Causas del uso excesivo de la IA en la educación superior, análisis desde una
perspectiva académica y pedagógica.
Causes of excessive AI use in higher education: an analysis from an academic and
pedagogical perspective.
Causas do uso excessivo de IA no ensino superior: análise sob uma perspectiva
acadêmica e pedagógica
Steveen Eduardo Carpio Candelario
Universidad Casa Grande
Ecuador
steveen.carpio@casagrande.edu.ec
https://orcid.org/0009-0007-4036-3331
Miguel Ángel Granja Chiriboga
Universidad De Guayaquil
Ecuador
Dr_MiguelGranja@hotmail.com
https://orcid.org/0009-0005-8014-0197
Stalyn Roberto Palomeque Florencio
Universidad Espíritu Santo - UEES
Ecuador
stalyn.palomeque@uees.edu.ec
https://orcid.org/0009-0004-5339-2244
Forma de citación en APA, séptima edición.
Carpio, S; Granja, M; Palomeque, S. (2026). Causas del uso excesivo de la IA en la educación superior,
análisis desde una perspectiva académica y pedagógica. Revista Ibero Research, 1(7), 456 – 494.
Fecha
de
presentación:
20/08/2026
Fecha
de
aceptación:
03/09/2026
Fecha
de
publicación:
04/09/2026
456
Resumen
La expansión de la inteligencia artificial generativa ha transformado las prácticas de
estudio, escritura, búsqueda de información y evaluación en la educación superior, al
mismo tiempo que ha intensificado la preocupación por la sustitución de procesos
cognitivos y la dependencia tecnológica. El objetivo fue identificar y sintetizar las
principales causas asociadas al uso excesivo de inteligencia artificial generativa entre
estudiantes universitarios desde una perspectiva académica y pedagógica. Se desarrolló
una revisión sistemática con síntesis narrativa, orientada por PRISMA 2020, mediante
literatura publicada entre enero de 2023 y agosto de 2026 y un corpus analítico de 19
documentos temáticos verificados. Los hallazgos muestran una interacción entre
utilidad y facilidad percibidas, presión académica, ahorro de tiempo, hábito, autonomía,
influencia social, escasa orientación institucional y diseños de evaluación susceptibles
de delegación cognitiva. La evidencia sobre pensamiento crítico es heterogénea y no
permite atribuir deterioro cognitivo inevitable a la tecnología. Se concluye que el uso
excesivo responde a un fenómeno multifactorial, cuya prevención requiere
alfabetización en IA, autorregulación, políticas claras y evaluaciones centradas en
razonamiento, proceso y argumentación.
Palabras clave: dependencia tecnológica; pensamiento crítico; autorregulación;
integridad académica; alfabetización digital.
457
Abstract
The expansion of generative artificial intelligence has transformed study, writing,
information-search, and assessment practices in higher education, while intensifying
concerns about the substitution of cognitive processes and technological dependence.
The objective was to identify and synthesize the main causes associated with excessive
generative artificial intelligence use among university students from an academic and
pedagogical perspective. A systematic review with narrative synthesis was conducted,
guided by PRISMA 2020, using literature published from January 2023 to August 2026
and an analytical corpus of 19 verified thematic documents. Findings show an
interaction among perceived usefulness and ease of use, academic pressure, time saving,
habit, autonomy, social influence, limited institutional guidance, and assessment designs
that enable cognitive delegation. Evidence regarding critical thinking is heterogeneous
and does not support attributing inevitable cognitive deterioration to the technology.
Excessive use is therefore a multifactorial phenomenon whose prevention requires AI
literacy, self-regulation, clear institutional policies, and assessment focused on
reasoning, process, and argumentation.
Keywords: technological dependence; critical thinking; self-regulation; academic
integrity; digital literacy.
458
Resumo
A expansão da inteligência artificial generativa transformou as práticas de estudo,
escrita, busca de informação e avaliação no ensino superior, ao mesmo tempo em que
intensificou a preocupação com a substituição de processos cognitivos e a dependência
tecnológica. O objetivo foi identificar e sintetizar as principais causas associadas ao uso
excessivo de inteligência artificial generativa entre estudantes universitários sob uma
perspectiva acadêmica e pedagógica. Foi realizada uma revisão sistemática com síntese
narrativa, orientada pelo PRISMA 2020, utilizando literatura publicada entre janeiro de
2023 e agosto de 2026 e um corpus analítico de 19 documentos temáticos verificados.
Os achados mostram interação entre utilidade e facilidade percebidas, pressão
acadêmica, economia de tempo, hábito, autonomia, influência social, pouca orientação
institucional e desenhos de avaliação suscetíveis à delegação cognitiva. A evidência
sobre pensamento crítico é heterogênea e não permite atribuir deterioração cognitiva
inevitável à tecnologia. Conclui-se que o uso excessivo é multifatorial e requer
alfabetização em IA, autorregulação, políticas claras e avaliações centradas em
raciocínio, processo e argumentação.
Palavras-chave: dependência tecnológica; pensamento crítico; autorregulação;
integridade acadêmica; alfabetização digital.
459
Introducción
La inteligencia artificial generativa se incorporó con rapidez a la vida universitaria
porque permite producir texto, resumir documentos, traducir, generar código, formular
explicaciones y sostener conversaciones mediante lenguaje natural. Esta disponibilidad
ha modificado la relación entre el estudiante y las tareas académicas, pues una parte de
actividades que antes exigía búsqueda, lectura, síntesis y redacción puede resolverse
ahora mediante una interacción inmediata con sistemas conversacionales. El cambio
ofrece oportunidades de apoyo, pero también plantea interrogantes sobre la intensidad y
la finalidad con que se emplea la tecnología (Tlili et al., 2023; Yusuf et al., 2024).
El análisis del fenómeno exige diferenciar el uso educativo de la utilización excesiva. El
primero aparece cuando la herramienta contribuye a contrastar ideas, recibir
retroalimentación, explorar alternativas o comprender contenidos sin desplazar la
responsabilidad intelectual del estudiante. El segundo se configura cuando la consulta
automatizada se convierte en respuesta habitual ante actividades que requieren
razonamiento propio, verificación de fuentes o elaboración argumentativa, de modo que
la eficiencia tecnológica comienza a reemplazar procesos formativos que deberían
practicarse de manera autónoma (Zhai et al., 2024).
La adopción de ChatGPT y otras herramientas generativas no depende de un único
motivo. Los modelos de aceptación tecnológica muestran que la utilidad percibida, la
facilidad de uso, el hábito y las condiciones facilitadoras influyen en la intención y en la
conducta de uso; a ello se agregan elementos motivacionales como autonomía, relación
con la herramienta y satisfacción, así como factores sociales vinculados con la conducta
de pares y la normalización del recurso en los espacios universitarios (Strzelecki, 2024;
Annamalai et al., 2025; Abdaljaleel et al., 2024).
460
La presión académica representa otra dimensión relevante porque la IA generativa
ofrece una reducción inmediata del tiempo requerido para producir respuestas, organizar
materiales y completar tareas. La evidencia longitudinal ha asociado la carga de trabajo
y la presión temporal con un mayor uso de ChatGPT, mientras que estudios de
triangulación han identificado el ahorro de tiempo, la gestión de tareas y la facilidad de
acceso entre los determinantes del uso estudiantil. Esta relación permite comprender el
sobreuso no solo como una decisión individual, sino también como una respuesta a
sistemas de producción académica intensiva (Abbas et al., 2024; Niloy et al., 2024).
El diseño pedagógico puede ampliar o reducir esa tendencia. Las evaluaciones centradas
exclusivamente en productos escritos y respuestas fácilmente reproducibles por modelos
generativos disminuyen el costo de delegar la tarea, especialmente cuando no se solicita
evidencia del proceso, justificación oral, reflexión metacognitiva o aplicación
contextualizada. En contraste, las propuestas de rediseño recomiendan desplazar el
énfasis desde la detección de textos generados hacia la construcción de evidencias de
aprendizaje que hagan visible el razonamiento, la toma de decisiones y la revisión
crítica (Lye & Lim, 2024).
La integridad académica forma parte del problema, aunque no lo agota. Una encuesta
amplia en la Universidad de Liverpool mostró que el estudiantado diferencia entre
apoyos de edición y la generación de trabajos completos, lo que indica que las fronteras
de aceptabilidad no son uniformes y dependen del tipo de asistencia. El mismo estudio
evidenció demanda de políticas institucionales y diferencias según la confianza del
estudiante en su propia escritura, aspecto que vincula las normas académicas con
competencias, seguridad y percepción de necesidad (Johnston et al., 2024).
