Universidad de Ciego de Ávila Máximo Gómez Báez
|
ISSN: 2309-8333
|
RNPS: 2411
|14|2026|
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 Gomez, S. T., & Mateo Nuñez, H.
R. (2026). Factores asociados a la
disposición docente hacia tecnologías
emergentes en educación superior: estudio
exploratorio desde el TAM.
Estrategia y
Gestión Universitaria
, 14, e9235.
https://doi.org/10.5281/zenodo.23671213
Recibido: 03/09/2026
Aceptado: 20/10/2026
Publicado: 02/11/2026
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
.
Factores asociados a la disposición
docente hacia tecnologías emergentes
en educación superior: estudio
exploratorio desde el TAM
Factors associated with faculty
readiness to adopt emerging
technologies in higher education: an
exploratory TAM-based study
Fatores associados à disposição docente
para tecnologias emergentes no ensino
superior: estudo exploratório a partir do
TAM
Resumen
Introducción: la incorporación de tecnología emergente en la
universidad depende en buena medida de la actitud del
docente; sin embargo, en el Perú la evidencia cuantitativa
sobre los factores asociados a su disposición es escasa.
Objetivo: analizar los factores asociados a la disposición del
profesorado de educación superior para incorporar tecnologías
emergentes, desde una aproximación exploratoria orientada
por el Modelo de Aceptación Tecnológica (TAM).
Método:
estudio cuantitativo, no experimental, transversal y
correlacional, con 52 docentes peruanos seleccionados por
conveniencia que respondieron un cuestionario digital de
ítems únicos; se aplicaron correlaciones de Spearman con
corrección de Holm, pruebas no paramétricas y regresión
logística. Resultados: el 63.5 % (33) manifestó disposición
máxima; esta se asoció con la expectativa de impacto
formativo (ρ = .63) y con la valoración de la innovación
educacional (ρ = .50), pero no con el conocimiento
metodológico ni con el uso previo de entornos virtuales; la
falta de capacitación (63.5 %) y de recursos tecnológicos (57.7
%) fueron las barreras más reportadas. Conclusión: la
disposición hacia la tecnología educacional en educación
superior se vincula más con expectativas de beneficio
formativo que con la experiencia de uso, lo que sitúa la
capacitación y el apoyo institucional como prioridades.
Palabras clave:
actitud del docente, educación superior,
innovación educacional, tecnología educacional
Abstract
Introduction: the integration of emerging technologies in
higher education largely depends on faculty attitudes;
however, quantitative evidence regarding the factors
associated with their willingness to adopt such technologies
remains limited in Peru.
Jesus L. Vivanco-Enriquez
1
Pontificia Universidad Católica del Perú
https://orcid.org/0000-0002-4482-7726
jlvivanco@pucp.edu.pe
Perú
Silvana Tabata Espinoza Gomez
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
Estrategia y Gestión Universitaria
|
ISSN
: 2309-8333
|
RNPS:
2411
|Vol.14|2026|
| Jesus L. Vivanco-Enriquez | Silvana Tabata Espinoza Gomez | Hayashi Rafael Mateo Nuñez |
Objective:
to analyze the factors associated with higher education faculty's
willingness to incorporate emerging technologies through an exploratory
approach guided by the Technology Acceptance Model (TAM).
Method:
a
quantitative, non-experimental, cross-sectional, and correlational study was
conducted with 52 Peruvian faculty members selected through convenience
sampling. Participants completed a digital questionnaire composed of single-item
measures. Spearman correlations with Holm correction, nonparametric tests, and
logistic regression analyses were performed.
Results:
a total of 63.5% (n = 33)
reported the highest level of willingness to adopt emerging technologies.
Willingness was associated with expectations regarding educational impact (ρ =
.63) and with positive perceptions of educational innovation (ρ = .50), but not
with methodological knowledge or previous use of virtual learning environments.
Lack of training (63.5%) and insufficient technological resources (57.7%) were the
most frequently reported barriers.
Conclusion:
in higher education, willingness
to adopt educational technologies appears to be more strongly associated with
expectations of educational benefits than with prior experience, highlighting
faculty training and institutional support as key priorities.
Keywords:
faculty attitude, higher education, educational innovation,
educational technology
Resumo
Introdução: a incorporação de tecnologias emergentes no ensino superior
depende, em grande medida, da atitude dos docentes; entretanto, no Peru,
as evidências quantitativas sobre os fatores associados à sua disposição para
adotá-las ainda são escassas. Objetivo: analisar os fatores associados à
disposição dos docentes do ensino superior para incorporar tecnologias
emergentes, a partir de uma abordagem exploratória orientada pelo Modelo
de Aceitação de Tecnologia (TAM). Método: estudo quantitativo, não
experimental, transversal e correlacional, realizado com 52 docentes
peruanos selecionados por conveniência, os quais responderam a um
questionário digital composto por itens únicos. Foram aplicadas correlações
de Spearman com correção de Holm, testes não paramétricos e regressão
logística. Resultados: observou-se que 63,5% (n = 33) dos participantes
apresentaram disposição máxima para adotar tecnologias emergentes. Essa
disposição esteve associada à expectativa de impacto formativo (ρ = 0,63) e
à valorização da inovação educacional (ρ = 0,50), mas não ao conhecimento
metodológico nem ao uso prévio de ambientes virtuais de aprendizagem. A
falta de capacitação (63,5%) e de recursos tecnológicos (57,7%) foram as
barreiras mais frequentemente relatadas. Conclusão: no ensino superior, a
disposição para adotar tecnologias educacionais está mais relacionada às
expectativas de benefícios formativos do que à experiência prévia de uso, o
que destaca a capacitação docente e o apoio institucional como prioridades.
Palavras-chave:
atitude docente, ensino superior, inovação educacional,
tecnologia educacional
| Jesus L. Vivanco-Enriquez | Silvana Tabata Espinoza Gomez | Hayashi Rafael Mateo Nuñez |
e9235
Introducción
En la actualidad, la educación superior ha vivido una rápida transformación
digital, que ha alterado la manera de diseñar, mediar y evaluar los procesos de
formación. Kharchenko et al. (2024) mostraron que las tecnologías digitales se han
convertido en un factor de transformación del aprendizaje universitario, impulsado
por la adopción masiva que provocó la pandemia de COVID-19, y advirtieron que su
integración exitosa requiere planificación estratégica, marcos normativos sólidos e
inversión sostenida en infraestructura y desarrollo profesional. En la línea
convergente, Tang et al. (2025) proponen un marco lógico para la transformación
digital universitaria e identifican dilemas prácticos de carácter psicológico y objetivo
que afectan tanto al profesorado como al estudiantado. Por su parte, Mexhuani
(2025) ha señalado que las oportunidades de las herramientas digitales conviven con
barreras persistentes, entre ellas la brecha digital, la resistencia del profesorado y
las preocupaciones sobre la privacidad de los datos.
En este proceso han ganado cada vez más protagonismo las denominadas
tecnologías emergentes, como la inteligencia artificial (IA), los entornos virtuales
inmersivos, las simulaciones, los laboratorios virtuales o la fabricación digital.
Aparicio-Gómez y cols. (2024) describen cómo estas tecnologías están convergiendo
con las metodologías activas, como el aprendizaje basado en problemas, el
aprendizaje colaborativo o el aula invertida, lo que supone un cambio de la docencia
universitaria. Romero Oliva et al. (2024) señalan que las metodologías emergentes
ponen al estudiante en un papel activo. Además, Romero Oliva et al. (2024) dicen
que el docente necesita una formación continua que combine aspectos pedagógicos,
didácticos y tecnológicos. El número de estudios sobre estas herramientas también
ha crecido rápido. Crompton y Burke (2023) revisaron 138 estudios sobre IA en
educación superior y encontraron que las publicaciones de 2021 y 2022 se duplicaron
o triplicaron respecto a años anteriores. Bond et al. (2024), en una revisión de
revisiones, piden más atención a cuestiones éticas, metodológicas y contextuales.
Bond et al. (2024) también proponen ampliar la investigación a países en desarrollo.
La literatura ha coincidido en que el profesorado es un actor decisivo para
que estas tecnologías se traduzcan en cambios pedagógicos reales. Chugh et al.
(2023) han caracterizado la implementación de tecnología educativa en instituciones
de educación superior como un proceso complejo y multifacético que requiere
integrar las perspectivas de distintos actores. Mercader y Gairín (2020), en un estudio
con 527 docentes de cuatro universidades, encontraron que las barreras
profesionales eran las más prevalentes y que su percepción variaba según el área
disciplinar, por lo que concluyeron que se necesitaba un mejor desarrollo profesional
docente y una mayor implicación institucional mediante planes estratégicos. Bond
et al. (2018) ya habían observado que docentes y estudiantes utilizaban un número
limitado de herramientas digitales, predominantemente para tareas asimilativas.
Desde la experiencia de la enseñanza remota de emergencia, Mondragon-Estrada et
al. (2023) documentaron que el profesorado valoró las tecnologías de la información
y la comunicación para sostener el interés y la confianza del estudiantado, y
recomendó metodologías como el aula invertida, el aprendizaje basado en
problemas y el aprendizaje basado en juegos. Otros trabajos han vinculado las
tecnologías educativas innovadoras con el desarrollo de competencias profesionales
(Sapargaliyeva et al., 2023) y han examinado, mediante análisis temático, las
| Jesus L. Vivanco-Enriquez | Silvana Tabata Espinoza Gomez | Hayashi Rafael Mateo Nuñez |
e9235
perspectivas del profesorado universitario de ciencias de la salud sobre la
transformación digital (Prosen & Ličen, 2025).
Para comprender por qué los docentes aceptan o rechazan una tecnología,
el Modelo de Aceptación Tecnológica (TAM) se ha consolidado como uno de los
marcos más utilizados. Davis (1989) desarrolló y validó escalas para dos creencias
fundamentales, la utilidad percibida y la facilidad de uso percibida, y sus análisis
sugirieron que la facilidad de uso actuaba como antecedente de la utilidad más que
como determinante directo y paralelo del uso. Venkatesh y Davis (2000) ampliaron
el modelo en el TAM2, que explicó la utilidad percibida y las intenciones de uso a
partir de procesos de influencia social y de procesos cognitivos instrumentales, y dio
cuenta de entre el 34 % y el 52 % de la varianza de las intenciones. Posteriormente,
Venkatesh et al. (2003) integraron ocho modelos previos en la Teoría Unificada de
Aceptación y Uso de la Tecnología (UTAUT), con cuatro determinantes centrales:
expectativa de desempeño, expectativa de esfuerzo, influencia social y condiciones
facilitadoras.
En el ámbito educativo, el TAM ha mostrado una capacidad explicativa
consistente, aunque heterogénea. Teo (2009), con 475 futuros docentes, encontró
que la utilidad percibida fue el determinante más fuerte de la intención conductual
y que la facilidad de uso y las condiciones facilitadoras operaron de forma indirecta.
El metaanálisis de Scherer et al. (2019), que sintetizó 114 estudios con 34,357
docentes, confirmó que el modelo explica adecuadamente la aceptación
tecnológica, aunque el papel de algunos constructos y de las variables externas
contrastó con creencias extendidas sobre el TAM. Scherer y Teo (2019) estimaron
que las variables del modelo explicaban en promedio el 39.2 % de la varianza de la
intención docente y que las relaciones estaban moderadas por la experiencia del
profesorado y por la forma de representar las variables. En educación superior, Xue
et al. (2024) revisaron 162 artículos basados en UTAUT y observaron un predominio
de muestras de estudiantes de Asia y Norteamérica, además de que la expectativa
de desempeño fue el predictor más influyente de la intención; mientras que Feng et
al. (2025), en una revisión sistemática de 39 estudios, organizaron los factores de
adopción en torno a las cuatro dimensiones de UTAUT.
La irrupción de la IA generativa ha renovado el interés por estos modelos.
Kong et al. (2024), con 367 docentes de Hong Kong, hallaron que la autoeficacia, la
utilidad percibida y la actitud eran esenciales para la intención de uso de
herramientas de IA generativa, y que la norma subjetiva también influía. Al-
Abdullatif (2024), con 237 docentes universitarios, identificó la alfabetización en IA
y la facilidad de uso percibida como los factores más influyentes en la aceptación.
Wang (2026) examinó con 615 docentes universitarios la relación entre la
competencia percibida en IA generativa, las creencias del TAM y la intención de
continuidad de uso, y Liu et al. (2025) aplicaron un TAM extendido para estudiar la
intención de futuros docentes de adoptar estas herramientas. En Iberoamérica,
Cabero-Almenara, Palacios-Rodríguez, Loaiza-Aguirre y Andrade-Abarca (2024)
analizaron con 425 docentes universitarios la adopción de la IA generativa mediante
UTAUT2 y modelos de mínimos cuadrados parciales, y Cabero-Almenara, Palacios-
Rodríguez, Loaiza-Aguirre y De Rivas-Manzano (2024) relacionaron la aceptación de
la IA educativa con variables docentes y creencias pedagógicas. García-Murillo et al.
| Jesus L. Vivanco-Enriquez | Silvana Tabata Espinoza Gomez | Hayashi Rafael Mateo Nuñez |
e9235
(2023), con 538 docentes ecuatorianos, encontraron niveles altos de aceptación de
Moodle, más elevados en docentes con mayor nivel formativo y experiencia previa
con sistemas de aprendizaje en línea, y reconocieron las condiciones facilitadoras
entre sus determinantes. Otros estudios han explorado las creencias y los usos
docentes de la IA generativa en la universidad (Cabellos et al., 2024; Perezchica-
Vega et al., 2024).
