Introducción

El uso de la Inteligencia Artificial (IA) se presenta como uno de los grandes desafíos de la Quinta Revolución Industrial, según señala ^{Cortés (2023)}. Este fenómeno está intrínsecamente relacionado con la evolución digital y el desarrollo de tecnologías innovadoras, como indican ^{Blumen y Cepellos (2023)}. El campo de la IA ha captado la atención de investigadores de diversas disciplinas sociales (^{Burgos et al., 2023}; ^{Zsarnoczky-Dulhazi et al., 2024}), quienes buscan entender y aprovechar su potencial. Sin embargo, definir la IA de manera precisa sigue siendo un reto, ya que se trata de un término amplio que engloba una tecnología no única, originada en los años 50 con los trabajos pioneros de Alan Turing. A pesar de ello, John McCarthy es reconocido como el padre de la IA, tras su propuesta en 1956 de que el aprendizaje y otros rasgos de inteligencia podrían ser simulados por máquinas (^{Barragán-Martínez, 2023}; ^{Brochado, 2023}).

La capacidad de la IA para realizar tareas que requieren habilidades cognitivas humanas es uno de sus aspectos más destacados (^{Khan et al., 2023}; ^{Lopardo, 2023}). Estas tareas incluyen la adquisición, el análisis y la percepción de datos multifacéticos, una habilidad que ha sido perfeccionada a lo largo de las décadas (^{Sun et al., 2024}). La diversidad de aplicaciones de la IA refleja su versatilidad y su potencial para transformar múltiples sectores de la sociedad. Desde la educación hasta la investigación científica, la IA ofrece herramientas avanzadas para la recopilación y el análisis de datos, lo que permite obtener nuevas perspectivas y soluciones a problemas complejos (^{Lopardo, 2023}). Esta capacidad de manejar grandes volúmenes de infor- mación y de realizar tareas complejas de manera eficiente subraya la importancia de seguir investigando y desarrollando la IA para maximizar sus beneficios.

A pesar de los avances y el entusiasmo en torno a la IA, es importante reconocer los desafíos y limitaciones que aún enfrenta. La falta de una definición precisa y consensuada del término refleja la complejidad y el alcance del campo (^{Piedra Alegría, 2023}). Además, aunque la IA ha avanzado significativamente desde los días de Turing y McCarthy, su capacidad para replicar plenamente las habilidades cognitivas humanas sigue siendo un área de investigación activa (^{Barragán-Martínez, 2023}; ^{Brochado, 2023}). La evolución de la IA continúa siendo impulsada por la colaboración interdisciplinaria y el constante desarrollo tecnológico, lo que destaca la necesidad de una comprensión profunda y crítica de sus implicaciones y aplicaciones. Este enfoque integral es esencial para aprovechar al máximo el potencial transformador de la IA en la sociedad moderna.

El objetivo de la investigación es: adaptar y validar un instrumento para medir las actitudes de los estudiantes hacia la inteligencia artificial.

Como hipótesis se plantea: el instrumento adaptado para medir las actitudes de los estudiantes hacia la inteligencia artificial tendrá una estructura factorial válida con una alta fiabilidad.

Marco referencial

La IA es desarrollada por empresas privadas que captan y analizan datos mediante algoritmos que simulan la inteligencia humana (^{Piedra Alegría, 2023}). Estos algoritmos utilizan técnicas avanzadas de procesamiento del lenguaje natural para generar respuestas textuales coherentes, lo que ha permitido su aplicación en diversas áreas del conocimiento (^{Burgos et al., 2023}). Una de las aplicaciones más destacadas es el aprendizaje automático, donde los algoritmos pueden realizar predicciones precisas sin la necesidad de instrucciones estáticas, adaptándose a nuevos datos de manera dinámica (^{Zsarnoczky-Dulhazi et al., 2024}). Además, la IA se ha utilizado para abordar y entender problemas sociales complejos, proporcionando nuevas perspectivas y soluciones basadas en datos (^{Pinto-Villar et al., 2022}). Otra área clave es la implementación de sistemas de apoyo a la decisión, que ayudan a elevar la phronesis humana, es decir, la sabiduría práctica aplicada a la toma de decisiones (^{Espinosa Zárate, 2023}).

