Evaluación psicométrica de los constructos
predominantes en la adopción
de ChatGPT en la educación superior:
una muestra mexicana

María Azeneth Duana Guerra

https://orcid.org/0009-0008-1725-5751

[email protected]

Universidad Autónoma del Estado de México

Alejandra Morales Ramírez

http://orcid.org/0000-0002-8737-5985

[email protected]

Universidad Autónoma del Estado de México

Guadalupe Montserrat Figueroa Castañeda

https://orcid.org/0009-0005-2437-6541

[email protected]

Universidad Autónoma del Estado de México

Cuauhtémoc Hidalgo Cortés

http://orcid.org/0000-0001-6324-7180

[email protected]

Universidad Autónoma del Estado de México

Juan de Jesús Amador Reyes

https://orcid.org/0000-0003-1925-2710

[email protected]

Universidad Autónoma del Estado de México

Recibido: 29 de abril del 2026 / Aceptado: 15 de junio del 2026

doi: https://doi.org/10.26439/interfases2026.n023.8785

RESUMEN. El estudio evaluó las propiedades psicométricas de los constructos asociados a la adopción educativa de ChatGPT. El instrumento se diseñó sobre la base de Morales et al. (2025), quienes identificaron los constructos más recurrentes en la literatura, provenientes de modelos como el basado en el valor percibido (VAM), el modelo de aceptación de la tecnología (TAM) y la teoría unificada de aceptación y uso de la tecnología (UTAUT). Se seleccionaron los constructos utilidad percibida, influencia social, intención conductual y facilidad de uso, incorporando, además, el riesgo percibido por su relevancia emergente. Participaron 579 universitarios asignados aleatoriamente en dos muestras (M1 = 281 y M2 = 298). El tiempo de uso de ChatGPT reportado por los participantes muestra una distribución equilibrada entre quienes tienen menos de un año de experiencia y quienes lo han utilizado más tiempo. Respecto al nivel de competencia, predomina el dominio básico, seguido del intermedio y una minoría reporta un manejo avanzado. Aunque ChatGPT es utilizado por todos los participantes, no es la única herramienta empleada; estos complementan su uso con otras IA generativas. Los principales patrones de uso se relacionan con la síntesis de información, la explicación de conceptos complejos y la identificación de tendencias; en contraste, su uso en tareas de evaluación crítica es menor. El análisis factorial exploratorio identificó una estructura de cinco factores que explica el 59,08 % de la varianza. El análisis factorial confirmatorio mostró índices de ajuste adecuados del modelo (RMSEA = 0,047; SRMR = 0,058; CFI = 0,942; TLI = 0,934 y PClose = 0,753). Se destaca que la adopción de ChatGPT está asociada con la utilidad percibida, la facilidad de uso, el entorno social y el riesgo percibido. Por tanto, el instrumento obtenido puede considerarse válido y confiable para evaluar la adopción de ChatGPT en estudiantes universitarios mexicanos.

PALABRAS CLAVE: ChatGPT / TAM / VAM / UTAUT / análisis factorial confirmatorio / análisis factorial exploratorio

PSYCHOMETRIC EVALUATION OF THE PREDOMINANT CONSTRUCTS
IN THE ADOPTION OF CHATGPT IN HIGHER EDUCATION:
A MEXICAN SAMPLE

ABSTRACT. The purpose of this study was to evaluate the psychometric properties of the constructs involved in the educational adoption of ChatGPT. The instrument was designed based on Morales et al. (2025), who identified the most recurrent constructs in the literature, derived from models such as TAM, VAM, and UTAUT. Perceived Utility, Social Influence, Behavioral Intention, and Ease of Use were selected, and Perceived Risk was also incorporated due to its emerging relevance. A total of 579 university students participated in the study, were randomly assigned to two samples (M1=281 and M2=298). The time used of ChatGPT by participants shows a balanced distribution between those with less than one year of experience and those who had used it for a longer period. However, regarding competence level, basic proficiency predominated, followed by intermediate proficiency, while only a minority reported advanced use of the tool. Although ChatGPT is used by all participants, it is not an exclusive tool, as they complement its use with other generative AI tools. The primary usage patterns involve information synthesis, explaining complex concepts, and providing examples or insights into current trends; in contrast, its use in critical evaluation tasks is less common. The exploratory factor analysis identified a five-factor structure that explained 59.08% of the variance. The confirmatory factor analysis showed adequate model fit indices (RMSEA=0.047; SRMR=0.058; CFI=0.942; TLI=0.934; and PClose=0.753). Highlighting that the use and adoption of ChatGPT are associated with perceived usefulness, ease of use, the social environment, and perceived risk. Therefore, the resulting instrument can be considered valid and reliable for assessing ChatGPT adoption among Mexican university students.

KEYWORDS: ChatGPT / TAM / VAM / UTAUT / confirmatory factor analysis / exploratory factor analysis

INTRODUCCIÓN

La transformación digital en la educación superior se ha acelerado de manera significativa en los últimos años, impulsada por el desarrollo y la integración de tecnologías basadas en inteligencia artificial (IA). Este cambio comienza a transformar los procesos de enseñanza, aprendizaje, evaluación e investigación, lo que ha generado que las instituciones educativas empiecen a analizar y replantear sus prácticas pedagógicas, sus políticas de integridad académica y sus modelos de innovación educativa (Rizun et al., 2026; United Nations Educational, Scientific and Cultural Organization [UNESCO], 2023). En este contexto, la IA no solo se concibe como una herramienta tecnológica, sino también como un recurso que puede influir en las creencias, actitudes y comportamientos de docentes y estudiantes respecto de su adopción y utilización en el entorno educativo.

Entre las aplicaciones emergentes de la IA, los sistemas de lenguaje generativo han adquirido gran importancia. Tal es el caso de ChatGPT, que fue lanzado públicamente a finales del 2022 y que está cobrando relevancia como una de las herramientas más destacadas en el ámbito educativo (Acosta-Enríquez et al., 2024) debido a su capacidad para generar textos coherentes y contextualizados, con un estilo conversacional similar al humano (Nemt-allah et al., 2024; Rizun et al., 2026; Vaswani et al., 2017).

Su rápida adopción ha alcanzado millones de usuarios en muy poco tiempo (García-Peñalvo et al., 2024) y ha generado un notable interés académico por entender su impacto en la educación superior, tanto por sus beneficios como por los desafíos éticos (Abdi et al., 2025), pedagógicos y cognitivos que presenta (Romero-Rodríguez et al., 2023), especialmente en relación con la manera en cómo los estudiantes emplean esta herramienta para sus actividades académicas.

