Inteligencia artificial: revolución
educativa innovadora en la Educación Superior
Artificial Intelligence: innovative educational revolution
in Higher Education
Dña. Virginia
Villegas-José. Profesora
sustituta. Universidad de Huelva. España
Dr. Manuel
Delgado-García. Profesor
Titular de Universidad. Universidad de Huelva. España
Recibido:
2023/03/21 Revisado 2024/04/03 Aceptado: :2024/07/11 Online First: 2024/07/15 Publicado: 2024/09/01
Cómo citar este artículo:
Villegas-José, V., & Delgado-García, M.
(2024). Inteligencia artificial: revolución educativa innovadora en la
Educación Superior [Artificial Intelligence:
innovative educational revolution
in Higher Education]. Pixel-Bit. Revista De Medios Y Educación, 71,
159–177. https://doi.org/10.12795/pixelbit.107760
RESUMEN
Es una
realidad que, en la universidad, la innovación educativa y las inteligencias
artificiales están estrechamente relacionadas. Son múltiples los beneficios
resultantes de integrar la IA en la práctica docente, así como la mejora el
proceso de enseñanza-aprendizaje. Esta investigación se plantea desde una
metodología cuantitativa, a través de un cuestionario formado de tres escalas
diferentes (previamente validadas) sobre la práctica docente, la innovación
educativa y la consideración hacia las inteligencias artificiales por parte del
profesorado universitario. Se obtuvo una muestra de 159 docentes de la
Universidad de Huelva; con el objetivo de explorar sus opiniones sobre la IA,
sus actitudes hacia la innovación educativa y su relación con las prácticas
docentes. Los resultados revelaron que factores como el género son
significativos en la actitud hacia la innovación. Además, se observó que la
edad del profesorado influye en la actitud hacia la IA, de forma que el
profesorado más joven es el que más utiliza las IA en las aulas y también
tiende a ser el que más innova. En general, el profesorado tiene una opinión
más positiva sobre el uso de la IA en investigación que en docencia, donde aún
se localizan ciertas reticencias.
ABSTRACT
It is a reality that, in
universities, educational innovation and artificial intelligences are closely
related. There are multiple benefits resulting from integrating AI into
teaching practice, as well as improving the teaching-learning process. This research
is based on a quantitative methodology, using a questionnaire made up of three
different scales (previously validated) on teaching practice, educational
innovation and artificial intelligences in university teaching staff. A sample
of 159 teachers from the University of Huelva was obtained in order to explore
their opinions on AI, their attitudes towards educational innovation and its
relationship with teaching practices. The results revealed that factors such as
gender are significant in attitudes towards innovation. In addition, it was
observed that the age of teachers influences attitudes towards AI, with younger
teachers being more likely to use AI in the classroom and therefore more likely
to innovate. On the other hand, it was found that teachers have a more positive
opinion about the use of AI in research than in teaching.
PALABRAS CLAVES· KEYWORDS
Inteligencia artificial, enseñanza superior,
innovación educacional, práctica pedagógica, investigación.
Artificial intelligence, higher education, educational
innovations, teaching practice, research.
1. Introducción
Desde los años setenta y
ochenta, con el comienzo de la revolución tecnológica, la sociedad se encuentra
inmersa en una oleada constante de cambios y avances de la era digital. De esta
situación de metamorfoseo eclosiona la cuarta revolución industrial con los
avances de la inteligencia artificial o IA (Andión & Cárdenas 2023).
Diferentes organismos internacionales hacen mención al uso de la inteligencia
artificial vinculándolo con un efecto positivo en diversos ámbitos sociales,
así como la educación superior, puesto que brinda la oportunidad de impeler la
innovación, la productividad e incluso la calidad de vida (Dogru et al., 2023;
Faraj, 2022; Kelly et al., 2023). Dicha información hace que nos planteemos la
siguiente cuestión ¿estamos ante una nueva revolución educativa?
Cierto es que, no es hasta
justo la recuperación de las actividades académicas presenciales postpandemia,
cuando la Inteligencia Artificial Generativa (IAG) comenzó a aparecer por
primera vez. Múltiples herramientas precursoras emergían en el plano académico
en cuanto a la gestión educativa, gobernanza y políticas de desarrollo
estratégico (Cedeño et al., 2024; Regalado-López et al., 2024), formando parte
de una innovación tecnológica que marcaría un antes y un después en este
contexto (Gallent-Torres et al., 2023). No obstante, no todo es positivo en lo
que concierne a la IA, ya que esta ha generado una brecha de opiniones,
combinando el entusiasmo y desconfianza en relación con su impacto y su uso
como parte de la práctica docente o su consideración como innovación educativa
(Flores-Vivar & García-Peñalvo, 2023).
Actualmente, la IA como
herramienta educativa contribuye al logro del cuarto ODS propuesto por la ONU
al promover una educación inclusiva, equitativa y de calidad que, además,
prepara para enfrentarse a los requerimientos actuales y futuros de la sociedad
(Sanabria & Cepeda, 2016). Ayuda a personalizar las experiencias de
aprendizaje y ofrece un potencial significativo en lo que respecta a prácticas
docentes e innovación educativa (Bucea-Manea-Țonis et al., 2022; Chen et
al., 2020). A pesar de ello, es crucial conocer tanto sus ventajas como sus
limitaciones. Entre las prácticas docentes favorecedoras del proceso de
enseñanza y aprendizaje en la educación superior se pueden apreciar: el aprendizaje
personalizado (Jiménez-García et al., 2024; Murtaza et al., 2022), la
adaptación del contenido y las estrategias de enseñanza para optimizar los
resultados de aprendizaje (Kabudi et al., 2021), la tutoría inteligente
(Mousavinasab et al., 2021), o la calificación automática y el análisis de
datos, lo que permite al profesorado obtener información valiosa sobre el
rendimiento del alumnado, la eficacia de la enseñanza y el diseño del plan de
estudios (Chen et al., 2020). Respecto a sus limitaciones, es necesario tener
en cuenta cuestiones éticas y de privacidad, las barreras tecnológicas y de
accesibilidad (Botelho, 2021), la falta de interacción humana, la comprensión
contextual limitada, la dependencia excesiva de la misma, restando importancia
al pensamiento crítico (Jara & Ochoa, 2020) y la resistencia al cambio y
falta de formación (Corica, 2020).
2. Metodología
2.1.
Objetivos
·
Analizar la práctica y el
interés por la innovación y la opinión sobre la IA del profesorado de la
Universidad de Huelva.
·
Identificar asociaciones
existentes entre el uso de prácticas docentes innovadoras y el uso de la
inteligencia artificial.