A pesar del uso de algoritmos avanzados (^{Iqbal y Sadaf, 2024}), la IA actualmente no tiene la capacidad de generar ideas completamente nuevas por sí sola. Sin embargo, su capacidad para organizar y desarrollar datos de manera eficiente permite la redacción de textos académicos sin la intervención directa de humanos (^{Fernández-Samos Gutiérrez, 2023}). La IA se considera un motor de transformación, innovación, crecimiento económico y estabilidad, alterando significativamente la manera en que vivimos, aprendemos, trabajamos y emprendemos (^{Akour et al., 2024}; ^{Barragán-Martínez, 2023}; ^{Mendoza et al., 2021}). Es vista como una tecnología con un gran potencial para aplicaciones concretas en la sociedad (^{Ahmad, 2024}; ^{Alshahrani, 2024}; ^{Piedra Alegría, 2023}) y actualmente es utilizada por el 12% de las organizaciones a nivel mundial para impulsar resultados y mejorar la eficiencia (^{Barragán-Martínez, 2023}).

Sin embargo, también existen narrativas críticas que destacan el potencial disruptivo de la IA y los aspectos éticos y legales controvertidos asociados con su uso (^{Piedra Alegría, 2023}). Herramientas como ChatGPT, desarrollada por OpenAI en 2022 (^{Burgos et al., 2023}; ^{Fernández- Samos Gutiérrez, 2023}), tienen la capacidad de generar textos en diversos tópicos e idiomas con una calidad casi humana (^{De Vito, 2023}; ^{Segovia-Lohse, 2023}), lo que ha generado debates sobre su pertinencia en la investigación científica. Estos debates se centran en la integridad y fiabilidad de los resultados generados por IA, sugiriendo que su uso debe ser cuidadosamente considerado y regulado (^{Gomes De Vasconcellos, 2023}).

En el ámbito educativo, si bien, la tecnología siempre ha sido importante en el proceso de aprendizaje (^{Gálvez-Marquina et al., 2023}; ^{Labrador-Fernández, 2023}), la IA está proporcionando oportunidades y recursos sin precedentes, mejorando las experiencias de enseñanza y aprendizaje (^{Barragán-Martínez, 2023}) orientados al logro del desarrollo sostenible de una educación equitativa, inclusiva y de calidad (^{Labrador-Fernández, 2023}). Herramientas como Chatpdf.com y Humata.ia están siendo utilizadas en la investigación para seleccionar líneas de estudio y analizar datos de manera eficiente pues, sus nuevos algoritmos han permitido a la educación adelantarse a la época (^{Pegoraro y Curzel, 2023}), lo que sugiere un crecimiento en su uso a nivel universitario (^{Roco-Videla et al., 2023}). Los estudiantes universitarios emplean la IA para diversas tareas académicas como el brainstorming, la búsqueda bibliográfica, la redacción, la traducción y el análisis de datos (^{Burgos et al., 2023}), pues sus decisiones algorítmicas de aprendizaje se utilizan para el desarrollo de tareas académicas (^{Almache Barreiro et al., 2023}; ^{Barrios, 2023}), destacando la versatilidad y utilidad de estas tecnologías en el entorno educativo.

La IA se está convirtiendo en un recurso educativo esencial, especialmente en las universida- des, donde los estudiantes la utilizan para sintetizar información bajo la guía de sus docentes (^{Lucana Wehr y Roldan Baluis, 2023}). El impacto de la IA en la educación ha sido extensamente analizado, como en el Consenso de Beijing, que evaluó su gestión y apoyo en el ámbito educa- tivo (^{Unesco, 2023}), En China, por ejemplo, se han introducido nuevas carreras universitarias específicamente relacionadas con la IA, reflejando su creciente importancia (^{Avaro, 2023}).

En ese sentido, el vínculo estudiante-IA se viene fortaleciendo, pero ello debe considerar las reacciones complejas del estudiante como organismo que relaciona sus necesidades, metas, valores y bienestar al interactuar con las IA (Leon et al., 2023) y sobre todo la actitud que el estudiante sienta por la IA, es decir, si está de acuerdo a o no con la IA y si su uso está justificado (^{Algarni et al., 2024}; ^{Amare et al., 2024}), además, la actitud abarca las creencias de las personas sobre algo que incluye su interés, la confianza y el valor que le da (^{Simmons et al., 2024}) por lo que es importante saber cómo piensan los estudiantes universitarios, para detectar actitudes negativas que puedan tener y cambiar efectivamente el comportamiento y actitud (^{Borg et al., 2024}) a partir de la mejora de la confianza como elemento importante para la colaboración exitosa en el proceso de aprendizaje (^{Roesler et al., 2024}), es así que se busca que las actitudes de los estudiantes se relacionen positivamente con su comportamiento (^{Miguel et al., 2024}) al usar la IA y que pueden estar influenciada por la cultura y la comunidad universitaria (^{Khalid et al., 2023}).

Uno de los instrumentos que mide la actitud hacia la IA es el desarrollado por ^{Schepman y Rodway (2020)}, que consta de 32 ítems agrupados en actitudes positivas y actitudes negativas hacia la IA. La presente investigación tiene como objetivo la validación de este instrumento aplicado a universitarios peruanos, para determinar métricamente si puede ser utilizado en investigaciones que busquen analizar la actitud que tienen los estudiantes hacia la IA.

El estudio se llevó a cabo para desarrollar y validar una herramienta de medición de las actitudes de los estudiantes universitarios hacia la inteligencia artificial (IA). La metodología del estudio incluyó varias etapas clave. Primero, se obtuvo la aprobación ética del Comité de Ética de la Escuela de Psicología de la institución de los autores. Esta aprobación garantizó que el estudio se realizaría siguiendo los estándares éticos necesarios para la investigación con humanos.

Para la recolección de datos, se utilizó Prolific, una base de datos en línea de participantes en el Reino Unido, durante mayo de 2019. Los participantes, quienes recibieron una compensación económica por su participación, representaban una variedad de niveles educativos y experien- cia en informática, lo que fue documentado en tablas que muestran la distribución de estos aspectos. Este enfoque permitió una representación diversificada y equitativa de la población objetivo, asegurando la relevancia y aplicabilidad de los resultados.

En cuanto a los instrumentos de medición, se diseñaron tres nuevas medidas específicas para el estudio, además de utilizar una medida validada existente, el Índice de Preparación Tecnológica (Technology Readiness Index). Las nuevas medidas capturaron las actitudes generales hacia la IA, aplicaciones específicas de la IA y la preparación tecnológica de los participantes.

Las actitudes generales se evaluaron a través de ítems positivos y negativos basados en temas identificados en la literatura previa, mientras que las aplicaciones específicas se seleccionaron de noticias recientes sobre desarrollos en IA, proporcionando una perspectiva actual y relevante.

El procedimiento involucró a los participantes completando cuestionarios en línea que evaluaban sus actitudes generales hacia la IA, su comodidad y percepción de capacidad en aplicaciones específicas de IA, y su preparación tecnológica general. Se implementaron verificaciones de atención para asegurar la calidad de los datos recolectados. El proceso completo, que incluía el consentimiento informado y la debriefing, tomó en promedio 19 minutos por participante, garantizando una experiencia de participación eficiente y rigurosa.

La preparación y tratamiento de datos incluyeron la gestión de casos de datos cuantitativos faltantes para asegurar la integridad del conjunto de datos. Este paso fue importante para mantener la precisión y validez de los análisis posteriores.

En cuanto a las actitudes generales hacia la IA, los resultados mostraron una mezcla de apoyo y preocupaciones. Un porcentaje significativo de participantes expresó cautela, especialmente en áreas donde la IA podría tener implicaciones éticas o de desplazamiento laboral. La escala desarrollada mostró buena validez convergente y discriminante en comparación con el Índice de Preparación Tecnológica, confirmando su utilidad como herramienta de medición.

Los participantes también evaluaron su comodidad y la capacidad percibida de la IA en una variedad de tareas específicas. Los resultados indicaron que los participantes estaban más cómo- dos con aplicaciones de IA en áreas menos intrusivas y expresaron más reservas en contextos sensibles, como decisiones judiciales o el uso de información médica personal. Este hallazgo destaca la importancia de considerar el contexto y la naturaleza de las aplicaciones de IA al evaluar las actitudes hacia esta tecnología.

La evaluación de la preparación tecnológica mostró una distribución de niveles de experiencia y comodidad con la tecnología, reflejando una amplia gama de experiencias entre los partici- pantes. La correlación con las actitudes hacia la IA indicó que la familiaridad y la comodidad con la tecnología en general influían en las percepciones de la IA. Este resultado sugiere que aumentar la exposición y la educación sobre la IA podría mejorar las actitudes hacia su uso.

Finalmente, el estudio proporcionó una herramienta valiosa para medir las actitudes hacia la IA entre los estudiantes universitarios, destacando la importancia de considerar tanto los aspectos positivos como los negativos de la IA en la sociedad actual. Esta herramienta puede ser utilizada en investigaciones futuras para explorar más a fondo las percepciones y preocupacio- nes sobre la IA, contribuyendo al desarrollo de políticas y prácticas que fomenten una adopción responsable y beneficiosa de la inteligencia artificial.

La validación inicial de ^{Schepman y Rodway (2020)} se inició con la traducción y adaptación de sus ítems positivos y negativos (Tabla 1).

Metodología

La investigación es cuantitativa, de alcance descriptivo, no experimental de diseño transversal que permite adaptar y validar las propiedades psicométricas de la escala de actitudes hacia la Inteligencia Artificial de ^{Schepman y Rodway (2020)}.

El tamaño muestral recomendado es de mínimo 300 individuos. Según Roco Videla et al. (2021) una muestra superior a 300 observaciones en este tipo de investigaciones permite tener mayores garantías respecto a la validez del instrumento. Este criterio ha sido utilizado en diversas investigaciones como en el estudio de Validación de la Escala de Actitudes hacia la Investigación de ^{Quezada-Berumen et al. (2019)} en el que se aplicó una muestra de 392 estudiantes y Jiménes-Alé et ál. (2023) que aplicó una muestra de 407 personas. A pesar de este sustento teórico y para asegurar que el tamaño de la muestra es el óptimo, se tiene que en el año 2022 el número de estudiantes universitarios fue de 1′256,017estudiantes según ^{Diario Gestión (2023)} y aplicando la fórmula para población finita, se tiene que la muestra debe ser un mínimo de 385 estudiantes, en tal sentido, en la presente investigación se tiene una muestra representativa ya que participaron 411 estudiantes de diecisiete universidades de Perú, de los cuales el 57,66 % pertenecía a universidades públicas y el 40,88 % de estudiantes a universidades privadas, ubicadas en los departamentos de Arequipa (6,33 %), Cajamarca (8,03

%), Huánuco (2,92 %), La libertad (3,89 %), Lambayeque (3,89 %), Lima (6,81 %), Moquegua (3,41 %), Puno (5,11 %), San Martín (4,87 %), Tacna (40,88 %), Tumbes (9 %) y Ucayali (4,87

%). El 48,42 % de encuestados fue hombre y el 51,58 % fue mujer.

Para levantar información se utilizó el instrumento desarrollado por ^{Schepman y Rodway (2020)}, de 32 ítems, que evalúa la actitud hacia la IA a partir de dos dimensiones, una sobre actitud favorable y la otra sobre actitud desfavorable hacia la IA.

Para el levantamiento de datos se contactó con docentes universitarios de las universidades de la Pontifica Universidad Católica del Perú, la Escuela de Administración de Negocios para Graduados, Universidad Católica Santa María, Universidad Privada Santo Toribio de Mogrovejo, Universidad César Vallejo, Universidad de Huánuco, Universidad Los Ángeles de Chimbote, Universidad Nacional del Altiplano, Universidad Nacional de Moquegua, Universidad Nacional de Cajamarca, Universidad Nacional Jorge Basadre Grohmann, , Universidad Nacional de Tumbes, Universidad Nacional de Trujillo, Universidad Nacional de Ucayali, Universidad Peruana de Ciencias Aplicadas, Universidad Privada del Norte y Universidad Privada de Tacna, quienes aplicaron el instrumento en su institución de educación superior desde el 23 de noviembre al 13 de diciembre del año 2023 mediante el Google Form, posteriormente los datos fueron tabulados para su análisis.

Resultados

Se halló una varianza aceptable que permite establecer que los reactivos pueden discriminar la percepción de los encuestados (Tabla 2).

La Matriz de la correlación de Pearson entre ítems arrojó un Determinante = 5,655E-6; que indica que sí es posible agrupar los reactivos en dimensiones. Previamente, para poder establecer la posibilidad de aplicar un análisis factorial confirmatorio se aplicó la prueba de Kaiser-Meyer Olkin y la prueba de esfericidad de Bartlett (Tabla 3).

La prueba KMO (Kaiser-Meyer-Olkin) arrojó un valor de p=,863, que es mayor que ,05. Este resultado indica que los datos son adecuados para realizar un análisis factorial, ya que un valor de KMO superior a ,50 sugiere que las correlaciones parciales entre las variables son relativa- mente pequeñas. Esto implica que las variables tienen suficientes correlaciones comunes y, por lo tanto, es apropiado proceder con el análisis factorial.

Por otro lado, la prueba de esfericidad de Bartlett mostró un valor de p=,00, que es menor que ,05. Esto significa que las varianzas son significativamente diferentes en la población y no son iguales, lo que respalda la presencia de correlaciones suficientes entre las variables para justificar un análisis factorial. Esta prueba confirma que existe una estructura subyacente que puede ser identificada mediante el análisis factorial.

Considerando que teóricamente el instrumento mide dos dimensiones (actitudes positivas y actitudes negativas), se realizó un análisis factorial exigiendo la extracción de estos dos factores. Para ello, se utilizó el método de análisis de componentes principales, fijando la extracción en dos factores. Como método de rotación se aplicó Varimax, que facilita la interpretación de los factores al maximizar la varianza de los coeficientes de carga. El análisis factorial reveló la varianza total explicada por estos dos factores (Tabla 4), lo cual proporciona una visión clara de cómo las variables originales se agrupan en torno a estas dos dimensiones teóricas y fueron.

La matriz de componentes rotada (Tabla 5) permitió establecer que las dimensiones deben estar compuestas por los siguientes ítems:

La prueba de componentes rotados encontró que el primer factor debe tener 19 reactivos y el segundo factor 13 reactivos. El modelo inicial y el modificado (Tabla 6) arrojaron los siguientes valores:

Luego de mejorar las medidas de calidad de ajuste mediante la modificación de los índices, se observó una mejora significativa en los valores obtenidos. Esto indica que los cambios realizados en el modelo han resultado en un ajuste más preciso y adecuado a los datos, reflejando una mejor representación de las relaciones subyacentes entre las variables (Figura 1).

Además, la estadística de fiabilidad del instrumento fue evaluada utilizando la prueba de Alfa de Cronbach. En general, el instrumento completo mostró una alta confiabilidad con un valor de p=,806, lo cual es considerado como un buen nivel de consistencia interna. En términos más específicos, la Dimensión 1 del instrumento obtuvo una confiabilidad aún mayor con un valor de p=,873, indicando una excelente consistencia interna para este conjunto de ítems. La Dimensión 2 también mostró una alta fiabilidad con un valor de p=,819. Estos resultados sugieren que tanto el instrumento en su totalidad como sus dimensiones individuales son alta- mente fiables y adecuados para la medición de las actitudes positivas y negativas que pretende evaluar.

Considerando las cuatro dimensiones que también propone ^{Schepman y Rodway (2020)}, se analizó exigiendo las cuatro dimensiones teóricas fijas. El análisis factorial, consideró el método de extracción del análisis de componentes principales con dos factores fijos a extraer, con méto- do de rotación Varimax. En la Tabla 7 se tiene que la varianza total explicada fue:

La matriz de componentes rotada (Tabla 8) determinó que los factores deben estar compuestas por los siguientes ítems:

La prueba de componentes rotados encontró que el primer factor debe tener 13 reactivos, el segundo factor 11 reactivos, el tercer factor 6 reactivos y el cuarto factor 2 reactivos. El modelo inicial y el modificado (Tabla 9) arrojaron los siguientes valores:

Al ajustar las medidas de calidad mediante la modificación de los índices, se lograron valores más altos. Esto demuestra que los cambios implementados en el modelo han permitido un ajuste más preciso y adecuado a los datos. Una mejor calidad de ajuste sugiere que el modelo modificado refleja de manera más precisa las relaciones subyacentes entre las variables, mejo- rando así la validez y confiabilidad del análisis (Figura 2).

La prueba de Alfa de Cronbach se utilizó para medir la confiabilidad del instrumento, o sea, su consistencia interna. Los resultados mostraron diferentes niveles de confiabilidad para cada dimensión del instrumento. La Dimensión 1 obtuvo una confiabilidad de p=,876, lo que indica un nivel excelente de consistencia interna. Esto significa que los ítems dentro de esta dimensión son muy coherentes y miden consistentemente el mismo constructo.

Para la Dimensión 2, la prueba de Alfa de Cronbach reveló una confiabilidad de p=,825. Este valor también indica un buen nivel de consistencia interna, sugiriendo que los ítems de esta dimensión están bien alineados y son fiables para medir el constructo correspondiente.

No obstante, la Dimensión 3 mostró una confiabilidad de p=,559, indicando una consistencia interna baja. Este resultado sugiere que los ítems de esta dimensión no están tan bien alineados y pueden no estar midiendo el mismo constructo de manera consistente. Esta área podría nece- sitar una revisión y posible ajuste de los ítems para mejorar la confiabilidad.

Por último, la Dimensión 4 presentó una confiabilidad de p=,938, un valor extremadamente alto. Esto indica una excelente consistencia interna, sugiriendo que los ítems de esta dimensión son muy coherentes y fiables para medir el constructo correspondiente. En conjunto, estos resultados proporcionan una visión clara de la confiabilidad de cada dimensión del instrumen- to, destacando áreas de fortaleza y otras que pueden necesitar ajustes adicionales.

Considerando 26 ítems en cuatro dimensiones teóricas luego de extraer los ítems 21, 24, 25, 27, 30 y 32 por presentar muy baja correlación ítem-resto se realizó el análisis factorial, que tam- bién utilizó el método de extracción a través de análisis de componentes principales. También se usó como método de rotación Varimax. En la Tabla 10 se presenta la varianza total explicada.

Mientras que la matriz de componente rotado (Tabla 11) permitió establecer los ítems de las cuatro dimensiones de la siguiente manera:

Con 26 ítems y cuatro dimensiones, la prueba de componentes rotados encontró que el primer factor debe tener 13 reactivos, el segundo factor 7 reactivos, el tercer factor 2 reactivos y el cuarto factor 4 reactivos. El modelo inicial y el modificado (Tabla 12) obtuvieron los siguientes resultados:

Después de mejorar las medidas de calidad de ajuste mediante la modificación de los índices, se obtuvieron valores significativamente mejores. Estos ajustes permitieron que el modelo se adaptara de manera más precisa a los datos disponibles, reflejando de forma más fiel las rela- ciones subyacentes entre las variables analizadas. Este proceso de refinamiento del modelo es importante para asegurar que las conclusiones derivadas del análisis sean válidas y confiables (Figura 3).

En cuanto a la fiabilidad del instrumento, evaluada mediante la prueba de Alfa de Cronbach, se obtuvo un valor total de p=,826. Este resultado indica un alto nivel de consistencia interna en el conjunto de ítems del instrumento, sugiriendo que las preguntas están bien alineadas y miden de manera coherente los constructos teóricos propuestos.

Desglosando por dimensiones, la Dimensión 1 mostró una excelente fiabilidad con un valor de p=,876. Esto significa que los ítems en esta dimensión son altamente consistentes entre sí, proporcionando una medida fiable del constructo correspondiente. La Dimensión 2 también presentó una buena fiabilidad, con un valor de p=,754, lo que indica una adecuada consisten- cia interna, aunque con un margen de mejora.

La Dimensión 3 destacó con una fiabilidad extremadamente alta de p=,938, lo que sugiere una coherencia excepcional entre los ítems de esta dimensión. Esto refuerza la confianza en las medidas obtenidas para este constructo específico. Sin embargo, la Dimensión 4 presentó una fiabilidad baja de p=,452, señalando una inconsistencia considerable entre los ítems. Este resultado indica la necesidad de revisar y posiblemente modificar los ítems de esta dimensión para mejorar su fiabilidad y asegurar que midan de manera adecuada el constructo teórico.

Aunque la mayoría de las dimensiones del instrumento muestran buenos niveles de fiabilidad, hay áreas específicas, como la Dimensión 4, que requieren atención adicional para mejorar la consistencia interna. Estos hallazgos son fundamentales para fortalecer la validez del instru- mento y garantizar que las mediciones sean precisas y útiles para futuros análisis.

Discusión y conclusiones

La discusión de los resultados obtenidos en la validación del instrumento de medición de actitudes hacia la Inteligencia Artificial (IA) revela varias dimensiones fundamentales para comprender la percepción de los estudiantes universitarios respecto a esta tecnología emergente. Según la estructura del instrumento propuesto por ^{Schepman y Rodway (2020)}, los resultados indican que las actitudes hacia la IA pueden agruparse en diferentes dimensiones. Inicialmente, se plantearon dos dimensiones (actitudes positivas y negativas), pero el análisis sugiere la posibilidad de considerar hasta cuatro dimensiones distintas.

Cuando se analizan solo dos factores en 32 ítems, se observa que el primer factor agrupa 19 ítems y el segundo factor agrupa 13 ítems. Estos resultados sugieren una diversidad de actitu- des hacia la IA. Tras realizar ajustes, se observaron mejoras en los valores del instrumento de medición. La prueba de confiabilidad mediante el coeficiente Alfa de Cronbach indicó una con- fiabilidad total de p=,806. Además, las dimensiones específicas mostraron alta confiabilidad, con la Dimensión 1 obteniendo p=,873 y la Dimensión 2 alcanzando p=,819. Estos resultados sugieren una sólida consistencia interna tanto del instrumento en su conjunto como de las di- mensiones individuales, reforzando su validez y fiabilidad en la medición de actitudes hacia la IA.

Al considerar cuatro dimensiones teóricas propuestas en 32 ítems, se identifican diferentes pa- trones de agrupación de ítems, lo que podría indicar que las actitudes hacia la IA son más com- plejas y multifacéticas de lo inicialmente asumido. Tras un análisis de componentes rotados, se identificaron cuatro factores: el primero con 13 ítems, el segundo con 11, el tercero con 6 y el cuarto con 2. Mediante modificaciones en las medidas de calidad de ajuste, se lograron valores mejorados. La prueba de confiabilidad (Alfa de Cronbach) reveló niveles de fiabilidad variados: Dimensión 1 p=,876, Dimensión 2 p=,825, Dimensión 3 p=,559 y Dimensión 4 p=,938. Estos resultados indican una estructura interna compleja, pero con niveles aceptables de consistencia en las distintas dimensiones del instrumento.

Con cuatro dimensiones teóricas propuestas en 26 ítems, tras excluir cuatro ítems debido a su baja correlación ítem-resto, se realizó un análisis factorial utilizando el método de extracción de componentes principales y rotación Varimax. Este análisis identificó que el primer factor debía tener 13 ítems, el segundo 7, el tercero 2 y el cuarto 4. Después de los ajustes para mejorar las medidas de calidad de ajuste, se lograron valores mejorados. La fiabilidad total del instrumento, evaluada con el Alfa de Cronbach, fue de p=,826, y las dimensiones específicas mostraron diferentes niveles de fiabilidad: Dimensión 1 p=,876, Dimensión 2 p=,754, Dimensión 3 p=,938 y Dimensión 4 p=,452. Estos resultados sugieren una estructura interna compleja, con una fiabilidad general aceptable y variaciones en la consistencia interna en las distintas dimensiones del instrumento.

Los resultados muestran que la fiabilidad del instrumento en general es aceptable, con valores que oscilan entre p=,806 y p=,938 según la cantidad de dimensiones consideradas. Esto sugiere que el instrumento tiene una consistencia interna razonable, especialmente cuando se consideran dos o cuatro dimensiones. La matriz de correlación de Pearson entre ítems proporciona información sobre la relación entre las diferentes preguntas del instrumento. El determinante de la matriz es extremadamente bajo (5,655E-6), lo que indica que es posible agrupar los ítems en dimensiones, respaldando la estructura interna del instrumento.

La diversidad de dimensiones identificadas en las actitudes hacia la IA señala la necesidad de investigaciones adicionales que exploren a fondo estos aspectos. Futuros estudios podrían centrarse en comprender las razones detrás de estas dimensiones y cómo influyen en el com- portamiento de los estudiantes frente a la IA. Los resultados obtenidos en la validación del instrumento proporcionan información valiosa sobre la complejidad de las actitudes de los estudiantes universitarios hacia la IA. Este conocimiento puede ser importante para diseñar intervenciones educativas efectivas y adaptadas a las actitudes específicas de los estudiantes hacia esta tecnología. Sin embargo, se sugiere la necesidad de investigaciones adicionales para profundizar en la comprensión de las dimensiones identificadas y su impacto en el uso de la IA en el ámbito educativo.

En la investigación se concluyó que, el instrumento adaptado para medir las actitudes de los estudiantes hacia la inteligencia artificial desarrollado por ^{Schepman y Rodway (2020)} mostró una estructura factorial válida con una alta fiabilidad, ya sea en sus dos dimensiones origina- les y 32 ítems (p=,806) o en las cuatro dimensiones propuestas en este estudio con 26 ítems (p=,826), por lo que puede ser utilizada en futuras investigaciones con población de similares características.