En el Perú, en cambio, nos encontramos con que la práctica evidencia ha
tenido, principalmente, un carácter más cualitativo. Así, por ejemplo, Bernilla
Rodríguez (2024), cuando establece una investigación con docentes de una
universidad pública del norte del país, ha encontrado que el profesorado mostraba
ciertos aspectos favorables a la educación mediante IA para generar textos y
elaborar actividades, pero mostraban dudas sobre la precisión ofrecida, y planteaban
resolver las restricciones a partir de una capacitación para lo cual la autora solicitó
desarrollo institucional. Sin embargo, existe muy poca evidencia cuantitativa que
estudie, de manera conjunta la disposición del profesorado universitario peruano,
sus percepciones sobre la innovación, así como también la condición que pudieran
auspiciar una implementación. A este vacío se suma una limitación metodológica
frecuente: muchos estudios describen actitudes favorables sin distinguir entre
intención y uso efectivo ni explicitar el marco teórico que orienta la selección de
variables.
En respuesta a este vacío, este estudio tuvo como objetivo analizar los
factores que influyen en la disposición del profesorado de educación superior en el
Perú para usar tecnologías emergentes. Se usó un enfoque exploratorio basado en el
TAM. Se plantearon las siguientes expectativas, formuladas como relaciones entre
variables: (E1) la expectativa de impacto formativo, que está más cerca de la
utilidad percibida, está relacionada con la disposición; (E2) la valoración de la
importancia de la innovación educativa también está relacionada con la disposición;
(E3) el conocimiento sobre metodologías innovadoras está relacionado con la
disposición; (E4) la disposición está vinculada al uso efectivo de entornos virtuales;
y (E5) reportar dificultades para implementar estas tecnologías se relaciona con una
menor disposición. Como el instrumento no midió la facilidad de uso percibida ni
tuvo variabilidad en la utilidad percibida, el TAM se usó como marco para organizar
y entender los resultados, pero no como un modelo completo que se contrastó.
Materiales y métodos
Diseño
El estudio se desarrolló bajo un enfoque cuantitativo, con diseño no
experimental, transversal y de alcance exploratorio-correlacional. La información se
recogió en un único momento por participante y no se manipuló ninguna variable,
por lo que las relaciones observadas se interpretaron como asociaciones y no como
efectos causales.
Participantes
Se obtuvieron 52 respuestas de docentes de educación superior en Perú
mediante muestreo no probabilístico por conveniencia y con participación
| Jesus L. Vivanco-Enriquez | Silvana Tabata Espinoza Gomez | Hayashi Rafael Mateo Nuñez |
e9235
voluntaria; estas respuestas fueron recogidas, todo ello en función de las
disponibilidades de los encuestados, durante el periodo comprendido entre febrero
y septiembre de 2026: 24 respuestas fueron recogidas en dicho mes, 23
correspondientes a mayo y 5 en el mes de septiembre. El cuestionario no incluía
preguntas que evaluaban la docencia activa de la que fuera el periodo ni tampoco
el tipo de institución, por lo que dicha elegibilidad se basó en la propia autoidentidad
como docente de educación superior.
Instrumento y variables
Se aplicó un cuestionario digital (https://forms.gle/N1QTNCpTXpqqmipq9)
con cinco preguntas sociodemográficas (edad, grado académico, área de
especialidad y años de experiencia en educación superior), cuatro ítems en escala
de 1 a 5, una pregunta sobre la utilidad de las tecnologías emergentes, una pregunta
dicotómica sobre la experiencia previa en el uso de entornos virtuales o plataformas
de metaverso, junto con una pregunta condicionada de frecuencia (escala del 1 al
5), así como un par de preguntas de opción verdadera y falsa sobre barreras,
beneficios observados, problemas enfrentados y necesidad de apoyo. Los constructos
se midieron utilizando un único ítem (no había evidencias aportadas de validez del
instrumento) y no se documentaron los anclajes verbales de la escala de frecuencia.
La Tabla 1 presenta la correspondencia entre las variables del instrumento y los
constructos del TAM, y la Figura 1 representa el modelo conceptual exploratorio.
Tabla 1
Correspondencia entre las variables del instrumento y los constructos del TAM
Variable del
instrumento
Escala
Correspondencia
teórica
Uso en el análisis
Disposición a
incorporar tecnologías
emergentes en los
próximos 12 meses
Ordinal 1–5
Intención conductual
(núcleo del TAM)
Variable
dependiente
principal
¿Es útil la adopción de
tecnologías
emergentes en su
enseñanza?
Categórica
(Esencial /
Nada útil)
Utilidad percibida
(núcleo del TAM)
Solo descriptiva:
98.1 % (51) eligió
«Esencial»
Facilidad de uso
percibida (núcleo del
TAM)
Impacto esperado de
la innovación en la
formación de los
estudiantes
Ordinal 1–5
Expectativa de
resultado;
aproximación a la
utilidad percibida
Predictor
Relevancia de la
innovación educativa
para el aprendizaje
universitario
Ordinal 1–5
Variable externa:
valoración de la
innovación
Predictor
| Jesus L. Vivanco-Enriquez | Silvana Tabata Espinoza Gomez | Hayashi Rafael Mateo Nuñez |
e9235
Variable del
instrumento
Escala
Correspondencia
teórica
Uso en el análisis
Conocimiento de
metodologías
innovadoras
Ordinal 1–5
Variable externa:
conocimiento
autopercibido
Predictor
Uso previo de entornos
virtuales o metaverso y
frecuencia
Dicotómica;
ordinal 1–5
(solo
usuarios)
Uso efectivo
(restringido a una
tecnología)
Resultado
conductual
Barreras y apoyos
requeridos
Opción
múltiple
Condiciones
facilitadoras
percibidas (UTAUT)
Descriptiva y
comparaciones
Edad, grado,
experiencia y área
Continua y
categóricas
Variables
sociodemográficas
Descriptiva y
comparaciones
Fuente: Elaboración propia a partir de Davis (1989) y Venkatesh et al. (2003).
Figura 1
Modelo conceptual exploratorio orientado por el TAM
Conocimiento autopercibido
de metodologías
innovadoras
→
Disposición a
incorporar
tecnologías
emergentes
(intención
conductual)
→
previo y
frecuencia de
entornos
virtuales)
Valoración de la relevancia
de la innovación educativa
→
Expectativa de impacto
formativo (aproximación a
la utilidad percibida)
→
Barreras percibidas
(condiciones facilitadoras)
→
Fuente: Elaboración propia a partir de Davis (1989) y Venkatesh et al. (2003).
Nota. Los recuadros de borde continuo representan variables medidas y las flechas,
asociaciones examinadas en un diseño transversal, sin implicar causalidad.
Procedimiento y consideraciones éticas
El formulario se distribuyó en formato digital y las respuestas se exportaron
a una hoja de cálculo. Para las comparaciones por grado, se agruparon las categorías
de bachiller (n = 2) y título profesional; asimismo, las 27 respuestas de texto libre
sobre el área de especialidad se recodificaron en seis categorías disciplinares.