Investigaciones recientes destacan que ChatGPT puede apoyar en diversas actividades escolares, como la producción de textos (Song & Song, 2023), la síntesis de información, la resolución de problemas, la programación, el aprendizaje personalizado junto al análisis y comparación de fuentes (García-Peñalvo et al., 2024). Aunado a que diversos estudios reportan percepciones positivas respecto a su utilidad y facilidad de uso, así como su contribución a la reducción de la carga cognitiva y de la ansiedad académica, lo cual favorece no solo su adopción, sino también su incorporación en prácticas académicas cotidianas.

No obstante, también se han señalado riesgos asociados a su uso, como problemas éticos (Rizun et al., 2026), dependencia excesiva, derechos de autor (Abdaljaleel et al., 2024; Abdi et al., 2025; Unesco, 2023), presencia de información inexacta o sesgada (Balaskas et al., 2025; Hsu & Silalahi, 2024; Kooli, 2023; Sallam et al., 2023), implicaciones para la integridad académica, entre otras preocupaciones.

Desde una perspectiva teórica, la adopción de ChatGPT en contextos educativos ha sido analizada mediante diversos modelos consolidados de adopción y aceptación tecnológica, como el modelo basado en el valor percibido (value-based model, VAM) (Al-Abdullatif & Alsubaie, 2024), el modelo de aceptación de la tecnología (technology acceptance model, TAM) (Xu et al., 2024) y la teoría unificada de aceptación y uso de la tecnología (unified theory of acceptance and use of technology, UTAUT) (Bouteraa et al., ٢٠٢٤; Rana et al., ٢٠٢٤), y sus extensiones (Lai et al., 2023), los cuales se han empleado en diversos estudios, complementados con enfoques centrados en las actitudes, la motivación y el comportamiento del usuario. Estos marcos han permitido identificar constructos clave, como la utilidad percibida, la influencia social, la intención conductual, la facilidad de uso, entre otros (Morales et al., 2025), los cuales resultan relevantes para comprender tanto la disposición de los usuarios para utilizar la tecnología como su implementación efectiva en los contextos educativos. Sin embargo, a pesar del creciente volumen de estudios sobre la IA generativa en la educación superior, persiste una limitación importante relacionada con la disponibilidad de instrumentos psicométricamente validados que permitan evaluar los constructos asociados a su adopción educativa en diferentes contextos nacionales (Rizun et al., 2026).

Tomando en cuanto todo lo anterior, el objetivo de este estudio fue evaluar las propiedades psicométricas de los constructos predominantes que influyen en la adopción educativa de ChatGPT en una muestra de estudiantes universitarios.

METODOLOGÍA

Muestra

Se trabajó con una muestra total de 579 participantes, la cual se dividió aleatoriamente en dos muestras independientes de tipo no probabilístico, conformadas por estudiantes universitarios. La primera muestra incluyó a 281 participantes con edades entre 17 y 54 años: 114 hombres con una media de edad de 20,44 años (DE = 3,95) y 167 mujeres con una edad promedio de 19,75 años (DE = 1,71). La segunda muestra estuvo integrada por 298 estudiantes con edades entre 17 a 50 años: 188 fueron mujeres (M = 19,73; DE = 2,09) y 110 fueron hombres (M = 20,06; DE = 3,63). Todos los participantes cursaban estudios en una institución pública del Estado de México, pertenecientes a seis carreras universitarias y un posgrado en Ciencias Computacionales. La diversidad de las carreras universitarias proporciona una visión integral sobre la participación de estudiantes de distintas áreas del conocimiento.

Tabla 1

Perfil sociodemográfico de la muestra (n = 579)

Características
demográficas

Categorías

M1

(281
participantes)

M2

(298
participantes)

N

%

N

%

Género

Hombres

114

40,60

110

36,9

Mujeres

167

59,40

188

63,1

Edad (años)

17-19

135

48,04

162

54,3

20-22

120

42,70

109

36,5

23-25

20

7,12

18

6,0

Más de 25

6

2,14

9

3,2

Carrera universitaria

Contaduría

47

16,70

55

18,5

Derecho

39

13,90

54

18,1

Psicología

42

14,90

61

20,5

Administración

56

19,90

48

16,1

Ingeniería en Computación

50

17,80

33

11,1

Informática Administrativa

45

16,10

43

14,4

Maestría en Ciencias
Computacionales

2

0,70

4

1,3

Total

281

100

298

100

Instrumento

El cuestionario aplicado se diseñó a partir de los hallazgos reportados por Morales et al. (2025), quienes identificaron los constructos empleados para explicar la adopción de ChatGPT en contextos académicos universitarios. Estos constructos se encuentran integrados en diversos modelos teóricos, tales como UTAUT, TAM, VAM y sus extensiones. En particular, para la presente investigación se seleccionaron los primeros cuatro constructos que mostraron una mayor presencia en la literatura científica: utilidad percibida, influencia social, intención conductual y facilidad de uso. Adicionalmente, se incorporó el constructo riesgo percibido debido a la creciente evidencia sobre los posibles efectos asociados al uso de ChatGPT en contextos educativos.

Con base en lo anterior, se estructuró un instrumento de tres secciones: la primera orientada a la recolección de datos demográficos (género, edad, carrera, semestre, promedio general y turno); la segunda destinada a evaluar la experiencia y el uso de la IA generativa específicamente de ChatGPT mediante seis preguntas; y la tercera enfocada en explorar la percepción estudiantil sobre la adopción de ChatGPT en el ámbito académico a través de 46 ítems (Tabla 2) tipo Likert de cinco opciones (Totalmente en desacuerdo = 1, En desacuerdo = 2, Neutral = 3, De acuerdo = 4, Totalmente de acuerdo = 5), distribuidos en los siguientes constructos:

Tabla 2

Ítems representativos del instrumento

Constructo

Ejemplo de ítems

Fuente

Utilidad percibida

Usar ChatGPT me permite ser más productivo(a) y eficiente en las tareas
académicas, al brindarme información
precisa y relevante.

Abdalla (2024), Abdullatif (2024), Almogren et al. (2024), Güner et al. (2024), Mahmud et al. (2024)

Influencia social

Las personas que son importantes para
mí creen que debería utilizar ChatGPT en
mis cursos.

Güner et al. (2024)

Intención
conductual

Estoy decidido a utilizar ChatGPT de
manera constante en mis estudios.

Elshaer et al. (2024), Parveen et al. (2024)

Facilidad de uso

Mi interacción con ChatGPT es clara y comprensible.

Bouteraa et al. (2024), Rana et al. (2024)

Riesgo percibido

Me preocupa que el uso de ChatGPT pueda ser malinterpretado como una falta académica (plagio o trampa).

Sallam et al. (2023)

Nota. La versión completa se encuentra en el Anexo A.