·
Explorar la incidencia sobre
la práctica y la innovación docente de variables como el género o el campo de
conocimiento al que se adscribe el profesorado.
2.2.
Hipótesis
Se
establecen las siguientes hipótesis de partida:
·
El profesorado de la Universidad de Huelva
diversifica sus prácticas docentes, muestra interés por aplicar estrategias de
innovación docente y posee una opinión positiva sobre las posibilidades que
ofrece la IA.
·
El profesorado que innova en la docencia y tiene una
visión positiva de la IA tiende también a emplearla en el proceso de enseñanza
y aprendizaje.
·
El género y el campo de conocimiento son variables
que influyen en el tipo de práctica docente empleada por el profesorado y en el
interés por la innovación docente.
2.3.
Método
Este
trabajo se apoya en una metodología de tipo encuesta, con una aplicación
transversal sobre el colectivo docente universitario.
2.4.
Muestra
La
población diana es el colectivo docente de la Universidad de Huelva del curso
2023/2024 (896 docentes). La muestra participante fue de 159 profesionales que,
tomando en cuenta el tamaño de la población (N= 896), se pudo trabajar con un
nivel de confianza del 93% y un margen de error del ±7%. El procedimiento
empleado fue un muestreo de tipo incidental y se tomó como criterio de
selección la disponibilidad y aceptación para completar el cuestionario por
parte del profesorado contratado durante el segundo semestre. Las
características de la muestra la clasifican en un 52.2% de hombres y 47.8% de
mujeres, con una media de edad de 46.9 años y un bagaje experiencial que se
sitúa en una media de 17.06 años. En la Tabla 1 puede visualizarse la
distribución en las diferentes categorías profesionales (distribuidas entre 36
áreas de conocimiento y 9 Facultades).
Tabla 1
Categoría profesional del profesorado universitario
|
Categoría profesional |
Porcentaje |
|
Ayudante Doctor |
3.8% |
|
Contratado Doctor |
12.6% |
|
Titular |
33.3% |
|
Catedrático/a |
10.7% |
|
Profesorado Sustituto |
30.2% |
|
Profesorado Asociado |
5.7% |
|
Personal en formación |
3.8% |
|
Total |
100% |
Fuente: elaboración propia.
2.5.
Instrumento
Se
ha creado un instrumento ad hoc a partir del cuestionario de Santos Rego et al. (2017) sobre práctica docente y
actitud del profesorado universitario hacia la innovación (CUPAIN); junto a él
se ha incluido una versión de un instrumento validado y destinado al
conocimiento sobre Inteligencia Artificial (IA) en docentes universitarios (Silva-Sánchez,
2022). Ambos instrumentos están compuestos
originalmente por 3 subescalas, pero se ha decidido
emplear el contenido de dos subescalas de cada uno de ellos (compuestas por
12 y 11 ítems para el primero y 5 ítems cada una del segundo) respectivamente.
La
primera de las escalas está destinada a evaluar la frecuencia con la que el
profesorado universitario utiliza diversas estrategias docentes (se emplea una
escala Likert de 5 puntos, siendo 1 nunca y 5 siempre); atendiendo a las
propiedades psicométricas recogida por los autores citados, se seleccionan un
total de 12 de los 18 ítems puesto que son los que mejor carga factorial
presentan; en concreto en esta subescala se integran 3 factores:
·
Factor I: lo denominan implicación externa en la
docencia y acoge aquellas actividades que hace el profesor en su asignatura con
la finalidad de que el aprendizaje vaya más allá de lo abordado en el aula
(ítems: 2, 7, 8, 12).
·
Factor II: está enfocado en el papel que desempeña
el alumnado en el proceso de enseñanza (ítems 4, 5, 6, 11).
·
Factor III: lo definen como las estrategias o
metodologías que el docente utiliza en el aula (ítems: 1, 3, 9, 10).
La
segunda escala está destinada a evaluar el interés del profesorado
universitario hacia una serie de actividades de aprendizaje (se emplea una
escala Likert de 5 puntos, siendo 1 nada y 5 mucho). Atendiendo a las
propiedades psicométricas del estudio de referencia se decide emplear la escala
original compuesta por dos factores:
·
Factor I: recoge el conjunto de actividades de
aprendizaje que utiliza el profesorado y están centradas en el alumnado (ítems
1, 2, 3, 4, 5, 6).
·
Factor II: integra un conjunto de actividades de aprendizaje
centrada en las interacciones (ítems 7, 8, 9, 10, 11).
La
tercera escala está dirigida a valorar el potencial que posee la IA en la
educación superior. Se han utilizado las respuestas correctas del instrumento
original (diseñado a través de una escala de opción múltiple) y se ha
establecido una escala Likert de 5 puntos (siendo 1 nada y 5 mucho) para
valorar:
·
Factor I: las posibilidades de las herramientas de
Inteligencia Artificial para la educación (ítems 1, 2, 3, 4, 5).
·
Factor II: el aporte de las aplicaciones de
herramientas de Inteligencia Artificial en el aula y actividades docentes
(ítems 6, 7, 8, 9, 10).
Se
trata pues de un instrumento compuesto por 33 ítems cuyas escalas han sido
previamente validadas en estudios como los de Lorenzo et al. (2019),
Silva-Sánchez (2022) o Varea et al. (2018) que parten de la opinión del
colectivo docente universitario y que profundizan en la evaluación de los
contenidos abordados en este trabajo, motivos ambos por los que se seleccionan
como materiales de referencia. Además, las escalas tipo Likert empleadas en el cuestionario cumplieron con los
requisitos de tau-equivalencia, unidimensionalidad y
escala de medida continua (Raykov & Marcoulides, 2017), y por ello se
calculó su fiabilidad a través del estadístico Alfa de Cronbach para el instrumento completo (a=.90) y para
cada escala (a=.80; a=.85 y a=.93
respectivamente). Se obtiene un instrumento con una fiabilidad alta.
3. Análisis y resultados
3.1.
Procedimiento y análisis de datos
La
aplicación del instrumento comprendió el período relativo a los meses entre
febrero y mayo del año 2024, administrándose a través del correo electrónico
institucional en el que se incluyó el enlace a la plataforma Google Forms. También se informó del objetivo de la investigación,
así como del carácter anónimo y voluntario para asegurar la aplicación de
principios éticos como los indicados o la confidencialidad de las respuestas.
Tras
la recogida de los datos, se creó una base de datos en el software SPSS 21 y se
aplicó un procedimiento de screening por el que se identificaron posibles datos
perdidos, se eliminaron los casos atípicos multivariantes, se efectuó un
análisis de tendencia central, se analizó la distribución de la normalidad de
los datos, se plantearon posibles correlaciones entre variables de interés, se
revisó la consistencia interna y fiabilidad de la escala y, finalmente se
realizaron los análisis de contraste. El valor α para los análisis
realizados se situó en .05.