Las percepciones estudiantiles también muestran una combinación de beneficio y
reserva. En Hong Kong se identificaron ventajas asociadas con apoyo al aprendizaje,
461
respuesta inmediata y productividad, junto con preocupaciones por exactitud,
privacidad, dependencia y ética; en otros contextos se han descrito valoraciones
positivas de la capacidad explicativa de ChatGPT y, simultáneamente, dudas sobre la
confiabilidad de sus respuestas. La coexistencia de estas percepciones impide interpretar
el uso frecuente como una simple adhesión acrítica a la tecnología (Chan & Hu, 2023;
Shoufan, 2023).
La relación entre sobredependencia y pensamiento crítico ocupa un lugar central en la
discusión pedagógica. Una revisión sistemática sobre sistemas de diálogo con IA
identificó riesgos para la toma de decisiones y el razonamiento cuando las
recomendaciones se aceptan sin cuestionamiento, pero otras síntesis muestran que los
efectos dependen del tipo de tarea, de la mediación pedagógica y de la forma de
interacción. En estudios experimentales, ChatGPT ha mostrado beneficios en
rendimiento y algunas variables de aprendizaje, por lo que no resulta científicamente
válido asumir un deterioro cognitivo automático por el solo hecho de utilizar IA (Zhai et
al., 2024; Deng et al., 2025; Lo et al., 2024).
La autonomía constituye una condición especialmente ambivalente. La posibilidad de
consultar un sistema en cualquier momento puede ampliar el control sobre el
aprendizaje y facilitar explicaciones adaptadas, pero la misma disponibilidad puede
consolidar una rutina de consulta previa a cualquier esfuerzo independiente. El modelo
de motivación para uso continuo propuesto por Annamalai et al. (2025) mostró que
autonomía y relación con la herramienta explican una proporción elevada de la
motivación de continuidad, lo que sugiere que la dependencia potencial puede estar
vinculada con experiencias de conveniencia y competencia percibida, no únicamente
con intención de evitar el trabajo.
462
En América Latina se dispone de evidencia que confirma la importancia de la
responsabilidad y de la verificación. En estudiantes universitarios peruanos, la
aceptación, las emociones positivas, la intención de uso frecuente y, especialmente, el
uso responsable se relacionaron con actitudes favorables hacia ChatGPT, mientras que
la percepción de riesgo operó en sentido contrario. Este patrón refuerza la necesidad de
considerar simultáneamente la disposición a utilizar la herramienta y las prácticas de
comprobación que acompañan esa decisión (Acosta-Enriquez et al., 2024).
El contexto ecuatoriano muestra problemas semejantes desde una escala más próxima.
Una investigación con 335 universitarios de la provincia de Los Ríos describió
utilización limitada para actividades prácticas, aprendizaje mayoritariamente
autodidacta y falta de orientación suficiente, con énfasis en la necesidad de guía docente
para un empleo responsable, ético y crítico. Esta evidencia permite situar el problema
nacional no como ausencia de acceso a herramientas, sino como una brecha entre
disponibilidad tecnológica, acompañamiento pedagógico y formación para valorar la
calidad de las respuestas (Izquierdo-Morán et al., 2025).
La alfabetización en IA aparece, por tanto, como una competencia transversal que
excede la habilidad de formular instrucciones. Comprende reconocer límites de los
modelos, evaluar la plausibilidad de una respuesta, contrastar referencias, identificar
sesgos, proteger información sensible y declarar de manera transparente cuándo se ha
utilizado asistencia generativa. La guía de UNESCO propone un enfoque centrado en
capacidades humanas, gobernanza y uso responsable, principios coherentes con la
necesidad de preservar la agencia del estudiante mientras se aprovechan las funciones
de apoyo disponibles (Miao & Holmes, 2023).
La evidencia internacional permanece heterogénea porque los estudios emplean
poblaciones, disciplinas, herramientas, escalas y resultados distintos. La revisión de 72
463
investigaciones sobre compromiso estudiantil encontró tanto participación como
desvinculación en entornos apoyados por ChatGPT, mientras que el mapeo sistemático
de 407 publicaciones mostró que adopción, ética, riesgos, desempeño y experiencias
constituyen ejes recurrentes de una literatura en rápida expansión. Esta heterogeneidad
obliga a evitar explicaciones monocausales y a organizar la evidencia en categorías
comparables (Lo et al., 2024; Yusuf et al., 2024).
El vacío principal se encuentra en la integración de los determinantes tecnológicos con
las condiciones académicas y pedagógicas que convierten un uso funcional en una
práctica de dependencia. Gran parte de la literatura examina aceptación, intención de
uso o resultados del aprendizaje por separado, mientras que la pregunta sobre por qué el
estudiante transfiere de manera reiterada procesos cognitivos a la IA exige considerar
presión, hábitos, autonomía, evaluación, normas y capacidades críticas dentro de un
mismo marco explicativo.
En este contexto, el objetivo general consistió en identificar y sintetizar
sistemáticamente la evidencia científica disponible sobre las principales causas
asociadas al uso excesivo de inteligencia artificial generativa en estudiantes de
educación superior desde una perspectiva académica y pedagógica. De manera
específica, se buscó identificar factores individuales, analizar la influencia de la carga y
presión académica, examinar utilidad, facilidad y accesibilidad tecnológica, determinar
la influencia pedagógica e institucional, valorar la relación con pensamiento crítico y
autonomía cognitiva, y derivar orientaciones para reducir la dependencia sin excluir el
uso educativo de la tecnología.
464
Metodología
Se desarrolló una revisión sistemática de literatura con síntesis narrativa, orientada por
los principios de transparencia y reproducibilidad de PRISMA 2020, debido a que el
objeto de estudio reúne evidencia cuantitativa, cualitativa, mixta, revisiones y
documentos de orientación institucional. El diseño se mantuvo en el nivel de síntesis
explicativa y no se realizó metaanálisis, ya que los estudios recuperados midieron
constructos diferentes, emplearon escalas no equivalentes y analizaron resultados que
no podían combinarse válidamente mediante un único estimador de efecto (Page et al.,
2021).
La búsqueda cubrió publicaciones comprendidas entre el 1 de enero de 2023 y el 31 de
agosto de 2026, intervalo definido por la expansión de herramientas generativas
conversacionales de disponibilidad masiva en la educación superior. Durante la
elaboración definitiva se consultaron registros académicos y textos de editoriales o
índices científicos en ScienceDirect, SpringerLink, PubMed/MEDLINE, ERIC, IEEE
Xplore, Wiley Online Library y Taylor & Francis, además de documentos oficiales de
UNESCO y rastreo de referencias cruzadas y DOI para comprobar la identidad
bibliográfica de cada fuente.
La estrategia combinó términos en español e inglés relacionados con el fenómeno y sus
determinantes. Se utilizaron expresiones equivalentes a inteligencia artificial generativa,
generative artificial intelligence, generative AI, ChatGPT, large language models y AI
chatbots, vinculadas mediante AND con higher education, university, college, tertiary
education, students y learners; para la dimensión causal se añadieron overuse,
over-reliance, dependence, continued use, intention to use, usefulness, ease of use,
academic workload, time pressure, autonomy, habit, peer pressure, assessment,
academic integrity, critical thinking y self-regulation.
465
Los criterios de inclusión exigieron publicaciones académicas o documentos
institucionales de alta pertinencia, relación explícita con educación superior, análisis de
estudiantes universitarios o de prácticas pedagógicas universitarias, abordaje de
adopción, frecuencia, continuidad, dependencia, sobredependencia o consecuencias
académicas, y suficiente descripción metodológica para valorar el alcance de sus
resultados. Se admitieron estudios empíricos cuantitativos, cualitativos o mixtos,
revisiones sistemáticas, metaanálisis y documentos normativos o de orientación
internacional cuando aportaron elementos directamente vinculados con gobernanza y
alfabetización en IA.
Se excluyeron duplicados, editoriales sin desarrollo analítico suficiente, resúmenes de
congresos sin texto completo, estudios exclusivamente técnicos sobre arquitectura de
modelos, investigaciones centradas de manera exclusiva en educación primaria o
secundaria, publicaciones sin relación con procesos formativos y documentos cuya
información no permitía verificar autoría, año, fuente o metodología. La decisión de
elegibilidad priorizó la capacidad de cada fuente para responder al objetivo del artículo
y para documentar causas, condiciones o mecanismos de uso continuado.