Procedimiento

Los estudiantes fueron invitados a participar en el estudio tras obtener la autorización por parte de las autoridades universitarias. En primera instancia, se explicó el objetivo de la investigación y se dieron las indicaciones necesarias para acceder y completar el cuestionario. Posteriormente, se les facilitó el formulario de consentimiento informado. Una vez leído y aceptado, se habilitaron las tres secciones del cuestionario para su respuesta. La participación fue voluntaria, con un tiempo estimado que osciló entre 5 y 10 minutos.

Análisis estadísticos

En una primera etapa, se realizó el análisis factorial exploratorio (AFE) en el programa Statistical Package for the Social Sciences (SPSS), versión 27. Para ello, se empleó el método de extracción por ejes principales y una rotación oblicua tipo Promax. El número de factores se determinó mediante el análisis paralelo de Horn, se conservaron únicamente los ítems cuya carga factorial fuera igual o superior a 0,40. Los reactivos que presentaron cargas cruzadas con una diferencia menor a 0,15 fueron descartados y aquellos cuya diferencia fue igual o mayor a 0,15 se mantuvieron dentro del factor en el que mostraron la mayor saturación (Costello & Osborne, 2005; Velicer & Fava, 1998; Worthington & Whittaker, 2006). La consistencia interna se evaluó mediante el coeficiente alfa de Cronbach.

En una segunda etapa, se realizó el análisis factorial confirmatorio (AFC) en el software SPSS Amos. En esta fase, se calcularon el estadístico χ², el índice de Tucker-Lewis (TLI), el índice de ajuste comparativo (CFI), la raíz cuadrada media residual (RMSR), el error cuadrático medio de aproximación (RMSEA), el índice PClose (Lai, 2021; Xia & Yang, 2019) y el coeficiente de fiabilidad compuesta (CR).

RESULTADOS

Tiempo de uso y nivel de habilidad en el uso de ChatGPT

En relación con el tiempo de uso de ChatGPT, el 51 % de los participantes indica que tiene menos de un año utilizando esta herramienta, mientras que el 49 % reporta un uso superior a un año. Esta distribución relativamente equilibrada muestra que, aunque una parte importante de los jóvenes estudiantes es usuario reciente, una proporción similar ya cuenta con una experiencia más prolongada en la interacción con ChatGPT.

En cuanto al nivel de competencia, se observa que el 69 % de los universitarios reconoce tener un dominio básico de la herramienta, es decir, que probablemente utiliza ChatGPT para realizar tareas simples y de apoyo inmediato. Por su parte, el 21 % reporta tener un nivel intermedio, lo que sugiere que ellos tienen más experiencia en el manejo de las funcionalidades de la herramienta. En contraste, únicamente el 10 % afirma poseer un dominio avanzado.

Usos académicos de ChatGPT

Con el fin de identificar los principales usos de ChatGPT, el instrumento incluyó una pregunta de opción múltiple para explorar las preferencias académicas de los participantes. Los resultados muestran (Figura 1) que el uso más frecuente se relaciona con la síntesis de fuentes de información, explicar conceptos complejos, aportar ejemplos y tendencias actuales (76,86 %). En segundo lugar, se identificó su uso para la generación de propuestas de temas, enfoques y títulos atractivos (40,41 %).

En contraste, los usos menos reportados por los universitarios fueron la detección de redundancias, incoherencias, falta de cohesión o errores conceptuales (22,28 %), así como la elaboración de borradores en diferentes estilos con el fin de ofrecer diversas perspectivas de redacción (16,58 %). Es decir, las funciones relacionadas con la revisión crítica son utilizadas con menor frecuencia por los estudiantes.

Figura 1

Distribución de los usos académicos de ChatGPT

Uso de otras IA generativas

La Figura 2 muestra otras herramientas de IA generativa utilizadas por los estudiantes, además de ChatGPT. Entre ellas, Google Gemini destaca como la plataforma con mayor presencia, seguida por Copilot, DeepSeek y Canva IA. En contraste, Grammarly, Perplexity, Duolingo Max y Notion IA muestran niveles de adopción considerablemente menores. Asimismo, algunos estudiantes indicaron utilizar otras herramientas que no fueron especificadas en el instrumento. Aunque ChatGPT es la herramienta predominante entre los participantes, su uso no es exclusivo, los estudiantes la complementan con otras IA generativas, lo que refleja una inclinación hacia la adopción múltiple de estas tecnologías en el ámbito académico.

Figura 2

Uso de otras aplicaciones de IA generativa

Análisis factorial exploratorio

El AFE se realizó con la primera muestra de 281 participantes. La solución factorial inicial sugirió un modelo de nueve factores; no obstante, tras examinar el tamaño de las cargas factoriales (> 0,40) y las cargas cruzadas con una diferencia menor a 0,15, se procedió a eliminar 20 ítems que no cumplían con los criterios establecidos. Como resultado, se obtuvo un modelo final integrado por 26 ítems distribuidos en cinco factores (Tabla 2).

Los indicadores de adecuación muestral confirmaron la pertinencia de aplicar el AFE. En primer lugar, la medida Kaiser-Meyer-Olkin (KMO = 0,891) evidenció un nivel adecuado de adecuación de la muestra. Asimismo, la prueba de esfericidad de Bartlett resultó estadísticamente significativa (χ² = 3046,99, gl = 325, p < 0,001), lo que indica la existencia de correlaciones suficientes entre las variables para realizar el análisis factorial.

En términos de varianza explicada, el primer factor explicó el 26,73 % de la varianza total; el segundo, el 16,03 %; el tercero, el 6,53 %; el cuarto, el 5,55 %; y el quinto, el 4,24 %. En conjunto, estos factores explican el 59,08 % de la varianza total. Dichos factores corresponden conceptualmente a los constructos teóricos incluidos en el instrumento: UP, IS, IC, FU y RP.

Finalmente, en cuanto a la consistencia interna de los constructos, los coeficientes alfa de Cronbach obtenidos para cada uno de los factores fueron superiores al umbral recomendado de 0,70, lo que demuestra una adecuada fiabilidad de las escalas y respalda la consistencia interna del instrumento (Tabla 3).

Tabla 3

Análisis factorial exploratorio a cinco factores (n = 281)

Factor

Ítems (carga factorial)

α

Riesgo percibido

RP10 (0,859)

RP2 (0,828)

RP9 (0,783)

RP3 (0,765)

RP7 (0,730)

RP16 (0,689)

0,869

Facilidad de uso

FU4 (0,799)

FU3 (0,796)

FU8 (0,782)

FU2 (0,647)

FU6 (0,597)

0,804

Utilidad percibida

UP2 (0,781)

UP3 (0,764)

UP7 (0,717)

UP1 (0,682)

UP5 (0,646)

UP6 (0,589)

0,806

Influencia social

IS5 (0,853)

IS6 (0,805)

IS3 (0,648)

IS2 (0,544)

0,720

Intención conductual

IC2 (0,821)

IC4 (0,698)

IC1 (0,682)

IC3 (0,662)

IC5 (0,605)

0,805

Análisis factorial confirmatorio 

Para confirmar la estructura factorial de los cinco factores obtenidos previamente con el AFE, se realizó el AFC utilizando la segunda muestra compuesta por 298 participantes (Figura 3).

