilidad de
Uso Percibida (PEOU), que se ha conformado como no significativa para la predicción
directa del uso real, lo que indicaría que, en el contexto de la educación superior,
la simple y exitosa utilización de estas herramientas puede no tener un papel tan
importante en comparación con la percepción de valor para el uso de la tecnología
correspondiente.
La postura del uso evidenció, por otro lado, una correlación negativa no
relevante con el uso real, una evidencia que sugiere que la actitud podría tener una
relación compleja, lo que invita a su estudio bajo enfoques de tipo metodológico
complementarios. Por consiguiente, las entidades educativas tienen que anteponer
las estrategias de impulsión de la utilidad perceptible de la inteligencia artificial a
través de la práctica formativa, impulsar la intención de uso por medio de programas
de concienciación constante, conocer las actitudes a través de estudios de carácter
cualitativo para poder contrarrestar los bloqueos, llevar a cabo un seguimiento de
aspectos técnicos y organizativos que pueden hacer más probable su adopción. Todas
estas pautas son imprescindibles para garantizar un uso eficaz y sostenido de las
herramientas de Inteligencia Artificial en el ámbito académico.
Referencias
Al Badi, A., Al Siyabi, N., Alsalmi, K., Al Handhali, K., Alsalmi, S., & Al-Kharusi, A.
(2024). Factors affecting the use of Microsoft Teams® based on Technology
Acceptance Model (TAM): Perspectives of teachers and students in higher
education. In Proceedings of the 2024 8th International Conference on
Digital Technology in Education (ICDTE) (pp. 13–21). Association for
Computing Machinery. https://doi.org/10.1145/3696230.3696254
Al-Abdullatif, A. M. (2024). Modeling Teachers’ Acceptance of Generative Artificial
Intelligence Use in Higher Education: The Role of AI Literacy, Intelligent
TPACK, and Perceived Trust. Education Sciences, 14(11), 1209.
https://doi.org/10.3390/educsci14111209
Amron, M. T., & Noh, N. H. M. (2021). Technology Acceptance Model (TAM) for
analysing cloud computing acceptance in higher education institution (HEI).
IOP Conference Series: Materials Science and Engineering, 1176(1), 012036.
https://doi.org/10.1088/1757-899X/1176/1/012036
Barz, N., Benick, M., Dörrenbächer-Ulrich, L. & Perels, F. (2024). Students’
acceptance of e-learning: Extending the technology acceptance model with
| Jesús L. Vivanco Enriquez | Silvana Tabata Espinoza Gómez | Hayashi Rafael Mateo Nuñez | Piero Alejandro Vilca Ramirez |
Jesús Manuel Chincha Llecllish |
e9024
self-regulated learning and affinity for technology. Discovery Education, 3,
114. https://doi.org/10.1007/s44217-024-00195-7
Buana, A., & Linarti, U. (2021). Measurement of Technology Acceptance Model (TAM)
in using e-learning in higher education. Jurnal Teknologi Informasi dan
Pendidikan, 14(2), 165–171. https://doi.org/10.24036/tip.v14i2
Calle-Díaz, D. M., Porras-Cruz, F. L., & Santamaría-Freire, E. J. (2024). Modelo de
aceptación tecnológica y la difusión de contenidos en estudiantes
universitarios. MQRInvestigar, 8(4), 5685–5705.
https://doi.org/10.56048/MQR20225.8.4.2024.5685-5705
Chintalapati, N., & Daruri, V. S. K. (2017). Examining the use of YouTube as a
learning resource in higher education: Scale development and validation of
TAM model. Telematics and Informatics, 34(6), 853–860.
https://doi.org/10.1016/j.tele.2016.08.008
Contreras, F. C., & Guerrero, J. C. O. (2025). La integración de la IA en la educación
superior: Una experiencia en el aprendizaje estudiantil. Revista Tribunal, 5
(11). https://doi.org/10.59659/revistatribunal.v5i11.140
Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance
of information technology. MIS Quarterly, 13 (3), 319-340.
https://doi.org/10.2307/249008
Fathema, N., Shannon, D., & Ross, M. (2015). Expanding the Technology Acceptance
Model (TAM) to examine faculty use of learning management systems (LMSs)
in higher education institutions. MERLOT Journal of Online Learning and
Teaching, 11(2), 210–232.
https://jolt.merlot.org/Vol11no2/Fathema_0615.pdf
Galdames, I. S. (2024). Integración de la Inteligencia Artificial en la Educación
Superior: Relevancia para la Inclusión y el Aprendizaje. SciComm Report,
4(1). https://doi.org/10.32457/scr.v4i1.2487
Ibrahim, F., Münscher, J. C., Daseking, M., & Telle, N. T. (2025). The technology
acceptance model and adopter type analysis in the context of artificial
intelligence. Frontiers in Artificial Intelligence, 7.
https://doi.org/10.3389/frai.2024.1496518
Kanont, K., Srisermbhok, A., Rungruang, P., & Boonprakob, M. (2024). Generative-
AI, a learning assistant? Factors influencing higher-ed students' technology
acceptance. The Electronic Journal of e-Learning, 22 (6), 18-33.
https://doi.org/10.34190/ejel.22.6.3196
Morales, J. E. H. (2025). Adopción de herramientas de inteligencia artificial en la
Universidad Francisco Gavidia. Realidad y Reflexión, 1 (60).
