|
|
|
|
|
REVISTA EDUCACIÓN SUPERIOR Y SOCIEDAD 2026, Vol.38 Nro. 1 (ene.-jun.), 305-319 https://doi.org/10.54674/ess.v38i1.1144 e-ISSN:2610-7759 Recibido 2025-11-08│Revisado 2026-06-19 Aceptado 2026-07-18│Publicado 2026-10-26 |
|
|
|
|
|
|
IA en la educación superior: uso y percepción en tres centros regionales universitarios
AI in Higher Education: Use and Perception in Three Regional University Centers
Doralbis
Alfaro1@
Saily Madelyn
González Aguilar2@
Doris Zuleika
Pinzón Castillo3@
1, 2, 3 Universidad de Panamá, Coclé, Panamá
RESUMEN
En este estudio se analizan el uso y la percepción de la inteligencia artificial (IA) entre 391 estudiantes de los Centros Regionales Universitarios de Coclé, Veraguas y Azuero, con enfoque mixto, muestreo estratificado y encuestas, aplicando pruebas de hipótesis para detectar diferencias en el uso de IA entre regiones. Los resultados evidencian un uso generalizado, con predominio de aplicaciones gratuitas y mayor frecuencia en Veraguas y Coclé. La IA mejoró parcialmente la comprensión y generó altos niveles de satisfacción, aunque se identificaron riesgos asociados, como dependencia tecnológica, pérdida de habilidades de investigación y posibles impactos negativos en el pensamiento crítico. Las pruebas de hipótesis revelaron diferencias parciales en el uso de ciertas herramientas, como ChatGPT y Gemini, mientras que otras, como Canva, mostraron adopción homogénea. Estos hallazgos aportan evidencia estadística útil para orientar estrategias pedagógicas y sugieren replicar el estudio en la sede central de la Universidad de Panamá.
PALABRAS CLAVE: innovación científica; educación superior; percepción; muestreo; desequilibrio regional
AI in Higher Education: Use and Perception in Three Regional University Centers
ABSTRACT
This study analyzed the use and perception of artificial intelligence (AI) among students at the Regional University Centers of Coclé, Veraguas, and Azuero in central provinces of Panama. A mixed-methods approach was applied, with stratified sampling and surveys of 391 students, using hypothesis tests to detect differences in AI use between regions. Results indicate that AI tools are widely used, mainly for research, information retrieval, and text writing, with high levels of satisfaction reported. Risks associated with excessive use include technological dependence, loss of research skills, and potential biases, as well as negative impacts on critical thinking and problem-solving abilities. Hypothesis testing revealed partial differences in the use of certain tools, such as ChatGPT and Gemini, whereas others, such as Canva, showed uniform adoption. These findings provide statistical evidence to inform pedagogical strategies and suggest replicating the study at the University of Panama’s central campus.
KEY WORDS: scientific innovation; higher education; perception; sampling; regional imbalance
IA no ensino superior: uso e percepção em três centros universitários regionais
RESUMO
Este estudo analisou o uso e a percepção da inteligência artificial (IA) entre 391 estudantes dos Centros Regionais Universitários de Coclé, Veraguas e Azuero, com uma abordagem mista, amostragem estratificada e aplicação de questionários, utilizando testes de hipótese para detectar diferenças no uso da IA entre as regiões. Os resultados evidenciam um uso generalizado, com predominância de aplicações gratuitas e maior frequência em Veraguas e Coclé. A IA melhorou parcialmente a compreensão e gerou altos níveis de satisfação, embora tenham sido identificados riscos associados, como dependência tecnológica, perda de habilidades de pesquisa e possíveis impactos negativos no pensamento crítico. Os testes de hipóteses revelaram diferenças parciais na utilização de determinadas ferramentas, como o ChatGPT e o Gemini, enquanto outras, como o Canva, mostraram uma adoção homogénea. Esses achados fornecem evidências estatísticas úteis para orientar estratégias pedagógicas e sugerem a replicação do estudo na sede central da Universidade do Panamá.
PALAVRAS-CHAVE: inovação científica; educação superior; percepção; amostragem; desequilíbrio regional
IA dans l’Enseignement Supérieur : usage et perception dans trois centres universitaires régionaux
RÉSUMÉ
Cette étude a analysé l’utilisation et la perception de l’intelligence artificielle (IA) chez 391 étudiants des Centres Universitaires Régionaux de Coclé, de Veraguas et d’Azuero, en adoptant une approche mixte, un échantillonnage stratifié et des enquêtes, tout en appliquant des tests d’hypothèses pour détecter des différences dans l’usage de l’IA entre les régions. Les résultats montrent une utilisation généralisée, avec une prédominance d’applications gratuites et une fréquence plus élevée dans les provinces de Veraguas et de Coclé. L’IA a partiellement amélioré la compréhension et généré un haut niveau de satisfaction, bien que certains risques aient été identifiés, tels que la dépendance technologique, la perte de compétences en recherche et les impacts négatifs potentiels sur la pensée critique. La vérification des hypothèses a révélé des différences partielles dans l'utilisation de certains outils, tels que ChatGPT et Gemini, tandis que d'autres, comme Canva, ont fait l'objet d'une adoption uniforme. Ces résultats apportent des preuves statistiques utiles pour orienter les stratégies pédagogiques et suggèrent de reproduire l’étude au siège central de l’Université du Panama.
