Impacto y Perspectivas de la Inteligencia Artificial Generativa en la Educación Superior: Un Estudio sobre la Percepción y Adopción Docente usando el modelo AETGE/GATE
-
Published:2024-08-30
Issue:
Volume:9
Page:1-21
-
ISSN:2529-9824
-
Container-title:European Public & Social Innovation Review
-
language:
-
Short-container-title:epsir
Author:
Padilla Piernas Juana MaríaORCID, Martín-García María del MarORCID
Abstract
Introducción: La inteligencia artificial (IA) generativa está transformando la educación superior, ofreciendo la oportunidad de mejorar tanto la enseñanza como el aprendizaje. Esta tecnología permite personalizar el aprendizaje y ofrece herramientas avanzadas para la tutoría y el análisis predictivo de resultados académicos. Metodología: Este estudio utiliza el modelo AETGE/GATE para evaluar las percepciones de profesores universitarios españoles sobre la utilidad, facilidad de uso, valor percibido, expectativas, influencia social, condiciones facilitadoras y preocupaciones éticas de la IA generativa. Los datos se recopilaron mediante un cuestionario y se analizaron con SPSS versión 29.0.1.0. Resultados: Los análisis revelan que no hay diferencias significativas entre hombres y mujeres en la percepción de utilidad, facilidad de uso y valor percibido. Sin embargo, las mujeres mostraron mayores influencias sociales, condiciones facilitadoras y preocupaciones éticas. Discusión: Los resultados sugieren que, aunque la percepción general de la IA generativa es positiva, existen diferencias de género en ciertos aspectos, como la influencia social y las preocupaciones éticas. Esto indica la necesidad de programas de formación y apoyo adaptados a diferentes grupos demográficos. Conclusiones: Este estudio revela la percepción y adopción de la IA generativa entre profesores universitarios, destacando la necesidad de superar barreras para una implementación efectiva en la educación superior.
Reference58 articles.
1. Ajzen, I. (1991). The theory of planned behavior. Organizational Behavior and Human Decision Processes, 50(2), 179-211. https://doi.org/10.1016/0749-5978(91)90020-T 2. Anusha, L. y Nagaraja, G. S. (2021). Outlier Detection in High Dimensional Data. International Journal of Engineering and Advanced Technology, 10(5), 128-130. https://doi.org/10.35940/ijeat.E2675.0610521 3. Baker, R. S. (2016). Stupid Tutoring Systems, Intelligent Humans. International Journal of Artificial Intelligence in Education, 26(2), 600-614. https://acortar.link/WDpvIH 4. Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., Neelakantan, A., Shyam, P., Sastry, G., Askell, A., Agarwal, S., Herbert-Voss, A., Krueger, G., Henighan, T., Child, R., Ramesh, A., Ziegler, D. M., Wu, J., Winter, C., Hesse, C., Chen, M., Sigler, E., Litwin, M., Gray, S., Chess, B., Clark, J., Berner, C., McCandlish, S., Radford, A., Sutskever, I. y Amodei, D. (2020). Language models are few-shot learners. Advances in Neural Information Processing Systems, 33, 1877-1901. https://doi.org/10.48550/arXiv.2005.14165 5. Bryson, J. J. (2018). La última década y el futuro del impacto de la IA en la sociedad. En BBVA (Ed.), ¿Hacia una nueva Ilustración? Una década trascendente (pp. 127-159). Turner.
|
|