El análisis se llevó a cabo a partir de la matriz de correlaciones, empleando el método de estimación de máxima verosimilitud. Los resultados obtenidos fueron los siguientes: χ²(289) = 477,19, p < 0,001; χ²/gl = 1,651; CFI = 0,942; TLI = 0,934; RMSEA = 0,047; PClose = 0,753 y SRMR = 0,058.

De acuerdo con los criterios comúnmente aceptados en la literatura metodológica, valores de CFI y TLI iguales o superiores a 0,90 denotan un ajuste adecuado, en tanto que valores superiores a 0,95 se asocian con un ajuste excelente. Asimismo, valores de RMSEA inferiores a 0,06 y SRMR menores a 0,08 se consideran indicativos de un buen ajuste del modelo (Jordan, 2021; Xia & Yang, 2019). Adicionalmente, el índice χ²/gl permite evaluar la relación entre el modelo teórico y los datos observados; valores entre 1 y 3 reflejan un buen ajuste, mientras que valores situados entre 3,1 y 5 se consideran aceptables (Hooper et al., 2008; Schumacker & Lomax, 2004).

Por su parte, el índice PClose evalúa la hipótesis de ajuste cercano del modelo basado en el RMSEA; valores superiores a 0,05 sugieren que no se rechaza la hipótesis de un ajuste cercano, lo que respalda la adecuación del modelo a los datos observados (Xia & Yang, 2019).

Figura 3

Modelo de medición con cargas factoriales

Respecto de la evaluación de los indicadores, las cargas factoriales estandarizadas reflejan la fortaleza de la relación entre cada ítem y su constructo correspondiente (Figura 3). Los resultados muestran que todos los ítems presentan cargas iguales o superiores a 0,50, además de ser estadísticamente significativas (p < 0,001), lo que indica que la asociación observada entre los indicadores y sus respectivos factores no es atribuible al azar (Tabla 4).

Tabla 4

Resultados del AFC (n = 298)

Factores

Ítems

Cargas

estandarizadas

t-valor

p

Utilidad percibida

UP1

0,655

-

-

UP2

0,637

9,556

<0,001

UP3

0,673

10,025

<0,001

UP5

0,665

9,925

<0,001

UP6

0,631

9,487

<0,001

UP7

0,795

11,451

<0,001

Influencia social

IS2

0,691

-

-

IS3

0,561

7,912

<0,001

IS5

0,664

8,998

<0,001

IS6

0,655

8,912

<0,001

Intención conductual

IC1

0,734

-

-

IC2

0,777

13,067

<0,001

IC3

0,788

13,309

<0,001

IC4

0,690

11,590

<0,001

IC5

0,685

11,478

<0,001

Fiabilidad de uso

FU2

0,724

-

-

FU3

0,528

8,486

<0,001

FU4

0,733

11,731

<0,001

FU6

0,658

10,559

<0,001

FU8

0,591

9,501

<0,001

Riesgo percibido

RP2

0,747

-

-

RP3

0,733

12,167

<0,001

RP7

0,719

11,879

<0,001

RP9

0,753

12,514

<0,001

RP10

0,878

13,073

<0,001

RP16

0,582

9,571

<0,001

Nota. “-” = Ítem restringido con fines de identificación del modelo de medida.

Adicionalmente, como se muestra en la Tabla 5, se estimó el CR para cada uno de los constructos del modelo. Los valores obtenidos fueron los siguientes: UP (CR = 0,835), IS (CR = 0,739), IC (CR = 0,855), FU (CR = 0,784) y RP (CR = 0,867). En todos los casos, los coeficientes superan el umbral recomendado de 0,70, lo que indica una adecuada consistencia interna de los factores. Asimismo, los valores de la varianza extraída media (AVE) se situaron en niveles aceptables entre 0,501 y 0,541, lo que cumple satisfactoriamente con el criterio de superar el umbral mínimo recomendado de 0,50.

En términos de la normalidad de los datos, los coeficientes de asimetría (−0,068 a 0,394) y curtosis (−0,504 a 0,168) se encuentran dentro de rangos aceptables, lo que sugiere que las distribuciones no presentan desviaciones severas de la normalidad. Mientras que la prueba de Kolmogórov-Smirnov (K-S) resultó estadísticamente significativa en todos los factores (p < 0,05), lo que indicaría una desviación de la normalidad en sentido estricto. Sin embargo, considerando que la prueba K-S es altamente sensible al tamaño de la muestra, y dado que los valores de asimetría y curtosis se mantienen dentro de límites aceptables, podríamos asumir una normalidad aproximada de los datos (Tabla 5).

Tabla 5

Consistencia interna y normalidad inferencial de los factores

Factores

Ítems

CR

AVE

Asimetría

Curtosis

K-S

p

Utilidad percibida

6

0,835

0,516

-0,068

-0,367

0,063

0,006

Influencia social

4

0,739

0,501

0,124

-0,043

0,107

<0,001

Intención conductual

5

0,855

0,541

0,013

-0,504

0,078

<0,001

Facilidad de uso

5

0,784

0,509

0,215

0,168

0,098

<0,001

Riesgo percibido

6

0,867

0,522

0,394

-0,479

0,094

<0,001

Nota. K-S = prueba de Kolmogórov-Smirnov; p = valor de significancia.

Los resultados obtenidos en el AFC muestran que el modelo de medida compuesto por cinco factores presenta un nivel de ajuste adecuado, lo cual respalda empíricamente la estructura factorial propuesta para evaluar la adopción educativa de ChatGPT en la muestra analizada.

DISCUSIÓN Y CONCLUSIÓN

La investigación realizada permitió evaluar las propiedades psicométricas de los constructos predominantes en la adopción educativa de ChatGPT en una muestra de estudiantes universitarios mexicanos. Los resultados confirmaron una estructura robusta de cinco factores (UP, IS, IC, FU, RP), consistente con marcos teóricos internacionales como el VAM, TAM, UTAUT y sus extensiones adaptadas específicamente al contexto de la IA generativa (Morales et al., 2025). Si bien el instrumento no fue diseñado a partir de un modelo teórico específico, la convergencia empírica de los factores identificados en estos marcos consolidados refuerza su coherencia conceptual y respalda su pertinencia para el análisis de la adopción de ChatGPT en el contexto educativo.