Análisis de datos
Dado que las variables oscilaban de 1 a 5 se tomaron como ordinales,
| Jesus L. Vivanco-Enriquez | Silvana Tabata Espinoza Gomez | Hayashi Rafael Mateo Nuñez |
e9235
obteniendo la mediana, el rango intercuartil, la media, la desviación estándar, los
intervalos de confianza al 95 por ciento para la media usando bootstrap por
percentiles y el porcentaje de respuestas que tomaron el valor mayor de la escala.
Las proporciones se presentaron con su intervalo de Wilson. Las preguntas de
opciones múltiples se explicaron especificando el denominador que constituía el
total de participantes para las barreras y los apoyos, así como solo usuarios para los
beneficios y las dificultades.
Las asociaciones se estimaron con correlaciones de Spearman, con intervalos
bootstrap y corrección de Holm para las diez comparaciones. Las diferencias de
disposición según uso previo y según cada barrera se evaluaron con la prueba U de
Mann-Whitney y la correlación biserial por rangos (rrb), y las diferencias según grado
académico, experiencia y área disciplinar, con la prueba de Kruskal-Wallis y el
estadístico ε². Debido al efecto techo de la disposición, se estimó una regresión
logística binaria para la disposición máxima (5 frente a ≤ 4) con dos predictores
definidos por su papel teórico: la expectativa de impacto y la valoración de la
relevancia de la innovación. Con 19 casos en la categoría menos frecuente, se limitó
el número de predictores para reducir el riesgo de sobreajuste. Como análisis de
sensibilidad se añadió el conocimiento metodológico, se estimó un modelo logístico
ordinal (≤ 3, 4 y 5) y se repitieron las correlaciones principales con las primeras 43
respuestas y excluyendo casos con respuestas atípicas o incoherentes. Las
expectativas se formularon tras una inspección exploratoria de los datos, por lo que
los valores p se interpretan como exploratorios. Los análisis se realizaron en Python
3 con pandas, SciPy y statsmodels, con un nivel de significación de .05; el cuaderno
de análisis reproducible está disponible a solicitud del autor.
Estas decisiones respondieron a las características de los datos y no a la
búsqueda de significación. Las correlaciones de Spearman se prefirieron a las de
Pearson porque las variables eran ordinales, tenían pocas categorías y mostraban
una fuerte asimetría negativa. La disposición se modeló como variable binaria porque
el 63.5 % de los participantes eligió el valor máximo, lo que dejaba muy pocos casos
en las categorías inferiores para un modelo ordinal estable; por ello, el modelo
ordinal se reservó como análisis de sensibilidad. Los intervalos por bootstrap se
emplearon porque no requieren supuestos de normalidad y resultan adecuados con
muestras pequeñas. Finalmente, se informaron tamaños del efecto e intervalos de
confianza junto con los valores p, con el fin de distinguir la significación estadística
de la relevancia práctica de las asociaciones.
Resultados y discusión
Características de la muestra
La edad media de los participantes fue de 47.77 años (DE = 13.00; Mdn = 48;
rango de 26 a 72). Predominaron los docentes con grado de maestría y doctorado,
con más de 11 años de experiencia en educación superior, y las áreas de Educación
e Ingeniería, arquitectura y diseño (Tabla 2). El 67.3 % (35) declaró haber utilizado
entornos virtuales o plataformas de metaverso en su docencia (IC 95 % de Wilson:
53.8 %–78.5 %).
| Jesus L. Vivanco-Enriquez | Silvana Tabata Espinoza Gomez | Hayashi Rafael Mateo Nuñez |
e9235
Tabla 2
Características de la muestra (n = 52)
Variable Categoría % (n)
Grado académico Maestría 46.2 % (24)
Doctorado 34.6 % (18)
Título profesional 15.4 % (8)
Bachiller 3.8 % (2)
Experiencia en educación
superior
0 a 5 años 19.2 % (10)
6 a 10 años 15.4 % (8)
11 años o más 65.4 % (34)
Área disciplinar Educación 30.8 % (16)
Ingeniería, arquitectura y
diseño
26.9 % (14)
Economía, administración y
gestión
17.3 % (9)
Humanidades y ciencias sociales 13.5 % (7)
Ciencias de la salud 9.6 % (5)
No clasificable 1.9 % (1)
Uso previo de entornos
virtuales o metaverso
Sí 67.3 % (35)
No 32.7 % (17)
Fuente: Elaboración propia a partir de los datos del estudio.
Nota. Edad: M = 47.77; DE = 13.00; Mdn = 48; rango 26–72. El área disciplinar se
recodificó a partir de respuestas abiertas.
Percepciones, disposición y uso
La valoración de la relevancia de la innovación educativa, la expectativa de
impacto formativo y la disposición a incorporar tecnologías emergentes se
concentraron en el valor máximo de la escala, con porcentajes de respuesta en 5 del
65.4 %, el 75.0 % y el 63.5 %, respectivamente (Tabla 3). El conocimiento
autopercibido de metodologías innovadoras fue menor y se concentró en el valor 4.
El 98.1 % (51) calificó como esencial la utilidad de las tecnologías emergentes, por
lo que esta variable no se incluyó en los análisis inferenciales. Entre los usuarios, la
frecuencia de uso de entornos virtuales se ubicó en valores intermedios.
| Jesus L. Vivanco-Enriquez | Silvana Tabata Espinoza Gomez | Hayashi Rafael Mateo Nuñez |
e9235
Tabla 3
Estadísticos descriptivos de las variables ordinales (escala 1–5)
Variable
n
Mdn
(RIC)
M (DE)
IC 95 %
de M
Mín.–
Máx.
% en 5
(n)
Conocimiento de
metodologías
innovadoras
52 4 (3–4)
3.79
(0.87)
[3.54,
4.02]
1–5 17.3 % (9)
Relevancia de la
innovación educativa
52 5 (4–5)
4.54
(0.80)
[4.31,
4.73]
1–5
65.4 %
(34)
Impacto esperado en la
formación
52 5 (5–5)
4.73
(0.49)
[4.60,
4.85]
3–5
75.0 %
(39)
Disposición a
incorporar tecnologías
emergentes
52 5 (4–5)
4.52
(0.75)
[4.31,
4.71]
2–5
63.5 %
(33)
Frecuencia de uso de
entornos virtuales
(usuarios)
35 3 (3–4)
3.34
(1.19)
[2.94,
3.71]
1–5 17.1 % (6)
Fuente: Elaboración propia a partir de los datos del estudio.
Nota. RIC = rango intercuartílico. IC 95 % obtenido por bootstrap de percentiles.
Condiciones de implementación
La falta de capacitación docente y la falta de recursos tecnológicos fueron
las barreras más reportadas, seguidas de la resistencia institucional (Tabla 4). En
coherencia con ello, la capacitación docente continua y la infraestructura
tecnológica fueron los apoyos más demandados. Entre los usuarios, los beneficios
más observados fueron una mayor participación y motivación del estudiantado,
mientras que los problemas técnicos constituyeron la dificultad más frecuente.