Por
último, se desarrolló un análisis de la distribución de los datos para
identificar si existe o no un comportamiento de normalidad. Se aplicaron las
pruebas de Shapiro Wilks y de Kolmogorov
Smirnov y los resultados obtenidos para todos los
casos fueron p <.000, lo que sugirió que los datos no siguieron una distribución normal (George & Mallery,
2001) y de ahí que se empleasen procedimientos no paramétricos; en concreto, se desarrollan correlaciones entre
variables, aplicando el Coeficiente Phi (variables dicotómicas) y el Coficiente de la Biserial
(variables dicotómicas y de intervalos); también se realizan contraste entre
grupos a través de la U de Mann-Whitney (género; el uso o no de la IA en las
aulas y la investigación o su concepción favorable/desfavorable como
herramienta innovadora) y la H de Kruskal-Wallis (campos de conocimiento) con
la finalidad de encontrar diferencias en poblaciones iguales y contrastar las
hipótesis nulas.
3.2.
Resultados
3.2.1. Análisis descriptivo
En primer lugar, se analizan
unos ítems en los que se indaga en variables que ofrecen una visión sobre la
innovación en la práctica docente y también sobre el empleo de la inteligencia
artificial. En este sentido, se obtiene que, en relación a la práctica docente,
el 88.1% reconoce realizar cursos de formación para mejorarla y actualizarla y
así un 81.8% reconoce que desarrolla prácticas docentes innovadoras en sus
clases; por otra parte, en relación al empleo de las IA, el 74.8% manifiesta
que no las utiliza en sus clases y un 54.1% tampoco las emplea como herramienta
de apoyo para su investigación; no obstante, un
87.4% sí comparte que son una herramienta innovadora de apoyo a la
enseñanza universitaria. A la cuestión relativa al conocimiento de diferentes
IAs propuestas, ChatGPT alcanza el 18.9% de las respuestas, seguida de la
combinación ChatGPT, Deepl y Copilot con el 14.5% y la opción Ninguna con el
10.7%.
A continuación, se ofrece el
análisis descriptivo relativo a las variables que componen las 3 escalas
empleadas.
3.2.1.1. Escala
práctica docente
La primera escala valora la
frecuencia de utilización relativa a las prácticas docentes expresadas (Tabla 2).
En concreto, si atendemos a los ítems que enjuician aquellas actividades que
hace el profesor en su asignatura con la finalidad de que el aprendizaje vaya
más allá de lo abordado en el aula (ítems: 2, 7, 8, 12), son los ítems
destinados a la organización por parte del docente de actividades, ya sea en el
aula o fuera de ella (2,8), los que obtienen una media más baja frente a
aquellos que se focalizan en promover una labor más propia-responsable del
alumnado y no directamente relacionada a ser organizada por el docente.
En segundo lugar, si nos
centramos en el papel que desempeña el alumnado en el proceso de enseñanza
(ítems 4, 5, 6, 11), se obtienen unas altas puntuaciones medias (sobre todo en
el marco de la promoción de las relaciones interpersonales) aunque en el ítem
en el que la experiencia del alumnado se emplea como estrategia para integrarla
en el contenido de la materia la media es inferior.
Por último, esta escala
también se centra en evaluar las estrategias o metodologías que el docente
utiliza en el aula (ítems: 1, 3, 9, 10), y aquí las puntuaciones se posicionan
en el intermedio de la escala de frecuencia de empleo, dejando entrever una utilización
ocasional de estrategias como los casos prácticos, la evaluación continua, el
trabajo en equipo o utilización de las TIC.
Tabla 2
Estadísticos descriptivos
|
|
N |
Media |
DT |
|
2. Suelo invitar a
profesionales externos a la universidad para exponer su trabajo. |
159 |
2.52 |
1,102 |
|
7. Recomiendo a mi alumnado visitar
exposiciones o asistir a actos que se relacionen con la materia. |
159 |
3.62 |
1,101 |
|
8. Promuevo y organizo
actividades complementarias fuera del horario lectivo (visitas, conferencias,
etc.). |
159 |
2.58 |
1,171 |
|
12. Fomento la asistencia de
mis alumnos/as a actividades o seminarios de otras asignaturas. |
159 |
3.47 |
1,054 |
|
4. El alumnado participa
activamente en mis sesiones de aula. |
159 |
4.02 |
,759 |
|
5. Promuevo actividades que fomentan
el pensamiento crítico (debates, preguntas en clase, etc.). |
159 |
4.21 |
,741 |
|
6. Utilizo las experiencias del
alumnado para relacionarlas con la materia. |
159 |
3.77 |
,907 |
|
11. Procuro que en mis clases exista
un buen clima de relaciones interpersonales. |
159 |
4.60 |
,675 |
|
1. Analizo y doy a conocer
casos prácticos como apoyo para el aprendizaje del alumnado. |
159 |
3.89 |
,928 |
|
3. Hago evaluación continua
(ensayos, informes, portafolios, etc.). |
159 |
3.92 |
1,088 |
|
9. Utilizo el trabajo en equipo
como estrategia didáctica. |
159 |
3.74 |
1,080 |
|
10. Empleo las tecnologías para
fomentar la participación e interactividad del alumnado (tutorías
telemáticas, aulas virtuales, foros, etc.). |
159 |
3.57 |
1,065 |
Fuente: elaboración
propia.
3.2.1.2. Escala
práctica docente
En esta segunda escala se
valora el grado de interés hacia variables que se centran en la innovación docente
(Tabla 3). En primer lugar, atendiendo al conjunto de actividades de
aprendizaje que utiliza el profesorado y están centradas directamente en el
alumnado (ítems 1, 2, 3, 4, 5, 6), cabe reseñar el resultado del ítem 6, con la
media más baja, de manera que el profesorado se muestra más indiferente a la
hora de organizar actividades que ponen en relación al alumnado con la
comunidad (DT=1.06); mientras en el resto de iniciativas se posiciona en un
interés alto hacia actividades que ponen el foco de atención en el alumnado.
En segundo lugar, se evalúa
el interés hacia un conjunto de actividades de aprendizaje centrada en las
interacciones a diversos niveles (ítems 7, 8, 9, 10, 11); en concreto, los
resultados visibilizan que el interés por actividades próximas a lo medioambiental
(ítem 11), a la comunicación en una lengua extranjera (ítem 8), a la promoción
del liderazgo o el emprendimiento (ítem 10) son las que alcanzan una media
inferior, aunque mostrando una alta desviación típica. Por su parte, sí muestra
el profesorado bastante interés en el desarrollo permanente y el trabajo
interdisciplinar (ítems 7 y 9).