MOTS CLÉS : innovation scientifique ; enseignement supérieur ; perception ; échantillonnage ; déséquilibre régional
1. INTRODUCCIÓN
La inteligencia artificial (IA) es un campo de estudio vinculado a la computación que busca replicar capacidades cognitivas humanas en sistemas artificiales, tales como percepción sensorial, reconocimiento de patrones y procesamiento de datos (Benítez Iglesias, 2014; Kaplan & Haenlein, 2019). Su desarrollo histórico se remonta a los primeros planteamientos de Alan Turing, quien propuso no emular la mente de un adulto directamente, sino simular la mente de un niño y someterla a un proceso de aprendizaje que permitiera alcanzar un desarrollo cognitivo equivalente al de un adulto, concepto que inspira actualmente la robótica del desarrollo (Meseguer & López de Mántaras, 2017). La IA ha evolucionado considerablemente y, en la actualidad, se encuentra en expansión en diversos campos, incluyendo la educación superior, donde representa una de las áreas de mayor interés y crecimiento.
En el ámbito educativo, la IA ofrece posibilidades para mejorar los procesos de enseñanza y aprendizaje, desde sistemas de apoyo personalizados hasta la automatización de tareas administrativas (Reig, 2024; Wisner Glusko, 2023). Su incorporación permite adaptar contenidos y estrategias educativas a las necesidades, los intereses y los estilos de aprendizaje de cada estudiante, optimizando la experiencia formativa (Vera-Rubio et al., 2023). La carga laboral de los docentes, que incluye la gestión del rendimiento académico, la preparación de lecciones, la evaluación de tareas y la investigación, hace que la implementación de tecnologías emergentes como la IA sea una oportunidad para transformar la enseñanza y generar disrupción positiva en los sistemas educativos tradicionales (Flores-Vivar & García-Peñalvo, 2025).
A pesar del potencial de la IA, la investigación existente sobre su impacto en habilidades clave como el pensamiento crítico, la resolución creativa de problemas y la metacognición es aún insuficiente (Kitsantas et al., 2019; Lengua Cantero et al., 2020). Por ello, resulta crucial estudiar cómo los estudiantes perciben y utilizan la IA en su aprendizaje, considerando que estas herramientas pueden contribuir a personalizar la educación y mejorar la calidad formativa, al mismo tiempo que pueden presentar desafíos relacionados con la dependencia tecnológica o la falta de desarrollo de habilidades cognitivas (Salmerón Moreira et al., 2023; UNESCO, 2023).
El uso de herramientas como ChatGPT, Google Gemini y Copilot se ha reportado en diversos contextos educativos, facilitando la obtención de información, la redacción de textos, la programación y la resolución de problemas (Calderón, 2024). Sin embargo, su impacto en la educación universitaria aún genera debate, ya que existen riesgos asociados, como el sesgo algorítmico, la pérdida de habilidades autónomas de investigación y la necesidad de formación adecuada para su uso responsable (UNESCO, 2024). Por ello, es fundamental evaluar la percepción de los estudiantes y su experiencia real con estas herramientas para identificar los beneficios, las dificultades y los riesgos asociados a su implementación en el ámbito académico.
En Panamá, y específicamente en los Centros Regionales Universitarios de Coclé, Veraguas y Azuero, aún no se ha investigado de manera exhaustiva el uso de la IA por parte del estudiantado. Conocer las plataformas empleadas, los propósitos de su uso y la valoración de su efectividad permitirá diseñar estrategias educativas que promuevan una integración más eficiente y responsable de estas tecnologías (Plan Estratégico Nacional de Ciencia, Tecnología e Innovación [PENCYT], 2019-2024).
Estudios recientes sobre la percepción estudiantil, como el de Díaz et al. (2025), indican que los estudiantes de primer año de la Universidad de Panamá reconocen la importancia de la IA en su vida cotidiana, lo que refuerza la relevancia de analizar cómo estas herramientas impactan su aprendizaje universitario. Este estudio busca analizar el uso y la percepción de la inteligencia artificial en el aprendizaje de los estudiantes universitarios, ofreciendo evidencia que contribuya a mejorar la calidad educativa, a adaptarse a las necesidades y expectativas de los estudiantes y a generar recomendaciones para la implementación de la IA en los programas académicos.
En este sentido, comprender las dinámicas reales del uso de la inteligencia artificial en contextos universitarios regionales no solo permite identificar brechas tecnológicas o formativas, sino también valorar cómo estas herramientas transforman las prácticas de aprendizaje y la construcción del conocimiento. Asimismo, el análisis de la percepción estudiantil ofrece una perspectiva clave para anticipar los desafíos éticos, pedagógicos y sociales que acompañan la expansión de la IA en la educación superior, consolidando así la necesidad de políticas institucionales y curriculares que fomenten un uso responsable, equitativo y crítico de estas tecnologías emergentes.
2. METODOLOGÍA
La investigación se llevó a cabo bajo un enfoque mixto, considerando que se buscaba recabar información sobre un fenómeno social y, al mismo tiempo, medir conceptos o fenómenos resultantes. Según Johnson et al. (2007), la investigación con enfoque mixto integra elementos cualitativos y cuantitativos para enriquecer el análisis, ampliar la comprensión y fortalecer la validación de los hallazgos. El análisis de los datos se realizó mediante una revisión minuciosa, siguiendo lineamientos estadísticos, análisis temático y pruebas de hipótesis para la diferencia de proporciones entre cada par de regiones con un nivel de significancia de 0.05 (Triola, 2004).