En cuanto a la validación factorial, se puede mencionar que los valores obtenidos de la AVE que fluctúan entre 0,501 y 0,541, junto con el CR superior a 0,70, confirman la validez convergente de los factores y su capacidad para explicar adecuadamente la varianza de sus indicadores, lo que respalda la solidez del modelo en la muestra mexicana.

En relación con el tiempo que llevan los estudiantes usando ChatGPT, se obtuvo una distribución equilibrada entre los que tienen menos de un año de experiencia y quienes lo han utilizado por más tiempo, sin embargo, respecto al nivel de competencia, predomina el dominio básico, seguido del intermedio, mientras que solo una minoría reporta un manejo avanzado y aunque ChatGPT es la herramienta que todos los participantes utilizan, no es exclusiva, ya que complementan su uso con otras IA generativas.

En lo que respecta a los patrones de uso, los universitarios reportaron que ChatGPT se emplea principalmente como apoyo para resumir fuentes, explicar conceptos complejos y aportar ejemplos, así como tendencias actuales (76,86 %). Este hallazgo coincide con lo reportado por Rizun et al. (2026), quienes identificaron la recuperación de información y el resumen de textos como prácticas predominantes en estudiantes europeos.

En este mismo sentido, Panggabean y Silalahi (2025) encontraron que la asistencia académica entendida como el apoyo en tareas, la comprensión de contenidos, la elaboración de trabajos y la resolución de dudas representan el uso principal de ChatGPT en estudiantes de Taiwán e Indonesia, aunque se manifiesta con distintos niveles de intensidad. En relación con ello, Chen et al. (2024) mencionan que, en el ámbito de la investigación, la influencia de ChatGPT está creciendo debido a que es capaz de apoyar a los estudiantes en diferentes tareas, tales como la redacción, la revisión y el resumen de la literatura.

De manera general, estos antecedentes muestran que el uso de ChatGPT entre estudiantes universitarios tiende a concentrarse en utilidades prácticas inmediatas, especialmente las que están vinculadas con la comprensión, síntesis y producción de información, lo que refuerza la relevancia de la UP en su adopción.

Por el contrario, el uso de ChatGPT para llevar a cabo la revisión crítica de textos como la detección de redundancia, incoherencias, falta de cohesión o errores conceptuales, entre otros, es considerablemente baja (22,28 %). Esta misma situación ha sido mencionada en otras investigaciones recientes, en donde se señala que el uso de ChatGPT puede fomentar una dependencia excesiva y afectar procesos cognitivos como el pensamiento crítico (Abdi et al., 2025), además de favorecer que los estudiantes deleguen en la herramienta la elaboración de sus tareas académicas mediante la generación automática de textos (Lo, 2023).

En cuanto a los factores identificados empíricamente, la validación de los constructos UP y FU en el contexto mexicano permite reafirman su vigencia dentro de los modelos TAM, UTAUT y sus extensiones; con ello, se muestra su capacidad para explicar la adopción de ChatGPT en espacios educativos (Abdullatif, 2024; Acosta-Enríquez et al., 2024; Almogren et al., 2024; Güner et al., 2024; Lai et al., 2023; Sallam et al., 2023). En particular, la facilidad con la que el estudiante interactúa con la herramienta, sin requerir un esfuerzo significativo, se consolida como un elemento relevante para su adopción, lo cual coincide con los hallazgos reportados por Sobaih et al. (2024) en Arabia Saudita y por Almogren et al. (2024) en Malasia.

No obstante, lo anterior no se replica en todos los escenarios. Por ejemplo, Acosta-Enríquez et al. (2024), en Perú, encontraron en su investigación que la UP no influyó significativamente en la intención de uso frecuente. Esta diferencia muestra que, en ciertos contextos latinoamericanos, la adopción podría estar más asociada a factores como la curiosidad, la preferencia personal o el efecto de novedad, más que en la percepción de beneficios académicos reales que el estudiante puede tener al utilizar la herramienta.

De igual manera, el RP también se presenta como otro factor importante dentro de la estructura del modelo en la muestra mexicana, debido a que los estudiantes asocian el uso de ChatGPT con riesgos que van más allá de preocupaciones tradicionales como las relacionadas con la dependencia tecnológica y la afectación de la autonomía en el aprendizaje.

Entre ellas se identifican inquietudes vinculadas con la pérdida de habilidades de pensamiento crítico, la sustitución de fuentes confiables, el deterioro de habilidades blandas y una posible deshumanización del proceso educativo. Estos resultados muestran coincidencia con la tipología guardianes de la tecnología ética (ethical tech guardians) identificada por Espartinez (2024) en el contexto filipino, en el que tanto estudiantes como docentes manifestaron una preocupación persistente por el uso ético de la IA generativa, particularmente en relación con la integridad académica, el plagio y la sobredependencia tecnológica.

Este panorama se alinea con la paradoja beneficios-riesgos planteada por Panggabean y Silalahi (2025), en la que el valor funcional de la herramienta coexiste con percepciones de riesgo que pueden limitar su uso. En esa línea, Balaskas et al. (2025) consideran que el RP actúa como un mediador crítico en la adopción de la IA generativa; por ello, si las instituciones no gestionan adecuadamente estas preocupaciones, especialmente aquellas relacionadas con el desarrollo cognitivo y formativo, la adopción de ChatGPT efectiva podría verse comprometida.

Por otra parte, la estructura factorial obtenida sustenta que la IS entendida como la influencia del entorno social es un constructo relevante para los estudiantes mexicanos. Los ítems incorporados indican que el uso de ChatGPT está influido por la observación del entorno, las opiniones, las recomendaciones y las experiencias compartidas dentro de la comunidad educativa. Esta información coincide con la investigación de Sobaih (2024), realizada en Arabia Saudita, en la que la IS es uno de los principales predictores de la intención de uso. En contraste, Almogren et al. (2024) indican que la influencia que ejerce el entorno social no muestra un impacto significativo en la aceptación de ChatGPT.

Implicaciones

El desarrollo de esta investigación aporta un instrumento válido y confiable que puede ser utilizado tanto en la investigación como en la práctica docente con la finalidad de medir la adopción de la IA generativa en estudiantes universitarios de diversos entornos educativos. Como señalan Rizun et al. (2026) y Kooli (2023), la prohibición del uso de herramientas como ChatGPT no es una solución viable. Es mejor comprender la percepción de utilidad y los riesgos asociados a su uso por parte de los estudiantes, a fin de contar con elementos que permitan diseñar políticas de integridad académica efectivas, orientadas a fomentar un uso responsable, crítico y ético.