Tabla 3
Estadísticos descriptivos
|
|
N |
Media |
DT |
|
1. Actividades que promuevan
una metodología de resolución de problemas |
159 |
4.28 |
.797 |
|
2. Actividades que promuevan la
participación del alumnado. |
159 |
4.50 |
.625 |
|
3. Actividades que desarrollen
la capacidad crítica del alumnado. |
159 |
4.57 |
.545 |
|
4. Actividades
de actualización metodológica. |
159 |
4.03 |
.907 |
|
5. Actividades que promuevan el
aprendizaje autónomo. |
159 |
4.26 |
.724 |
|
6. Actividades que promuevan la
relación con la comunidad. |
159 |
3.75 |
1,067 |
|
7. Actividades que promuevan el
desarrollo permanente. |
159 |
4.12 |
.852 |
|
8. Actividades que promuevan la
comunicación en una lengua extranjera. |
159 |
3.21 |
1,288 |
|
9. Actividades que promuevan el
trabajo interdisciplinar. |
159 |
4.01 |
1,061 |
|
10. Actividades que fomenten la
empleabilidad, el liderazgo, la iniciativa y el espíritu emprendedor. |
159 |
3.69 |
1,044 |
|
11. Actividades que desarrollen
la sensibilidad hacia temas medioambientales. |
159 |
3.76 |
1,150 |
Fuente: elaboración
propia
3.2.1.3. Escala
de conocimiento sobre IA
En
esta escala se valora el grado de conocimiento del profesorado sobre la IA
(Tabla 4). En un primer momento se presentan las posibilidades que ofrecen las herramientas de Inteligencia Artificial
para la educación (ítems 1, 2, 3, 4, 5) y habría que indicar que las puntuaciones medias obtenidas no son
especialmente altas (medias entre 3.5 y 3.7); el valor más bajo tiene relación con
la capacidad analítica o predictiva de la IA para comprender los patrones de
aprendizaje (ítem 3). En un segundo momento, se concreta un poco más y se
evalúa el aporte de las aplicaciones de herramientas de Inteligencia
Artificial al aula y a las actividades docentes (ítems 6, 7, 8, 9, 10); aquí
cabría precisar que hay dos ítems (6 y 8) con puntuaciones más bajas y se
relacionan con la capacidad de la IA
para favorecer la interacción, ya sea con el estudiante por parte del profesor
o a través del desarrollo de trabajo en equipo, pero también destaca (ítem 10)
el interés por los aspectos éticos y de protección de la privacidad que puede
suponer el trabajar con las IAs.
Tabla 4
Estadísticos descriptivos
|
|
N |
Media |
DT |
|
1. El procesamiento del lenguaje natural es una
técnica de inteligencia artificial que se utiliza para analizar y comprender
el lenguaje humano, y se puede utilizar en la educación para desarrollar
asistentes virtuales de aprendizaje. |
159 |
3.75 |
1,025 |
|
2. Los asistentes virtuales de aprendizaje,
sistemas de recomendación, chatbots educativos son algunas de las
herramientas de inteligencia artificial que se pueden utilizar en la
educación. |
159 |
3.76 |
1,003 |
|
3. La analítica del aprendizaje es una técnica
de inteligencia artificial que se utiliza para analizar y comprender los
patrones de aprendizaje de los estudiantes, y se puede utilizar en la
educación para mejorar la enseñanza y el aprendizaje. |
159 |
3.60 |
,982 |
|
4. Los chatbots educativos son programas de
inteligencia artificial que se utilizan para interactuar con los estudiantes
y proporcionar respuestas a sus preguntas. |
159 |
3.61 |
1,012 |
|
5. Personalización del aprendizaje,
retroalimentación instantánea y eficiencia en la gestión del tiempo son
algunas de las ventajas de utilizar herramientas de inteligencia artificial
en educación. |
159 |
3.64 |
1,070 |
|
6. Se puede utilizar la inteligencia artificial
para mejorar la enseñanza en el aula desarrollando chatbots educativos para
interactuar con los estudiantes y proporcionar retroalimentación instantánea. |
159 |
3.55 |
1,101 |
|
7. Se puede utilizar la inteligencia artificial para
mejorar la evaluación de los estudiantes utilizando herramientas de análisis
de datos para evaluar el rendimiento de los estudiantes y proporcionar
retroalimentación personalizada. |
159 |
3.65 |
1,086 |
|
8. Se puede utilizar la inteligencia artificial
para fomentar la colaboración y el trabajo en equipo en el aula creando
chatbots de equipo que ayuden a coordinar y comunicar a los estudiantes en
proyectos de equipo. |
159 |
3.51 |
1,043 |
|
9. Se puede utilizar la inteligencia artificial
para desarrollar habilidades tecnológicas en los estudiantes desarrollando
simulaciones y juegos educativos que enseñen conceptos de inteligencia
artificial y programación. |
159 |
3.92 |
,991 |
|
10. Los desafíos éticos y sociales que deben
tenerse en cuenta al utilizar la inteligencia artificial en la educación son
la privacidad y la protección de datos de los estudiantes, la justicia y la
equidad en la educación, la responsabilidad social y ética |
159 |
4.33 |
,868 |
|
N válido (por lista) |
159 |
|
|
Fuente: elaboración
propia.
3.2.2. Análisis correlacional
Se ha explorado la base de
datos con la intención de obtener correlaciones significativas entre las
variables sociodemográficas y el contenido de las escalas empleadas. En primer
lugar, se ha obtenido que realizar prácticas docentes innovadoras en las clases
correlaciona de positivamente, aunque con valores bajos, con el desarrollo de
cursos de formación para mejorar la práctica docente y estar actualizado (phi=
.17, p=.02) y también con considerar las IAs como una herramienta innovadora de
apoyo a la enseñanza (phi= .21, p=.00). En segundo lugar, también se han
encontrado asociaciones positivas, aunque bajas, entre quienes consideran las
IAs como una herramienta invocadora de apoyo a la enseñanza y por tanto las
utilizan en sus clases (phi= .17, p=.02) y, también, en sus investigaciones
(phi= .15, p=.04). Por último, también ha sido baja la asociación entre la edad
y la concepción sobre las IAs (rb= -.18, p=.02), de manera que el profesorado
más joven es el que se posiciona más favorablemente hacia estas propiedades
positivas de la IA.