La población estuvo constituida por 12.899 estudiantes matriculados en los Centros Regionales de Coclé, Veraguas y Azuero, seleccionando la muestra mediante muestreo estratificado con un 5 % de error y un 95 % de nivel de confianza, resultando en 391 participantes. La información se obtuvo mediante el método de encuesta, utilizando como instrumento un cuestionario estructurado con preguntas cerradas y abiertas, de diseño propio, desarrollado de manera exclusiva por las autoras para capturar las dinámicas particulares del contexto de estudio. Aunque el cuestionario no se sometió a un proceso formal de validación psicométrica cuantitativa previa, su validez de contenido se sustentó teóricamente a partir de su alineación conceptual con los indicadores y marcos educativos institucionales de la UNESCO (2024) sobre competencias y lineamientos éticos de la inteligencia artificial generativa en la educación superior.
El procedimiento contempló la identificación de los grupos, la selección de la muestra, la aplicación del instrumento y el análisis de datos. Para la data cuantitativa se utilizaron pruebas estadísticas paramétricas/no paramétricas según la naturaleza de las variables, mientras que para los reactivos cualitativos abiertos (opciones abiertas de profundización donde el estudiante detallaba libremente sus percepciones y aportes particulares) se aplicó un análisis de contenido temático. Esto permitió constatar y complementar los patrones estadísticos a través de un proceso formal de triangulación metodológica.
Los indicadores de medición incluyeron: frecuencia de uso de herramientas de IA, percepción de efectividad de la IA en el aprendizaje, niveles de satisfacción de los estudiantes, tipo de herramientas utilizadas, plataformas empleadas, tiempo de dedicación, percepción de confiabilidad, impacto en el aprendizaje, grado de satisfacción, dificultades y riesgos percibidos, así como variables sociodemográficas del estudiante.
Se realizaron pruebas de hipótesis para diferencias de proporciones entre cada par de regiones, considerando las tres herramientas de IA más mencionadas por los estudiantes en cada tipo de uso: redacción de textos, creación de presentaciones y resolución de problemas. Esto permitió comparar p1 (proporción de uso de la herramienta en Coclé), p2 (proporción de uso en Veraguas) y p3 (proporción de uso en Azuero) para cada herramienta seleccionada por frecuencia de uso.
Las pruebas de hipótesis por pares se realizaron de la siguiente manera:
H0: pi = pj
H1: pi ≠ pj
Donde pi y pj corresponden a la proporción de estudiantes que usan la herramienta en las regiones i y j, respectivamente.
El estadístico de prueba se calculó utilizando la fórmula:
Z=
Donde pi y pj representan las proporciones de uso reportadas para cada región y corresponden al tamaño de la muestra de cada región. La decisión de rechazo de H0 se realizó comparando el valor absoluto de Z con el valor crítico correspondiente a un nivel de significancia α = 0.05.
3. RESULTADOS
3.1 Frecuencia y tipo de uso de herramientas de inteligencia artificial (IA)
El gráfico 1 presenta la frecuencia de uso de IA entre los estudiantes de los Centros Regionales Universitarios de Coclé, Veraguas y Azuero. El uso diario de IA fue más frecuente en Veraguas (41,2 %), seguido por Coclé (38,3 %) y Azuero (17,5 %). En frecuencia semanal, Coclé lidera con 40,7 %, seguido de Veraguas (37,0 %) y Azuero (22,2 %). Para el uso ocasional, Coclé también predominó con 48,6 %, seguido por Veraguas (26,8 %) y Azuero (24,6 %). En el uso mensual, Coclé reportó 53,3 %, mientras que Veraguas y Azuero presentaron 26,7 % y 20,0 %, respectivamente. La categoría “nunca usa” mostró la tendencia inversa, siendo Azuero la región con mayor proporción de estudiantes que no utilizan IA (66,7 %), frente a Coclé (22,2 %) y Veraguas (11,1 %).
Gráfico 1. Estudiantes encuestados en Veraguas, Coclé y Azuero según frecuencia de uso. 2025
El uso de aplicaciones gratuitas predominó ampliamente en los tres centros, tal como se observa en el gráfico 2. En Coclé, el 93,4 % de los estudiantes utiliza principalmente herramientas gratuitas, 4,8 % combina gratuitas y pagas, y 0,6 % emplea únicamente herramientas pagas; solo 1,2 % no utiliza IA. En Veraguas, 90,4 % usa gratuitas, 8,8 % combinadas y 0,7 % no utiliza IA. En Azuero, 87,5 % emplea IA gratuita, 5,7 % combina gratuitas y pagas, y 6,8 % no utiliza IA.