Tabla 4
Barreras, apoyos, beneficios y dificultades reportados (respuesta múltiple)
Pregunta (base) Opción % (n)
Barreras para implementar
innovación (n = 52)
Falta de capacitación docente 63.5 % (33)
Falta de recursos tecnológicos 57.7 % (30)
Resistencia institucional 44.2 % (23)
Resistencia de estudiantes 25.0 % (13)
Otra 5.8 % (3)
| Jesus L. Vivanco-Enriquez | Silvana Tabata Espinoza Gomez | Hayashi Rafael Mateo Nuñez |
e9235
Pregunta (base) Opción % (n)
Ninguna 1.9 % (1)
Apoyo considerado necesario
(n = 52)
Capacitación docente continua 73.1 % (38)
Infraestructura tecnológica 67.3 % (35)
Apoyo institucional y políticas
claras
59.6 % (31)
Materiales educativos adecuados 46.2 % (24)
Beneficios observados
(usuarios, n = 35)
Mayor participación 65.7 % (23)
Mayor motivación 65.7 % (23)
Mejora en la comprensión de
conceptos
40.0 % (14)
Inclusión de estudiantes con
necesidades diversas
34.3 % (12)
Dificultades experimentadas
(usuarios, n = 35)
Problemas técnicos 71.4 % (25)
Falta de tiempo para la
preparación
40.0 % (14)
Falta de apoyo institucional 37.1 % (13)
Resistencia de estudiantes 11.4 % (4)
Otra 8.6 % (3)
Fuente: Elaboración propia a partir de los datos del estudio.
Nota. Los porcentajes no suman 100 porque se admitían varias respuestas. Beneficios
y dificultades se calcularon solo sobre quienes declararon uso previo.
Factores asociados a la disposición
Tras la corrección de Holm, la disposición se asoció positivamente con la
expectativa de impacto formativo (ρ = .63; IC 95 % [.39, .82]) y con la valoración de
la relevancia de la innovación (ρ = .50; IC 95 % [.22, .73]), lo que resultó coherente
con E1 y E2 (Tabla 5). La asociación con el conocimiento metodológico fue débil y
su intervalo incluyó el cero, por lo que E3 no recibió respaldo. En los usuarios, la
frecuencia de uso no mostró asociaciones apreciables con ninguna variable; con 35
casos, sin embargo, la potencia para detectar asociaciones débiles fue baja.
Tabla 5
Correlaciones de Spearman entre las variables del estudio
Par de variables n ρ IC 95 % p p Holm
Impacto esperado –
Disposición
52 .63 [.39, .82] < .001 < .001
| Jesus L. Vivanco-Enriquez | Silvana Tabata Espinoza Gomez | Hayashi Rafael Mateo Nuñez |
e9235
Par de variables n ρ IC 95 % p p Holm
Relevancia – Disposición 52 .50 [.22, .73] < .001 .002
Relevancia – Impacto
esperado
52 .44 [.15, .68] .001 .008
Conocimiento – Relevancia 52 .30 [.06, .51] .032 .223
Conocimiento – Disposición 52 .23 [−.02, .48] .095 .573
Conocimiento – Impacto
esperado
52 .17 [−.10, .43] .231 .743
Frecuencia de uso – Impacto
esperado
35 .25 [−.07, .52] .147 .737
Frecuencia de uso –
Conocimiento
35 .23 [−.19, .60] .186 .743
Frecuencia de uso –
Relevancia
35 .17 [−.14, .47] .322 .743
Frecuencia de uso –
Disposición
35 .15 [−.18, .45] .406 .743
Fuente: Elaboración propia a partir de los datos del estudio.
Nota. IC 95 % por bootstrap. La corrección de Holm se aplicó a las diez
comparaciones. La frecuencia de uso solo se registró en usuarios.
La disposición no difirió entre quienes habían utilizado entornos virtuales y
quienes no lo habían hecho (Tabla 6), de modo que E4 no recibió respaldo. Tampoco
se observaron diferencias según grado académico, años de experiencia ni área
disciplinar. Entre las barreras, únicamente la resistencia de estudiantes se asoció
con una menor disposición, con un tamaño del efecto moderado, pero la asociación
no se mantuvo tras la corrección de Holm; el respaldo a E5 fue, por tanto, parcial y
no concluyente.
Tabla 6
Comparación de la disposición según características de los participantes
Comparación Grupos: n; Mdn; M
Estadísti
co
p
Tamaño
del efecto
Uso previo Sí: 35; 5; 4.57 / No: 17; 5; 4.41 U = 323.0 .566 r
rb
= .09
Grado
académico
Doctorado: 18; 5; 4.72 /
Maestría: 24; 5; 4.50 / Bachiller
o título: 10; 4; 4.20
H(2) =
4.98
.083 ε² = .06
Experiencia
0–5 años: 10; 4; 4.50 / 6–10
años: 8; 4; 4.12 / 11 o más: 34;
5; 4.62
H(2) =
4.50
.105 ε² = .05
Área disciplinar Seis categorías (n de 1 a 16)
H(5) =
7.38
.194 ε² = .05
| Jesus L. Vivanco-Enriquez | Silvana Tabata Espinoza Gomez | Hayashi Rafael Mateo Nuñez |
e9235
Comparación Grupos: n; Mdn; M
Estadísti
co
p
Tamaño
del efecto
Barrera: falta
de capacitación
Reporta: 33; M = 4.52 / No: 19;
M = 4.53
U = 311.5 .973 r
rb
= −.01
Barrera: falta
de recursos
Reporta: 30; M = 4.50 / No: 22;
M = 4.55
U = 323.5 .896 r
rb
= −.02
Barrera:
resistencia
institucional
Reporta: 23; M = 4.48 / No: 29;
M = 4.55
U = 354.5 .656 r
rb
= .06
Barrera:
resistencia de
estudiantes
Reporta: 13; M = 4.08 / No: 39;
M = 4.67
U = 157.5 .017 r
rb
= −.38
Fuente: Elaboración propia a partir de los datos del estudio.
Nota. U = prueba de Mann-Whitney; H = prueba de Kruskal-Wallis; rrb = correlación
biserial por rangos. Con corrección de Holm para las cuatro barreras, la resistencia
de estudiantes obtuvo p = .070.
El modelo de regresión logística mejoró el ajuste respecto del modelo nulo
(Tabla 7). La expectativa de impacto se asoció con mayores probabilidades de
disposición , mientras que la relevancia no mostró una asociación
independiente. Con la relevancia fijada en su mediana, la probabilidad predicha de
disposición máxima fue de .24 (IC 95 % [.06, .63]) con una expectativa de impacto
de 4 y de .83 (IC 95 % [.67, .92]) con una expectativa de 5. Añadir el conocimiento
metodológico no modificó estos resultados. En el modelo ordinal, la relevancia
alcanzó significación, lo que indicó que su papel independiente dependía de la
especificación. La amplitud de los intervalos obliga a interpretar la magnitud de las
razones de probabilidades con cautela, ya que el modelo contrastó en la práctica a
docentes con expectativa de impacto 4 frente a 5 (un solo caso puntuó 3). En los
análisis de sensibilidad, las correlaciones de la disposición con la expectativa de
impacto (ρ entre .51 y .63) y con la relevancia (ρ entre .38 y .55) se mantuvieron en
todos los escenarios.