3.2.3. Análisis
de contrastes entre grupos
En otro orden, en la tabla 5
se ofrece un análisis de contraste entre los grupos en los que se divide al
profesorado, atendiendo a las variables relativas al empleo de prácticas
docentes innovadoras y al uso de la inteligencia artificial en las clases, con
respecto a los promedios de las escalas empleadas. En todos los casos se
analiza el tamaño del efecto (Hedges' g), se considera pequeño (Tomczak & Tomczak, 2014) y a favor de quienes se sitúan
en un plano positivo hacia el uso de prácticas docentes innovadoras y en el uso
de la IAs en las clases. La fórmula empleada es la
que sigue, siendo 
las medias de las muestras 1 y 2
respectivamente y Sp la variación estándar combinada.
Tabla 5
Análisis de contrastes y tamaño del efecto
|
|
N |
Media |
Desv. Desviación |
t |
gl |
Sig. (bilateral) |
Hedges' g |
||
|
Implemento el uso de Inteligencias
Artificiales en mis clases. |
PD |
Sí |
40 |
43.78 |
4.77 |
3,665 |
157 |
.000 |
,066975 |
|
No |
119 |
39.71 |
6.43 |
4,239 |
90.010 |
.000 |
|||
|
ID |
Sí |
40 |
44.11 |
3.96 |
4,330 |
157 |
.000 |
,079146 |
|
|
No |
119 |
39.63 |
6.12 |
5,326 |
104.322 |
.000 |
|||
|
Realizo prácticas docentes
innovadoras en mis clases. |
PD |
Sí |
130 |
41.94 |
5.70 |
5,543 |
157 |
.000 |
,113828 |
|
No |
29 |
35.36 |
6.09 |
5,315 |
39.694 |
.000 |
|||
|
ID |
Sí |
130 |
41.45 |
5.67 |
3,184 |
157 |
.002 |
,065387 |
|
|
No |
29 |
37.65 |
6.39 |
2,948 |
38.417 |
.005 |
|||
Fuente: elaboración
propia
Continuando con el análisis
de los datos, se emplearon dos pruebas no paramétricas como son la U de
Mann-Whitney (variable género) y la H de Kruskal-Wallis (campos de
conocimiento); en ambos casos los análisis arrojaron diferencias significativas
en las variables independientes en función de las prácticas docentes
desarrolladas (PD) y el interés mostrado por la innovación docente (ID).
En el caso de la variable
género, en la tabla 6 se muestran los ítems en los que se obtuvieron
diferencias significativas (p≤.05) en las puntuaciones obtenidas, dejando
entrever cómo las variables asociadas a la innovación docente presentan un
mayor grado de contraste con respecto a la variable independiente; y si
atendemos a conocer hacia qué grupo se generan las diferencias, se puede
observar en la tabla 7, cómo en todos los casos el género femenino es el que
alcanza mayores puntuaciones en los rangos promedios.
Tabla 6
Prueba U de Mann-Whitney
Fuente: elaboración
propia
Tabla 7
Análisis de contrastes por rangos promedios
|
Sexo |
|
N |
Rango promedio |
|
V4. PD |
Mujer |
76 |
89.61 |
|
|
Hombre |
83 |
71.20 |
|
|
Total |
159 |
|
|
V6.PD |
Mujer |
76 |
87.32 |
|
|
Hombre |
83 |
73.30 |
|
|
Total |
159 |
|
|
V2. ID |
Mujer |
76 |
87.95 |
|
|
Hombre |
83 |
72.72 |
|
|
Total |
159 |
|
|
V4. ID |
Mujer |
76 |
89.15 |
|
|
Hombre |
83 |
71.62 |
|
|
Total |
159 |
|
|
V5.ID |
Mujer |
76 |
88.99 |
|
|
Hombre |
83 |
71.77 |
|
|
Total |
159 |
|
|
V6. ID |
Mujer |
76 |
87.65 |
|
|
Hombre |
83 |
72.99 |
|
|
Total |
159 |
|
|
V7. ID |
Mujer |
76 |
88.78 |
|
|
Hombre |
83 |
71.96 |
|
|
Total |
159 |
|
|
V9.ID |
Mujer |
76 |
90.61 |
|
|
Hombre |
83 |
70.28 |
|
|
Total |
159 |
|
|
V10.ID |
Mujer |
76 |
92.49 |
|
|
Hombre |
83 |
68.56 |
|
|
Total |
159 |
En
el caso de la variable campo de conocimiento, en la tabla 8 se visualizan los
ítems en los que se obtuvieron diferencias significativas
(p≤.05) en las puntuaciones obtenidas, dejando entrever cómo entre las
variables estudiadas, aproximadamente en la mitad de éstas, se localiza un
grado de contraste respecto a la variable independiente.
Tabla 8
Prueba H de Kruskal – Wallis
|
H de Kruskal-Wallis |
gl |
Sig. asintótica |
|
|
V4. PD |
22,107 |
10 |
.015 |
|
V5.PD |
22,868 |
10 |
.011 |
|
V6.PD |
24,257 |
10 |
.007 |
|
V8.PD |
18,776 |
10 |
.043 |
|
V9.PD |
20,594 |
10 |
.024 |
|
V2.ID |
23,978 |
10 |
.008 |
|
V3.ID |
25,277 |
10 |
.005 |
|
V4.ID |
22,521 |
10 |
.013 |
|
V6.ID |
30,502 |
10 |
.001 |
Si
atendemos a conocer hacia qué grupo se generan las diferencias, en la Tabla 9
se han seleccionado a los 3 grupos que poseen mayores puntuaciones en rangos
para cada una de las variables asociadas a las escalas
empleadas. En concreto, en el marco de las prácticas docentes destacan las
diferencias localizadas en los campos de conocimiento de Derecho y
Jurisprudencia (sobresaliendo en la promoción del pensamiento crítico del
alumnado -V5.PD, en el uso de la experiencia del alumnado para relacionarla con
la materia –V6.PD; y en el empleo de actividades complementarias desarrolladas
fuera del horario lectivo V8.PD); biología celular y molecular (destacando en
el fomento de la participación activa del alumnado –V4.PD) y Ciencias Sociales
políticas del comportamiento y educación (destacando en el trabajo en equipo
como estrategia didáctica); aunque también hay otros campos en los que se
aprecian diferencias significativas entre las variables analizadas (Ciencias de
la Naturaleza, Ciencias biomédicas y Ciencias económicas y empresariales).
Por
su parte en la escala relativa al interés por la innovación docente aparecen
como destacadas las diferencias en los campos de conocimiento que engloban a
las ciencias biomédicas (destacan por el interés en la actualización
metodológica – V4.ID y el interés por la participación activa del alumnado
–V2.ID), seguido del campo de la biología celular y molecular (destaca su
interés por el desarrollo de la capacidad crítica del alumnado) y el derecho y
la jurisprudencia (destacando por el interés hacia la creación de actividades
que buscan la relación con la comunidad –V6.ID); también hay otros campos de
conocimiento en el que se aprecian diferencias significativas entre las
variables estudiadas (las ciencias sociales, políticas del comportamiento y
educación, la química; las ciencias de la naturaleza, la historia geografía y
arte y la filosofía filología y lingüística).