https://doi.org/10.5377/ryr.v1i60.19866
Mourtajji, L., & Arts-Chiss, N. (2024). Unleashing ChatGPT: Redefining Technology
Acceptance and Digital Transformation in Higher Education. Administrative
Sciences, 14(12), 325. https://doi.org/10.3390/admsci14120325
Ngabiyanto, A., Nurkhin, A., Widiyanto, I. H. S., & Kholid, A. M. (2021). Teacher’s
| Jesús L. Vivanco Enriquez | Silvana Tabata Espinoza Gómez | Hayashi Rafael Mateo Nuñez | Piero Alejandro Vilca Ramirez |
Jesús Manuel Chincha Llecllish |
e9024
intention to use online learning: An extended technology acceptance model
(TAM) investigation. Journal of Physics: Conference Series, 1783(1), 012123.
https://doi.org/10.1088/1742-6596/1783/1/012123
Rosli, M. S., Saleh, N. S., Md. Ali, A., Abu Bakar, S., & Mohd Tahir, L. (2022). A
Systematic Review of the Technology Acceptance Model for the
Sustainability of Higher Education during the COVID-19 Pandemic and
Identified Research Gaps. Sustainability, 14(18), 11389.
https://doi.org/10.3390/su141811389
Sergeeva, O. V., Zheltukhina, M. R., Shoustikova, T., Tukhvatullina, L. R.,
Dobrokhotov, D. A., & Kondrashev, S. V. (2025). Understanding higher
education students' adoption of generative AI technologies: An empirical
investigation using UTAUT2. Contemporary Educational Technology, 17 (2),
ep571. https://doi.org/10.30935/cedtech/16039
Sánchez-Prieto, J. C., Olmos-Migueláñez, S., & García-Peñalvo, F. J. (2016). Do
Mobile Technologies Have a Place in Universities?: The TAM Model in Higher
Education. In L. Briz-Ponce, J. Juanes-Méndez, & F. García-Peñalvo (Eds.),
Handbook of Research on Mobile Devices and Applications in Higher
Education Settings (pp. 25-52). IGI Global Scientific Publishing.
https://doi.org/10.4018/978-1-5225-0256-2.ch002
Vanduhe, V. Z., Nat, M., & Hasan, H. F. (2020). Continuance intentions to use
gamification for training in higher education: Integrating the Technology
Acceptance Model (TAM), social motivation, and Task Technology Fit (TTF).
IEEE Access, 8, 21473–21484.
https://doi.org/10.1109/ACCESS.2020.2966179
Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of
information technology: Toward a unified view. MIS Quarterly, 27 (3), 425-
478. https://doi.org/10.2307/30036540
Widodo, D. S., Rachmawati, D., Wijaya, H., Maghfuriyah, A., & Udriya, U. (2024). AI
adoption in higher education institution: An integrated TAM and TOE model.
Dinasti International Journal of Education Management and Social Science,
6 (2), 1029-1039. https://doi.org/10.38035/dijemss.v6i2.3645
Yong, L. A., Rivas Tovar, L. A., & Chaparro, J. (2010). Modelo de aceptación
tecnológica (TAM): un estudio de la influencia de la cultura nacional y del
perfil del usuario en el uso de las TIC. Innovar, 20(36), 187-203.
http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S0121-
50512010000100014&lng=en&tlng=es
Zambrano Vera, D. A., Castelo Naveda, M. del C., Zambrano Solís, M. J., & Vinocunga
Pillajo, R. D. (2024). Adopción de Inteligencia Artificial Generativa en el
ámbito educativo: Aplicación del Modelo de Aceptación Tecnológica. Polo
del Conocimiento, 9 (12), 1983-1996. https://doi.org/10.1007/s10639-023-
11816-3
| Jesús L. Vivanco Enriquez | Silvana Tabata Espinoza Gómez | Hayashi Rafael Mateo Nuñez | Piero Alejandro Vilca Ramirez |
Jesús Manuel Chincha Llecllish |
Sobre el autor principal
Jesús L. Vivanco Enriquez:
docente de talleres y laboratorios de innovación en
educación superior, experiencia laboral como
asistente en base de datos y creación
de contenido educativo sobre IA. Maestro en Gestión y Políticas de la Innovación y
la Tecnología por parte de la Pontificia Universidad Católica del Perú y Bachiller en
Ciencias de la Educación por la Universidad Nacio
nal de Educación ‘Enrique Guzmán
y Valle’.
Declaración de responsabilidad autoral
Jesús L. Vivanco Enriquez
1:
Conceptualización, Curación de datos, Análisis formal,
Investigación, Metodología, Recursos, Software, Supervisión,
Validación/Verificación, Visualización, Redacción/borrador original y Redacción
.
Silvana Tabata Espinoza Gómez
2:
Conceptualización, Curación de Datos, Análisis
formal
. Redacción/borrador original y Redacción.
Hayashi Rafael Mateo Nuñez
3:
Conceptualización, Recursos, Software, Supervisión,
Validación
. Redacción/borrador original y Redacción.
Piero Alejandro Vilca Ramirez
4: Análisis formal, Investigación,
Recursos, Análisis
formal, Supervisión
. Redacción/borrador original y Redacción.
Jesús Manuel Chincha Llecllish
5: Análisis formal, Investigación,
Recursos, Análisis
formal, Supervisión
. Redacción/borrador original y Redacción.
Financiación:
Recursos propios
Agradecimientos:
