ADOPCIÓN DE LA INTELIGENCIA ARTIFICIAL EN LA EDUCACIÓN SUPERIOR
LATINOAMERICANA: REVISIÓN SISTEMÁTICA Y META-ANÁLISIS ESTRUCTURAL
ARTIFICIAL INTELLIGENCE ADOPTION IN LATIN AMERICAN HIGHER
EDUCATION: A SYSTEMATIC REVIEW AND META-ANALYTIC STRUCTURAL
EQUATION MODELLING
Autores: ¹Daniel Alexander Vera Paredes, ²Wellington Arturo Álvarez Baque y ³Luis Cristóbal
Córdova Martínez.
¹ORCID ID:
https://orcid.org/0009-0001-9033-3399
²ORCID ID:
https://orcid.org/0000-0002-8251-6259
3
ORCID ID:
https://orcid.org/0000-0003-3605-429X
¹E-mail de contacto:
dverap@unemi.edu.ec
²E-mail de contacto:
walvarezb@unemi.edu.ec
³E-mail de contacto:
lcordovam@unemi.edu.ec
Afiliación: ¹*²*³*Universidad Estatal de Milagro, (Ecuador).
Artículo recibido: 1 de Octubre del 2026.
Artículo revisado: 3 de Noviembre del 2026.
Artículo aprobado: 10 de Noviembre del 2026.
¹Licenciado en Sistemas de Información, graduado de la Escuela Superior Politécnica del Litoral, (Ecuador). Magíster en Administración
y Dirección de Empresas, graduado de la Universidad Tecnológica Empresarial de Guayaquil, (Ecuador). Magíster Universitario en
Ingeniería de Software y Sistemas Informáticos, graduado de la Universidad Internacional de la Rioja, (España).
²Licenciado
en
Ciencias
en
Marketing,
graduado
de
la
Universidad
de
Surrey,
(Reino
Unido).
Magíster
en
Ciencias
en
Manejo
internacional de Marketing, graduado de la Universidad de Roehampton (Reino Unido).
³Licenciado
en
Sistemas
de
Información,
graduado
de
la
Escuela
Politécnica
del
Litoral,
(Ecuador).
Magíster
en
Administración
y
Dirección
de
Empresas,
graduado
de
la
Universidad
Tecnológica
Empresarial
de
Guayaquil,
(Ecuador).
Magíster
en
Gerencia
de
Tecnologías de la Información, graduado de la Universidad Estatal de Milagro, (Ecuador). Especialista en Tecnologías de la Información,
mención en Comercio y Negocio Electrónico, graduado de la Universidad Laica Eloy Alfaro de Manabí, (Ecuador).
Resumen
El
objetivo
de
esta
revisión
fue
estimar
la
magnitud
combinada
de
los
factores
que
explican la aceptación y el uso de la inteligencia
artificial
en
estudiantes
y
docentes
universitarios de América Latina y el Caribe, y
contrastar qué modelo teórico reproduce mejor
la
evidencia
regional.
Se
realizó
una
revisión
sistemática
conforme
a
la
declaración
para
la
publicación
de
revisiones
sistemáticas
y
a
su
extensión
para
búsquedas,
con
protocolo
registrado
antes
del
cribado.
Se
consultaron
ocho bases de datos y se hicieron tres rondas de
búsqueda
por
citas,
en
español,
inglés
y
portugués,
para
el
periodo
2020
a
2026,
limitando la selección a publicaciones de acceso
abierto. El cribado y la extracción se hicieron
por
duplicado
e
independientemente.
Las
correlaciones
se
combinaron
con
modelos
de
efectos aleatorios y la matriz resultante se ajustó
mediante modelos de ecuaciones estructurales
en
dos
etapas,
con
análisis
de
moderadores,
sesgo de publicación y sensibilidad. De 1.843
registros
identificados
se
cribaron
1.152
y
se
incluyeron
73
estudios,
con
74
muestras
y
31.295
participantes;
58
aportaron
matriz
de
correlaciones
utilizable.
La
actitud
mostró
la
asociación más fuerte con la intención de uso,
seguida de la
expectativa de desempeño, y la
intención
predijo
el
uso
declarado.
La
teoría
unificada reprodujo mejor la matriz combinada
que
el
modelo
de
aceptación
tecnológica.
Ninguna
relación
alcanzó
certeza
alta
por
la
elevada
heterogeneidad.
Se
concluye
que
la
influencia social y las condiciones facilitadoras
ocupan en la región un lugar más visible que en
las síntesis globales.
Palabras
clave:
Inteligencia
artificial,
Educación
superior,
Aceptación
de
tecnología,
Revisión
sistemática,
Meta-
análisis.
Abstract
This
review
aimed
to
estimate
the
pooled
magnitude of the factors explaining acceptance
and
use
of
artificial
intelligence
among
university students and faculty in Latin America
and the Caribbean, and to test which theoretical
model best reproduces the regional evidence. A
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 12.1
Edición Especial XII 2026
Página 467
systematic review was conducted following the
reporting statement for systematic reviews and
its
extension
for
literature
searches,
with
a
protocol
registered
before
screening.
Eight
databases
were
searched
and
three
rounds
of
citation chasing were run, in Spanish, English
and
Portuguese,
for
the
period
2020
to
2026,
restricted
to
open
access
publications.
Screening and data extraction were performed
independently
and
in
duplicate.
Correlations
were
pooled
with
random
effects
models
and
the resulting matrix was fitted through two stage
structural equation modelling, with moderator,
publication
bias
and
sensitivity
analyses.
Of
1.843
records
identified,
1.152
were
screened
and 73 studies were included, contributing 74
samples and 31.295 participants; 58 provided a
usable correlation matrix. Attitude showed the
strongest
association
with
behavioural
intention, followed by performance expectancy,
and
intention
predicted
self-reported
use.
The
unified
theory
reproduced
the
pooled
matrix
better
than
the
technology
acceptance
model.
No relationship reached high certainty because
of substantial heterogeneity. We conclude that
social influence and facilitating conditions play
a more visible role in the region than in global
syntheses.
Keywords:
Artificial
intelligence,
Higher
education,
Technology
acceptance,
Systematic review, Meta-analysis.
Sumário
O objetivo desta revisão foi estimar a magnitude
combinada dos fatores que explicam a aceitação
e o uso da inteligência artificial em estudantes e
docentes universitários da América Latina e do
Caribe, e verificar qual modelo teórico reproduz
melhor a evidência regional. Realizou-se uma
revisão sistemática conforme a declaração para
a
publicação
de
revisões
sistemáticas
e
sua
extensão para buscas, com protocolo registrado
antes da triagem. Foram consultadas oito bases
de dados e realizadas três rodadas de busca por
citações, em espanhol, inglês e português, para
o período de 2020 a 2026, limitando a seleção a
publicações
de
acesso
aberto.
A
triagem
e
a
extração foram feitas em duplicata e de forma
independente.
As
correlações
foram
combinadas com modelos de efeitos aleatórios
e a matriz resultante foi ajustada por modelos de
equações
estruturais
em
duas
etapas,
com
análises de moderadores, viés de publicação e
sensibilidade. Dos 1.843 registros identificados,
1.152 foram triados e 73 estudos incluídos, com
74
amostras
e
31.295
participantes;
58
forneceram matriz de correlações utilizável. A
atitude apresentou a associação mais forte com
a
intenção
de
uso,
seguida
da
expectativa
de
desempenho,
e
a
intenção
predisse
o
uso
declarado. A teoria unificada reproduziu melhor
a
matriz
combinada
do
que
o
modelo
de
aceitação
tecnológica.
Nenhuma
relação
alcançou
certeza
alta
devido
à
elevada
heterogeneidade.
Conclui-sé
que
a
influência
social e as condições facilitadoras ocupam na
região um lugar mais visível do que nas sínteses
globais.
Palavras-chave:
Inteligência
artificial,
Ensino
superior,
Aceitação
de
tecnologia,
Revisão sistemática, Metanálise.
Introducción
La
incorporación
de
herramientas
de
inteligencia artificial (IA) generativa a la vida
universitaria ha sido rápida y, en buena medida,
no
planificada.
En
los
dos
últimos
años
la
producción científica regional sobre el tema se
ha
multiplicado:
de
los
73
estudios
que
esta
revisión incluye, 60 se publicaron entre 2025 y
2026.
Las
instituciones,
sin
embargo,
siguen
tomando decisiones sobre licencias, formación
docente, normativa de uso o infraestructura
sin
un marco empírico propio que les diga dónde
conviene intervenir. Los modelos de aceptación
tecnológica
ofrecen
ese
marco.
El
modelo
de
aceptación
tecnológica
(TAM)
explica
la
intención de uso por la utilidad y la facilidad de
uso
percibidas
(Davis,
1989).
La
teoría
unificada de la aceptación y uso de la tecnología
(UTAUT)
añade
la
influencia
social
y
las
condiciones
facilitadoras
(Venkatesh
et
al.,
2003),
y
su
extensión
UTAUT2
incorpora
la
motivación
hedónica,
el
valor
percibido
y
el
hábito (Venkatesh et al., 2012). Sobre esa base
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 12.1
Edición Especial XII 2026
Página 468
se han construido meta-análisis que combinan
decenas
de
estudios:
en
tecnología
educativa
(Scherer et
al.,
2019) y
en la propia UTAUT
(Blut
et
al.,
2022).
El
problema
es
que
esas
síntesis son globales y se apoyan en literatura
indexada en inglés. Ninguna aísla la evidencia
de América Latina y el Caribe (ALC), pese a
que
las
condiciones
de
infraestructura,
formación
y
acceso
difieren,
y
a
que
las
dimensiones culturales moderan las relaciones
de estos modelos. La consecuencia práctica es
que
una
universidad
de
la
región
que
busque
evidencia
para
orientar
su
política
de
IA
encuentra estimaciones obtenidas en contextos
distintos del suyo.
Esta revisión cubre ese vacío con tres decisiones
deliberadas.
Primera,
incluir
literatura
en
español
y
portugués
indexada
en
bases
regionales,
que
las
síntesis
globales
no
consultan.