Gráfico 2. Estudiantes encuestados en Veraguas, Coclé y Azuero, según el uso de aplicaciones gratuitas o pagas. 2025
El tiempo promedio semanal dedicado a la IA muestra que la mayoría de los estudiantes utiliza estas herramientas menos de 1 hora por semana: Coclé (65,3 %), Veraguas (47,8 %) y Azuero (54,5 %). Entre 1 y 3 horas semanales, las proporciones fueron similares: Coclé (28,1 %), Veraguas (28,7 %) y Azuero (30,7 %). Los usos prolongados (entre 4 y 10 horas o más) fueron minoritarios, con valores inferiores al 6 % en todos los centros, excepto Veraguas, que alcanzó 16,9 % en el rango de 4 y 6 horas.
3.2 Actividades académicas y percepción de efectividad
El gráfico 3 agrupa las actividades académicas más frecuentes con IA, incluyendo investigación y búsqueda (Coclé 71,3 %, Veraguas 68,4 %, Azuero 68,2 %), resúmenes de lectura y redacción de ensayos (entre 36,5 % y 54,4 %), estudios de idiomas (entre 16,8 % y 19,3 %), resolución de problemas matemáticos (entre 12,5 % y 22,8 %) y programación (entre 5,7 % y 14,7 %). La categoría “otras actividades” fue minoritaria.
Gráfico 3. Estudiantes encuestados en Veraguas, Coclé y Azuero según el uso de IA en actividades académicas más frecuentes. 2025
En cuanto a la confiabilidad percibida de las respuestas de IA, la mayoría de los estudiantes consideró las respuestas “bastante confiables” (Azuero 62,5 %, Coclé 53,3 %, Veraguas 53,7 %), mientras que las valoraciones “muy confiables” fueron menores al 9 %. Entre 23,9 % y 36,8 % percibieron respuestas poco confiables, siendo Coclé y Veraguas las regiones con mayor proporción, y la percepción de respuestas nada confiables fue prácticamente inexistente.
Respecto al impacto en el aprendizaje, la mayoría reportó que la IA mejoró su comprensión de manera parcial o significativa. En Azuero, el 45,5 % indicó mejora parcial y 36,4 % mejora significativa; en Coclé, 61,7 % parcial y 31,1 % significativa; en Veraguas, 53,7 % parcial y 36,0 % significativa. Solo un pequeño porcentaje reportó dificultad o ningún impacto.
Los niveles de satisfacción con los resultados de aprendizaje fueron mayormente positivos: Azuero (satisfechos 47,7 %, muy satisfechos 17,0 %), Coclé (45,5 % y 15,0 %) y Veraguas (50,7 % y 14,7 %). La proporción neutral osciló entre 26.1 % y 37.1 %, mientras que la insatisfacción fue mínima (<1 %).
3.3 Dificultades y riesgos asociados al uso de IA
En el gráfico 4 se observa que la principal dificultad señalada se refiere a errores en la información en 48,9 % en Azuero, 67,7 % en Coclé y 61,8 % en Veraguas. Le sigue la falta de pensamiento crítico, percibida por 17,0 % (Azuero), 29,3 % (Coclé) y 36,0 % (Veraguas), y los sesgos en las respuestas alcanzaron 28,7 % en Veraguas. Otros problemas incluyeron dependencia excesiva (entre 12,5 % y 18,0 %) y dificultad para interpretar las respuestas (entre 8,0 % y 19,8 %).
Gráfico 4. Estudiantes encuestados en Veraguas, Coclé y Azuero según dificultades por el uso de IA en actividades académicas. 2025
Sobre el impacto en habilidades cognitivas, la percepción de efecto negativo fue alta: Azuero 54,5 %, Coclé 65,9 % y Veraguas 66,2 %. La indecisión osciló entre 13,2 % y 23,9 %, y quienes consideran que no hay efecto negativo representaron entre 15,9 % y 19,9 %.
Los riesgos percibidos por el uso excesivo de IA incluyeron dependencia tecnológica (Azuero 59,1 %, Coclé 62,3 %, Veraguas 59,6 %) y pérdida de habilidades de investigación (entre 55,7 % y 69,9 %). La desinformación y la falta de creatividad afectaron a entre 36,4 % y 47,1 % de los estudiantes, mientras que otros riesgos fueron minoritarios (<3 %).
3.4 Plataformas de IA más utilizadas
Para trabajos de texto, se observa en el gráfico 5 que las tres plataformas predominantes fueron ChatGPT, entre 75% y 82,4%, Gemini, entre 69,3% y 71,6%, y Grammarly, entre 10,8% y 21,3%.
Gráfico 5. Estudiantes encuestados en Veraguas, Coclé y Azuero según la plataforma de IA más utilizada para texto. 2025
En resolución de problemas, gráfico 6, Photomath lideró (Azuero 31,8 %, Coclé 37,7 %, Veraguas 51,5 %), seguido de Symbolab (entre 9,1 % y 27,2 %) y Microsoft Math (entre 6,0 % y 11,8%), mientras que una proporción considerable no utiliza herramientas específicas (Azuero 60,2 %, Coclé 50,3 %, Veraguas 42,6 %).
Gráfico 6. Estudiantes encuestados en Veraguas, Coclé y Azuero según la plataforma de IA más utilizada para problemas numéricos. 2025
En el gráfico 7, para presentaciones e imágenes, Canva fue predominante (Azuero 81,8 %, Coclé 83,8 %, Veraguas 85,3 %), seguido de Gamma (entre 17,0 % y 33,8 %) y Microsoft Designer (entre 14,4 % y 19,1 %). Otras plataformas fueron usadas marginalmente (<5 %).