Tabla 9
Análisis de contrastes por rangos promedios
|
Ítems |
Campo de conocimiento |
Rango
promedio |
|
||||
|
V4. PD |
Química |
86.42 |
|||||
|
Biología celular y molecular |
107.25 |
||||||
|
Ciencias Sociales políticas del comportamiento y
educación |
92.57 |
||||||
|
V5. PD |
Biología celular y molecular |
95.00 |
|||||
|
Ciencias de la naturaleza |
95.00 |
||||||
|
Derecho y jurisprudencia |
106.00 |
||||||
|
V6. PD |
Química |
97.50 |
|||||
|
Biología celular y molecular |
116.50 |
||||||
|
Derecho y jurisprudencia |
125.33 |
||||||
|
V8. PD |
Biología celular y molecular |
95.50 |
|||||
|
Ciencias Sociales políticas del comportamiento y
educación |
87.52 |
||||||
|
Derecho y jurisprudencia |
103.00 |
||||||
|
V9. PD |
Biología celular y molecular |
87.00 |
|||||
|
Ciencias biomédicas |
92.12 |
||||||
|
Ciencias Sociales políticas del comportamiento y
educación |
94.24 |
||||||
|
V2. ID |
Química |
88.67 |
|
||||
|
Ciencias biomédicas |
96.31 |
||||||
|
Ciencias Sociales políticas del comportamiento y
educación |
91.68 |
||||||
|
V3. ID |
Biología celular y molecular |
111.50 |
|||||
|
Ciencias biomédicas |
93.73 |
||||||
|
Ciencias de la naturaleza |
92.25 |
||||||
|
V4. ID |
Ciencias biomédicas |
103.38 |
|||||
|
Derecho y jurisprudencia |
90.67 |
||||||
|
Historia geografía y arte |
100.88 |
||||||
|
V6. ID |
Ciencias Sociales políticas del comportamiento y
educación |
94.06 |
|||||
|
Derecho y jurisprudencia |
120.00 |
||||||
|
Filosofía Filología y lingüística |
100.00 |
||||||
Fuente: elaboración
propia.
Por último, se agrupa al
profesorado en base a su respuesta (positiva o negativa) en los tres ítems que
evalúan el uso de la IA en las aulas y la investigación, así como su concepción
como herramienta innovadora. En la tabla 10, al aplicar la U de Mann-Whitney
con los valores asociados a la escala sobre la potencialidad de la IA, se
obtiene que todos los ítems marcan diferencias significativas (p≤.05) y
los rangos promedios contrastados en cada variable exponen, con claridad, que
es el profesorado que hace uso de las IAs o que tiene una visión de las mismas
como herramienta innovadora el que más valora su potencialidad para ser
empleadas en la enseñanza universitaria.
Tabla 10
Análisis de contrastes por rangos promedios
|
Ítem |
Grupo |
Rango
promedio. Implemento el uso de Inteligencias
Artificiales en mis clases. |
Rango
promedio. Las Inteligencias Artificiales son una
herramienta innovadora de apoyo a la enseñanza. |
Rango
promedio. Uso
Inteligencias Artificiales como herramienta de apoyo en mis investigaciones. |
|
IA1 |
Sí |
104.45 |
83,37 |
89,93 |
|
No |
71.78 |
56,58 |
71,57 |
|
|
IA2 |
Sí |
108.64 |
85,15 |
89,43 |
|
No |
70.37 |
44,18 |
71,99 |
|
|
IA3 |
Sí |
101.55 |
84,96 |
89,27 |
|
No |
72.76 |
45,55 |
72,13 |
|
|
IA4 |
Sí |
106.76 |
84,47 |
88,90 |
|
No |
71.00 |
48,93 |
72,44 |
|
|
IA5 |
Sí |
105,05 |
84,55 |
93,21 |
|
No |
71,58 |
48,35 |
68,78 |
|
|
IA6 |
Sí |
104.95 |
85,89 |
86,99 |
|
No |
71.61 |
39,08 |
74,07 |
|
|
IA7 |
Sí |
103.23 |
85,83 |
92,04 |
|
No |
72,19 |
39,50 |
69,78 |
|
|
IA8 |
Sí |
96,35 |
85,27 |
86,67 |
|
No |
74.50 |
43,40 |
74,34 |
|
|
IA9 |
Sí |
101.70 |
85,49 |
91,29 |
|
No |
72.71 |
41,88 |
70,42 |
|
|
IA10 |
Sí |
93.20 |
83,14 |
88,55 |
|
No |
75.56 |
58,18 |
72,74 |
Fuente: elaboración
propia.
4. Discusión y conclusiones
Una
vez expuestos los resultados cabe atender a su discusión de los
mismos en relación a los objetivos planteados.
Atendiendo
al primer objetivo, nos encontramos ante una muestra de profesorado que, a
nivel de práctica docente, reconoce actualizarla e introducir elementos
innovadores en la misma. No obstante, existen algunas prácticas como la
organización de actividades complementarias para el aula o fuera de ella, o
apoyarse en la experiencia del alumnado para construir contenidos que no poseen
una alta utilización.
Por
su parte, en el plano de la innovación docente también conviene reforzar
algunos tipos de prácticas en las que el interés del docente decae, como son el
establecimiento de actividades que relacionen al alumnado con la comunidad o en
las que se emprendan iniciativas centradas en el liderazgo, el emprendimiento,
el medio ambiente o el uso de la lengua extranjera.
También
cabría reseñar que en el marco de las inteligencias
artificiales, su inclusión en la práctica docente aún está alejada de sus
propósitos (en menor medida a nivel investigador), y hay ciertas reticencias a
otorgarle un carácter predictivo para contribuir en la mejora del aprendizaje
del alumnado o para favorecer la interacción en el aula; aun con ello, sí que
reconocen que es una herramienta de apoyo para la enseñanza universitaria. Esta
situación se relaciona con la falta de formación específica en su uso y
aplicación (Corica, 2020), pues Ayuso-del Puerto y
Gutiérrez-Esteban (2022) argumentan que la IA enriquece los entornos de
aprendizaje y despierta el interés por usarlas en la práctica.
Este
planteamiento sirve para dar respuesta al segundo objetivo, donde se han
evidenciado varias asociaciones: por una parte, entre quienes entienden las IA
como herramientas de apoyo y el empleo de las mismas en las aulas y la
investigación (Kuleto et al., 2021; Leoste
et al., 2021);
por otra parte, también se ha mostrado cierta tendencia a que el profesorado
que desarrolla prácticas docentes innovadoras y el que
utiliza las IA en las aulas tiendan a ser los que diversifican
dichas prácticas y también los que más apuestan por la innovación (Kumar,
2023); y finalmente, aquel profesorado que hace uso de las IAs
es el que más valora la potencialidad de esta herramienta para la enseñanza,
que a su vez tiende a ser un profesorado joven. Curtis y Bruch (1967)
explicaban que el profesorado más joven tiene una actitud más positiva hacia la
creatividad en el aula, cualidad estrechamente vinculada con la innovación
docente. Se sugiere que puede deberse a una menor experiencia, lo cual les
permite experimentar sin estar atado a métodos de enseñanza preestablecidos, en
otras palabras, tienen menor resistencia al cambio. Además, han recibido una
formación más reciente y actualizada, por lo están más familiarizados con
nuevos recursos tecnológicos.
Por
último, atendiendo al tercer objetivo, el género aparece como una variable que
incide en prácticas docentes ligadas a fortalecer el rol del alumnado en el
proceso de enseñanza/aprendizaje (promoción de la participación activa y partir
de las experiencias personales para la construcción del conocimiento) y también
en el grado de interés hacia la innovación, ya sea en el plano de la promoción
de actividades centradas en el estudiante, como aquellas que se centran en el
marco de las interacciones; este hecho se evidencia con anteriores
investigaciones que detectaron que las profesoras presentan una actitud
predominante hacia la innovación y el uso de las TIC en educación (Guerra et
al., 2010; Lane & Lyle, 2011) y son quienes poseen un mayor conocimiento
sobre inteligencias artificiales (Al-Awfi & Al-Rahili, 2021; Alissa & Hamadneh,
2023).
También,
asociado a este objetivo, hay determinados campos de conocimiento, más próximos
al terreno de las ciencias puras, que vienen a ser propensos al desarrollo de
prácticas docentes e innovaciones dirigidas hacia el planteamiento de
actividades que se centran en el alumnado como centro del proceso de
enseñanza/aprendizaje. Esto se explica con el enfoque experimental y analítico
de la enseñanza de las ciencias puras, dado que se fomenta la creatividad y la
innovación, así como su constante evolución junto a nuevos avances
tecnológicos, lo cual, impulsa al profesorado a encontrar formas innovadoras de
complementar sus explicaciones.
A
modo de conclusión se puede afirmar que las hipótesis planteadas se han
cumplido, aunque hay ciertas licencias que hacen que la relación entre las
concepciones hacia IA y su impacto en la práctica docente y en la innovación se
encuentre influenciada por variables como el género, el campo de conocimiento,
la edad o la propia desconfianza que generan para emplearse como herramientas
que potencien diversos procesos en el plano de la enseñanza y del aprendizaje.
Conceptualización
e ideas: V.V.-J., Curación de datos: V.V.-J. y M.D.-G., Análisis formal:
M.D.-G., Adquisición de fondos: M.D.-G., Investigación: V.V.-J. y M.D.-G.,
Metodología: M.D.-G., Administración del proyecto: V.V.-J. y M.D.-G., Recursos:
V.V.-J., Software: M.D.-G., Supervisión: V.V.-J. y M.D.-G., Validación:
M.D.-G., Visualización: V.V.-J. y M.D.-G., Redacción: V.V.-J. y M.D.-G.
Financiación
Este
trabajo ha obtenido financiación para la traducción del mismo
a través del Centro de Investigación en Pensamiento Contemporáneo e Innovación
para el Desarrollo Social (COIDESO) de la Universidad de Huelva.
Referencias
Alissa,
R.A., & Hamadneh, M. (2023). The level of science and mathematics teachers’ employment of artificial
intelligence applications in the educational process. International Journal
of Education in Mathematics, Science, and Technology (IJEMST), 11(6), 1597-
1608. https://doi.org/10.46328/ijemst.3806
Andión,
M. & Cárdenas, D. I. (2023). Convivir con inteligencias artificiales en la
educación superior. Perfiles Educativos, 45(Especial), 56-69. https://doi.org/10.22201/iisue.24486167e.2023.especial.61691
Ayuso-del
Puerto, D., & Gutiérrez-Esteban, P. (2022). La Inteligencia Artificial como
Recurso Educativo durante la Formación Inicial del Profesorado. RIED-Revista
Iberoamericana de Educación a Distancia, 25(2), pp. 347-362. https://doi.org/10.5944/ried.25.2.32332
Bucea-Manea-Țoniş, R., Kuleto, V., Gudei, S. C. D., Lianu, C., Lianu, C., Ilić, M. P.,
& Păun, D. (2022). Artificial Intelligence Potential in Higher Education Institutions
Enhanced Learning Environment in Romania and Serbia. Sustainability, 14(10),
5842. https://doi.org/10.3390/su14105842
Cedeño,
J. G., Maitta, I. S., Vélez, M. L., & Palomeque,
J. Y. (2024). Investigación universitaria con inteligencia artificial. Revista
Venezolana De Gerencia, 29(106), 817- 830. https://doi.org/10.52080/rvgluz.29.106.23
Chen, L., Chen, P., & Lin,
Z. (2020). Artificial Intelligence in Education: A Review. IEEE Access,8,
75264-75278. https://doi.org/10.1109/ACCESS.2020.2988510
Corica, J. (2020). Resistencia docente al cambio: Caracterizacion y estrategias para un problema no resuelto.
RIED. Revista Iberoamericana de Educación a Distancia, 23(2),
255-272. http://dx.doi.org/10.5944/ried.23.2.26578
Curtis, J., & Bruch, C.
(1967). What Makes a Creative Person a Creative Teacher? The Gifted Child
Quarterly, 11(3), 157-159. https://doi.org/10.1177/001698626701100305
Drogu, T., Line, N., Mody, M., Hanks, L., Abbott, J. A., Acikgoz,
F., ... & Zhang, T. (2023). Generative artificial intelligence in the
hospitality and tourism industry: Developing a framework for future research. Journal
of Hospitality & Tourism Research, 10963480231188663. https://doi.org/10.1177/10963480231188663
Faraj, A. O. K. (2022). A
Proposal to Employ Artificial Intelligence Applications in Developing Prince
Sattam bin Abdulaziz University Students’ Future Skills. Education Research International, 2, e6433372. https://doi.org/10.1155/2022/6433372
Flores-Vivar,
J. M., & García-Peñalvo, F. J. (2023). Reflexiones sobre la ética,
potencialidades y retos de la Inteligencia Artificial en el marco de la
Educación de Calidad (ODS4). Comunicar, 31(74), 37-47. https://doi.org/10.3916/C74-2023-03
Gallent-Torres, C., Zapata-González, A., & Ortego-Hernando, J.L. (2023). El impacto de la inteligencia
artificial generativa en educación superior: una mirada desde la ética y la
integridad académica. RELIEVE, 29(2), 25-41. http://doi.org/10.30827/relieve.v29i2.29134
George, D., & Mallery,
M. (2001). Using SPSS for Windows step by step: a simple guide and reference.
Alyin y Bacon.