Contribución

Este estudio amplía la evidencia empírica sobre la validez y estructura de los constructos que explican la adopción educativa de ChatGPT en un contexto latinoamericano, en el que aún existe una limitada disponibilidad de instrumentos validados. Asimismo, los hallazgos confirman la vigencia de los modelos consolidados como TAM, VAM, UTAUT y sus extensiones en el análisis de tecnologías emergentes como la IA generativa, al tiempo que demuestran la importancia de incluir constructos como la IS y el RP.

Limitaciones

El uso de un muestreo no probabilístico utilizado limita la generalización de los resultados a otros contextos educativos y la naturaleza transversal del estudio impide establecer relaciones causales entre los constructos analizados.

Trabajos a futuro

Es recomendable que en investigaciones futuras se amplíe el alcance a otros niveles educativos y contextos culturales mexicanos. Así como se sugiere integrar enfoques longitudinales que permitan comprender cómo evoluciona la dinámica de la adopción de la IA generativa en el tiempo.

REFERENCIAS

Abdaljaleel, M., Barakat, M., Alsanafi, M., Salim, N. A., Abazid, H., Malaeb, D., Mohammed, A. H., Hassan, B. A., Wayyes, A. M., Farhan, S. S., El Khatib, S., Rahal, M., Sahban, A., Abdelaziz, D., Mansour, N., AlZayer, R., Khalil, R., Fekih-Romdhane, F., Hallit, R., … Sallam, M. (2024). A multinational study on the factors influencing university students’ attitudes and usage of ChatGPT. Scientific Reports, 14(1), 1983.
https://doi.org/10.1038/s41598-024-52549-8

Abdalla, R. A. M. (2024). Examining awareness, social influence, and perceived enjoyment in the TAM framework as determinants of ChatGPT. Personalization as a moderator. Journal of Open Innovation: Technology, Market, and Complexity, 10(3), 100327. https://doi.org/10.1016/j.joitmc.2024.100327

Abdi, A.-N. M., Omar, A. M., Ahmed, M. H., & Ahmed, A. A. (2025). The predictors of behavioral intention to use ChatGPT for academic purposes: Evidence from higher education in Somalia. Cogent Education, 12(1) 2460250. https://doi.org/10.
1080/2331186X.2025.2460250

Abdullatif, A. M. (2024). Investigating influencing factors of learning satisfaction in AI ChatGPT for research: University students perspective. Heliyon, 10(11), e32220. https://doi.org/10.1016/j.heliyon.2024.e32220

Acosta-Enríquez, B. G., Arbulú, M. A., Huamaní, O., López, C., & Saavedra, K. (2024). Analysis of college students’ attitudes toward the use of ChatGPT in their academic activities: Effect of intent to use, verification of information and responsible use. BMC Psychology, 12, 255. https://doi.org/10.1186/s40359-024-01764-z

Al-Abdullatif, A. M., & Alsubaie, M. A. (2024). ChatGPT in learning: Assessing students’ use intentions through the lens of perceived value and the influence of AI literacy. Behavioral Sciences, 14(9), 845. https://doi.org/10.3390/bs14090845

Almogren, A. S., Al-Rahmi, W. M., & Dahri, N. A. (2024). Exploring factors influencing the acceptance of ChatGPT in higher education: A smart education perspective. Heliyon, 10(11), e31887. https://doi.org/10.1016/j.heliyon.2024.e31887

Balaskas, S., Tsiantos, V., Chatzifotiou, S., & Rigou, M. (2025). Determinants of ChatGPT adoption intention in higher education: Expanding on TAM with the mediating roles of trust and risk. Information, 16(2), 82. https://doi.org/10.3390/info16020082

Bouteraa, M., Bin-Nashwan, A. S., Al-Daihani, M., Dirie, A. K., Benlahcene, A., Sadallah, M., Zaki, H. O., Lada, S., Ansar, R., Fook, L. M., & Chekima, B. (2024). Understanding the diffusion of AI-generative ChatGPT in higher education: Does students’ integrity matter? Computers in Human Behavior Reports, 14, 100402. https://doi.org/10.1016/j.chbr.2024.100402

Chen, S.-Y., Kuo, H. Y., & Chang, S.-H. (2024). Perceptions of ChatGPT in healthcare: Usefulness, trust, and risk. Frontiers Public Health, 12, 1457131. https://doi.org/10.3389/fpubh.2024.1457131

Costello, A. B., & Osborne, J. W. (2005). Best practices in exploratory factor analysis: Four recommendations for getting the most from your analysis. Practical Assessment, Research, and Evaluation, 10, 7. https://doi.org/10.7275/jyj1-4868

Cotton, D. R., Cotton, P. A., & Shipway, J. R. (2024). Chatting and cheating: Ensuring academic integrity in the era of ChatGPT. Innovations in Education and Teaching International, 61(2), 228-239. https://doi.org/10.1080/14703297.2023.2190148

Dahri, N. A., Yahaya, N., Al-Rahmi, W. M., Aldraiweesh, A., Alturki, U., Almutairy, S., Shutaleva, A., & Soomro, R. B. (2024). Extended TAM based acceptance of AI-Powered ChatGPT for supporting metacognitive self-regulated learning in education: A mixed-methods study. Heliyon, 10(8), e29317. https://doi.org/10.1016/j.heliyon.2024.e29317

Elshaer, I. A., Hasanein, A. M., & Sobaih, A. E. (2024). The moderating effects of gender and study discipline in the relationship between university students’ acceptance and use of ChatGPT. European Journal of Investigation in Health, Psychology and Education, 14(7), 1981-1995. https://doi.org/10.3390/ejihpe14070132

Espartinez, A. S. (2024). Exploring student and teacher perceptions of ChatGPT use in higher education: A Q-Methodology study. Computers and Education: Artificial Intelligence, 7, 100264. https://doi.org/10.1016/j.caeai.2024.100264

García-Peñalvo, F. J., Llorens-Largo, F., & Vidal, J. (2024). La nueva realidad de la educación ante los avances de la inteligencia artificial generativa. Revista Iberoamericana de Educación a Distancia, 27(1), 9-39. https://doi.org/10.5944/ried.27.1.37716

Güner, H., Er, E., Akçapinar, G., & Khalil, M. (2024). From chalkboards to AI-powered learning: Students’ attitudes and perspectives on use of ChatGPT in educational settings. Educational Technology & Society, 27(2), 386-404. https://www.jstor.org/stable/48766180

Hooper, D., Coughlan, J., & Mullen, M. (2008). Structural equation modelling: Guidelines for determining model fit. Electronic Journal of Business Research Methods, 6(1), 53-60. https://doi.org/10.21427/D7CF7R