Segunda,
restringir
la
selección
a
publicaciones de acceso abierto, de modo que
cualquier lector pueda verificar los estudios de
origen.
Tercera,
sintetizar
mediante
meta-
análisis de ecuaciones estructurales (MASEM),
que permite contrastar modelos completos y no
solo relaciones aisladas (Cheung y Chan, 2005)
El estudio persigue cinco objetivos: caracterizar
la investigación regional; estimar la magnitud
combinada
de
las
relaciones
entre
los
constructos de aceptación, la intención y el uso;
contrastar
qué
modelo
reproduce
mejor
la
matriz
combinada;
examinar
si
las
relaciones
varían según la población, el país, el tipo de IA,
el
método
de
estimación
o
la
calidad
del
estudio;
y
valorar
la
calidad
metodológica,
el
sesgo
de
publicación
y
la
certeza
de
la
evidencia.
Materiales y Métodos
El
tipo
de
investigación
consistió
en
una
revisión
sistemática
con
meta-análisis
de
adecuaciones
estructurales,
conforme
a
la
declaración PRISMA 2020 (Page et al., 2021) y
a su extensión PRISMA-S para el informe de las
búsquedas
(Rethlefsen
et
al.,
2021).
El
protocolo
se
registró
en
OSF
Registries
(https://osf.io/8pvsx)
el
19
de
septiembre
de
2026, antes de cualquier decisión de inclusión.
Las
cinco
enmiendas
posteriores
están
documentadas
con
fecha
y
justificación
en
el
repositorio del proyecto.
Criterios
de
elegibilidad.
Se
incluyeron
artículos
de
revista
revisados
por
pares,
publicados entre 2020 y 2026 en acceso abierto,
en español, inglés o portugués, que informaran
de
estudios
cuantitativos
con
estudiantes
o
docentes de instituciones de educación superior
de ALC, midieran la aceptación, la intención o
el
uso
de
herramientas
de
IA
y
aplicaran
un
marco TAM, UTAUT, UTAUT2, de la teoría
del comportamiento planificado, de la difusión
de
innovaciones
o
de
la
confirmación
de
expectativas. Se excluyeron actas de congreso,
preprints,
tesis
y
capítulos;
los
estudios
multipaís
sin
datos
de
ALC
separables;
y
los
que no aportaran estadísticos utilizables, que se
conservaron para la síntesis narrativa.
Fuentes
y
estrategia
de
búsqueda.
El
19
de
septiembre de 2026 se consultaron ocho bases:
OpenAlex
(834
registros),
Scopus
(370),
Dialnet
(191),
DOAJ
(169),
SciELO
(62),
Redalyc (46), ScienceDirect (12) y ERIC (12).
Web of Science no pudo consultarse por falta de
suscripción
institucional,
limitación
que
se
declara
como
enmienda
al
protocolo.
A
la
búsqueda en bases se añadieron tres rondas de
búsqueda por citas hacia atrás y hacia adelante,
que aportaron 147 registros. El corpus se cerró
el 27 de septiembre de 2026; la tercera ronda
identificó
16
registros
nuevos
que
no
se
incorporaron, y quedan listados para una futura
actualización.
Población y muestra.
La unidad
de análisis es el estudio primario, y dentro de él
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 12.1
Edición Especial XII 2026
Página 469
la
muestra
independiente.
Tras
eliminar
691
duplicados
quedaron
1.152
registros
para
cribado, de los que se seleccionaron 73 estudios
con
74
muestras
y
31.295
participantes.
Selección.
El
cribado
por
título
y
resumen
lo
realizaron de forma independiente y a ciegas un
revisor
humano
y
un
revisor
de
inteligencia
artificial (Claude Opus 5, Anthropic), con una
guía
y
un
procedimiento
registrados
de
antemano: un registro pasaba a texto completo
si cualquiera de los dos lo marcaba como incluir
o dudoso, de modo que el revisor automático
nunca excluyó por sí solo, y un segundo revisor
humano auditó una muestra aleatoria del 10 %
de las exclusiones dobles.
El acuerdo fue κ = 0,79 en la calibración y κ =
0,80
tras
la
auditoría.
El
texto
completo
lo
evaluaron dos revisores humanos por duplicado
(κ = 0,76) y las 26 discrepancias se resolvieron
por consenso.
Instrumentos y extracción.
Dos
revisores extrajeron de forma independiente el
100 % de los estudios con un libro de códigos
preparado de antemano y afinado en un piloto
de
cinco
estudios.
Se
registraron
datos
bibliográficos,
país,
tipo
de
institución,
población, tamaño muestral, herramienta de IA,
marco teórico, método de estimación, índices de
ajuste y, sobre todo, la matriz de correlaciones
entre
constructos;
cuando
no
había
matriz
explícita
se
usaron
las
celdas
fuera
de
la
diagonal de la tabla de Fornell-Larcker.
Las
486
diferencias
entre
extracciones
se
conciliaron una a una. No se transcribieron las
tablas
rotuladas
como
correlaciones
cuyos
valores
reproducen
los
coeficientes
de
ruta
o
muestran ceros exactos entre predictores, por no
ser
correlaciones
observadas.
Calidad
metodológica.
Cada
estudio
se
evaluó
con
dieciséis ítems: los ocho de la lista del Joanna
Briggs
Institute
para
estudios
transversales
analíticos (Moola et al., 2020) y ocho propios
sobre
la
calidad
del
modelo
de
ecuaciones
estructurales. La evaluación fue por duplicado;
el primer acuerdo fue κ = 0,64 y, tras acordar
seis reglas de aplicación y repuntuar los ocho
ítems
afectados,
las
celdas
en
desacuerdo
bajaron
de
247
a
91,
todas
resueltas
por
consenso
(κ
=
0,66).
Análisis
de
datos.
Las
correlaciones se transformaron a la z de Fisher
y
se
combinaron
con
modelos
de
efectos
aleatorios,
estimación
por
máxima
verosimilitud
restringida
y
ajuste
de
Knapp-
Hartung, con el paquete metafor (Viechtbauer,
2010).
Una celda entra en el análisis solo si la aportan
al menos tres muestras. La matriz combinada se
estimó con el procedimiento de dos etapas del
paquete
metaSEM
(Cheung,
2015):
efectos
aleatorios
en
la
primera
etapa
y
mínimos
cuadrados ponderados en la segunda. Los tres
modelos se especificaron sobre las mismas siete
variables
observadas
para
que
sus
índices
de
ajuste fueran comparables.
Los
moderadores
se
examinaron
con
el
metaanálisis
estructural
de
una
etapa
(Jak
y
Cheung,
2020).
El
sesgo
de
publicación
se
evaluó
en
las
celdas
con
diez
o
más
estudios
mediante la prueba de Egger, el procedimiento
de
recorte
y
relleno
y
la
corrección
PET-
PEESE. La certeza de la evidencia se valoró con
una adaptación de GRADE para preguntas de
asociación.
Todo
el
análisis
se
ejecutó
en
R
4.6.1 con el entorno fijado mediante renv, y los
datos, los scripts y el entorno se depositan con
el artículo.
Resultados y Discusión
Selección de los estudios.
Se identificaron 1.843
registros
(1.696
en
bases
de
datos
y
147
por
búsqueda
por
citas).
Tras
eliminar
691
duplicados
se
cribaron
1.152
registros
y
se
excluyeron
854
por
título
y
resumen.
Se
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 12.1
Edición Especial XII 2026
Página 470
buscaron 298 textos completos y se recuperaron
272 (91,3 %); los 26 restantes correspondieron
a 14 artículos de pago, 5 en servidores caídos, 3
con enlace roto, 2 sin enlace localizable y 1 en
una revista en mantenimiento, y se solicitaron
37 textos a sus autores sin obtener respuesta. De
los
272
evaluados
se
excluyeron
199
con
motivo registrado 110 por diseño o datos, 53 por
constructos, 28 por población, 5 por fenómeno,
2 duplicados y 1 por tipo de publicación y se
incluyeron 73 estudios. La figura 1 presenta el
flujo completo.
Figura 1:
Flujo de selección de los estudios según PRISMA 2020.
Fuente: Elaboración propia.
Características de los estudios.
La producción
se
concentra
en
los
dos
últimos
años:
13
estudios de 2024, 33 de 2025 y 27 de 2026. Por
país,
Perú
aporta
24
estudios
(Acosta
et
al.,
2024a,
2024b,
2024c,
2025a,
2025b,
2025c,
2025d,
2025e,
2025f,
2025g;
Arbulú
Ballesteros et al., 2024; Ballesteros et al., 2025;
Bravo y Sánchez, 2026; Cano y Nunez, 2024;
Díaz et al., 2025; Hernández et al., 2026; Nunez
et al., 2026; Salazar y Rivera, 2026; Talledo et
al., 2026; Tomaylla et al., 2025, 2026; Ugaz et
al.,
2025;
Urcos
et
al.,
2026;
Velasquez
y
Libaque
2024),
México
13
(Ali
et
al.,
2025;
Bautista y Lazcano, 2026; Brosig et al., 2024;
Duana et al., 2026; López et al., 2026; Mejía et
al.,
2026;
Navarro
et
al.,
2025;
Nevárez
y
Elizondo, 2025; Salas et
al., 2025; Salazar et al.,
2025; Vázquez et al., 2024; Zamora y Gutiérrez,
2025;
Zavala
et
al.,
2026)
y
Ecuador
11
(Bosquez
et
al.,
2025;
Cabero
et
al.,
2024;
Caluña et al., 2025; Cevallos, 2026; Erazo et al.,
2026;
Espinoza
et
al.,
2025;
Guevara
et
al.,
2025;
Morales
et
al.,
2025;
Noblecilla
y
Raymond, 2025; Paredes et al., 2026; Álvarez
et
al.,
2026);
Chile
aporta
4
(Grandón
et
al.,
2026;
Mogollón,
2025;
Pérez
et
al.,
2026;
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 12.1
Edición Especial XII 2026
Página 471
Serrano et al., 2025), Colombia y Costa Rica 2
cada
uno
(Cabero
et
al.,
2025;
Gaviria
et
al.,
2025;
Ramírez
et
al.,
2026;
Tangarife
et
al.,
2026),
y
Barbados,
Brasil,
Guatemala
y
República Dominicana 1 cada uno (Jackman et
al.,
2024;
Ramos
et
al.,
2026;
Robles,
2025;
Roca et al., 2024). Once estudios son multipaís
(Baksh, 2025; Cabero et al., 2026; Cherrez et
al.,
2024;
George
et
al.,
2026a,
2026b;
Marmolejo
et
al.,
2026;
Moody
et
al.,
2026;
Reyes et al., 2025; Saltos et al., 2025; Solórzano
Solórzano et al., 2024; Vargas et al., 2025) y dos
no
declaran
el
país
de
la
muestra
(Paz
et
al.,
2025; Rodriguez et al., 2025). El 74 % de las
muestras
son
de
estudiantes
y
el
19
%
de
docentes.