Gráfico 7. Estudiantes encuestados en Veraguas, Coclé y Azuero según la plataforma de IA más utilizada para presentaciones o imágenes. 2025
3.5 Análisis cualitativo de las percepciones de los estudiantes
El análisis de las respuestas abiertas permitió identificar percepciones complementarias a los resultados cuantitativos. Se procedió a realizar un análisis de contenido temático a partir de los aportes textuales e individuales recolectados en las opciones abiertas del cuestionario (reactivos de profundización sobre otras dificultades, usos alternativos y percepciones de riesgo). El vaciado y examen de las narrativas en las sedes de Coclé, Veraguas y Azuero dio como origen tres categorías emergentes fundamentales:
Categoría A: validación humana y escepticismo ante sesgos o errores. En sintonía directa con las preocupaciones estadísticas manifestadas sobre la veracidad de los datos, los universitarios expresaron un juicio crítico riguroso. Destaca la perspectiva explícita de los estudiantes al advertir sobre el riesgo de desarrollar una “demasiada confianza en la respuesta dada y no verificar la información” (estudiantes, CRU Coclé). Esto demuestra que el estudiantado es consciente de las “alucinaciones” de los modelos lingüísticos y reconoce la necesidad de un filtrado humano autónomo.
Categoría B: limitaciones en la interacción de técnicas y formulación de instrucciones. Más allá de las dificultades preestablecidas en la encuesta, la data cualitativa arrojó problemas vinculados a la destreza operativa. En Azuero, un estudiante enfatizó la existencia de barreras en el diseño de instrucciones, precisando: “Si no se hace un buen prompt, no te lo da como es”, lo cual evidencia que la calidad de la respuesta cualitativa depende intrínsecamente del desarrollo de competencias digitales previas.
Categoría C: orientación instrumental de la herramienta. En los campos cualitativos libres donde se abordaron los riesgos latentes de la delegación tecnológica masiva, emergieron reflexiones éticas con un alto nivel de autoconciencia sobre la educación del futuro. Los participantes manifestaron explícitamente su preocupación en torno a la “falta de desarrollo en el pensamiento crítico” (Estudiante, CRU Azuero) y a las “limitaciones de uso” (Estudiante, CRU Veraguas), conceptualizando la herramienta como un tutor o guía de apoyo metodológico, pero alertando de que su abuso puede desarticular las habilidades autónomas de investigación.
Estas percepciones cualitativas coinciden con los resultados cuantitativos observados en el estudio, particularmente en relación con los beneficios asociados a la mejora de la comprensión y los riesgos vinculados a la pérdida de habilidades de investigación y pensamiento crítico.
3.6 Pruebas de hipótesis sobre diferencias regionales en el uso de IA
Se realizaron pruebas de hipótesis para la diferencia de proporciones entre las regiones P1 (Coclé), P2 (Veraguas) y P3 (Azuero) para cada herramienta de IA. Las comparaciones por pares incluyeron P1 vs P2, P1 vs P3 y P2 vs P3, considerando un nivel de significancia de 0.05.
En el ámbito de textos, se detectaron diferencias significativas en el uso de ChatGPT y Gemini en las proporciones de Veraguas vs. Azuero, de Grammarly en Veraguas vs. Coclé y en el no uso de IA, Azuero vs. Coclé. En resolución de problemas, las mayores diferencias se observaron entre Veraguas y Azuero, especialmente en Photomath y Symbolab. Para presentaciones, únicamente Gamma mostró diferencias significativas, con Veraguas superando a Coclé y Azuero, mientras que Canva presentó porcentajes similares en las tres regiones.
4. DISCUSIÓN
Los hallazgos de este estudio muestran que el uso de herramientas de inteligencia artificial (IA) en los Centros Regionales Universitarios de Coclé, Veraguas y Azuero es generalizado, aunque presenta variaciones significativas según la región y el tipo de herramienta. La frecuencia de uso refleja que Veraguas presenta la mayor adopción diaria de IA, mientras que Azuero muestra la menor, coincidiendo con patrones de adopción tecnológica que sugieren que la infraestructura, el acceso a dispositivos y la familiaridad con la tecnología pueden influir en la integración de estas herramientas en el aprendizaje (Kaplan & Haenlein, 2019; Reig, 2024).
El predominio de herramientas gratuitas, observado en los tres centros, concuerda con lo reportado por Vera-Rubio et al. (2023), quienes señalan que los estudiantes tienden a seleccionar aplicaciones accesibles que permiten un uso inmediato y flexible, especialmente para tareas de redacción y búsqueda de información. La proporción significativamente alta de uso de herramientas gratuitas en Coclé (93,4 %) y Veraguas (90,4 %) indica que, más allá de la disponibilidad económica, los estudiantes priorizan la facilidad de acceso y la familiaridad con las plataformas. Esto también se vincula con la percepción de confiabilidad, ya que la mayoría de los estudiantes consideró las respuestas de IA como “bastante confiables”, siguiendo la tendencia observada por Calderón (2024) en contextos educativos similares. No obstante, tal como se sintetiza en la matriz de triangulación metodológica (ver tabla 1), este indicador cuantitativo de confianza alta se matiza al contrastarlo con el escepticismo activo reportado en la fase cualitativa (categoría A), donde el estudiante reconoció el peligro de incurrir en una aceptación ciega de los datos arrojados por la IA sin un proceso de verificación humana autónoma. Esto demuestra una convergencia mixta: los sujetos valoran la eficiencia operativa de los entornos automatizados, pero preservan una postura crítica frente a su veracidad.