Hsu, W. L., & Silalahi, A. D. K. (2024). Exploring the paradoxical use of ChatGPT in education: Analyzing benefits, risks, and coping strategies through integrated UTAUT and PMT theories using a hybrid approach of SEM and fsQCA. Computers and Education: Artificial Intelligence, 7, 100329. https://doi.org/10.1016/j.caeai.2024.100329

Jordan, F. M. (2021). Valor de corte de los índices de ajuste en el análisis factorial confirmatorio. Psocial, 7(1). https://www.redalyc.org/journal/6723/672371335005/
672371335005.pdf

Kooli, C. (2023). Chatbots in education and research: A critical examination of ethical implications and solutions. Sustainability, 15(7), 5614. https://doi.org/10.3390/su15075614

Lai, C. Y., Cheung, K. Y., & Chan, C. S. (2023). Exploring the role of intrinsic motivation in ChatGPT adoption to support active learning: An extension of the technology acceptance model. Computers and Education: Artificial Intelligence, 5, 100178. https://doi.org/10.1016/j.caeai.2023.100178

Lai, K. (2021). Fit difference between nonnested models given categorical data: Measures and estimation. Structural Equation Modeling: A Multidisciplinary Journal, 28(1), 99-120. https://doi.org/10.1080/10705511.2020.1763802

Lo, C. K. (2023). What is the impact of ChatGPT on education? A rapid review of the literature. Education Sciences, 13(4), 410. https://doi.org/10.3390/educsci13040410

Mahmud, A., Sarower, A. H., Sohel, A., Assaduzzaman, M., & Bhuiyan, T. (2024). Adoption of ChatGPT by university students for academic purposes: Partial least square, artificial neural network, deep neural network and classification algorithms approach. Array, 21, 100339. https://doi.org/10.1016/j.array.2024.100339

Morales, A., Figueroa, G., Duana, M., Hidalgo, C., & Amador, J. (2025). Acceptance and adoption of ChatGPT in higher education: a systematic review. Revista Digital de Investigación en Docencia Universitaria, 19(2), e2119. https://doi.org/10.19083/ridu.2025.2119

Nemt-allah, M., Khalifa, W., Badawy, M., Elbably, Y., & Ibrahim, A. (2024). Validating the ChatGPT usage scale: Psychometric properties and factor structures among postgraduate students. BMC Psychology, 12, 497. https://doi.org/10.1186/s40359-024-01983-4

Panggabean, E. M., & Silalahi, A. D. K. (2025). How do ChatGPT’s benefit-risk-coping paradoxes impact higher education in Taiwan and Indonesia? Computers and Education: Artificial Intelligence, 8, 100412. https://doi.org/10.1016/j.caeai.2025.100412

Parveen, K., Phuc, T. Q. B., Alghamdi, A. A., Hajjej, F., Obidallah, W. J., Alduraywish, Y. A., & Shafiq, M. (2024). Unraveling the dynamics of ChatGPT adoption and utilization through structural equation modeling. Scientific Reports, 14, 23469. https://doi.org/10.1038/s41598-024-74406-4

Rana, M., Siddiqee, M. S., Sakib, N., & Ahamed, R. (2024). Assessing AI adoption in developing country academia: A trust and privacy-augmented UTAUT framework. Heliyon, 10(18), e37569. https://doi.org/10.1016/j.heliyon.2024.e37569

Rizun, N., Bordean, O. N., Nikiforova, A., Beleiu, I. N., & Revina, A. (2026). Generative AI in higher education: Ethical and behavioral factors influencing students’ intentions to use ChatGPT. Computers and Education Open, 10, 100336. https://doi.org/10.1016/j.caeo.2026.100336

Romero-Rodríguez, J.-M., Ramírez-Montoya, M.-S., Buenestado-Fernández, M., & Lara-Lara, F. (2023). Use of ChatGPT at university as a tool for complex thinking: Students’ perceived usefulness. Journal of New Approaches in Educational Research, 12(2), 323-339. https://doi.org/10.7821/naer.2023.7.1458

Rudolph, J., Tan, S., & Tan, S. (2023). ChatGPT: Bullshit spewer or the end of traditional assessments in higher education? Journal of Applied Learning & Teaching, 6, 342-363. https://doi.org/10.37074/jalt.2023.6.1.9

Sallam, M., Salim, N. A., Barakat, M., Al-Mahzoum, K., Al-Tammemi, A. B., Malaeb, D., Hallit, R., & Hallit, S. (2023). Assessing health students’ attitudes and usage of ChatGPT in Jordan: Validation study. JMIR Medical Education, 9, e48254.
https://doi.org/10.2196/48254

Schumacker, R. E., & Lomax, R. G. (2004). A beginner’s guide to structural equation modeling (2.ª ed.). Lawrence Erlbaum Associates Publishers.

Shuhaiber, A., Kuhail, M. A., & Salman, S. (2025). ChatGPT in higher education - A student’s perspective. Computers in Human Behavior Reports, 17, 100565. https://doi.org/10.1016/j.chbr.2024.100565

Sobaih, A. E., Elshaer, I. A., & Hasanein, A. M. (2024). Examining students’ acceptance and use of ChatGPT in Saudi Arabian higher education. European Journal of Investigation in Health, Psychology and Education, 14(3), 709-721. https://doi.org/10.3390/ejihpe14030047

Song, C., & Song, Y. (2023). Enhancing academic writing skills and motivation: assessing the efficacy of ChatGPT in AI-assisted language learning for EFL students. Frontiers in Psychology, 14, 1260843. https://doi.org/10.3389/fpsyg.2023.1260843

United Nations Educational, Scientific and Cultural Organization. (2023). Guidance for generative AI in education and research. https://unesdoc.unesco.org/ark:/48223/pf0000386693

Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is all you need [Presentación de escrito]. 31st Conference on Neural Information Processing Systems, Long Beach, California, Estados Unidos. https://proceedings.neurips.cc/paper/2017/file/3f5ee243547dee91fbd053c1c4a845aa-Paper.pdf

Velicer, W. F., & Fava, J. L. (1998). Effects of variable and subject sampling on factor pattern recovery. Psychological Methods, 3(2), 231-251. https://psycnet.apa.org/doi/10.1037/1082-989X.3.2.231

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

Worthington, R. L., & Whittaker, T. A. (2006). Scale development research: A content analysis and recommendations for best practices. The Counseling Psychologist, 34(6), 806-838. https://doi.org/10.1177/0011000006288127

Xia, Y., & Yang, Y. (2019). RMSEA, CFI, and TLI in structural equation modeling with ordered categorical data: The story they tell depends on the estimation methods. Behavior Research Method, 51, 409-428. https://doi.org/10.3758/s13428-018-1055-2

Xu, X., Su, Y., Zhang, Y., Wu, Y., & Xu, X. (2024). Understanding learners’ perceptions of ChatGPT: A thematic analysis of peer interviews among undergraduates and postgraduates in China. Heliyon, 10(4), e26239. https://doi.org/10.1016/j.heliyon.2024.e26239

Anexo A. Instrumento

Ítems completos del instrumento

ID

Ítem

Fuente

UP1

Usar ChatGPT me permite ser más productivo(a) y eficiente en las tareas académicas, al brindarme información precisa y relevante.