El proceso de selección se efectuó mediante lectura progresiva de título, resumen y
texto o registro editorial verificable, seguida por comprobación cruzada de DOI,
volumen, año, autores y revista cuando estos datos estuvieron disponibles. La síntesis
final quedó constituida por 19 documentos temáticos: 18 artículos científicos revisados
por pares y una guía internacional de UNESCO; adicionalmente, la declaración
PRISMA 2020 se utilizó como referencia metodológica, por lo que no se contabilizó
dentro del corpus temático analizado.
La extracción se organizó en una matriz que registró autor y año, diseño, tamaño
muestral cuando correspondía, contexto, propósito de uso, determinantes de adopción o
466
continuidad, indicadores de sobredependencia, consecuencias académicas o cognitivas y
propuestas institucionales. En los estudios basados en modelos estructurales se
conservaron los coeficientes y porcentajes de varianza explicada informados por los
autores, sin recalcular parámetros; en revisiones y metaanálisis se registró el número de
publicaciones sintetizadas y la dirección general de los hallazgos.
Para evitar comparaciones artificiales, los indicadores numéricos se interpretaron dentro
de su escala original. Los coeficientes estandarizados de modelos diferentes no se
combinaron, las medias de instrumentos particulares no se transformaron a una métrica
común y los porcentajes de uso se mantuvieron según su definición en cada estudio.
Esta decisión fue necesaria porque intención de uso, conducta observada, motivación de
continuidad, actitud, accesibilidad y sobredependencia constituyen variables
relacionadas, pero metodológicamente no intercambiables.
La evaluación crítica consideró coherencia entre pregunta, diseño, muestra, análisis y
conclusiones, además de la claridad de los instrumentos y de las limitaciones
declaradas. Se otorgó mayor peso interpretativo a estudios con muestras amplias,
modelos validados, diseños temporales o síntesis sistemáticas, sin excluir
investigaciones de menor escala cuando aportaban comprensión cualitativa o contextual.
Las conclusiones se formularon por convergencia de evidencia y no por conteo simple
de artículos, con especial cautela cuando los hallazgos procedían de una única
población.
La categorización se realizó de manera deductiva e integrativa a partir del documento
base y de la literatura externa, conservando cinco dominios explicativos: factores
tecnológicos, factores académicos, factores motivacionales y de autorregulación,
factores sociales e institucionales, y factores pedagógicos vinculados con evaluación y
acompañamiento. Cada hallazgo se asignó al dominio que describía mejor su
467
mecanismo principal, aunque se reconoció la superposición entre categorías, por
ejemplo cuando la facilidad tecnológica interactuaba con presión temporal o cuando la
ausencia de reglas institucionales aumentaba la influencia de los pares.
El concepto de uso excesivo se operacionalizó de forma conceptual, no mediante un
punto de corte universal, porque la literatura reciente carece de una medida única
aplicable a todos los contextos. Se consideraron indicadores de riesgo la consulta
repetida para sustituir razonamiento, la dependencia de soluciones inmediatas, la
delegación de escritura o resolución de problemas, la dificultad para trabajar sin
asistencia y la aceptación no verificada de respuestas. Esta definición permitió
distinguir intensidad de uso de dependencia funcional, evitando clasificar como
excesiva una utilización frecuente pero pedagógicamente activa y crítica.
La síntesis de resultados combinó descripción tabular y representación gráfica de datos
directamente reportados por las fuentes. Se construyeron cuatro tablas y cuatro gráficos
intercalados, sin estimaciones inventadas ni agregaciones estadísticas no justificadas;
los gráficos de tamaños muestrales, varianza explicada, volumen de revisiones y
propósitos de uso conservaron los valores publicados, mientras que las tablas
organizaron características, determinantes, evidencia secundaria y el marco causal
integrado.
Las consideraciones éticas se abordaron desde la naturaleza documental del trabajo. No
se recolectaron datos personales ni se intervino sobre participantes, por lo que no
correspondió solicitar consentimiento informado para esta revisión; se mantuvo, en
cambio, la obligación de representar fielmente los resultados de las investigaciones
originales, diferenciar asociaciones de causalidad, evitar atribuciones no sustentadas y
citar las fuentes en formato APA 7.ª edición. La información institucional sobre uso
responsable se trató como orientación normativa y no como evidencia experimental.
468
El análisis se completó mediante lectura comparativa de estudios de adopción,
percepciones, motivación, presión académica, compromiso, pensamiento crítico y
gobernanza. El eje interpretativo buscó responder no solo qué variables se asocian con
el uso, sino cómo su interacción puede desplazar la IA desde una función de apoyo
hacia una función sustitutiva. La estructura final permitió relacionar datos
internacionales con evidencia latinoamericana y ecuatoriana sin atribuir generalización
estadística a contextos que no fueron diseñados para representar a toda la población
universitaria.
Resultados
La síntesis mostró que el uso excesivo no se concentra en una única dimensión, sino en
una cadena de condiciones que comienza con acceso y utilidad, se intensifica ante
presión académica y hábito, y puede consolidarse cuando el contexto pedagógico
permite delegar procesos sin exigir verificación o razonamiento visible. Los estudios
empíricos revisados presentan tamaños muestrales y diseños diversos, desde encuestas
de percepción hasta modelos estructurales y mediciones temporales, lo que amplía la
comprensión del fenómeno pero limita la comparación directa de todos sus indicadores.
La evidencia primaria se concentró en estudiantes universitarios de contextos
geográficos diferentes, con especial presencia de investigaciones en Europa, Asia,
América Latina, África y países árabes. La Tabla 1 resume los estudios empíricos que
aportaron datos directamente utilizables para comprender causas de adopción,
continuidad, presión, percepción y orientación institucional, manteniendo los tamaños
muestrales y hallazgos comunicados por cada publicación.
469
Tabla 1. Características de estudios empíricos seleccionados sobre uso de IA generativa en
educación superior
Estudio
Diseño / muestra
Contexto
Aporte principal al
análisis del uso
Chan y Hu (2023)
Encuesta; n = 399
Educación superior, Hong
Kong
Beneficios percibidos de
apoyo y productividad junto
con preocupaciones por
exactitud, privacidad, ética y
dependencia.
Shoufan (2023)
Análisis temático y encuesta;
n = 56
Estudiantes universitarios
Valoraciones favorables
sobre utilidad y capacidad
explicativa, acompañadas de
dudas sobre confiabilidad y
limitaciones.
Johnston et al. (2024)
Encuesta; n = 2.555
Universidad de Liverpool,
Reino Unido
Diferenciación entre
asistencia lingüística y
generación de trabajos
completos; demanda de
orientación institucional.
Abbas et al. (2024)
Dos estudios; n = 165 y n =
494
Estudiantes universitarios
Carga académica, presión
temporal y sensibilidad a
recompensas/calidad
asociadas con uso; se
examinaron procrastinación,
memoria y desempeño.
Abdaljaleel et al. (2024)
Encuesta multinacional; n =
2.240
Iraq, Kuwait, Egipto, Líbano
y Jordania
Facilidad, utilidad, influencia
social, actitud tecnológica,
riesgo y ansiedad vinculados
con actitud y uso.
Acosta-Enriquez et al.
(2024)
Encuesta; n = 499
Diez universidades, Perú
Uso responsable, intención
frecuente, aceptación y
emociones positivas
asociados con actitud hacia
ChatGPT.
Strzelecki (2024)
Encuesta y SEM; n = 503
Educación superior, Polonia
Hábito, expectativa de
desempeño y motivación
hedónica predijeron
intención; intención, hábito y
condiciones facilitaron
conducta.
Baidoo-Anu et al. (2024)
Encuesta y validación de
escala; n = 277
Educación superior, Ghana
Accesibilidad y beneficios
coexistieron con
preocupación por
sobredependencia y
pensamiento crítico.
Annamalai et al. (2025)
Encuesta y PLS-SEM; n =
324
Estudiantes EFL/ESL
Autonomía y relación
predijeron motivación de uso
continuo; el modelo explicó
70,8 % de la varianza.
Izquierdo-Morán et al.
(2025)
Estudio mixto transversal; n
= 335
Los Ríos, Ecuador
Uso práctico limitado,
aprendizaje autodidacta y
falta de orientación
suficiente para adopción
responsable.
Fuente: elaboración propia a partir de Chan y Hu (2023), Shoufan (2023), Johnston et al. (2024), Abbas et al.
(2024), Abdaljaleel et al. (2024), Acosta-Enriquez et al. (2024), Strzelecki (2024), Baidoo-Anu et al. (2024),
Annamalai et al. (2025) e Izquierdo-Morán et al. (2025).