González,
J.A., López, J., & Araya, C. (2024). Educación superior e inteligencia
artificial: desafíos para la universidad del siglo XXI. Revista de Psicologia, Ciències de l’Educació i de l’Esport, 42(1),
79–90. https://doi.org/10.51698/aloma.2024.42.1.79-90
Guerra,
S., González, N., & García, R. (2010). Study on the Use of ICT as Teaching Tools by University Instructors. Revista
Comunicar, 35(18), 141-148. https://doi.org/10.3916/C35-2010-03-07
Jara,
I., & Ochoa, J. M. (2020). Usos y efectos de la inteligencia artificial
en educación. Banco Iberoamericano de Educación,1, 1-25. https://doi.org/10.18235/0002380.
Jiménez-García,
E., Orenes-Martínez, N., & López-Fraile, L. A.
(2024). Rueda de la Pedagogía para la Inteligencia Artificial: Adaptación de la
Rueda de Carrington. RIED-Revista Iberoamericana de Educación a Distancia,
27(1), 1-14. https://doi.org/10.5944/ried.27.1.37622
Kabudi, T., Pappas, I., & Olsen, D. H. (2021). AI-enabled adaptive learning
systems: Asystematic mapping of the
literature. Computers and Education: Artificial Intelligence, 2,
100017. https://doi.org/10.1016/j.caeai.2021.100017
Kelly, A., Sullivan, M.,
& Strampel, K. (2023). Generative artificial
intelligence: University student awareness, experience, and confidence in use
across disciplines. Journal of University Teaching & Learning Practice,
20(6), 1-16. https://doi.org/10.53761/1.20.6.12
Kuleto, V., Ilić, M., Dumangiu, M., Ranković, M., Martins, O. M. D., Păun, D., & Mihoreanu, L. (2021). Exploring Opportunities and
Challenges of Artificial Intelligence and Machine Learning in Higher Education
Institutions. Sustainability, 13(18). https://doi.org/10.3390/su131810424
Kumar, L. (2023). Revolutionizing
Education: Artificial Intelligence’s Pioneering Role in Shaping Tomorrow’s
Scholars. International Journal of Multidisciplinary Research in Arts,
Science and Technology, 1(2), 1-7. https://doi.org/10.61778/ijmrast.v1i2.6
Lane, C., & Lyle III, H. (2011). Obstacles and supports related to the use of educational technologies: the
role of technological expertise, gender, and age. Journal of Computer Higher
Education, 23, 38-59. https://doi.org/10.1007/s12528-010-9034-3
Leoste, J., Jõgi, L., Õun, T., Pastor, L., San Martín
López, J., & Grauberg, I. (2021). Perceptions
about the Future of Integrating Emerging Technologies into Higher Education—The
Case of Robotics with Artificial Intelligence. Computers, 10(9),
1-15. https://doi.org/10.3390/computers10090110
Lorenzo,
M., Ferraces-Otero, M. J., Pérez, C. & Naval, C.
(2019). El profesorado universitario ante el aprendizaje-servicio: variables
explicativas. Revista de Educación, 386, 37–61. https://doi.org/10.4438/1988-592X-RE-2019-386-426
Mousavinasab, E., Zarifsanaiey, N.,
R. Niakan Kalhori, S., Rakhshan, M., Keikha, L., & GhaziSaeedi, M. (2021). Intelligent tutoring systems: A systematic review of characteristics,
applications, and evaluation methods. Interactive Learning Environments,
29(1), 142-163. https://doi.org/10.1080/10494820.2018.1558257
Murtaza, M., Ahmed, Y.,
Shamsi, J. A., Sherwani, F., & Usman, M. (2022). AI-Based Personalized
E-Learning Systems: Issues, Challenges, and Solutions. IEEE Access, 10,
81323-81342. https://doi.org/10.1109/ACCESS.2022.3193938
Raykov, T., & Marcoulides, G.A. (2017). Thanks Coefficient Alpha, We
still ned you! Educational and Psychological
Measurement, 79(1), 200-210. https://doi.org/10.1177/0013164417725127
Regalado-López, O.,
Núñez-Rojas, N., López-Gil, O., & Sánchez-Rodríguez, J. (2024). El Análisis del
uso de la inteligencia artificial en la educación universitaria: una revisión
sistemática). Pixel-Bit, 70, 97-122. https://doi.org/10.12795/pixelbit.106336
Sanabria, A. L., &
Cepeda, O. (2016). La educación para la competencia digital en los
centros escolares: la ciudadanía digital. Revista Latinoamericana de
Tecnología Educativa, 15(2), 95-112. https://doi.org/10.17398/1695-288X.15.2.95
Sánchez,
M.M. (2023). La inteligencia artificial como recurso docente: usos y
posibilidades para el profesorado. Educar, 60(1) 33-47. https://doi.org/10.5565/rev/educar.1810
Santos,
M. A., Jover, G., Naval, C., Álvarez, J. L., Vázquez, V. & Sotelino, A. (2017). Diseño y validación de un cuestionario
sobre práctica docente y actitud del profesorado universitario hacia la
innovación (CUPAIN). Educación XX1, 20(2), 39-71, https://doi.10.5944/educXX1.19031
Silva-Sánchez, C. A. (2022).
Psychometric properties of an instrument to assess the level of knowledge about
artificial intelligence in university professors. Metaverse Basic and
Applied Research, 1, 1-14. https://doi.org/10.56294/mr202214
Tomczak, M., & Tomczak,
E. (2014). The need to report effect size estimates revisited. An overview of
some recommended measures of effect size. Trends Sport Sciences, 1(21),
19-25. http://tss.awf.poznan.pl/files/3_Trends_Vol21_2014__no1_20.pdf
Uzumcu, O., & Acilmis, H. (2023). Do Innovative
Teachers use AI-powered Tools More Interactively? A Study in the Context of
Diffusion of Innovation Theory. Technology, Knowledge And
Learning, 29, 1109–1128 https://doi.org/10.1007/s10758-023-09687-1
Varea, N., Naval, C. y Arbués, E. (2018). Innovación metodológica y responsabilidad social en
la práctica docente universitaria. En, C. Naval E. Arbués (Eds.), Hacer la universidad en el espacio social (97-115).
EUNSA.