Abdalla (2024), Abdullatif (2024), Almogren et al. (2024); Güner et al. (2024), Mahmud et al. (2024)

UP2

Usar ChatGPT para responder mis consultas académicas mejora mi eficacia.

Lai et al. (2023), Güner et al. (2024), Mahmud et al. (2024)

UP3

Usar ChatGPT mejora mi experiencia de aprendizaje.

Abdalla (2024), Almogren et al. (2024); Dahri et al. (2024)

UP4

ChatGPT es más útil para responder consultas en comparación con otras fuentes de información que he usado con anteriormente.

Sallam et al. (2023)

UP5

ChatGPT puede brindar respuestas de alta calidad a mis consultas, problemas e investigaciones.

Abdalla (2024), Abdullatif (2024)

UP6

ChatGPT me ayuda a comprender mejor los materiales de mis cursos.

Almogren et al. (2024)

UP7

Considero que ChatGPT es una herramienta beneficiosa para mi desarrollo educativo.

Dahri et al. (2024)

UP8

Usar ChatGPT mejora la probabilidad de alcanzar objetivos importantes en las actividades académicas.

Elshaer et al. (2024), Sobaih et al. (2024)

UP9

ChatGPT es una herramienta valiosa para mis actividades académicas.

Sobaih et al. (2024)

UP10

ChatGPT es una herramienta útil para resolver problemas.

Elshaer et al. (2024)

IS1

Las personas que son importantes para mí creen que debería utilizar ChatGPT en mis cursos.

Güner et al. (2024)

IS2

Es más probable el uso de ChatGPT cuando observo que personas de mí alrededor lo utilizan.

Abdalla (2024)

IS3

Las experiencias y comentarios de otros miembros de mi comunidad educativa han influido con respecto al uso de ChatGPT.

Dahri et al. (2024)

IS4

La recomendación de expertos en educación (investigadores, docentes o instructores,) ha influido en mi decisión de utilizar ChatGPT para fines académicos.

Dahri et al. (2024)

IS5

La opinión de mis compañeros ha influido en mi decisión de usar ChatGPT para fines académicos.

Dahri et al. (2024)

IS6

Uso ChatGPT con fines académicos, ya que otras personas de mi círculo social quieren que lo use.

Mahmud et al. (2024)

IS7

ChatGPT me ayuda a destacar entre mis compañeros.

Parveen et al. (2024)

IC1

Tengo la intención de seguir utilizando ChatGPT en el futuro.

Abdalla (2024), Elshaer et al. (2024), Parveen et al. (2024), Sobaih et al. (2024)

IC2

Estoy decidido a utilizar ChatGPT de manera constante en mis estudios.

Elshaer et al. (2024); Parveen et al. (2024)

IC3

Me dedico a utilizar ChatGPT como herramienta para mis estudios.

Sobaih et al. (2024)

IC4

Suponiendo que tengo acceso a ChatGPT, tengo la intención de usarlo.

Güner et al. (2024)

IC5

Es probable que recomiende el uso de ChatGPT a otras
personas con fines educativos.

Almogren et al. (2024)

FU1

Mi interacción con ChatGPT es clara y comprensible.

Bouteraa et al. (2024), Rana et al. (2024)

FU2

Me resulta fácil dominar el uso de ChatGPT.

Abdalla (2024), Bouteraa et al. (2024), Rana et al. (2024)

FU3

ChatGPT es una herramienta fácil de usar.

Abdalla (2024), Bouteraa et al. (2024), Rana et al., (2024)

FU4

Aprender a utilizar nuevas funcionalidades de ChatGPT
a resultado fácil.

Elaboración propia

FU5

ChatGPT es una herramienta con una interfaz intuitiva
y fácil de usar.

Elshaer et al. (2024), Parveen et al. (2024), Sobaih et al. (2024)

FU6

El uso de ChatGPT permite ahorrar tiempo.

Parveen et al. (2024)

FU7

Utilizar ChatGPT no requiere esfuerzo.

Elshaer et al. (2024)

FU8

Obtener experiencia en el uso de ChatGPT ha resultado muy sencillo.

Sobaih et al. (2024)

RP1

Me preocupa que el uso de ChatGPT pueda ser malinterpretado como una falta académica (plagio o trampa).

Sallam et al. (2023)

RP2

Adoptar ChatGPT puede reducir mi esfuerzo mental
y la capacidad de pensamiento crítico.

Sobaih (2024)

RP3

Tengo miedo de volverme demasiado dependiente de
ChatGPT.

Sallam et al. (2023)

RP4

Me preocupan los posibles riesgos de seguridad que supone utilizar ChatGPT (por ejemplo, el manejo inadecuado
de datos personales).

Sallam et al. (2023)

RP5

Tengo dudas sobre la validez ética y la forma correcta de citar las respuestas generadas por ChatGPT.

Elaboración propia

RP6

Me causa duda la confiabilidad y exactitud de la información que proporciona ChatGPT.

Elaboración propia

RP7

Temo que el uso frecuente de ChatGPT sustituya el uso de otras fuentes confiables de información.

Elaboración propia

RP8

Me preocupa no saber cómo se almacenan, usan y protegen los datos que proporciono al interactuar con
ChatGPT.

Elaboración propia

RP9

Me preocupa que mi rendimiento y logros académicos se vean afectados por el uso de ChatGPT

Hsu (2024)

RP10

Me preocupa que el uso de ChatGPT obstaculice mis habilidades blandas.

Hsu (2024)

RP11

Usar ChatGPT implica riesgos técnicos (por ejemplo,
inaccesibilidad de la herramienta).

Shuhaiber et al. (2025)

RP12

Me preocupa que ChatGPT tenga la posibilidad de incurrir en faltas legales.

Panggabean & Silalahi (2025)

RP13

Me preocupa que ChatGPT otorgue respuestas con información sesgada.

Panggabean & Silalahi (2025)

RP14

Me preocupa que ChatGPT me entregue las mismas
respuestas que a mis compañeros.

Elaboración propia

RP15

Me preocupa que el uso de ChatGPT pueda generar errores en la documentación científica, lo que podría afectar la
precisión de la información que utilizo para mis tareas.

Elaboración propia

RP16

El uso excesivo de ChatGPT podría llevar a una deshumanización del aprendizaje donde las respuestas de los estudiantes parezcan estandarizadas.

Sobaih (2024)