Tabla 7
Regresión logística de la disposición máxima (5 frente a ≤ 4)
Modelo y predictor
B (EE)
OR
IC 95 % OR
p
M1. Impacto esperado
2.72 (0.89)
15.14
[2.66, 86.05]
.002
M1. Relevancia de la
innovación
0.67 (0.53) 1.95 [0.69, 5.52] .210
M2. Impacto esperado
2.71 (0.89)
14.95
[2.61, 85.47]
.002
M2. Relevancia de la
innovación
0.60 (0.54) 1.83 [0.63, 5.29] .265
M2. Conocimiento
metodológico
0.23 (0.43) 1.26 [0.55, 2.91] .585
M3 (ordinal). Impacto esperado
2.99 (0.88)
19.78
[3.56, 109.83]
< .001
| Jesus L. Vivanco-Enriquez | Silvana Tabata Espinoza Gomez | Hayashi Rafael Mateo Nuñez |
e9235
Modelo y predictor
B (EE)
OR
IC 95 % OR
p
M3 (ordinal). Relevancia de la
innovación
0.96 (0.48) 2.62 [1.03, 6.68] .043
Fuente: Elaboración propia a partir de los datos del estudio.
Nota. n = 52 (33 con disposición máxima). M1: LR χ²(2) = 19.54, p < .001, R² de
Nagelkerke = .43, R² de McFadden = .29. M2: LR χ²(3) = 19.83, p < .001, R² de
Nagelkerke = .43. M3: modelo logístico ordinal con categorías ≤ 3, 4 y 5. OR = razón
de probabilidades.
Los valores del borrador previo, calculado con las primeras 43 respuestas, se
reprodujeron de forma exacta (ρ = .51 para impacto y disposición; ρ = .38 para
relevancia y disposición), lo que confirmó la trazabilidad del análisis. La
incorporación de las nueve respuestas posteriores no cambió la dirección de ninguna
asociación y aumentó ligeramente su magnitud. Del mismo modo, la exclusión del
único participante que calificó como «nada útiles» las tecnologías emergentes, y
cuya respuesta resultaba incoherente con su disposición máxima, no alteró las
conclusiones.
Los resultados describen un profesorado con una disposición muy buena hacia
las tecnologías emergentes, alineándose con los elevados niveles de aceptación que
documentaron García-Murillo et al. (2023) en docentes ecuatorianos o a las ventajas
que el profesorado peruano atribuye a la inteligencia artificial en el estudio de
Bernilla Rodríguez (2024). La concentración de respuestas que se distribuyen
principalmente en el máximo de la escala, sin embargo, sugiere que el instrumento
discrimina poco entre niveles altos de disposición; esta propiedad de la medición
favorece la atenuación de correlaciones y su utilización debe ser con precaución, no
podemos interpretar la alta disposición como garantía de adopción.
La asociación más fuerte que se establece relaciona la disposición con la
anticipación de impacto formativo. Esta configuración es compatible con el estatuto
central que el TAM otorga a la utilidad percibida (Davis, 1989), con el hallazgo de
Teo (2009) -la utilidad fue el determinante más potente de la intención docente- y
con la puesta en evidencia que realizó Xue et al. (2024) con la expectativa de
desempeño, siendo el potenciador más impactante. Sin embargo, el ítem del
impacto no está juzgando la utilidad de una tecnología en concreto para la actividad
docente, sino que lo hace sobre la expectativa en general respecto a la innovación
educativa; por tanto, la equivalencia con la utilidad percibida no es sino aproximada.
Pasando ya a otro plano de relato, los ítems comparten un optimismo generalizado
por lo que su asociación podría mostrar un signo de actitud general a favor del
cambio- no de construir una relación entre constructos no diferenciados.
La valoración de la relevancia de la innovación se asocia con la disposición
en el análisis bivariado, pero su contribución independiente varía según la
especificación del modelo. Esta inestabilidad es coherente con la heterogeneidad
que Scherer y Teo (2019) atribuyen a la forma de representar las variables del TAM
y con la advertencia de Scherer et al. (2019) sobre el papel de las variables externas.
El conocimiento de metodologías innovadoras, por su parte, no se asocia con la
disposición, lo que contrasta con estudios en los que la autoeficacia (Kong et al.,
| Jesus L. Vivanco-Enriquez | Silvana Tabata Espinoza Gomez | Hayashi Rafael Mateo Nuñez |
e9235
2024) o la alfabetización en IA (Al-Abdullatif, 2024) predicen la aceptación. La
diferencia puede deberse a la operacionalización: conocer metodologías innovadoras
no equivale a sentirse capaz de usar una tecnología específica, que es el contenido
de la autoeficacia tecnológica.
La falta de correlación entre la intención precursora y el uso precedente
debería ser considerada. En el caso del TAM (Technology Acceptance Model) y UTAUT
(Unified Theory of Acceptance and use of technology) la intención se sitúa como
antecedente inmediato al uso (Davis, 1989; Venkatesh et al, 2003), pero en este
estudio la intención se refiere a tecnologías emergentes en términos generales en
los próximos doce meses y el uso a una sola tecnología en el pasado, por tanto, las
dos medidas no comparten ni objeto ni sentido temporal. El resultado se transforma
mejor en una brecha existente entre cuánto se acepta y lo que realmente se hace,
coherente con el uso limitado y predominantemente asimilativo de las herramientas
digitales que Bond et al. (2018) encontraron en su estudio de docentes universitarios
y con la complejidad de la implementación que Chugh et al. describen (Chugh et al.,
2023).
Las barreras reportadas coinciden con la literatura. La falta de capacitación
y de recursos, junto con la resistencia institucional, reproduce el predominio de las
barreras profesionales e institucionales documentado por Mercader y Gairín (2020) y
las condiciones que Kharchenko et al. (2024) y Mexhuani (2025) consideran
necesarias para una integración sostenible. La demanda de capacitación coincide
con lo que el profesorado peruano expresó en el estudio de Bernilla Rodríguez (2024),
y los apoyos más solicitados corresponden a lo que UTAUT denomina condiciones
facilitadoras (Venkatesh et al., 2003). Que estas barreras no se asocien con la
disposición es compatible con la idea de que las condiciones facilitadoras influyen
más en el uso efectivo que en la intención; esta interpretación, sin embargo, no
puede contrastarse con estos datos. Tampoco se observan diferencias por grado
académico, a diferencia de García-Murillo et al. (2023), aunque los grupos pequeños
limitan la potencia de la comparación.