La Tabla 1 evidencia una convergencia metodológica alrededor de encuestas y modelos
de percepción, aunque incorpora diseños temporales y mixtos que permiten observar
relaciones más complejas. Las muestras amplias de Johnston et al. (2024) y Abdaljaleel
et al. (2024) aportan estabilidad descriptiva sobre normas, actitudes y factores sociales,
mientras que Abbas et al. (2024) ofrece una aproximación temporal a presión académica
470
y consecuencias; los estudios latinoamericanos y ecuatorianos añaden pertinencia
contextual sobre responsabilidad, capacitación y guía docente.
La amplitud de las muestras constituye un indicador relevante para dimensionar el
respaldo empírico disponible, sin implicar que un estudio con mayor número de
participantes tenga necesariamente mejor validez causal. El Gráfico 1 compara
únicamente los tamaños muestrales publicados en investigaciones seleccionadas, con el
propósito de mostrar la heterogeneidad de escala con la que se han estudiado
percepciones, aceptación, continuidad y uso académico.
Gráfico 1. Tamaños muestrales reportados en estudios empíricos seleccionados
Fuente: elaboración propia con los tamaños muestrales publicados por los estudios citados en la Tabla 1.
El Gráfico 1 muestra una distribución muy desigual de tamaños muestrales, con dos
investigaciones superiores a dos mil participantes y un conjunto de estudios entre
aproximadamente 277 y 503 estudiantes, además de trabajos de menor escala. Este
patrón explica por qué algunos resultados pueden describir tendencias poblacionales
con mayor precisión, mientras otros cumplen una función exploratoria o de validación
de modelos; la heterogeneidad también refuerza la necesidad de interpretar las
asociaciones dentro del diseño específico de cada investigación.
471
Los determinantes cuantitativos se organizaron sin convertirlos en una escala común,
pues cada estudio utilizó variables dependientes y marcos conceptuales distintos. La
Tabla 2 reúne indicadores especialmente informativos sobre hábito, utilidad, intención
de uso, presión temporal, autonomía, influencia social y responsabilidad, con notas que
permiten diferenciar coeficientes estandarizados, porcentajes de varianza y resultados
cualitativos o descriptivos.
Tabla 2. Determinantes cuantitativos y cualitativos asociados con adopción, continuidad y
uso de ChatGPT
Fuente
Indicador publicado
Resultado relevante
Lectura para el marco
causal
Strzelecki (2024)
Coeficientes estandarizados
y R²
Hábito = 0,339; expectativa
de desempeño = 0,260;
motivación hedónica = 0,187
para intención. R² intención
= 72,8 %; conducta = 54,7
%.
La continuidad se relaciona
con hábito, utilidad esperada
y condiciones que convierten
la intención en conducta.
Annamalai et al. (2025)
PLS-SEM y R²
Autonomía y relación
predijeron motivación de
continuidad; R² = 70,8 %.
La experiencia de control y
conexión con la herramienta
puede consolidar uso
continuado.
Abbas et al. (2024)
Diseño temporal
Carga de trabajo y presión
académica se evaluaron
como antecedentes de uso; el
uso se vinculó con
procrastinación, pérdida de
memoria y desempeño.
La presión académica
funciona como incentivo
estructural para recurrir a
respuestas rápidas.
Abdaljaleel et al. (2024)
Regresión multivariada / R²
Facilidad, utilidad, influencia
social y baja percepción de
riesgo favorecieron actitud y
uso; R² de uso = 11,7 %.
Los determinantes
tecnológicos y sociales
explican parte del
comportamiento, pero
permanecen factores no
observados.
Acosta-Enriquez et al.
(2024)
Coeficientes estandarizados
Uso responsable β = 0,806;
intención frecuente β =
0,509; aceptación β = 0,441;
emociones positivas β =
0,418; riesgo β = -0,104.
Frecuencia y responsabilidad
pueden coexistir; el riesgo
percibido modera la
disposición favorable.
Niloy et al. (2024)
Triangulación y SEM
Seis de siete variables
exógenas fueron
significativas; se analizaron
ahorro de tiempo, facilidad,
aprendizaje asistido,
inseparabilidad, miseria
cognitiva, conocimiento
técnico y presión de pares.
La adopción combina
eficiencia, cognición,
accesibilidad y
normalización social.
Baidoo-Anu et al. (2024)
Escala de experiencia
estudiantil
Media de accesibilidad =
3,09; beneficios académicos
= 3,01; preocupación por
sobredependencia/pensamien
to crítico = 3,01 en el ítem
reportado.
La percepción de utilidad
puede coexistir con
conciencia explícita de
riesgos cognitivos.
Fuente: elaboración propia a partir de Strzelecki (2024), Annamalai et al. (2025), Abbas et al. (2024),
Abdaljaleel et al. (2024), Acosta-Enriquez et al. (2024), Niloy et al. (2024) y Baidoo-Anu et al. (2024). Los
coeficientes pertenecen a modelos distintos y no son directamente comparables.
La Tabla 2 confirma que la continuidad de uso surge de la combinación de gratificación
funcional y condiciones de contexto. El hábito, la expectativa de desempeño y la
472
autonomía aparecen con fuerza en modelos explicativos, mientras que la carga
académica y la presión temporal aportan un mecanismo de necesidad; en paralelo, la
responsabilidad, la verificación y la percepción de riesgo modulan la forma en que la
herramienta se incorpora a las actividades, por lo que adopción y sobredependencia no
pueden tratarse como conceptos equivalentes.
Los modelos que reportaron varianza explicada permiten una comparación visual
limitada a la capacidad de sus propias ecuaciones para representar resultados diferentes.
El Gráfico 2 presenta cuatro valores R² publicados, manteniendo explícitamente que se
refieren a intención conductual, conducta de uso, motivación de continuidad y uso de
ChatGPT, por lo que no representan una medida única de dependencia ni deben
promediarse entre sí.
Gráfico 2. Varianza explicada por modelos seleccionados de intención, conducta y
continuidad de uso
Fuente: elaboración propia con R² publicados por Strzelecki (2024), Annamalai et al. (2025) y Abdaljaleel et al.
(2024). Los resultados corresponden a variables dependientes diferentes.
La mayor varianza explicada se observó en la intención conductual del modelo de
Strzelecki (2024) y en la motivación de uso continuo de Annamalai et al. (2025), ambas
por encima del 70 %, mientras que la conducta efectiva mostró una proporción menor y
473
el modelo multinacional de uso presentó un R² considerablemente inferior. La diferencia
es consistente con la distinción metodológica entre explicar una intención o motivación
y explicar una conducta real, que suele depender de factores adicionales no capturados
por un solo cuestionario.
Las revisiones y metaanálisis aportaron un segundo nivel de evidencia para valorar la
consistencia de los hallazgos y, sobre todo, para evitar conclusiones absolutas sobre
efectos cognitivos. La Tabla 3 sintetiza cuatro trabajos de alcance amplio que
examinaron el mapa de investigación, el compromiso estudiantil, la sobredependencia
cognitiva y los resultados experimentales de aprendizaje.
Tabla 3. Síntesis de revisiones recientes sobre IA generativa, compromiso, aprendizaje y
sobredependencia
Revisión
Alcance cuantitativo
Objeto de síntesis
Hallazgo pertinente
Yusuf et al. (2024)
407 publicaciones
Mapeo sistemático de IA
generativa en educación e
investigación
Adopción, ética, riesgos,
experiencias, desempeño y
aplicaciones aparecen como
temas centrales de un campo
en rápida expansión.
Lo et al. (2024)
72 estudios empíricos
Influencia de ChatGPT en
compromiso estudiantil
Se identificaron tanto
compromiso como
desvinculación; la calidad de
evidencia sobre hábitos y
efectos requiere mayor
robustez.
Deng et al. (2025)
69 artículos experimentales
identificados
Efectos de ChatGPT sobre
aprendizaje
Beneficios en rendimiento y
variables
afectivo-motivacionales,
junto con reducción de
esfuerzo mental; no todos los
resultados mejoraron.
Zhai et al. (2024)
14 artículos
Sobredependencia de
sistemas de diálogo y
capacidades cognitivas
La aceptación no cuestionada
de recomendaciones se
vinculó con riesgos para
decisión, pensamiento crítico
y análisis.
Fuente: elaboración propia a partir de Yusuf et al. (2024), Lo et al. (2024), Deng et al. (2025) y Zhai et al.
(2024).
La Tabla 3 revela que la literatura general sobre IA generativa en educación es mucho
más extensa que la evidencia específicamente orientada a sobredependencia. El mapeo
de Yusuf et al. (2024) abarca centenares de publicaciones y confirma la presencia de
temas sobre adopción y riesgos, mientras que Zhai et al. (2024) identifica un conjunto
reducido de estudios centrados directamente en efectos cognitivos; esta diferencia de
escala exige prudencia al convertir preocupaciones teóricas en afirmaciones causales.
474
La cantidad de documentos sintetizados por cada revisión permite observar la madurez
desigual de los subcampos. El Gráfico 3 representa los números publicados por cuatro
revisiones, sin asumir equivalencia entre sus criterios de inclusión, porque una revisión
de mapeo, una revisión de compromiso, una revisión de sobredependencia y un
metaanálisis experimental persiguen objetivos metodológicos distintos.
Gráfico 3. Volumen de evidencia sintetizada en cuatro revisiones de alcance
complementario
Fuente: elaboración propia con los números de publicaciones o estudios informados por Yusuf et al. (2024), Lo
et al. (2024), Deng et al. (2025) y Zhai et al. (2024).
El Gráfico 3 muestra que el universo mapeado por Yusuf et al. (2024) supera
ampliamente a las síntesis focalizadas, mientras que Lo et al. (2024) y Deng et al.
(2025) reúnen decenas de estudios y Zhai et al. (2024) concentra una base menor pero
directamente relacionada con sobredependencia. En conjunto, los datos respaldan una
conclusión doble: existe abundante investigación sobre IA generativa en educación,
pero el conocimiento específicamente causal sobre dependencia y deterioro cognitivo
continúa siendo comparativamente limitado.
La integración temática de la evidencia permitió conservar las cinco categorías
planteadas en la investigación base y precisarlas con hallazgos externos. La Tabla 4
475
organiza los mecanismos que pueden favorecer el uso excesivo, las señales de riesgo
pedagógico y las respuestas educativas coherentes con cada dominio, sin tratar las
categorías como independientes, ya que su interacción explica mejor la transición desde
el uso funcional hacia la sustitución cognitiva.
Tabla 4. Marco integrado de causas del uso excesivo de IA generativa y respuestas
pedagógicas
Categoría causal
Mecanismos identificados
Señales de riesgo de
sobredependencia
Respuesta pedagógica
asociada
Tecnológicos
Utilidad, facilidad, acceso
permanente, velocidad de
respuesta y disponibilidad
inmediata.
Consulta automática ante
dificultad; sustitución de
búsqueda y contraste por una
única respuesta.
Alfabetización para verificar
fuentes, reconocer límites y
usar la IA como apoyo, no
como autoridad final.
Académicos
Carga de trabajo, presión
temporal, volumen de tareas,
necesidad de eficiencia y
ahorro de tiempo.
Delegación de escritura,
síntesis o resolución para
cumplir plazos sin
elaboración suficiente.
Revisar carga y finalidad de
tareas; priorizar problemas
auténticos, aplicación y
evidencia del proceso.
Motivacionales y
autorregulación
Hábito, autonomía percibida,
relación con la herramienta,
satisfacción, recompensas y
miseria cognitiva.
Dificultad para iniciar o
sostener actividades sin IA;
baja tolerancia a la
incertidumbre o al esfuerzo.
Metacognición, momentos
de trabajo sin asistencia,
comparación y justificación
de decisiones.
Sociales e institucionales
Influencia de pares,
normalización, percepción de
permisibilidad, políticas
ambiguas y escasa
capacitación.
Uso definido por imitación o
conveniencia; falta de
declaración y fronteras
inconsistentes entre
asignaturas.
Políticas diferenciadas,
criterios comunes,
declaración transparente y
capacitación de docentes y
estudiantes.
Pedagógicos y evaluación
Tareas centradas en
producto, poca trazabilidad
del proceso y débil exigencia
de argumentación.
Entrega de respuestas
generadas sin comprensión,
adaptación ni defensa del
contenido.
Rediseño de evaluación con
razonamiento, proceso,
aplicación contextual,
reflexión y defensa oral.
Fuente: elaboración propia con base en la síntesis del corpus analítico y en los hallazgos de Abbas et al. (2024),
Abdaljaleel et al. (2024), Annamalai et al. (2025), Johnston et al. (2024), Lye y Lim (2024), Niloy et al. (2024)
y Zhai et al. (2024).
La Tabla 4 muestra que los factores tecnológicos actúan como condiciones habilitantes,
los académicos como presiones de demanda, los motivacionales como mecanismos de
continuidad, los sociales e institucionales como reguladores de normalización y los
pedagógicos como condiciones que pueden facilitar o dificultar la delegación cognitiva.
El patrón integrado desplaza la explicación desde una supuesta debilidad individual
hacia un sistema en el que diseño de tareas, reglas, competencia crítica y conveniencia
tecnológica se refuerzan mutuamente.
Para complementar la síntesis causal con una descripción concreta de propósitos de uso,
se incorporaron datos de estudiantes de educación superior en Ghana. El Gráfico 4
representa los porcentajes reportados por Baidoo-Anu et al. (2024) para aprendizaje
personal, tareas, trabajo grupal, trabajo en clase y otros usos no académicos; estos
476
porcentajes describen finalidades declaradas y no constituyen por sí mismos una medida
de sobredependencia.
Gráfico 4. Propósitos de uso de ChatGPT reportados por estudiantes de educación
superior en Ghana
Fuente: elaboración propia a partir de Baidoo-Anu et al. (2024). Los porcentajes se reproducen según las
categorías reportadas por los autores y pueden presentar variación por redondeo.
El Gráfico 4 evidencia que el aprendizaje personal fue el uso académico individual más
frecuente dentro de las categorías reportadas, seguido por tareas o asignaciones,
mientras el trabajo grupal y el trabajo en clase ocuparon proporciones menores. La
presencia simultánea de usos académicos y no académicos confirma que la exposición a
herramientas generativas atraviesa distintos espacios de la vida estudiantil; por ello, la
frecuencia de contacto no debe confundirse automáticamente con uso excesivo y
necesita valorarse según autonomía, verificación y finalidad.
La síntesis global permite establecer un recorrido explicativo: la accesibilidad y utilidad
reducen la fricción para consultar; la carga y el tiempo aumentan el incentivo para
delegar; el hábito, la autonomía percibida y la influencia social consolidan la
continuidad; la falta de reglas y formación reduce barreras normativas; finalmente, una
evaluación centrada únicamente en el producto facilita que la respuesta generada
477
reemplace el proceso. La sobredependencia aparece cuando estos factores convergen y
el estudiante deja de utilizar la IA para apoyar el razonamiento y comienza a utilizarla
para sustituirlo.
Los resultados también muestran que las consecuencias no son uniformes. La evidencia
experimental sintetizada por Deng et al. (2025) identifica mejoras en rendimiento,
estados afectivo-motivacionales y propensiones de pensamiento de orden superior bajo
determinadas condiciones, mientras Zhai et al. (2024) documenta riesgos asociados con
aceptación no cuestionada de sistemas de diálogo. Esta coexistencia respalda una
interpretación centrada en calidad de interacción y mediación pedagógica, no en una
oposición simple entre uso y no uso.
En el plano institucional, los hallazgos convergen en la necesidad de reglas
comprensibles y educación para el uso. Johnston et al. (2024) mostró diferencias claras
entre tipos de asistencia considerados aceptables por el estudiantado, Baidoo-Anu et al.
(2024) identificó necesidades de orientación y el estudio ecuatoriano de
Izquierdo-Morán et al. (2025) destacó la falta de capacitación y acompañamiento. La
ausencia de criterios comunes puede ampliar una zona gris en la que el estudiante
decide por ensayo, imitación de pares o conveniencia inmediata.
478
Discusión
Los hallazgos permiten interpretar el uso excesivo de IA generativa como un fenómeno
relacional, producido por la interacción entre propiedades de la herramienta y
condiciones del entorno universitario. La respuesta inmediata, la disponibilidad
permanente y la facilidad de uso reducen el costo de recurrir a la IA, pero esas
características solo adquieren sentido causal cuando se combinan con necesidades
académicas, expectativas de desempeño, hábitos y reglas institucionales. Este
planteamiento coincide con modelos de aceptación que explican una parte importante de
la intención y de la conducta mediante hábito, utilidad y condiciones facilitadoras
(Strzelecki, 2024).
La utilidad percibida constituye un punto de entrada especialmente estable. Abdaljaleel
et al. (2024) identificó facilidad, utilidad, influencia social y baja percepción de riesgo
entre los factores asociados con actitud y uso, mientras Niloy et al. (2024) confirmó la
relevancia del ahorro de tiempo, acceso y aprendizaje asistido dentro de un modelo de
triangulación. La coincidencia entre contextos sugiere que la sobredependencia no
comienza necesariamente con una intención de incumplir normas, sino con la
experiencia repetida de que la herramienta resuelve de forma rápida demandas que el
estudiante considera costosas.
La presión académica añade una explicación estructural a esa conveniencia. Abbas et al.
(2024) relacionó carga de trabajo y presión temporal con uso de ChatGPT en un diseño
temporal, lo que resulta consistente con la idea de que la IA puede operar como
estrategia de afrontamiento ante plazos, volumen de tareas y exigencias simultáneas.
Desde una perspectiva pedagógica, este hallazgo obliga a revisar la organización de la
carga y no únicamente la conducta final, porque prohibir el recurso sin modificar las
479
condiciones que generan urgencia puede trasladar el problema hacia usos ocultos o no
declarados.
El hábito explica por qué una solución inicialmente instrumental puede convertirse en
una respuesta automática. En el modelo de Strzelecki (2024), el hábito contribuyó tanto
a la intención como a la conducta de uso; por su parte, Annamalai et al. (2025) mostró
que autonomía y relación con la herramienta sostienen la motivación de continuidad.
Ambos hallazgos son compatibles con un proceso de incorporación progresiva en el que
la IA deja de percibirse como recurso excepcional y se integra a la secuencia ordinaria
de estudiar, redactar o resolver problemas.
La autonomía requiere una lectura no reduccionista. Una herramienta disponible a
demanda puede apoyar la autorregulación al ofrecer retroalimentación o explicaciones
cuando no existe tutoría inmediata, pero también puede disminuir la tolerancia a la
incertidumbre si cada dificultad activa una consulta automática. La diferencia reside en
si la autonomía se expresa como capacidad para decidir estratégicamente cuándo usar la
IA o como dependencia de una fuente externa para iniciar y sostener el trabajo. Esta
distinción preserva el valor formativo de la autonomía sin confundir independencia de
horarios con independencia cognitiva.
La evidencia sobre pensamiento crítico confirma la necesidad de esta distinción. Zhai et
al. (2024) describe sobredependencia como aceptación de recomendaciones sin
cuestionamiento y relaciona este patrón con capacidades de decisión, pensamiento
crítico y análisis, mientras Deng et al. (2025) encontró resultados experimentales
favorables en algunas dimensiones de aprendizaje. La aparente contradicción se
resuelve al reconocer que una tecnología puede mejorar el desempeño cuando se usa
como andamiaje y producir riesgos cuando sustituye la evaluación de evidencia; el
mecanismo de uso resulta más informativo que la mera presencia de ChatGPT.
480
La revisión de Lo et al. (2024) refuerza esa interpretación al identificar tanto
compromiso como desvinculación en contextos apoyados por ChatGPT. El compromiso
puede aumentar cuando el estudiante recibe respuestas rápidas, explora ejemplos y
mantiene interacción sostenida, pero puede disminuir cuando la herramienta reduce la
necesidad de persistir, buscar información o elaborar una respuesta propia. Por tanto, la
pregunta pedagógica relevante no es cuántas veces se consulta el sistema, sino qué
operaciones cognitivas permanecen bajo responsabilidad del estudiante antes, durante y
después de la consulta.
Las prácticas de verificación constituyen un indicador funcional de esa responsabilidad.
Acosta-Enriquez et al. (2024) mostró que el uso responsable y la intención de uso
frecuente pueden coexistir, lo que cuestiona la idea de que mayor frecuencia equivalga
automáticamente a mayor riesgo. Un estudiante puede utilizar IA de manera regular y,
aun así, contrastar fuentes, editar, justificar y declarar su uso; otro puede utilizarla con
menor frecuencia pero delegar por completo una tarea crítica. La evaluación del
sobreuso necesita considerar intensidad, finalidad, dependencia y control cognitivo de
manera conjunta.
Las percepciones estudiantiles internacionales muestran además que las fronteras éticas
son graduadas. Johnston et al. (2024) encontró mayor aceptación de herramientas de
apoyo lingüístico que de la generación de ensayos completos, lo que indica que el
estudiantado reconoce diferencias entre asistencia y sustitución. Chan y Hu (2023)
también documentaron beneficios y preocupaciones simultáneas, mientras Shoufan
(2023) evidenció valoraciones positivas acompañadas de reservas sobre confiabilidad.
Estas percepciones pueden convertirse en una base pedagógica para formular reglas por
tipo de tarea en lugar de prohibiciones generales difíciles de aplicar.
481
El papel de la evaluación es especialmente importante porque determina qué
comportamiento resulta rentable. Lye y Lim (2024) proponen rediseños que reconozcan
la presencia de IA y demanden evidencias de proceso, argumentación y aplicación.
Cuando una actividad puede completarse mediante una respuesta genérica sin diálogo
con experiencias, datos locales o decisiones justificadas, la tecnología ofrece un atajo de
alto rendimiento; cuando se exige explicar elecciones, mostrar versiones, defender
oralmente o resolver variaciones contextualizadas, el estudiante necesita reconstruir y
dominar el conocimiento incluso si utilizó IA durante la preparación.
Esta lógica permite superar una estrategia centrada exclusivamente en detectores. Los
sistemas de detección presentan limitaciones conceptuales porque intentan inferir el
origen de un texto, mientras el problema educativo consiste en determinar si existió
aprendizaje y autoría intelectual suficiente. Una evaluación más robusta combina
productos con trazabilidad del proceso, discusión de fuentes, reflexión sobre errores y
defensa de decisiones, lo que reduce el incentivo de delegación sin exigir vigilancia
permanente. El objetivo no es hacer imposible el uso de IA, sino volver insuficiente la
copia acrítica para demostrar competencia.
La alfabetización en IA complementa el rediseño porque ofrece al estudiante criterios
para decidir. UNESCO destaca la necesidad de un enfoque centrado en capacidades
humanas, protección, transparencia y gobernanza, principios que pueden traducirse al
aula mediante verificación de referencias, identificación de alucinaciones, análisis de
sesgos y declaración del apoyo recibido (Miao & Holmes, 2023). La alfabetización
efectiva no se limita a enseñar mejores instrucciones, pues una mayor habilidad para
obtener respuestas también podría aumentar la dependencia si no se acompaña de juicio
crítico y responsabilidad.
482
Los resultados de Baidoo-Anu et al. (2024) muestran que el aprendizaje personal
constituye un uso importante y que las preocupaciones por sobredependencia conviven
con valoraciones de accesibilidad. Esta combinación ayuda a explicar por qué la
prohibición absoluta puede ser poco realista: la herramienta satisface necesidades de
apoyo individual que las instituciones no siempre cubren de forma inmediata. La
respuesta más consistente consiste en orientar el uso hacia funciones de tutoría,
comparación y retroalimentación, mientras se reservan momentos de producción
independiente para comprobar que el conocimiento puede movilizarse sin asistencia.
La dimensión social también merece atención porque las normas se construyen
mediante observación de compañeros y expectativas compartidas. Abdaljaleel et al.
(2024) encontró influencia social entre los determinantes de actitud y uso, y Niloy et al.
(2024) incluyó presión de pares entre los factores examinados. Cuando el estudiante
percibe que el grupo utiliza IA de manera rutinaria para acelerar tareas, el costo de no
hacerlo puede interpretarse como desventaja de tiempo; una política institucional clara
reduce esa asimetría al establecer expectativas comunes y procedimientos de
declaración.
El caso ecuatoriano aporta un matiz relevante a la comparación internacional.
Izquierdo-Morán et al. (2025) describió falta de capacitación y aprendizaje autodidacta
en universitarios de Los Ríos, con necesidad de acompañamiento docente, una situación
compatible con el riesgo de que la adopción avance más rápido que la gobernanza
pedagógica. En este escenario, la dependencia potencial no surge solo de la facilidad del
sistema, sino de una ausencia de modelos formativos que enseñen cuándo usarlo, cómo
verificarlo y qué actividades deben mantenerse bajo control directo del estudiante.
La evidencia regional peruana muestra, en cambio, que la responsabilidad puede
integrarse dentro de una actitud favorable hacia ChatGPT. Acosta-Enriquez et al. (2024)
483
encontró una asociación destacada entre uso responsable y actitud, lo que sugiere que
promover estándares éticos no necesariamente reduce la aceptación tecnológica. Esta
observación es importante para instituciones latinoamericanas que enfrentan la falsa
disyuntiva entre innovación y control: puede construirse una cultura de uso frecuente
pero transparente, siempre que existan competencias de verificación y consecuencias
claras para la sustitución indebida.
En la literatura ecuatoriana también se ha planteado que el crecimiento de ChatGPT
obliga a complejizar las tareas y reforzar criterios éticos, de manera que la actividad
universitaria exija creatividad, análisis y responsabilidad más allá de la producción
automática de texto. Esta posición converge con el marco propuesto porque sitúa el
problema en la arquitectura pedagógica y no únicamente en la herramienta; cuando la
consigna exige elaboración original y revisión crítica, el valor de una respuesta
generada sin procesamiento disminuye de forma significativa (Héctor & Millet, 2025).
El mapeo de Yusuf et al. (2024) confirma que la investigación se ha expandido hacia
múltiples temas, pero esa abundancia no equivale a evidencia homogénea sobre
dependencia. Muchos estudios describen percepciones, intención de uso o aplicaciones,
mientras un número menor examina cambios cognitivos con diseños capaces de
aproximarse a causalidad. Por ello, cualquier afirmación sobre daño permanente debe
considerarse prematura; la literatura respalda preocupaciones plausibles y asociaciones
relevantes, pero todavía requiere mediciones longitudinales de hábitos, transferencia de
aprendizaje y desempeño sin asistencia.
La distinción entre desempeño con IA y competencia autónoma constituye una futura
prioridad metodológica. Un estudiante puede obtener un mejor producto cuando dispone
de asistencia generativa y, al mismo tiempo, no mejorar su capacidad de resolver una
tarea equivalente sin ella. Los estudios experimentales deberían incluir evaluaciones de
484
transferencia, retención y desempeño posterior sin apoyo, además de registrar qué tipos
de interacción se utilizaron. Esta estrategia permitiría diferenciar el efecto de andamiaje
temporal de una verdadera adquisición de habilidades y detectar con mayor precisión
patrones de dependencia.
También resulta necesario desarrollar instrumentos específicos para sobredependencia
en educación superior. Las escalas de aceptación o frecuencia informan cuánto se utiliza
la tecnología, pero no siempre capturan pérdida de control, sustitución de razonamiento,
ansiedad ante la ausencia de acceso o incapacidad para validar una respuesta. La
construcción de medidas multidimensionales debería integrar frecuencia, función,
autonomía, verificación y consecuencias, evitando patologizar el uso intensivo cuando
responde a una estrategia pedagógicamente productiva.
La evaluación institucional puede organizarse en niveles de autorización. Determinadas
actividades pueden permitir IA libremente, otras requerir declaración y anexos de
interacción, algunas limitarla a fases específicas y otras prohibirla cuando el objetivo
sea comprobar desempeño independiente. Esta clasificación coincide con la necesidad
de reducir la zona gris identificada en la literatura y permite que las reglas se relacionen
con resultados de aprendizaje concretos, en vez de depender de una prohibición
uniforme que no distingue entre corrección lingüística y generación sustitutiva.
La formación docente es un componente inseparable de esta estrategia. No es suficiente
exigir que el estudiante verifique si el profesorado no dispone de criterios para diseñar
consignas, evaluar procesos y discutir los límites de la herramienta. La capacitación
debería incluir funcionamiento básico de modelos, sesgos, privacidad, calidad de
fuentes, diseño de evaluación y formas de documentar uso, de manera que la orientación
institucional se traduzca en prácticas consistentes entre asignaturas y no dependa de
preferencias individuales contradictorias.
485
La principal fortaleza de la síntesis consiste en integrar evidencia de adopción,
motivación, presión académica, compromiso, cognición, percepciones y contexto
institucional dentro de un marco causal coherente con la investigación base. La
inclusión de estudios multinacionales, revisiones amplias y evidencia latinoamericana
reduce la dependencia de un único contexto y permite observar convergencias en
utilidad, tiempo, hábito y necesidad de orientación. La representación de datos se
mantuvo descriptiva para evitar combinaciones estadísticas de constructos que no eran
equivalentes.
Entre las limitaciones se encuentra la rápida evolución de modelos, políticas y prácticas
de uso, que puede modificar en pocos meses tanto la accesibilidad como las capacidades
de las herramientas. También existe heterogeneidad de escalas y predominio de estudios
basados en autoinforme, con posibles sesgos de recuerdo y deseabilidad social; además,
una parte sustancial de la literatura se concentra en ChatGPT, por lo que la
generalización a otros asistentes debe realizarse con cautela. Estas limitaciones no
invalidan las tendencias, pero restringen inferencias causales amplias.
La ausencia de un umbral universal de uso excesivo constituye otra limitación y, al
mismo tiempo, un resultado conceptual. La dependencia educativa no puede definirse
de forma adecuada únicamente por número de consultas, porque el mismo volumen
puede representar apoyo estratégico o sustitución cognitiva según la tarea. La
investigación futura debería establecer perfiles de uso que combinen frecuencia con
finalidad y calidad de interacción, acompañados por medidas de aprendizaje autónomo
y rendimiento transferible.
En términos de aplicación, la evidencia respalda un modelo institucional de cuatro
componentes articulados: alfabetización, regulación, rediseño de evaluación y
autorregulación. La alfabetización aporta criterios, la regulación define fronteras, la
486
evaluación mantiene visible el razonamiento y la autorregulación convierte la decisión
de uso en una práctica consciente. Ningún componente por sí solo resulta suficiente,
porque formar sin modificar tareas mantiene incentivos de delegación, mientras prohibir
sin formar deja al estudiante sin herramientas para actuar responsablemente en
contextos donde la IA seguirá disponible.
La contribución central del análisis reside en desplazar el debate desde la pregunta
binaria sobre permitir o prohibir IA hacia la identificación de condiciones que favorecen
la dependencia. Esta perspectiva permite intervenir sobre factores modificables: carga y
diseño de tareas, claridad de normas, alfabetización, exigencia de verificación,
oportunidades de defensa oral y momentos de trabajo sin asistencia. La finalidad
pedagógica consiste en conservar la eficiencia cuando mejora el aprendizaje y crear
fricciones deliberadas cuando el esfuerzo cognitivo constituye precisamente la
competencia que debe desarrollarse.
Conclusiones
El análisis permitió establecer que las causas del uso excesivo de inteligencia artificial
generativa en la educación superior son multifactoriales y se explican por la interacción
de condiciones tecnológicas, académicas, motivacionales, sociales, institucionales y
pedagógicas. La facilidad de acceso y la utilidad percibida crean una base favorable
para la adopción, pero el riesgo de sobredependencia aumenta cuando esas ventajas se
combinan con presión temporal, carga de tareas, hábito de consulta y oportunidades de
delegar productos académicos sin demostrar el proceso de razonamiento.
Los factores individuales no operan de forma aislada. La autonomía percibida, la
relación con la herramienta, la satisfacción y el hábito pueden sostener la continuidad de
uso, mientras la autorregulación y la verificación determinan si esa continuidad
487
conserva una función de apoyo o se transforma en sustitución cognitiva. Por ello, la
frecuencia de uso no constituye por sí sola un criterio suficiente para clasificar una
práctica como excesiva; debe considerarse qué actividad se delega, qué control conserva
el estudiante y si puede ejecutar tareas equivalentes sin asistencia.
La carga y la presión académica representan causas relevantes porque la IA ofrece
ahorro de tiempo y simplificación de tareas en contextos de alta demanda. Esta relación
indica que la prevención no puede limitarse a sancionar al estudiante, ya que parte del
incentivo se origina en la organización de actividades y plazos. Una estrategia efectiva
requiere revisar la cantidad, finalidad y diseño de las tareas, priorizando experiencias
que demanden comprensión, transferencia y argumentación en lugar de producción
repetitiva fácilmente automatizable.
La accesibilidad tecnológica y la facilidad de uso explican una parte importante de la
adopción, pero no determinan inevitablemente dependencia. La misma herramienta
puede apoyar aprendizaje personalizado, retroalimentación y exploración de ideas
cuando existe verificación y reflexión, o reducir el esfuerzo cognitivo cuando se utiliza
como fuente final no cuestionada. La diferencia principal se encuentra en la calidad de
la interacción, la intención pedagógica y la capacidad del estudiante para evaluar,
corregir y justificar la información obtenida.
Las condiciones pedagógicas e institucionales son factores modificables de alta
relevancia. La ausencia de reglas claras, la falta de capacitación y las evaluaciones
centradas únicamente en productos escritos amplían la zona de permisibilidad y facilitan
la sustitución del trabajo intelectual. En contraste, políticas diferenciadas por tipo de
actividad, declaración transparente de uso, evaluación del proceso, defensa oral,
aplicación contextualizada y retroalimentación sobre fuentes pueden reducir la
dependencia sin eliminar los beneficios legítimos de la tecnología.
488
La evidencia disponible no permite afirmar que el uso de inteligencia artificial
generativa produzca necesariamente deterioro del pensamiento crítico. Se identifican
riesgos cuando las respuestas se aceptan sin comprobación y se reemplazan procesos de
razonamiento, pero también se observan beneficios de aprendizaje bajo condiciones de
mediación adecuada. En consecuencia, el objetivo educativo debe orientarse a preservar
la autonomía cognitiva y la capacidad de trabajar sin asistencia, al mismo tiempo que se
enseña a utilizar la IA como herramienta de contraste, tutoría y generación de
alternativas.
La alfabetización en IA constituye una respuesta transversal porque integra
conocimiento técnico básico, evaluación de calidad, verificación de referencias,
reconocimiento de sesgos, protección de datos y transparencia. Esta formación debe
acompañarse de autorregulación, de modo que antes de utilizar la herramienta se valore
si la consulta contribuye al aprendizaje o evita deliberadamente un proceso que necesita
ser ejercitado. La competencia central no consiste únicamente en obtener mejores
respuestas, sino en decidir cuándo la IA agrega valor y cuándo debe mantenerse fuera
de la tarea.
El aporte principal de la revisión consiste en un marco integrado que explica la
transición desde uso frecuente hacia riesgo de sobredependencia: condiciones de acceso
y utilidad reducen la fricción, presión y tiempo incrementan la necesidad, hábito y
motivación consolidan continuidad, normas sociales e institucionales definen
aceptabilidad y el diseño de evaluación determina cuánto razonamiento puede
delegarse. Esta secuencia ofrece puntos concretos de intervención para universidades,
docentes y estudiantes sin atribuir el fenómeno exclusivamente a decisiones
individuales.
489
Las futuras investigaciones deberían medir la sobredependencia con instrumentos
específicos y diseños longitudinales que distingan frecuencia, finalidad, pérdida de
autonomía, verificación y desempeño posterior sin asistencia. También resulta necesario
ampliar la evidencia ecuatoriana y latinoamericana, comparar disciplinas y evaluar
intervenciones institucionales de alfabetización y rediseño de evaluación. El desafío de
la educación superior no consiste en impedir toda utilización de IA, sino en formar
estudiantes capaces de aprovecharla de manera crítica, ética y cognitivamente
responsable.
490
Referencias Bibliográficas
Abbas, M., Jam, F. A., & Khan, T. I. (2024). Is it harmful or helpful? Examining the
causes and consequences of generative AI usage among university students.
International Journal of Educational Technology in Higher Education, 21, 10.
https://doi.org/10.1186/s41239-024-00444-7
Abdaljaleel, M., Barakat, M., Alsanafi, M., Salim, N. A., Abazid, H., Malaeb, D.,
Mohammed, A. H., Hassan, B. A. R., Wayyes, A. M., Farhan, S. S., El Khatib,
S., Rahal, M., Sahban, A., Abdelaziz, D. H., & Sallam, M. (2024). A
multinational study on the factors influencing university students’ attitudes and
usage of ChatGPT. Scientific Reports, 14, 1983.
https://doi.org/10.1038/s41598-024-52549-8
Acosta-Enriquez, B. G., Arbulú Ballesteros, M. A., Huamaní Jordan, O., López Roca,
C., & Saavedra Tirado, K. (2024). Analysis of college students’ attitudes toward
the use of ChatGPT in their academic activities: Effect of intent to use,
verification of information and responsible use. BMC Psychology, 12, 255.
https://doi.org/10.1186/s40359-024-01764-z
Annamalai, N., Bervell, B., Mireku, D. O., & Andoh, R. P. K. (2025). Artificial
intelligence in higher education: Modelling students’ motivation for continuous
use of ChatGPT based on a modified self-determination theory. Computers and
Education: Artificial Intelligence, 8, 100346.
https://doi.org/10.1016/j.caeai.2024.100346
Baidoo-Anu, D., Asamoah, D., Amoako, I., & Mahama, I. (2024). Exploring student
perspectives on generative artificial intelligence in higher education learning.
Discover Education, 3, 98. https://doi.org/10.1007/s44217-024-00173-z
491
Chan, C. K. Y., & Hu, W. (2023). Students’ voices on generative AI: Perceptions,
benefits, and challenges in higher education. International Journal of Educational
Technology in Higher Education, 20, 43.
https://doi.org/10.1186/s41239-023-00411-8
Deng, R., Jiang, M., Yu, X., Lu, Y., & Liu, S. (2025). Does ChatGPT enhance student
learning? A systematic review and meta-analysis of experimental studies.
Computers & Education, 227, 105224.
https://doi.org/10.1016/j.compedu.2024.105224
Héctor, E. F., & Millet, B. (2025). Inteligencia artificial (ChatGPT) en la educación
universitaria: realidad y consideraciones éticas. Chakiñan, Revista de Ciencias
Sociales y Humanidades, 25, 299–314. https://doi.org/10.37135/chk.002.25.13
Izquierdo-Morán, A. M., Jara-Contreras, J. E., Ballesteros-Coello, H. J., &
Álvarez-Laborde, A. O. (2025). Manejo del ChatGPT en actividades académicas
en estudiantes universitarios, Ecuador. Episteme Koinonía, 8(15), 85–100.
https://doi.org/10.35381/e.k.v7i14.4359
Johnston, H., Wells, R. F., Shanks, E. M., Boey, T., & Parsons, B. N. (2024). Student
perspectives on the use of generative artificial intelligence technologies in higher
education. International Journal for Educational Integrity, 20, 2.
https://doi.org/10.1007/s40979-024-00149-4
Lo, C. K., Hew, K. F., & Jong, M. S.-Y. (2024). The influence of ChatGPT on student
engagement: A systematic review and future research agenda. Computers &
Education, 219, 105100. https://doi.org/10.1016/j.compedu.2024.105100
Lye, C. Y., & Lim, L. (2024). Generative artificial intelligence in tertiary education:
Assessment redesign principles and considerations. Education Sciences, 14(6),
569. https://doi.org/10.3390/educsci14060569
492
Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research.
UNESCO. https://doi.org/10.54675/EWZM9535
Niloy, A. C., Bari, M. A., Sultana, J., Chowdhury, R., Raisa, F. M., Islam, A., Mahmud,
S., Jahan, I., Sarkar, M., Akter, S., Nishat, N., Afroz, M., Sen, A., Islam, T.,
Tareq, M. H., & Hossen, M. A. (2024). Why do students use ChatGPT?
Answering through a triangulation approach. Computers and Education:
Artificial Intelligence, 6, 100208. https://doi.org/10.1016/j.caeai.2024.100208
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C.
D., Shamseer, L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R., Glanville,
J., Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M., Li, T., Loder, E. W.,
Mayo-Wilson, E., McDonald, S., … Moher, D. (2021). The PRISMA 2020
statement: An updated guideline for reporting systematic reviews. BMJ, 372,
n71. https://doi.org/10.1136/bmj.n71
Shoufan, A. (2023). Exploring students’ perceptions of ChatGPT: Thematic analysis
and follow-up survey. IEEE Access, 11, 38805–38818.
https://doi.org/10.1109/ACCESS.2023.3268224
Strzelecki, A. (2024). Students’ acceptance of ChatGPT in higher education: An
extended unified theory of acceptance and use of technology. Innovative Higher
Education, 49, 223–245. https://doi.org/10.1007/s10755-023-09686-1
Tlili, A., Shehata, B., Adarkwah, M. A., Bozkurt, A., Hickey, D. T., Huang, R., &
Agyemang, B. (2023). What if the devil is my guardian angel: ChatGPT as a
case study of using chatbots in education. Smart Learning Environments, 10, 15.
https://doi.org/10.1186/s40561-023-00237-x
493
Yusuf, A., Pervin, N., Román-González, M., & Noor, N. M. (2024). Generative AI in
education and research: A systematic mapping review. Review of Education, 12,
e3489. https://doi.org/10.1002/rev3.3489
Zhai, C., Wibowo, S., & Li, L. D. (2024). The effects of over-reliance on AI dialogue
systems on students’ cognitive abilities: A systematic review. Smart Learning
Environments, 11, 28. https://doi.org/10.1186/s40561-024-00316-7
494