En relación con los tiempos de uso, los resultados muestran que la mayoría de los estudiantes dedica menos de 1 a 3 horas semanales a la IA, lo que sugiere que estas herramientas se emplean principalmente de manera puntual para complementar tareas académicas, tal como lo señalan Kitsantas et al. (2019) y Lengua Cantero et al. (2020), quienes destacan que el uso estratégico y moderado de la IA permite reforzar procesos de aprendizaje sin generar dependencia tecnológica. Esta interpretación se ve respaldada por la percepción de que la IA contribuye a mejorar la comprensión parcial o significativa de los contenidos, aunque existe un pequeño grupo que reporta efectos nulos o negativos.
En cuanto a las actividades académicas, la IA se utiliza mayoritariamente para investigación, redacción de ensayos y resúmenes de lectura, mientras que su aplicación en programación o resolución de problemas matemáticos y científicos es más limitada. Este patrón coincide con lo reportado por Wisner Glusko (2023) y Calderón (2024), quienes indican que la adopción de IA en tareas de análisis y escritura es más frecuente que en actividades que requieren pensamiento crítico o habilidades matemáticas avanzadas. Sin embargo, el uso de Photomath y Symbolab en Veraguas demuestra que ciertos estudiantes recurren a herramientas especializadas, reflejando una diversificación de estrategias según la necesidad académica.
Los resultados sobre dificultades y riesgos asociados al uso de IA revelan que entre los estudiantes se perciben problemas como errores en la información y una sensible carencia de pensamiento crítico. Esta percepción está alineada con los análisis de Salmerón Moreira et al. (2023) y la UNESCO (2024), que advierten que, aunque la IA tiene un potencial educativo considerable, existe el riesgo de dependencia tecnológica y de una pérdida de autonomía investigativa si no se promueve un uso crítico y reflexivo.
La alta proporción de estudiantes que perciben efectos negativos en habilidades cognitivas, especialmente en Coclé y Veraguas, se ve respaldada analíticamente por las preocupaciones éticas sistematizadas en la tabla 1. La correspondencia metodológica en este punto evidencia que la preocupación estadística en torno al detrimento intelectual se traduce cualitativamente en una autoconciencia explícita de los universitarios sobre los límites éticos del uso del software (categoría C), coincidiendo en que la delegación analítica sin restricciones metodológicas compromete la madurez de su propio pensamiento independiente.
El análisis de las plataformas más utilizadas evidencia patrones de adopción homogénea de herramientas ampliamente conocidas, como ChatGPT, Gemini y Canva, mientras que la utilización de plataformas secundarias muestra diferencias regionales significativas. La predominancia de ChatGPT y Gemini, junto con la aceptación general de su confiabilidad, refuerza la idea de que los estudiantes valoran plataformas robustas y ampliamente difundidas, tal como sugieren Kaplan & Haenlein (2019) y Reig (2024).
La variabilidad observada en herramientas secundarias, como Grammarly, Photomath y Gamma, permite identificar oportunidades para orientar a los estudiantes en el uso de recursos complementarios que potencien sus aprendizajes. Sin embargo, al integrar la perspectiva cualitativa (ver tabla 1), se devela la brecha técnica relevante: la aparente adopción masiva reflejada en las encuestas cuantitativas no necesariamente presupone un dominio de competencias digitales avanzadas. Las barreras identificadas respecto a la formulación de instrucciones (prompting) en la categoría B demuestran que la efectividad de las respuestas de las plataformas secundarias está supeditada a las destrezas de comunicación digital previas del usuario, justificando el diseño de programas de alfabetización tecnológica institucional.
Las pruebas de hipótesis confirmaron diferencias significativas en la adopción de ciertas herramientas entre las regiones, especialmente en la elección de herramientas secundarias y en la proporción de estudiantes que no utilizan IA. Esto evidencia que, si bien la IA es ampliamente utilizada, la integración efectiva puede depender de factores contextuales como la infraestructura tecnológica, la formación docente y la cultura digital de cada centro (Flores-Vivar & García-Peñalvo, 2025). Por ejemplo, Veraguas destaca por la mayor diversidad y adopción de herramientas especializadas, mientras que Azuero muestra menor integración tecnológica, lo que podría estar relacionado con estos factores.
Los resultados sugieren que la IA se ha consolidado como un recurso complementario importante en el aprendizaje universitario, con alto grado de aceptación y percepción de efectividad. Sin embargo, también revelan riesgos potenciales en el desarrollo de habilidades cognitivas y la necesidad de promover un uso crítico y consciente de estas herramientas, siguiendo las recomendaciones de la literatura (Kitsantas et al., 2019; Lengua Cantero et al., 2020; Salmerón Moreira et al., 2023; UNESCO, 2023, 2024). Estos hallazgos ofrecen una base sólida para diseñar estrategias pedagógicas que integren la IA de manera responsable, adaptadas a los contextos regionales y centradas en el desarrollo de competencias clave de los estudiantes.
Tabla 1. Matriz de triangulación metodológica complementaria del estudio mixto
|
Componente cuantitativo (Estadística general) |
Componente cualitativa (Categorías emergentes) |
Interpretación integrada (Triangulación metodológica |
|
Confiabilidad e integridad de datos: elevados porcentajes identifican “errores en la información” como la principal dificultad. |
Categoría A (Validación y sesgo): escepticismo activo ante la fiabilidad y necesidad expresa de verificar la información obtenida. |
Convergencia confirmatoria: la desconfianza estadística se valida con un juicio crítico activo. Los estudiantes reconocen el valor operativo de la IA, pero alertan sobre el riesgo latente de pasividad intelectual. |
|
Habilidad e interacción técnica: adopción masiva y homogénea de ChatGPT y Gemini como plataformas principales para el procesamiento de textos. |
Categoría B (Límites de interacción): identificación de barreras operativas severas asociadas a la redacción y precisión de los prompts. |
Complementariedad operativa: la adopción generalizada de la herramienta cuantitativa no presupone un dominio técnico avanzado. La efectividad reportada está condicionada a la destreza individual en la estructuración de instrucciones. |
|
Impacto cognitivo percibido: altos índices de alerta en torno a efectos negativos en habilidades cognitivas y pérdida de autonomía investigativa. |
Categoría C (orientación instrumental): autoconciencia ética del alumnado sobre los riesgos de atrofia cognitiva por desuso reflexivo. |
Sintonía reflexiva: la triangulación demuestra que el temor estadístico es consciente en el sujeto. Los estudiantes experimentan una alta satisfacción operativa, pero albergan temores válidos sobre la pérdida de pensamiento crítico. |
Nota: Elaboración propia a partir de la integración de los datos de frecuencia y el análisis temático de contenido (2025)
5. CONCLUSIONES
El estudio evidencia que los estudiantes de los Centros Regionales Universitarios de Coclé, Veraguas y Azuero, ubicados en las provincias centrales de Panamá, utilizan ampliamente herramientas de inteligencia artificial, con predominio de aplicaciones gratuitas y mayor frecuencia en Veraguas y Coclé. La IA se emplea principalmente en investigación, búsqueda de información y redacción de textos, mejorando la comprensión y generando altos niveles de satisfacción. Se identifican, no obstante, riesgos asociados al uso excesivo, como dependencia tecnológica, pérdida de habilidades de investigación y posibles sesgos en las respuestas, así como impactos negativos en el desarrollo del pensamiento crítico y la resolución de problemas.
Las pruebas de hipótesis revelan diferencias regionales en el uso de ciertas herramientas específicas,como ChatGPT, Gemini y Grammarly, mientras que otras, como Canva, muestran adopción homogénea.En conjunto, estos hallazgos aportan evidencia concreta sobre el patrón de uso, percepción y riesgos asociados a la IA en la educación universitaria panameña, proporcionando información valiosa para orientar estrategias pedagógicas que optimicen su implementación y promuevan un uso responsable de estas tecnologías. Sería interesante, además, replicar este estudio en otras sedes regionales de la Universidad de Panamá, en especial en su sede central en la capital del país, así como en otras universidades, públicas y particulares, para ampliar la comprensión del uso de la IA en contextos educativos diversos y contrastar posibles diferencias regionales y sectoriales.
En consecuencia, la integración de la inteligencia artificial en la educación superior debe abordarse desde una visión estratégica que combine innovación tecnológica con formación ética y pedagógica. Los resultados de este estudio abren la posibilidad de diseñar modelos educativos que incorporen la IA como aliada del aprendizaje activo, la investigación y la creatividad, sin desplazar el rol del pensamiento crítico y la autonomía del estudiante. Este enfoque permitirá avanzar hacia una educación universitaria más inclusiva, competente y adaptada a las demandas del siglo XXI.
AGRADECIMIENTOS
Los autores expresan su agradecimiento a los Centros Regionales Universitarios participantes, así como a sus directores, por la apertura y las facilidades brindadas durante el desarrollo de esta investigación. Asimismo, se reconoce el valioso apoyo del cuerpo docente en la difusión y aplicación de la encuesta digital. Un agradecimiento especial se dirige a los estudiantes que, con disposición y compromiso, dedicaron parte de su tiempo a compartir sus experiencias y percepciones sobre el uso de la inteligencia artificial en su aprendizaje.
REFERENCIAS
Benítez Iglesias, R. (2013). Inteligencia artificial avanzada. Editorial Universitat Oberta de Catalunya, UOC. ISBN: 9788490298879. https://dialnet.unirioja.es/institucion/419/editor
Calderón, C. (2024, julio 23). El 73% de universitarios peruanos utiliza inteligencia artificial para hacer tareas: estos son los motivos. Infobae. https://www.infobae.com/peru/2024/07/23/el-73-de-universitarios-peruanos-utiliza-inteligencia-artificial-para-hacer-tareas-estos-son-los-motivos/
Díaz, P., Cerrud, J. D., Saavedra, L. M., & Rodríguez, M. D. (2025). Perception of First-Year Students at the University of Panama on The Use of Artificial Intelligence in Everyday Life. Revista de Gestão Social e Ambiental, 19(8), e013248. https://doi.org/10.24857/rgsa.v19n8-082
Flores-Vivar, J., & García-Peñalvo, F. (2023). Reflections on the ethics, potential, and challenges of artificial intelligence in the framework of quality education (SDG4). [Reflexiones sobre la ética, potencialidades y retos de la Inteligencia Artificial en el marco de la Educación de Calidad (ODS 4)]. Comunicar, 74, 37-47. https://doi.org/10.3916/C74-2023-03
Johnson, R. B., Onwuegbuzie, A. J., & Turner, L. A. (2007). Toward a definition of mixed methods research. Journal of Mixed Methods Research, 1(2), 112–133. https://doi.org/10.1177/1558689806298224
Kaplan, A., & Haenlein, M. (2019). Siri, Siri, in my hand: Who’s the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence. Business Horizons, 62(1), 15–25. https://doi.org/10.1016/j.bushor.2018.08.004
Kitsantas, A., Baylor, A., & Hiller, S. (2019). Intelligent technologies to optimize performance: Augmenting cognitive capacity and supporting self-regulation of critical thinking skills in decision-making. Cognitive Systems Research, 58, 387–397. https://doi.org/10.1016/j.cogsys.2019.05.004
Lengua Cantero, C., Bernal Oviedo, G., Flórez Barboza, W. y Velandia Feria, M. (2020). Tecnologías emergentes en el proceso de enseñanza-aprendizaje: Hacia el desarrollo del pensamiento crítico. Revista Electrónica Interuniversitaria de Formación del Profesorado, 23(3), 83–98. https://doi.org/10.6018/reifop.435611
Meseguer González, P. y López de Mántaras Badia, R. (2017). Inteligencia artificial. Editorial CSIC Consejo Superior de Investigaciones Científicas. http://libros.csic.es/product_info.php?products_id=1154
Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura. (2024). Guía para el uso de IA generativa en educación e investigación. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000389227
Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura. (3 de septiembre de 2024). Qué debe saber acerca de los nuevos marcos de competencias en materia de IA de la UNESCO para estudiantes y docentes. https://www.unesco.org/es/articles/que-debe-saber-acerca-de-los-nuevos-marcos-de-competencias-en-materia-de-ia-de-la-unesco-para?hub=32618
Reig, D. (2024). Inteligencia artificial para potenciarnos en la universidad. Cuadernos de Pedagogía, 549. https://www.cuadernosdepedagogia.com/Content/Documento.aspx?params=H4sIAAAAAAAEAC2Py07DMBBFvwZvLKE-QIKFF_QBRKoKaqJu0SSeJiOMHcbj0v49TtKRLF3dO4_j34R8rfAipvCCjlr0DYEGFjpRVk73wKD7IGPAPkSNXjvQydMZOZIFqwTqaGYKGkngNqEx80HnvII6-4Et8uqalQQBd8BoFip24W8PZ2pBKPgVsKk4oSJrzaaa5Vo-PT8u52o8Erw5DmyCqqO22-UnU3_LIfWv5AR5AwKm3K7Xxcf-67A9FmX1crd42F56ZBrxVUTgpvuEFs2OokBGSU7AhngPsb8o578zfjl2TftDHh4JzeS-Dfdue1ZJJAe1-Hf8UY3LZmbANTj09vahf73SSLxhAQAAWKE
Salmerón Moreira, Y. M., Luna Álvarez, H. E., Murillo Encarnación, W. G. y Pacheco Gómez, V. A. (2023). El futuro de la inteligencia artificial para la educación en las instituciones de educación superior. Revista Conrado, 19(93), 27–34. https://conrado.ucf.edu.cu/index.php/conrado/article/view/3156
Secretaría Nacional de Ciencia, Tecnología e Innovación (2019). Plan Estratégico Nacional de Ciencia, Tecnología e Innovación (PENCYT) 2019–2024. SENACYT. https://www.senacyt.gob.pa/wp-content/uploads/2021/06/PENCYT_2019-2024_ACTUALIZACION-Y-PRIORIZACION-SECTORIAL.pdf
Triola, M. F. (2004). Estadística (9.ª ed.). Pearson Educación. ISBN 970-26-0519-9
Vera-Rubio, P. E., Bonilla-González, G. P., Quishpe-Salcán, A. C. y Campos-Yedra, H. M. (2023). La inteligencia artificial en la educación superior: un enfoque transformador. Polo del Conocimiento, 8(1). https://polodelconocimiento.com/ojs/index.php/es/article/view/6193/15614
Wisner Glusko, D. C. (2023). La IA en la educación universitaria. Cuando el ChatGPT no lo es todo. Cuadernos de Pedagogía, 548. https://www.cuadernosdepedagogia.com/Content/Documento.aspx?params=H4sIAAAAAAAEAMtMSbF1CTEAAmMLMyBSK0stKs7Mz7M1MjAyNjQyNFTLy09JDXFxti3NS0lNy8xLTQEpyUyrdMlPDqksSLVNS8wpTlVLTcrPz0YxKR5mAgCQNcR5YwAAAA==WKE
Cómo citar (APA):
Alfaro, D., González Aguilar, S.M. y Pinzón Castillo, D.Z. (2026). IA en la educación superior: uso y percepción en tres centros regionales universitarios. Revista Educación Superior y Sociedad (ESS), 38(1), 305-319. DOI:10.54674/ess.v38i1.1144