Desde una perspectiva teórica, los resultados ilustran tanto la utilidad del
TAM como marco de interpretación como los riesgos de aplicarlo sin un instrumento
que represente sus constructos. El modelo permite ordenar las variables disponibles
en torno a la intención conductual y distinguir entre creencias, intención y uso, pero
la ausencia de la facilidad de uso percibida impide examinar la secuencia que Davis
(1989) propuso entre facilidad de uso y utilidad. Scherer y Teo (2019) mostraron que
la forma de representar las variables del TAM modera la magnitud de sus relaciones,
y los estudios con evidencias psicométricas completas, como el de Dou y Feng (2025),
ilustran el tipo de validación que requiere una aplicación confirmatoria del modelo.
En consecuencia, los hallazgos de este estudio deben entenderse como una
aproximación preliminar que orienta hipótesis para futuras investigaciones y no como
una confirmación del TAM en el profesorado peruano.
En términos prácticos, los hallazgos nos indican que las instituciones no
tienen que convencer al profesorado del valor de la innovación, ya favorablemente
dispuesto, sino acortar la distancia entre disposición y práctica a través de la
capacitación continua, infraestructura y disposiciones institucionales claras, que
sean coherentes con la formación de la docencia integral que entienden Romero
| Jesus L. Vivanco-Enriquez | Silvana Tabata Espinoza Gomez | Hayashi Rafael Mateo Nuñez |
e9235
Oliva et al. (2024) y Aparicio-Gómez et al. (2024).
A su vez, el estudio presenta limitaciones que condicionan el alcance de sus
conclusiones. El diseño transversal impide establecer el orden temporal de las
relaciones y el muestreo por conveniencia, con 52 participantes y posible
autoselección de docentes interesados en la innovación, restringe la generalización.
Todos los constructos se midieron con ítems únicos sin evidencias previas de validez,
el instrumento no midió la facilidad de uso percibida y la utilidad percibida careció
de variabilidad, de modo que el núcleo del TAM no pudo contrastarse. Las medidas
proceden de autoinforme en un único instrumento, lo que expone las asociaciones
al sesgo de método común, y el efecto techo redujo la variabilidad disponible. El
formulario obligó a responder preguntas que no aplicaban, lo que exigió
recodificaciones documentadas, y las expectativas se formularon tras una inspección
exploratoria de los datos. Futuras investigaciones deberían emplear escalas
multiítem validadas para cada constructo, cuya fiabilidad en el campo educativo ha
resultado en general adecuada (Açıkgül & Şad, 2026), aportar evidencias de validez
de constructo (Dou & Feng, 2025), centrarse en una tecnología concreta como la IA
generativa (Kong et al., 2024; Wang, 2026), calcular a priori el tamaño muestral e
incorporar diseños longitudinales que midan el uso efectivo tras la intención.
Conclusiones
El profesorado de educación superior participante muestra una disposición
muy favorable a incorporar tecnologías emergentes, acompañada de una alta
valoración de la innovación educativa y de elevadas expectativas sobre su impacto
formativo. Esa disposición se asocia sobre todo con la expectativa de impacto y, en
menor medida, con la valoración de la innovación, pero no con el conocimiento
metodológico, el uso previo de entornos virtuales ni las características
sociodemográficas. Estos resultados apoyan, desde una aproximación exploratoria,
la relevancia que el TAM atribuye a las expectativas de beneficio, aunque no
permiten contrastar el modelo en su totalidad.
El principal aporte del estudio consiste en poner de manifiesto que la
aceptación declarada no se traduce automáticamente en práctica y que son las
condiciones institucionales, sobre todo la formación, los recursos tecnológicos y las
políticas de apoyo, las que constituyen los obstáculos que la práctica docente señala
con mayor frecuencia. Como consecuencia, las estrategias institucionales deberían
ir dirigidas menos a la promoción de actitudes favorables ya existentes y más a las
condiciones que promuevan la conversión de esa predisposición en un uso pedagógico
sostenido. Para avanzar en esa línea de investigación son necesarios estudios con
instrumentos multiítem validados, muestras más amplias y representativas y diseños
que valoren conjuntamente la intención y el uso de tecnologías concretas.
Referencias
Açıkgül, K., & Şad, S. N. (2026). A reliability generalization meta-analysis of unified
theory of acceptance and use of technology model in the educational
| Jesus L. Vivanco-Enriquez | Silvana Tabata Espinoza Gomez | Hayashi Rafael Mateo Nuñez |
e9235
research. Educational Research Review, 51, Artículo 100780.
https://doi.org/10.1016/j.edurev.2026.100780
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), Artículo 1209.
https://doi.org/10.3390/educsci14111209
Aparicio-Gómez, O. Y., Ostos-Ortiz, O. L., & Abadía-García, C. (2024). Convergence
between emerging technologies and active methodologies in the university.
Journal of Technology and Science Education, 14(1), 31–44.
https://doi.org/10.3926/jotse.2508
Bernilla Rodríguez, E. B. (2024). Docentes ante la inteligencia artificial en una
universidad pública del norte del Perú. Educación, 33(64), 8–28.
https://doi.org/10.18800/educacion.202401.M001
Bond, M., Khosravi, H., De Laat, M., Bergdahl, N., Negrea, V., Oxley, E., Pham, P.,
Chong, S. W., & Siemens, G. (2024). A meta systematic review of artificial
intelligence in higher education: A call for increased ethics, collaboration,
and rigour. International Journal of Educational Technology in Higher
Education, 21, Artículo 4. https://doi.org/10.1186/s41239-023-00436-z
Bond, M., Marín, V. I., Dolch, C., Bedenlier, S., & Zawacki-Richter, O. (2018). Digital
transformation in German higher education: Student and teacher
perceptions and usage of digital media. International Journal of Educational
Technology in Higher Education, 15, Artículo 48.
https://doi.org/10.1186/s41239-018-0130-1
Cabellos, B., De Aldama, C., & Pozo, J. I. (2024). University teachers' beliefs about
the use of generative artificial intelligence for teaching and learning.
Frontiers in Psychology, 15, Artículo 1468900.
https://doi.org/10.3389/fpsyg.2024.1468900
Cabero-Almenara, J., Palacios-Rodríguez, A., Loaiza-Aguirre, M. I., & Andrade-
Abarca, P. S. (2024). The impact of pedagogical beliefs on the adoption of
generative AI in higher education: Predictive model from UTAUT2. Frontiers
in Artificial Intelligence, 7, Artículo 1497705.
https://doi.org/10.3389/frai.2024.1497705
Cabero-Almenara, J., Palacios-Rodríguez, A., Loaiza-Aguirre, M. I., & De Rivas-
Manzano, M. del R. (2024). Acceptance of educational artificial intelligence
by teachers and its relationship with some variables and pedagogical beliefs.
Education Sciences, 14(7), Artículo 740.
https://doi.org/10.3390/educsci14070740
Chugh, R., Turnbull, D., Cowling, M. A., Vanderburg, R., & Vanderburg, M. A. (2023).
Implementing educational technology in higher education institutions: A
review of technologies, stakeholder perceptions, frameworks and metrics.