Predomina
la
IA
generativa
(43
estudios) sobre las herramientas mixtas (29) y
no
generativas
(1),
y
el
método
de
mínimos
cuadrados
parciales
sobre
el
basado
en
covarianzas.
La
tabla
1
resume
estas
características
y
la
figura
2
muestra
la
distribución geográfica.
Tabla 1.
Características de los 73 estudios incluidos.
Característica
Categoría
Estudios
%
País de la muestra
Perú
24
32,9
México
13
17,8
Ecuador
11
15,1
Multipaís
11
15,1
Chile
4
5,5
Costa Rica
2
2,7
Colombia
2
2,7
No indicado
2
2,7
Guatemala
1
1,4
Barbados
1
1,4
República Dominicana
1
1,4
Brasil
1
1,4
Año de publicación
2025
33
45,2
2026
27
37,0
2024
13
17,8
Población (muestras)
Estudiantes
55
74,3
Docentes
14
18,9
Mixta
3
4,1
Futuros docentes
1
1,4
Investigadores
1
1,4
Tipo de inteligencia artificial
Generativa
43
58,9
Mixta
29
39,7
No generativa
1
1,4
Marco teórico declarado
otro
31
42,5
TAM
15
20,5
UTAUT2
10
13,7
integrado
10
13,7
UTAUT
5
6,8
DOI
1
1,4
ECM
1
1,4
Calidad metodológica
Moderada
43
58,9
Baja
22
30,1
Alta
8
11,0
Total
73
100,0
Fuente: Elaboración propia.
La
concentración
geográfica
es
el
primer
hallazgo que conviene subrayar: Perú, México
y
Ecuador
suman
48
de
los
73
estudios,
mientras
que
no
hay
ninguno
de
Argentina,
Bolivia, Paraguay, Uruguay o Venezuela, y solo
uno del Caribe no hispanohablante. Cualquier
lectura regional de esta evidencia descansa, en
la
práctica,
sobre
la
zona
andina.
Calidad
metodológica.
Ocho
estudios
obtuvieron
calidad alta, 43 moderada y 22 baja. Los puntos
fuertes son la descripción de la población y del
contexto y la adecuación del análisis estadístico
al objetivo; los débiles, el control de factores de
confusión,
que
el
84
%
de
los
estudios
no
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 12.1
Edición Especial XII 2026
Página 472
aborda, la identificación de esos factores (88 %)
y
la
ausencia
de
prueba
de
sesgo
de
método
común
(93
%).
El
38
%
de
los
estudios
no
estima
un
modelo
de
medida,
por
lo
que
los
ítems referidos a la varianza media extraída y a
la validez discriminante no les aplican.
Figura 2.
Estudios incluidos por país.
Fuente: Elaboración propia.
En
las
correlaciones
combinadas,
cincuenta
muestras
aportan
al
menos
un
par
entre
constructos
del
modelo,
con
21.547
participantes y 296 correlaciones utilizables. De
las 55 celdas posibles, 48 tienen algún dato y 33
alcanzan el mínimo de tres estudios. La tabla 2
recoge
esas
33
relaciones
con
su
magnitud
combinada,
su
intervalo
de
confianza,
su
intervalo de predicción, su heterogeneidad y la
certeza de la evidencia; la figura 3 las presenta
como matriz.
En la tabla 2
las relaciones mejor
documentadas son la expectativa de desempeño
con
la
intención
(27
estudios;
r
=
0,66),
la
expectativa
de
esfuerzo
con
la
de
desempeño
(24; r = 0,57), la expectativa de esfuerzo con la
intención
(21;
r
=
0,61)
y
la
expectativa
de
desempeño
con
el
uso
(19;
r
=
0,55).
Las
asociaciones más fuertes con la intención son la
actitud (13; r = 0,70) y la confianza (4; r = 0,80),
y la más débil es la ansiedad ante la IA con la
expectativa
de
desempeño
(3;
r
=
0,24).
La
heterogeneidad es alta en casi todas las celdas,
con
una
mediana
de
I²
del
91,4
%.
Los
intervalos de predicción lo hacen patente: en la
relación
entre
expectativa
de
desempeño
e
intención, el intervalo de confianza va de 0,60 a
0,72, pero el
de predicción
se abre de 0,25 a
0,87.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 12.1
Edición Especial XII 2026
Página 473
Tabla 2.
Correlaciones combinadas y certeza de la evidencia de las 33 relaciones con tres o más
estudios.
Relación
k
N
r
IC 95 %
Intervalo de
predicción
I² (%)
Certeza
Expectativa de desempeño – Intención
27
12.578
0,66
[0,60; 0,72]
[0,25; 0,87]
96
moderada
Expectativa de esfuerzo – Expectativa de
desempeño
24
13.118
0,57
[0,50; 0,63]
[0,17; 0,81]
96
baja
Expectativa de esfuerzo – Intención
21
11.905
0,61
[0,51; 0,68]
[0,08; 0,87]
98
baja
Expectativa de desempeño – Uso
19
6.191
0,55
[0,49; 0,60]
[0,26; 0,75]
89
baja
Actitud – Intención
13
4.425
0,70
[0,58; 0,79]
[0,14; 0,92]
97
moderada
Expectativa de desempeño – Influencia
social
13
3.608
0,59
[0,53; 0,64]
[0,37; 0,75]
82
baja
Actitud – Expectativa de desempeño
12
3.830
0,66
[0,58; 0,73]
[0,36; 0,84]
91
moderada
Influencia social – Intención
12
3.386
0,59
[0,53; 0,65]
[0,36; 0,76]
83
baja
Expectativa de esfuerzo – Influencia
social
12
3.126
0,48
[0,39; 0,56]
[0,16; 0,71]
86
moderada
Actitud – Expectativa de esfuerzo
11
3.753
0,58
[0,51; 0,64]
[0,32; 0,76]
87
moderada
Intención – Uso
11
3.441
0,63
[0,52; 0,72]
[0,19; 0,86]
94
moderada
Condiciones facilitadoras – Expectativa
de desempeño
10
2.507
0,44
[0,34; 0,54]
[0,14; 0,67]
83
moderada
Expectativa de esfuerzo – Condiciones
facilitadoras
9
2.430
0,61
[0,50; 0,70]
[0,21; 0,83]
91
baja
Expectativa de esfuerzo – Uso
9
2.844
0,53
[0,41; 0,63]
[0,12; 0,78]
92
baja
Condiciones facilitadoras – Intención
8
2.020
0,55
[0,47; 0,63]
[0,32; 0,72]
76
baja
Influencia social – Uso
8
2.337
0,52
[0,39; 0,63]
[0,11; 0,78]
91
baja
Condiciones facilitadoras – Influencia
social
7
1.943
0,49
[0,29; 0,65]
[-0,12; 0,83]
94
muy baja
Actitud – Uso
6
1.994
0,57
[0,35; 0,73]
[-0,07; 0,88]
96
muy baja
Actitud – Condiciones facilitadoras
5
1.333
0,45
[0,09; 0,71]
[-0,41; 0,89]
96
muy baja
Actitud – Influencia social
5
1.220
0,62
[0,40; 0,77]
[0,01; 0,89]
93
baja
Expectativa de esfuerzo – Hábito
5
1.778
0,48
[0,34; 0,61]
[0,13; 0,73]
84
baja
Condiciones facilitadoras – Uso
5
1.607
0,56
[0,43; 0,66]
[0,26; 0,76]
81
baja
Motivación hedónica – Expectativa de
desempeño
5
1.743
0,62
[0,57; 0,67]
[0,53; 0,70]
36
moderada
Motivación hedónica – Influencia social
5
1.743
0,65
[0,47; 0,78]
[0,16; 0,88]
93
baja
Hábito – Expectativa de desempeño
5
1.778
0,56
[0,51; 0,60]
[0,50; 0,61]
10
moderada
Motivación hedónica – Intención
4
1.261
0,72
[0,63; 0,79]
[0,53; 0,84]
68
moderada
Confianza – Intención
4
6.115
0,80
[0,40; 0,95]
[-0,40; 0,99]
99
muy baja
Expectativa de esfuerzo – Motivación
hedónica
4
1.261
0,57
[0,38; 0,71]
[0,12; 0,83]
87
baja
Condiciones facilitadoras – Motivación
hedónica
4
1.261
0,67
[0,58; 0,74]
[0,48; 0,80]
64
moderada
Condiciones facilitadoras – Hábito
4
1.157
0,51
[0,19; 0,72]
[-0,21; 0,87]
92
muy baja
Ansiedad – Expectativa de desempeño
3
693
0,24
[-0,32; 0,67]
[-0,70; 0,88]
92
muy baja
Expectativa de desempeño – Confianza
3
5.366
0,54
[-0,06; 0,86]
[-0,60; 0,96]
96
muy baja
Confianza – Uso
3
1.216
0,62
[0,09; 0,88]
[-0,45; 0,96]
94
muy baja
Fuente: Elaboración propia
.
La magnitud media está bien estimada; lo que
no
puede
anticiparse
con
precisión
es
el
resultado de un estudio nuevo. Esta distinción,
que a menudo se omite en los metaanálisis del
área, es la que separa una síntesis descriptiva de
una
herramienta
de
predicción.
Contraste
de
modelos.
La primera etapa combinó las matrices
de
48
muestras
sobre
las
siete
variables
del
núcleo,
y
la
matriz
resultante
es
definida
positiva. La tabla 3 compara los tres modelos
sobre esas mismas variables. La teoría unificada
reproduce mejor la matriz combinada por todos
los
índices.
El
resultado
exige
una
lectura
cuidadosa:
ese
modelo
trata
los
cinco
predictores
como
exógenos
correlacionados,
mientras que los otros dos imponen además una
estructura entre ellos, al explicar la expectativa
de desempeño por la de esfuerzo y la actitud por
ambas. Buena parte de su ventaja proviene de
no imponer esa estructura, y el desajuste de los
otros
dos
señala
justamente
que
la
evidencia
regional
no
sostiene
que
la
expectativa
de
desempeño se explique solo por la de esfuerzo.
En
el
modelo
integrado
reducido
(tabla
4
y
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 12.1
Edición Especial XII 2026
Página 474
figura 4), la intención predice el uso (β = 0,58)
y
las
condiciones
facilitadoras
lo
hacen
directamente
(β
=
0,24).
Sobre
la
intención
pesan la actitud (β = 0,40), la influencia social
(β = 0,35), la expectativa de desempeño (β =
0,34) y las condiciones facilitadoras (β = 0,25).
Figura 3.
Matriz de correlaciones combinada.
Fuente: Elaboración propia
.
Tabla 3.
Ajuste de los tres modelos sobre las mismas siete variables observadas.
Modelo
χ²
gl
CFI
TLI
RMSEA
SRMR
AIC
BIC
Modelo de aceptación tecnológica
208,2
11
0,957
0,918
0,029
0,101
186,2
99,0
Teoría unificada
25,4
6
0,996
0,985
0,013
0,043
13,4
-34,2
Integrado reducido
128,5
8
0,974
0,931
0,027
0,080
112,5
49,1
Fuente: Elaboración propia.
La expectativa de esfuerzo actúa sobre todo de
forma indirecta: predice la de desempeño (β =
0,70)
y
la
actitud
(β
=
0,35),
con
un
efecto
indirecto
total
sobre
la
intención
de
0,38.
Su
coeficiente directo resulta negativo (β = −0,29),
un
patrón
de
supresión
que
la
verificación
cruzada con lavaan no reproduce: estimado por
mínimos cuadrados ordinarios sobre la misma
matriz, ese coeficiente es +0,12.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 12.1
Edición Especial XII 2026
Página 475
Tabla 4.
Coeficientes y efectos indirectos del modelo integrado reducido.
Efecto
β
IC 95 %
Expectativa de esfuerzo → Actitud
0,35
[0,22; 0,48]
Expectativa de desempeño → Actitud
0,41
[0,27; 0,54]
Actitud → Intención
0,40
[0,22; 0,58]
Expectativa de esfuerzo → Intención
-0,29
[-0,54; -0,07]
Condiciones facilitadoras → Intención
0,25
[0,14; 0,36]
Expectativa de desempeño → Intención
0,34
[0,19; 0,48]
Influencia social → Intención
0,35
[0,25; 0,46]
Expectativa de esfuerzo → Expectativa de desempeño
0,70
[0,66; 0,74]
Intención → Uso
0,58
[0,48; 0,69]
Condiciones facilitadoras → Uso
0,24
[0,13; 0,35]
Indirecto: desempeño → actitud → intención
0,16
[0,09; 0,26]
Indirecto total de esfuerzo sobre intención
0,38
[0,26; 0,52]
Indirecto: actitud → intención → uso
0,24
[0,13; 0,35]
Efecto total de desempeño sobre uso
0,29
[0,22; 0,38]
Fuente: Elaboración propia
.
La
diferencia
se
explica
porque
el
procedimiento de dos etapas pondera cada celda
por su precisión, y las celdas con más estudios
dominan
la
solución.
En
consecuencia,
ese
coeficiente
se
informa
como
un
efecto
condicional
inestable
y
no
como
un
hallazgo
sustantivo: lo que sostiene la evidencia es que la
facilidad de uso percibida influye a través de la
utilidad
y
de
la
actitud,
no
en
contra
de
la
intención.Los
modelos
UTAUT2
e
integrado
completo
que
el
protocolo
preveía
no
son
estimables con esta evidencia, porque las celdas
que
implican
hábito,
motivación
hedónica,
confianza y ansiedad no alcanzan el mínimo de
tres estudios. Sus hipótesis se contrastan solo en
los
metaanálisis
univariados
de
la
tabla
2.
Moderadores.
De
los
seis
moderadores
examinados,
solo
la
calidad
metodológica
modera significativamente el conjunto de rutas
(χ²
=
18,8;
gl
=
10;
p
=
0,042),
y
explica
en
promedio
el
16 % de la heterogeneidad entre
muestras. El año de publicación (p = 0,058), el
idioma (p = 0,076) y la población (p = 0,096)
quedan
cerca
del
umbral
con
el
número
de
muestras
disponible:
son
candidatos
para
reexaminar
cuando
la
base
crezca,
no
efectos
descartados.
El
tipo
de
IA
(p
=
0,912)
y
el
método de estimación (p = 1,000) no moderan
nada
apreciable,
lo
que
resulta
tranquilizador
respecto de una preocupación habitual en esta
literatura: que los resultados dependan de si el
estudio
usó
mínimos
cuadrados
parciales
o
covarianzas.
Figura 4.
Diagrama de rutas del modelo integrado reducido.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 12.1
Edición Especial XII 2026
Página 476
Tabla 5.
Moderadores examinados con meta-análisis estructural de una etapa.
Moderador
Muestras
χ²
gl
p
R² medio
Calidad metodológica
48
18,8
10
0,042
0,16
Año de publicación
48
17,8
10
0,058
0,08
Idioma (español frente a inglés)
45
16,9
10
0,076
0,11
Población (docentes frente a estudiantes)
44
16,1
10
0,096
0,12
Tipo de inteligencia artificial
32
4,7
10
0,912
0,13
Método de estimación
28
1,1
10
1,000
0,10
Fuente: Elaboración propia
.
En
cuanto
al
sesgo
de
publicación
y
sensibilidad, de las doce celdas con diez o más
estudios,
la
prueba
de
Egger
resulta
significativa
en
cuatro.
El
procedimiento
de
recorte
y
relleno
imputa
estudios
en
cuatro
celdas y, en todas ellas, la estimación corregida
sube
en
lugar
de
bajar:
la
relación
entre
expectativa de esfuerzo e intención pasa de 0,61
a
0,67
con
siete
estudios
imputados.
La
corrección
PET-PEESE
apunta
en
la
misma
dirección. La asimetría del embudo existe, pero
no
sugiere
que
las
correlaciones
publicadas
estén infladas, sino más bien que los estudios
pequeños
de
la
región
informan
asociaciones
algo
menores.
Los análisis de sensibilidad no
alteran
ninguna
conclusión.
Al
excluir
los
22
estudios de calidad baja, las rutas del modelo se
mueven
como
máximo
0,03;
al
restringir
el
análisis
a
las
26
muestras
estimadas
con
mínimos
cuadrados
parciales,
como
máximo
0,10.
Dejando fuera un estudio cada vez, las celdas
grandes
apenas
se
mueven,
mientras
que
las
sensibles son las pequeñas, lo que refuerza la
cautela
con
las
relaciones
de
menos
de
seis
estudios. Certeza de la evidencia. Ninguna de
las 33 relaciones alcanza certeza alta: 11 quedan
en moderada, 14 en baja y 8 en muy baja. La
causa dominante es la inconsistencia, ya que el
I² supera el 75 % en 29 celdas, seguida de la
imprecisión
en
las
que
tienen
menos
de
diez
estudios.
Las
mejor
sostenidas
son
la
actitud
con la intención, la expectativa de desempeño
con la intención, la actitud con la expectativa de
desempeño
y
la
intención
con
el
uso.
En
el
extremo opuesto, las ocho relaciones de certeza
muy
baja
incluyen
todas
las
que
implican
confianza
y
ansiedad,
cuyos
intervalos
de
predicción cruzan el cero.
Los
estudios
sin
matriz.
Quince
de
los
73
incluidos
no
publican
una
matriz
de
correlaciones
utilizable
y
quedan
fuera
del
modelo
(Acosta
et
al.,
2024b;
Brosig
et
al.,
2024;
Cano
y
Nunez,
2024;
Cevallos,
2026;
Cherrez
et
al.,
2024;
Espinoza
et
al.,
2025;
Grandón
et
al.,
2026;
Guevara
et
al.,
2025;
López
et
al.,
2026;
Marmolejo
et
al.,
2026;
Morales et
al., 2025; Robles, 2025; Salazar y
Rivera, 2026; Salazar et al., 2025; Serrano et al.,
2025). Su aportación a la síntesis es narrativa y
coherente
con
la
cuantitativa:
la
varianza
explicada
de
la
intención
que
informan
tiene
una
mediana
cercana
a
0,53,
el
mismo
orden
que
el
modelo
combinado,
y
coinciden
en
el
signo de todos los efectos.
Su valor añadido está en los constructos que el
modelo
no
pudo
estimar
percepciones
éticas,
riesgo, disfrute, emociones y antropomorfismo,
y en un caso que merece atención: un estudio
con
estudiantes
de
Derecho
en
Chile
informa
una
varianza
explicada
de
solo
0,15,
lo
que
sugiere que la disciplina puede moderar estas
relaciones.
Comparación
con
la
evidencia
global.
La diferencia regional más clara afecta
a
la
influencia
social.
En
esta
síntesis
su
asociación
con
la
intención
(r
=
0,59)
y
su
coeficiente
en
el
modelo
(β
=
0,35)
son
del
mismo
orden
que
los
de
la
expectativa
de
desempeño,
mientras
que
en
las
síntesis
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 12.1
Edición Especial XII 2026
Página 477
globales
de
la
teoría
unificada
suele
aparecer
como el predictor más débil del núcleo (Blut et
al.,
2022).
Las
condiciones
facilitadoras
conservan
además
un
efecto
directo
sobre
el
uso,
lo
que
en
el
contexto
regional
resulta
plausible: la infraestructura y el soporte siguen
siendo una restricción real y no un supuesto. La
relación entre actitud e intención, en cambio, no
muestra diferencias apreciables respecto de lo
informado
para
el
modelo
de
aceptación
tecnológica en tecnología educativa (Scherer et
al., 2019).
Respecto de la evidencia, la heterogeneidad es
alta y los intervalos de predicción son anchos;
la evidencia está concentrada en tres países; la
calidad es mayoritariamente moderada o baja y
es el único moderador significativo; y casi todas
las
muestras
son
transversales
y
de
conveniencia, de modo que las relaciones son
asociativas y no causales. Una matriz publicada
no es internamente consistente, aunque la parte
que aporta al modelo sí lo es y su transcripción
se verificó valor a valor contra la tabla original.
Respecto del proceso, no pudo consultarse Web
of
Science,
la
restricción
a
acceso
abierto
introduce un sesgo de acceso que no se puede
cuantificar, el corpus se cerró dejando fuera 16
registros
posteriores,
26
textos
no
se
recuperaron
y
14
estudios
con
matriz
no
utilizable esperan respuesta de sus autores. El
cribado
por
título
y
resumen
incorporó
un
revisor automático, con un diseño conservador
que
impedía
que
excluyera
por
sí
solo
y
con
auditoría humana; aun así, es una desviación de
la práctica habitual que se declara como tal.
Conclusiones
De los resultados presentados, de su análisis y
de
su
discusión
se
obtienen
las
siguientes
conclusiones
sobre
la
adopción
de
la
inteligencia artificial en la educación superior
de América Latina y el Caribe:
1. La evidencia
regional
es
abundante
y
reciente,
73
estudios
con 31.295 participantes, el 82 % publicados en
2025
y
2026,
pero
está
concentrada
en
tres
países
y
es
de
calidad
mayoritariamente
moderada
o
baja.
2.
La
actitud
hacia
la
inteligencia artificial es el correlato más fuerte
de
la
intención
de
uso
(r
=
0,70)
y
media
el
efecto de la utilidad y de la facilidad percibidas;
la intención, a su vez, predice el uso declarado
(β = 0,58).
3.
La
influencia
social
ocupa
en
la
región
un
lugar de primer orden, con un peso equivalente
al de la expectativa de desempeño, a diferencia
de lo que informan las síntesis globales.
4. Las
condiciones facilitadoras son el único factor con
efecto
directo
sobre
el
uso
además
de
la
intención,
y
son
también
el
más
accionable
desde
la
gestión
universitaria.
5.
La
teoría
unificada reproduce mejor la matriz combinada
que el modelo de aceptación tecnológica, si bien
parte de su ventaja proviene de imponer menos
estructura entre los predictores.
6.
Ninguna
de
las
33
relaciones
examinadas
alcanza
certeza
alta:
la
heterogeneidad
entre
estudios
impide
establecer
parámetros
firmes,
de modo que las magnitudes informadas deben
leerse
como
estimaciones
medias
y
no
como
valores esperables en un estudio concreto.
7. El
hábito, la motivación hedónica, la confianza y
la
ansiedad
ante
la
inteligencia
artificial
no
pueden
contrastarse
con
la
evidencia
disponible, por no alcanzar el mínimo de tres
estudios
en
las
celdas
que
los
implican.
8.
Quince
estudios
quedaron
fuera
del
modelo
combinado
por
no
publicar
su
matriz
de
correlaciones,
lo
que
señala
una
práctica
de
reporte
que
la
comunidad
regional
debería
corregir.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 12.1
Edición Especial XII 2026
Página 478
Referencias Bibliográficas
Acosta, B., Arbulú,
M., Arbulu,
C., Orellana,
M.,
Gutiérrez,
C.,
Pizarro,
J.,
Gutiérrez,
N.
D., Cuenca, H., Ayala, D. y López, C. (2024).
Knowledge,
attitudes,
and
perceived
Ethics
regarding
the
use
of
ChatGPT
among
generation
Z
university
students.
International
Journal
for
Educational
Integrity,
20(1).
https://doi.org/10.1007/s40979-024-00157-4
Acosta,
B.
G.,
Arbulú,
M.
A.,
Huamaní,
O.,
López, C. y Saavedra, K. (2024b). 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(1).
https://doi.org/10.1186/s40359-024-01764-z
Acosta,
B.
G.,
Arbulú,
C.
G.,
Huamaní,
O.,
Arbulú, M. y Paredes, A. (2024c). Exploring
attitudes
toward
ChatGPT
among
college
students: An empirical analysis of cognitive,
affective,
and
behavioral
components
using
path
analysis.
Computers
and
Education:
Artificial
Intelligence,
7,
100320.
https://doi.org/10.1016/j.caeai.2024.100320
Acosta, B., Reyes, M., Huamani, O., Carreño,
L.,
Padilla,
J.,
Fernández,
A.,
García,
A.
y
Briceño-Hernandez,
R.
(2025a).
Exploring
the Determinants
of the Sustainable Use of
Artificial Intelligence in Peruvian University
Teachers:
A
Structural
Equation
Modeling
Analysis.
Sustainability,
17(7),
2834.
https://doi.org/10.3390/su17072834
Acosta, B., Huamaní, O., Morales, J., Heredia,
O., Ruiz, J., Blanc, L. y Veliz, S. (2025). The
mediating
role
of
work
stress
and
the
performance
expectations
in
the
effect
of
academic overload on the use of AI models
among preservice teachers: A cross-sectional
study.
BMC
Psychology,
13(1).
https://doi.org/10.1186/s40359-025-03367-8
Acosta,
B.
G.,
Villena,
L.
I.,
Huamaní,
O.,
López, C., Cabrera, B.
M., Saavedra,
W. y
Arbulu,
C.
G.
(2025).
Acceptance
of
Artificial Intelligence as a Teaching Strategy
Among
University
Professors:
The
Role
of
Habit, Hedonic Motivation, and Competence
for Technology Integration. Human Behavior
and
Emerging
Technologies,
2025(1).
https://doi.org/10.1155/hbe2/5933157
Acosta B. G., Ballesteros, M. A., Guzman, M.,
Angaspilco,
J.
E.,
Blanco-García,
L.
E.,
Ventura, G. C., Requejo, J. C. y Torre, M. C.
(2025). Determinants of AI Use in University
Teachers: The Role of Leadership, Teaching
Concerns,
and
Constructivist
Pedagogical
Beliefs.
Human
Behavior
and
Emerging
Technologies,
2025(1).
https://doi.org/10.1155/hbe2/4834893
Acosta, B. G., Arbulu, M., Vilcapoma, C. R.,
Huamaní,
O.,
Martin,
J.
A.,
Martel,
R.,
Arbulu, C. G. y Arbulú, J. C. (2025). AI in
academia:
How
do
social
influence,
self-
efficacy, ¿and integrity influence researchers’
use
of
AI
models?
Social
Sciences
&
Humanities
Open,
11,
101274.
https://doi.org/10.1016/j.ssaho.2025.101274
Acosta,
B.
G.,
Guzmán,
M.,
Arbulú,
M.,
Arbulú, J. C., Arbulu, C. G., Torres, I., Silva,
P.
M.
y
Saavedra,
K.
(2025).
What
is
the
influence of psychosocial factors on artificial
intelligence
appropriation
in
college
students?
BMC
Psychology,
13(1).
https://doi.org/10.1186/s40359-024-02328-x
Acosta,
B.
G.,
Huamaní,
O.,
Morales-
Angaspilco, J. E., Campoverde, G., Ruiz, J.
A.,
Blanco-García,
L.
E.
y
Huaranga,
L.
(2025g).
Influence
of
perceived
ethics,
prejudice, and teacher concerns on artificial
intelligence
literacy
and
implementation:
A
cross-sectional
study
using
path
analysis.
Computers in Human Behavior Reports, 20,
100829.
https://doi.org/10.1016/j.chbr.2025.100829
Ali,
F.,
Ahmed,
A.,
Alipour,
M.
A.
y
Terashima-Marin,
H.
(2025).
Adoption
of
AI-coding
assistants
in
programming
education:
Exploring
trust
and
learning
motivation
through an extended technology
acceptance model. Journal of Computers in
Education,
13(3),
821–859.
https://doi.org/10.1007/s40692-025-00375-
w
Álvarez, M., Cudco, G., Gamboa, D. y Páez, D.
(2026).
Generative
AI
in
Technology-
Oriented Higher Education: A Systematized
Review and Survey on Students’ Perceptions
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 12.1
Edición Especial XII 2026
Página 479
of
Performance,
Autonomy,
and
Ethical
Implications.
Computers,
15(7),
466.
https://doi.org/10.3390/computers15070466
Arbulú,
M.
A.,
Acosta,
B.
G.,
Ramos,
E.
V.,
García, H. D., Cruz, L. E., Blas, J. E., Arbulú,
J. C., Licapa-Redolfo, G. S. y Farfán, G. C.
(2024). The Sustainable Integration of AI in
Higher
Education:
Analyzing
ChatGPT
Acceptance
Factors
Through
an
Extended
UTAUT2
Framework
in
Peruvian
Universities.
Sustainability,
16(23),
10707.
https://doi.org/10.3390/su162310707
Baksh,
S.
(2025).
Investigating
Students’
AI
Usage
Through
the
Community
of
Inquiry
(CoI) Framework: A Mixed-Method Study in
the
Caribbean
Region.
SDGs
Studies
Review,
6,
e036.
https://doi.org/10.37497/sdgs.v6istudies.36
Ballesteros, M., Acosta, B., Valle, M., Morales,
J., Callejas, J., Luján, J, Blanco, L., García,
H.
y
Jordan,
O.
(2025).
The
influence
of
social norms and word-of-mouth marketing
on behavioral intention and behavioral use of
generative
AI
chatbots
among
university
students.
Computers
in
Human
Behavior
Reports,
19,
100760.
https://doi.org/10.1016/j.chbr.2025.100760
Bautista, I. y Lazcano, G. (2026). Frecuencia de
Uso como Factor Asociado a la Percepción
Académica
de
la
Inteligencia
Artificial
Generativa en Estudiantes Universitarios de
Administración.
Prisma
ODS:
Revista
Multidisciplinaria
sobre
Desarrollo
Sostenible,
5(3),
586–605.
https://doi.org/10.65011/prismaods.v5.i3.31
0
Blut, M., Chong, A., Tsigna, Z. y Venkatesh, V.
(2022). Meta-Analysis of the Unified Theory
of
Acceptance
and
Use
of
Technology
(UTAUT):
Challenging
its
Validity
and
Charting
a
Research
Agenda
in
the
Red
Ocean.
Journal
of
the
Association
for
Information
Systems,
23(1),
13–95.
https://doi.org/10.17705/1jais.00719
Bosquez, V., Bedoya, I., Mora, M. y Martínez,
M.
(2025).
Percepción
docente
sobre
inteligencia artificial generativa en educación
superior:
Análisis
de
confianza,
utilidad
y
adopción
pedagógica
tras
una
intervención
formativa. Journal of Science and Research:
Revista
Ciencia
e
Investigación.
https://doi.org/10.5281/zenodo.20291643
Bravo, A. O. y Sánchez, J. E. (2026). Factores
que
influyen
en
la
aceptación
y
uso
de
la
inteligencia
artificial
en
instituciones
universitarias.
Revista
Venezolana
de
Gerencia,
31(Especial
15),
e31e157.
https://doi.org/10.52080/rvgluz.31.e15.7
Brosig, M. E., Ábrego, D. y Niño, C. I. (2024).
Afecto y Cognición: Modelando la Conducta
Estudiantil hacia la Inteligencia Artificial en
Maestrías. Vinculatégica EFAN, 10(6), 141–
157.
https://doi.org/10.29105/vtga10.6-1057
Cabero,
J.,
Palacios,
A.,
Loaiza,
M.
I.
y
Andrade,
P.
S.
(2024).
The
impact
of
pedagogical
beliefs
on
the
adoption
of
generative AI in higher education: Predictive
model from UTAUT2. Frontiers in Artificial
Intelligence,
7.
https://doi.org/10.3389/frai.2024.1497705
Cabero, J., Palacios, A., Rojas, H. y Fernández,
V.
(2025).
Prediction
of
the
Use
of
Generative
Artificial
Intelligence
Through
ChatGPT
Among
Costa
Rican
University
Students: A PLS Model Based on UTAUT2.
Applied
Sciences,
15(6),
3363.
https://doi.org/10.3390/app15063363
Cabero, J., Barroso, J., Loaiza, M. I. y Palacios,
A.
(2026).
Artificial
Intelligence
in
higher
education:
Cognitive,
emotional,
behavioral
and
ethical
attitudes
of
Latin
American
students.
Journal
of
New
Approaches
in
Educational
Research,
15(1).
https://doi.org/10.1007/s44322-026-00063-2
Caluña, E., Diaz, D., Caluña, C. y Capelo, F. A.
(2025).
Sociodemographic
predictors
and
usability
perceptions
explaining
academic
use intention of ChatGPT among university
students in Ecuador. Frontiers in Education,
10.
https://doi.org/10.3389/feduc.2025.1649034
Cano,
J.
y
Nunez,
N.
(2024).
Unlocking
innovation:
How
enjoyment
drives
GenAI
use
in
higher
education.
Frontiers
in
Education,
9.
https://doi.org/10.3389/feduc.2024.1483853
Cevallos,
G.
E.
(2026).
Artificial
Intelligence
Literacy
and
Responsible
Use
In
Higher
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 12.1
Edición Especial XII 2026
Página 480
Education: A Structural Model Of Behavioral
Intention
Among
Ecuadorian
University
Students.
Journal
of
Intelligent
Decision
Making
and
Information
Science,
3(5s),
1256–1272.
https://doi.org/10.59543/jidmis.v3.1264
Cherrez, I., Gallardo, J. C., Robles, K., Osorio,
M. F., Velez, E. M., Leon, M., Pauletto, P.,
Aguilar-Díaz, F. C., Squassi, A., González, S.
P., Cordero, E., Chavez, K. L., Calderon, J.
C.,
Bousquet,
J.,
Bedbrook,
A.
y
Faytong-
Haro, M. (2024). Understanding Health Care
Students’ Perceptions, Beliefs, and Attitudes
Toward
AI-Powered
Language
Models:
Cross-Sectional
Study.
JMIR
Medical
Education,
10,
e51757.
https://doi.org/10.2196/51757
Cheung, M. y Chan, W. (2005). Meta-analytic
structural
equation
modeling:
A
two-stage
approach. Psychological Methods, 10(1), 40–
64.
https://doi.org/10.1037/1082-
989x.10.1.40
Cheung,
M.
W.
L.
(2015).
metaSEM:
An
R
package
for
meta-analysis
using
structural
equation modeling. Frontiers in Psychology,
5.
https://doi.org/10.3389/fpsyg.2014.01521
Davis,
F.
D.
(1989).
Perceived
Usefulness,
Perceived Ease of Use, and User Acceptance
of Information Technology. MIS Quarterly,
13(3),
319–340.
https://doi.org/10.2307/249008
Díaz, G., Flores, Y., Peñaranda, C., Capquequi,
E. y Ibarra, C. (2025). ChatGPT como agente
inteligente
de
retroalimentación
académica:
Análisis
correlacional
de
su
percepción
en
estudiantes
universitarios.
European
Public
&
Social
Innovation
Review,
11,
1–19.
https://doi.org/10.31637/epsir-2026-2132
Duana, M., Ramírez, A, Figueroa, G., Cortés, C.
H.
y
Amador,
J.
(2026).
Evaluación
psicométrica
de
los
constructos
predominantes en la adopción de ChatGPT en
la
educación
superior:
Una
muestra
mexicana.
Interfases,
23,
37–61.
https://doi.org/10.26439/interfases2026.n023
.8785
Erazo, C. V., Montalvo, H. J., Pineda, S. S. y
Mena, C. E. (2026). Conocimientos, actitudes
y
prácticas
sobre
inteligencia
artificial
en
docentes
de
Medicina
de
una
universidad
multicampus
del
Ecuador.
Ciencia
Latina
Revista
Científica
Multidisciplinar,
10(3),
4690–4703.
https://doi.org/10.37811/cl_rcm.v10i3.24536
Espinoza,
M.
G.,
Cabezas,
R.,
Perez,
M.,
Carvache, O. y Carvache, W. (2025). AIDUA
(artificial
intelligence
device
use
and
acceptance) model to assess the acceptance of
AI
in
the
learning
practices
of
higher
education students. Cogent Education, 12(1).
https://doi.org/10.1080/2331186x.2025.2560
618
Gaviria, D., Valencia, A., Arango, J., Raunelli,
J., Verde, L. y Valencia, J. (2025). Intention
to
use
AI
in
accounting
education:
An
analysis
from
the
TAM
and
TPB
perspectives.
Frontiers
in
Education,
10.
https://doi.org/10.3389/feduc.2025.1637857
George, C. E., Bustamante, S. P., Buenestado,
M. y Monzalvo, L. (2026a). Bridging minds
and
machines:
Perception
of
artificial
intelligence in scientific writing across Latin
America.
Frontiers
in
Education,
11.
https://doi.org/10.3389/feduc.2026.1816853
George,
C.
E.,
Mérida,
E.
J.,
Yeguas,
E.
y
Monzalvo, L. (2026b). Artificial Intelligence
Acceptance in Higher Education: Perceptions
from
Mexico,
Spain,
and
Finland.
Information,
17(6),
575.
https://doi.org/10.3390/info17060575
Grandón, E., Badilla, E., Ramírez, P. E., Correa,
F.
y
Rioseco,
V.
(2026).
Alfabetización
en
inteligencia
artificial
generativa
en
estudiantes
de
derecho:
Su
relación
con
la
intención de uso y rendimiento académico en
Chile.
Revista
Científica
en
Ciencias
Sociales,
8(1),
01–13.
https://doi.org/10.53732/rccsociales/e81081
Guevara, R. J., Saltos Y. M., Montero, M. F. y
Ordóñez,
A.
E.
(2025).
Impacto
de
la
inteligencia
artificial
en
el
aprendizaje
autónomo
de
estudiantes
universitarios.
MQRInvestigar,
9(3),
e985.
https://doi.org/10.56048/mqr20225.9.3.2025
.e985
Haddaway, N. R., Page, M. J., Pritchard, C. C.
y McGuinness, L. A. (2022). PRISMA2020:
An R package and Shiny app for producing
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 12.1
Edición Especial XII 2026
Página 481
PRISMA
2020‐compliant
flow
diagrams,
with
interactivity
for
optimised
digital
transparency and Open Synthesis. Campbell
Systematic
Reviews,
18(2).
https://doi.org/10.1002/cl2.1230
Hernández,
J.,
Jaraa,
L.
y
Chau,
K.
(2026).
Factors
influencing
accounting
students
attitudes towards AI tools in higher education
using
PLS
SEM.
Discover
Artificial
Intelligence,
6(1).
https://doi.org/10.1007/s44163-026-01376-z
Jackman, G. A., Marshall, I. A. y Carrington, T.
(2024). Opportunity or Threat: Investigating
Faculty
Readiness
to
Adopt
Artificial
Intelligence in Higher Education. Caribbean
Journal of Education and Development, 1(2),
47–70.
https://doi.org/10.46425/cjed1201029055
Jak,
S.
y
Cheung,
M.
W.
L.
(2020).
Meta-
analytic
structural
equation
modeling
with
moderating
effects
on
SEM
parameters.
Psychological
Methods,
25(4),
430–455.
https://doi.org/10.1037/met0000245
López A., Roque, R. V. y Salazar, R. (2026).
Adoption
and
use
of
ChatGPT
among
university IT students: An exploratory study.
Contemporary
Educational
Technology,
18(1),
ep624.
https://doi.org/10.30935/cedtech/17864
Marmolejo,
F.,
Abadia,
R.,
Karakale,
Ö.,
Barrera-Causil, C., Männikkö, N., Ghorbani,
B. D., Strzelecki, A., Nwizu, S., Tavares, C.,
Castillo, M., Escajal, B., Rodriguez, P., Som,
B.,
Ngo,
V.
G.,
Özdoğru,
A.
A.,
Ariyabuddhiphongs,
K.,
Thongrin,
S.
y
Tejada,
J.
(2026).
University
students’
perceptions
and
adoptions
of
AI:
A
cross-
national
study.
Discover
Artificial
Intelligence,
6(1).
https://doi.org/10.1007/s44163-026-01042-4
Mejía, J., Rojas, O. G., Mora, C. O. y Patiño, J.
P. (2026). Modelo Integrado de Adopción de
la IA en la Educación Superior (IMAI4HE).
Revista
de
la
Educación
Superior,
55(217),
91–119.
https://doi.org/10.36857/resu.2026.217.3627
Mogollón, M. (2025). Percepciones y desafíos
de
los
docentes
ante
el
uso
de
inteligencia
artificial generativa en la práctica pedagógica
virtual.
Revista
Colombiana
de
Educación,
97,
e22440.
https://doi.org/10.17227/rce.num97-22440
Moody, R., Mack, A. J., Stephens, A., McCaig,
M.
y
Morrison,
B.
(2026).
Generative
artificial intelligence in higher education: An
investigation of perceptions, reported use and
cultural
implications
among
Caribbean
students.
Caribbean
Educational
Research
Journal,
10(1),
48–65.
https://doi.org/10.1108/cerj-03-2025-0005
Moola, S., Munn, Z., Tufanaru, C., Aromataris,
E., Sears, K., Sfetcu, R., Currie, M., Lisy, K.,
Qureshi,
R.,
Mattis,
P.
y
Mu,
P.
(2020).
Chapter
7:
Systematic
reviews
of
etiology
and risk. JBI Manual for Evidence Synthesis.
https://doi.org/10.46658/jbimes-20-08
Morales,
E.,
Cervantes,
D.,
Morales,
C.
y
Altamirano, F. (2025). Factors Influencing
Satisfaction and Continued Use Intention of
ChatGPT in the Academic Context: Analysis
Using
Structural
Equation
Modeling.
Data
and
Metadata,
4,
728.
https://doi.org/10.56294/dm2025728
Navarro, C. D., Moreno, M. O. y Lagarda, Á. E.
(2025). Validation of a UTAUT-based scale
for
the
use
of
AI
in
university
students.
Apertura,
17(2),
56–69.
https://doi.org/10.32870/ap.v17n2.2678
Nevárez,
J.
y
Elizondo,
J.
(2025).
Faculty
acceptance
and
use
of
generative
artificial
intelligence
in
their
practice.
Frontiers
in
Education,
10.
https://doi.org/10.3389/feduc.2025.1427450
Noblecilla,
G.
E.
y
Raymond,
F.
E.
(2025).
Implementación de la Inteligencia Artificial
por
Estudiantes
de
Pregrado
en
Ecuador:
Modalidad en Línea. Ciencia Latina Revista
Científica Multidisciplinar, 9(2), 6410–6439.
https://doi.org/10.37811/cl_rcm.v9i2.17373
Nunez, N. A., Salvador, C. y Poma, J. (2026).
How attitude shapes generative AI adoption
intentions
among
graduate
students.
Computers in Human Behavior Reports, 24,
101257.
https://doi.org/10.1016/j.chbr.2026.101257
Page, M. J., McKenzie, J., Bossuyt, P., Boutron,
I.,
Hoffmann,
T.
C.,
Mulrow,
C.
D.,
Shamseer,
L.,
Tetzlaff,
J.
M.,
Akl,
E.
A.,
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 12.1
Edición Especial XII 2026
Página 482
Brennan,
S.
E.,
Chou,
R.,
Glanville,
J.,
Grimshaw, J., Hróbjartsson, A., Lalu, M. M.,
Li,
T.,
Loder,
E.
W.,
Mayo-Wilson,
E.,
McDonald,
S.
y
Moher,
D.
(2021).
The
PRISMA
2020
statement:
An
updated
guideline
for
reporting
systematic
reviews.
BMJ, n71.
https://doi.org/10.1136/bmj.n71
Paredes, M., Bolanos, C., Ortiz M., Martinez-,
J.,
Sanchez,
M.
y
Moreno,
M.
(2026).
Understanding
perceived
learning
and
the
role of digital self-efficacy in generative AI
adoption
among
STEM
and
non-STEM
students.
Cogent
Education,
13(1).
https://doi.org/10.1080/2331186x.2026.2614
093
Paz, D. E., Ponte, S. I., Chávez, A. O. y Guanilo,
H. A. (2025). Use of Artificial
Intelligence
and
its
Relation
to
the
Perception
of
its
Impact
on
Higher
Education.
Sinergias
Educativas.
https://www.sinergiaseducativas.mx/index.p
hp/revista/article/view/472
Pérez, N., Martíne, L., Quidel, M. y Sandoval,
F. (2026). ChatGPT, ally or enemy? Personal
appraisal,
beliefs,
challenges,
and
applications
in
higher
education:
A
mixed-
method
approach.
Texto
Livre,
19.
https://doi.org/10.1590/1983-
3652.2026.62724
Peterson, R. A. y Brown, S. P. (2005). On the
Use of Beta Coefficients
in
Meta-Analysis.
Journal of Applied Psychology, 90(1), 175–
181.
https://doi.org/10.1037/0021-
9010.90.1.175
Ramírez, M., Quesada, E. y Araya, F. (2026).
Efectos cognitivos y actitudinales de un taller
de
nivelación
de
Matemática
General
mediado
por
IA
generativa
con
prompt
de
tutor
socrático.
Innovación
Integral,
3(2),
1180–1207.
https://doi.org/10.70577/bpksp840
Ramos,
P.
H.,
Ferreira,
C.
S.,
Goulart,
L.
L.,
Beltrão, J. V. C., Monteiro, F. L. V., Lira, P.
D., Mendes, S. J. F. y Ugulino, V. M. (2026).
Assessing the Psychological Impact of AI on
Computer
and
Data
Science
Education:
An
Exploratory Study.
Journal
of the Brazilian
Computer
Society,
32(1),
906–918.
https://doi.org/10.5753/jbcs.2026.6085
Rethlefsen, M. L., Kirtley, S., Waffenschmidt,
S.,
Ayala,
A.
P.,
Moher,
D.,
Page,
M.
J.,
Koffel, J. B., Blunt, H., Brigham, T., Chang,
S.,
Clark,
J.,
Conway,
A.,
Couban,
R.,
de
Kock, S., Farrah, K., Fehrmann, P., Foster,
M., Fowler, S. A., Glanville, J. y Young, S.
(2021).
PRISMA-S:
An
extension
to
the
PRISMA Statement for Reporting Literature
Searches in Systematic Reviews. Systematic
Reviews,
10(1).
https://doi.org/10.1186/s13643-020-01542-z
Reyes, G., Tolozano, R., George, C., Rumbaut,
D. y Barzola J. (2025). Adoption of artificial
intelligence applications in higher education.
Frontiers
in
Education,
10.
https://doi.org/10.3389/feduc.2025.1680401
Robles, R. E. (2025). Factores determinantes en
la
adopción
de
inteligencia
artificial
en
la
educación superior dominicana. Cuaderno de
Pedagogía
Universitaria,
22(43),
79–103.
https://doi.org/10.29197/cpu.v22i43.647
Roca, M. D. L., Chan, M. M., Garcia-Cabot, A.,
Garcia-Lopez,
E.
y
Amado-Salvatierra,
H.
(2024). The impact of a chatbot working as
an assistant in a course for supporting student
learning
and
engagement.
Computer
Applications
in
Engineering
Education,
32(5).
https://doi.org/10.1002/cae.22750
Rodriguez, M. O., Barrientos, A. R., Málaga-,
C.
P.,
Chávez,
F.
G.
y
Arguedas
,
R.
W.
(2025).
Ethics
and
biases
in
the
use
of
ChatGPT
for
academic
research.
International Journal of Innovative Research
and
Scientific
Studies,
8(1),
874–885.
https://doi.org/10.53894/ijirss.v8i1.4432
Salas,
G.
N.,
Cuevas,
A.
I.
y
Cavazos,
R.
L.
(2025). Prácticas estudiantiles e integración
de
IA
en
la
vida
universitaria.
Revista
Vínculos:
Ciencia,
Tecnología
y
Sociedad,
22(1).
https://revistas.udistrital.edu.co/index.php/vi
nculos/article/view/24575
Salazar,
L.
y
Rivera,
L.
(2026).
Model
of
Acceptance of Artificial Intelligence Devices
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 12.1
Edición Especial XII 2026
Página 483
in Higher Education. Computers, 15(1), 46.
https://doi.org/10.3390/computers15010046
Salazar,
M.
A.,
Martínez,
O.
J.,
Galván,
E.,
Ravina
R.,
Hernández,
L.
G.
y
Gómez,
D.
(2025).
AI
as
a
facilitator
of
creativity
and
wellbeing in business students: A multigroup
approach
between
public
and
private
universities.
Encontros
Bibli:
Revista
Eletrônica de Biblioteconomia e Ciência da
Informação,
30,
1–30.
https://doi.org/10.5007/1518-
2924.2025.e103485
Saltos, P. A., Vasquez, A. C., Morán, C. E. y
Peñaherrera,
R.
S.
(2025).
The
quality
of
higher education in the digital age: Indicators,
assurance models and the impact of artificial
intelligence.
Data
and
Metadata,
4,
855.
https://doi.org/10.56294/dm2025855
Scherer, R., Siddiq, F. y Tondeur, J. (2019). The
technology
acceptance
model
(TAM):
A
meta-analytic
structural
equation
modeling
approach to explaining teachers’ adoption of
digital technology in education. Computers &
Education,
128,
13–35.
https://doi.org/10.1016/j.compedu.2018.09.0
09
Serrano,
J.,
Vidal,
C.,
von,
P.,
Gómez,
R.
y
Campos,
F.
(2025).
Functional
vs
Ethical
Drivers in Generative AI Adoption: A PLS-
SEM
Study
in
Business
Education.
International Journal of Advanced Computer
Science
and
Applications,
16(8).
https://doi.org/10.14569/ijacsa.2025.016087
2
Solórzano,
S.
S.,
Pizarro,
J.
M.,
Díaz,
J.
G.,
Arias, J. E., Zamora, M. A., Lozzelli, M. M.,
Montes, J. C., Acosta, B. G. y Arbulú, M. A.
(2024). Acceptance of artificial intelligence
and its effect on entrepreneurial intention in
foreign
trade
students:
A
mirror
analysis.
Journal of Innovation and Entrepreneurship,
13(1).
https://doi.org/10.1186/s13731-024-
00412-5
Talledo,
B.,
De
La
Cruz,
F.
A.
y
Lazo,
D.
(2026).
Adoption
of
Artificial
Intelligence
and
Sustainable
Learning
Outcomes
in
Engineering
Education:
Evidence
from
the
Technology
Acceptance
Model.
Sustainability,
18(10),
4673.
https://doi.org/10.3390/su18104673
Tangarife,
V.,
OsorioC.
F.
y
López,
P.
A.
(2026).
Determinants
of
the
Adoption
of
Generative
Artificial
Intelligence
in
Academic
Research:
A
Structural
Equation
Model from Colombian Universities. Trends
in
Higher
Education,
5(3),
98.
https://doi.org/10.3390/higheredu5030098
Tomaylla, Y., Pérez, G., Gutiérrez, O., Chicaña-
Huanca,
S.
y
Duche,
A.
(2025).
Artificial
intelligence on students satisfaction in higher
education:
The
role
of
positive
attitude,
continuous
use
intention,
and
perceived
usefulness.
Journal
of
Technology
and
Science
Education,
15(3),
629.
https://doi.org/10.3926/jotse.3422
Tomaylla,
Y.,
Paredes,
F.,
Del
Pilar,
M.
y
Melgar, L. (2026). Motivation and generative
artificial
intelligence:
Perceived
benefits
among advertising and multimedia students.
International
Journal
of
Evaluation
and
Research in Education (IJERE), 15(1), 544.
https://doi.org/10.11591/ijere.v15i1.36429
Ugaz, M., Navarro, Y., Corzo, J. y Urueña, A.
(2025).
¿Are
Peruvian
Tertiary
Students
Using
Artificial
Intelligence
in
Their
Academic
Activities?
Artificial
Intelligence
and
Applications.
https://doi.org/10.47852/bonviewaia520264
65
Urcos,
W.,
Urcos,
C.,
Urcos,
J.
y
Osorio,
Q.
(2026).
Psychometric
Evidence
and
Associative
Analysis
of
Dimensions
of
Familiarity,
Frequency
of
Use
and
Satisfaction
with
AI
Tools
in
University
Research
Training.
International
Journal
of
Learning,
Teaching
and
Educational
Research,
25(5),
779–799.
https://doi.org/10.26803/ijlter.25.5.34
Van
de
Schoot,
R.,
de
Bruin,
J.,
Schram,
R.,
Zahedi,
P.,
de
Boer,
J.,
Weijdema,
F.,
Kramer,
B.,
Huijts,
M.,
Hoogerwerf,
M.,
Ferdinands, G., Harkema, A., Willemsen, J.,
Ma, Y., Fang, Q., Hindriks, S., Tummers, L.
y
Oberski,
D.
L.
(2021).
An
open
source
machine learning framework for efficient and
transparent
systematic
reviews.
Nature
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 12.1
Edición Especial XII 2026
Página 484
Machine
Intelligence,
3(2),
125–133.
https://doi.org/10.1038/s42256-020-00287-7
Vargas, J. B., Nolasco, M. A., Velásquez, N. C.,
Gambetta, R. L., Martinez, A. N. y Espinoza,
S.
M.
(2025).
Relative
Advantage
and
Compatibility
as
Drivers
of
ChatGPT
Adoption
in
Latin
American
Higher
Education:
A
PLS
SEM
Study
Towards
Sustainable Digital Education. Sustainability,
17(18),
8329.
https://doi.org/10.3390/su17188329
Vázquez J. C., Henao, C., Lis, J. P. y Palomino,
S. (2024). Importance of University Students’
Perception
of
Adoption
and
Training
in
Artificial Intelligence Tools. Societies, 14(8),
141.
https://doi.org/10.3390/soc14080141
Velasquez, P. R. y Libaque, C. F. (2024). Main
factors
driving
the
use
of
ChatGPT
by
undergraduate students: An exploratory and
preliminary
study
in
Peru.
Issues
in
Information
Systems,
25(1),
402–418.
https://doi.org/10.48009/1_iis_2024_133
Venkatesh, V., Morris, M. G., Davis, G. B. y
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
Venkatesh, V., Thong, J. Y. L. y Xu, X. (2012).
Consumer
Acceptance
and
Use
of
Information
Technology:
Extending
the
Unified
Theory
of
Acceptance
and
Use
of
Technology. MIS Quarterly, 36(1), 157–178.
https://doi.org/10.2307/41410412
Viechtbauer,
W.
(2010).
Conducting
Meta-
Analyses
in
R
with
the
metafor
Package.
Journal
of
Statistical
Software,
36(3).
https://doi.org/10.18637/jss.v036.i03
Zamora, I. y Gutiérrez, G. (2025). Attitudes of
University
Professors
towards
the
Use
of
Artificial
Intelligence
in
Teaching
and
Learning.
International
Journal
of
Multidisciplinary
Research
and
Analysis,
08(01).
https://doi.org/10.47191/ijmra/v8-
i01-46
Zavala,
M,
Rodríguez,
A.
y
Camacho,
L.
(2026). Asociación y relación predictiva de la
inteligencia
artificial
en
el
posgrado:
Correlaciones
entre
uso
ético,
frecuencia
y
expectativas.
IE
Revista
de
Investigación
Educativa
de
la
REDIECH,
17,
e2787.
https://doi.org/10.33010/ie_rie_rediech.v17i
0.2787
Esta obra está
bajo
una
licencia
de
Creative
Commons
Reconocimiento-No
Comercial
4.0 Internacional. Copyright © Daniel Alexander Vera
Paredes,
Wellington
Arturo
Álvarez
Baque
y
Luis
Cristóbal Córdova Martínez.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 12.1
Edición Especial XII 2026
Página 485
Declaraciones éticas y editoriales del artículo
Contribución de los autores (Taxonomía CRediT)
Daniel Alexander Vera Paredes: conceptualización de la investigación, diseño metodológico, desarrollo del proceso investigativo, análisis formal de
los datos, redacción del borrador original del manuscrito, revisión crítica del contenido científico y supervisión general del estudio.
Wellington Arturo Álvarez Baque: curación y organización de los datos, participación en la recolección de información, validación de los resultados
obtenidos y elaboración de representaciones gráficas y visualización de los datos.
Luis Cristóbal Córdova Martínez.: provisión de recursos académicos y materiales para el desarrollo del estudio, apoyo en la administración del
proyecto investigativo y revisión editorial del manuscrito antes de su publicación.
Declaración de conflicto de intereses
Los autores declaran que no existe conflicto de intereses en relación con la investigación presentada, la autoría del manuscrito ni la publicación del
presente artículo.
Declaración de financiamiento
La presente investigación no recibió financiamiento específico de agencias públicas, comerciales o de organizaciones sin fines de lucro. En caso de
existir financiamiento institucional o externo, este deberá ser declarado explícitamente por los autores en esta sección.
Declaración del editor
El editor responsable certifica que el proceso editorial del presente artículo se desarrolló conforme a los principios de integridad científica,
transparencia y buenas prácticas editoriales. El manuscrito fue sometido a un proceso de evaluación mediante revisión por pares doble ciego,
garantizando la confidencialidad de la identidad de los autores y revisores durante todo el proceso de dictamen académico. Asimismo, el editor
declara que el artículo cumple con los criterios científicos, metodológicos y éticos establecidos por la revista.
Declaración de los revisores
Los revisores externos que participaron en la evaluación del presente manuscrito declaran haber realizado el proceso de revisión de manera objetiva,
independiente y confidencial. Asimismo, manifiestan que no mantienen conflictos de interés con los autores ni con la investigación evaluada, y que
sus observaciones y recomendaciones se fundamentan exclusivamente en criterios científicos, metodológicos y académicos.
Declaración ética de la investigación
Los autores declaran que la investigación se desarrolló respetando los principios éticos de la investigación científica, garantizando la confidencialidad
de los datos y el respeto a los participantes del estudio. En los casos en que la investigación involucre seres humanos, los procedimientos deben
ajustarse a los principios éticos establecidos en la Declaración de Helsinki y a las normativas institucionales correspondientes.
Declaración sobre el uso de inteligencia artificial
Los autores declaran que el uso de herramientas de inteligencia artificial, en caso de haberse utilizado durante el proceso de investigación o redacción
del manuscrito, se realizó únicamente como apoyo técnico para mejorar la claridad del lenguaje o el análisis de información, manteniendo siempre la
responsabilidad intelectual sobre el contenido del artículo. Las herramientas de inteligencia artificial no fueron utilizadas como autoras del
manuscrito ni sustituyen la responsabilidad académica de los investigadores.
Disponibilidad de datos
Los datos que respaldan los resultados de esta investigación estarán disponibles previa solicitud razonable al autor de correspondencia, respetando las
normas éticas y de confidencialidad establecidas por la investigación.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 12.1
Edición Especial XII 2026
Página 486