Education and Information Technologies, 28(12), 16403–16429.
https://doi.org/10.1007/s10639-023-11846-x
Crompton, H., & Burke, D. (2023). Artificial intelligence in higher education: The
| Jesus L. Vivanco-Enriquez | Silvana Tabata Espinoza Gomez | Hayashi Rafael Mateo Nuñez |
e9235
state of the field. International Journal of Educational Technology in Higher
Education, 20, Artículo 22. https://doi.org/10.1186/s41239-023-00392-8
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
Dou, G., & Feng, Y. (2025). Psychometric validation of the information technology
acceptance scale for Chinese high school teacher. Frontiers in Education,
10, Artículo 1678302. https://doi.org/10.3389/feduc.2025.1678302
Feng, J., Yu, B., Tan, W. H., Dai, Z., & Li, Z. (2025). Key factors influencing
educational technology adoption in higher education: A systematic review.
PLOS Digital Health, Artículo e0000764.
https://doi.org/10.1371/journal.pdig.0000764
García-Murillo, G., Novoa-Hernández, P., & Serrano Rodríguez, R. (2023). On the
technological acceptance of Moodle by higher education faculty-A
nationwide study based on UTAUT2. Behavioral Sciences, 13(5), Artículo 419.
https://doi.org/10.3390/bs13050419
Kharchenko, A., Nalyvaiko, O., Kreydun, N., Sheiko, A., Ptushka, A., Khatuntseva,
S., & Zotova, L. (2024). Digital technologies as a factor of transformation of
learning in the university education. Revista Românească pentru Educaţie
Multidimensională, 16(4), 97–126. https://doi.org/10.18662/rrem/16.4/909
Kong, S. C., Yang, Y., & Hou, C. (2024). Examining teachers' behavioural intention
of using generative artificial intelligence tools for teaching and learning
based on the extended technology acceptance model. Computers and
Education: Artificial Intelligence, 7, Artículo 100328.
https://doi.org/10.1016/j.caeai.2024.100328
Liu, Y., Wang, Q., & Lei, J. (2025). Adopting generative AI in future classrooms: A
study of preservice teachers' intentions and influencing factors. Behavioral
Sciences, 15(8), Artículo 1040. https://doi.org/10.3390/bs15081040
Mercader, C., & Gairín, J. (2020). University teachers' perception of barriers to the
use of digital technologies: The importance of the academic discipline.
International Journal of Educational Technology in Higher Education, 17,
Artículo 4. https://doi.org/10.1186/s41239-020-0182-x
Mexhuani, B. (2025). Adopting digital tools in higher education: Opportunities,
challenges and theoretical insights. European Journal of Education, 60(1),
Artículo e12819. https://doi.org/10.1111/ejed.12819
Mondragon-Estrada, E., Kirschning, I., Nolazco-Flores, J. A., & Camacho-Zuñiga, C.
(2023). Fostering digital transformation in education: Technology enhanced
learning from professors' experiences in emergency remote teaching.
Frontiers in Education, 8, Artículo 1250461.
https://doi.org/10.3389/feduc.2023.1250461
Perezchica-Vega, J. E., Sepúlveda-Rodríguez, J. A., & Román-Méndez, A. D. (2024).
Inteligencia artificial generativa en la educación superior: Usos y opiniones
| Jesus L. Vivanco-Enriquez | Silvana Tabata Espinoza Gomez | Hayashi Rafael Mateo Nuñez |
e9235
de los profesores. European Public & Social Innovation Review, 9, 1–20.
https://doi.org/10.31637/epsir-2024-593
Prosen, M., & Ličen, S. (2025). Evaluating the digital transformation in health
sciences education: A thematic analysis of higher education teachers'
perspectives. BMC Medical Education, 25.
https://doi.org/10.1186/s12909-
025-07420-3
Romero Oliva, M. F., Heredia Ponce, H., Amante García, B., & Martínez Martínez, M.
(2024). Emerging methodologies and technologies applied to university
education. Journal of Technology and Science Education, 14(1), 1–3.
https://doi.org/10.3926/jotse.2643
Sapargaliyeva, A. Zh., Shynybekova, A. S., Molbassynova, Z. M., Tasbolatova, R., &
Nurzhanova, T. T. (2023). Innovative educational technologies and
competencies in higher education. Higher Education for the Future, 10(1),
110–122. https://doi.org/10.1177/23476311231155523
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
Scherer, R., & Teo, T. (2019). Unpacking teachers' intentions to integrate
technology: A meta-analysis. Educational Research Review, 27, 90–109.
https://doi.org/10.1016/j.edurev.2019.03.001
Tang, J., Huang, P., & Yan, S. (2025). Digital transformation in higher education:
Logical framework, practical dilemmas, and implementation approaches.
Frontiers in Psychology, 16, Artículo 1565591.
https://doi.org/10.3389/fpsyg.2025.1565591
Teo, T. (2009). Modelling technology acceptance in education: A study of pre-service
teachers. Computers & Education, 52(2), 302–312.
https://doi.org/10.1016/j.compedu.2008.08.006
Venkatesh, V., & Davis, F. D. (2000). A theoretical extension of the technology
acceptance model: Four longitudinal field studies. Management Science,
46(2), 186–204. https://doi.org/10.1287/mnsc.46.2.186.11926
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
Wang, Q. (2026). Perceived GenAI competency and university teachers' intention to
continue using generative artificial intelligence: Extending the technology
acceptance model. PLOS ONE, 21(9), Artículo e0358596.
https://doi.org/10.1371/journal.pone.0358596
Xue, L., Mat Rashid, A., & Ouyang, S. (2024). The unified theory of acceptance and
use of technology (UTAUT) in higher education: A systematic review. SAGE
Open, 14. https://doi.org/10.1177/21582440241229570
| Jesus L. Vivanco-Enriquez | Silvana Tabata Espinoza Gomez | Hayashi Rafael Mateo Nuñez |
Estrategia y Gestión Universitaria EGU
Sobre el autor principal
Jesús Leonardo Vivanco Enriquez:
es magíster en Gestión y Políticas de la
Innovación y la Tecnología por la Pontificia Universidad Católica del Perú (PUCP).
Cuenta con experiencia en investigación aplicada, prospectiva estratégica e
innovación educativa, con especial interés en
el uso de datos y tecnologías
emergentes en contextos educativos y organizacionales. Ha participado en proyectos
de innovación y cuenta con publicaciones sobre educación, tecnologías digitales e
inteligencia artificial.
Declaración de responsabilidad autoral
Jesús Leonardo 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 Gomez
2:
Curación de datos, Análisis formal, Investigación,
Recursos, Supervisión, Validación/ Verificación, Visualización, Redacción/ borrador
original, y Redacción, revisión y edición.
Hayashi Rafael Mateo Nuñez
3: Curación de dat
os, Análisis formal, Investigación,
Recursos, Validación/ Verificación, Visualización, Redacción/ borrador original.
Financiación:
Recursos propios.
Agradecimientos: