Inteligencia artificial, competencia digital y aficiones personales: implicaciones para la educación superior

Pixel-Bit. Revista de Medios y Educación, 73, art.9 | 2025 | https://doi.org/10.12795/pixelbit.115117 Inteligencia artificial, competencia digital y aficiones personales: implicaciones para la educación superior Artificial intelligence, digital competence and personal hobbies: implications for higher education Dra. Irene López-Secanell Contratada Doctora Acreditada. Florida Universitaria. España Dra. Esther Gamero-Sandemetrio Contratada Doctora Acreditada. Florida Universitaria. España Dra. Estefanía López-Requena Profesora Ayudante Doctora. Universidad de Valencia. España Recibido: 2025/01/24; Revisado: 2025/01/29; Aceptado: 2025/05/10; Online First: 2025/05/21; Publicado: 2025/05/25 RESUMEN En el actual contexto de transformación educativa impulsada por la Inteligencia Artificial (IA), resulta relevante explorar cómo variables como la competencia digital y las aficiones personales se relacionan con el uso de esta tecnología en el ámbito universitario. Este estudio analiza dicha relación en una muestra de 244 participantes (74 docentes y 170 estudiantes) procedentes de distintas universidades españolas. Se aplicó un cuestionario ad hoc de 33 ítems, y los datos fueron analizados mediante pruebas no paramétricas. Los resultados muestran que: i) no existen diferencias significativas entre profesorado y alumnado en cuanto a aficiones vinculadas con la IA, predominando intereses no tecnológicos; ii) los estudiantes utilizan con mayor frecuencia herramientas de IA, mientras que el profesorado destaca en la creación de contenidos mediante estas tecnologías; iii) el alumnado del grado de Educación Primaria presenta mayores niveles de competencia digital global, especialmente en alfabetización informacional, creación de contenidos, seguridad y resolución de problemas; iv) se observaron diferencias significativas entre universidades en creación de contenido digital; v) no se encontraron diferencias significativas según el sexo. Estos hallazgos permiten avanzar en el conocimiento sobre el uso de la IA en educación superior desde una perspectiva competencial y contextual. ABSTRACT In the current context of educational transformation driven by Artificial Intelligence (AI), it is relevant to explore how variables such as digital competence and personal hobbies are related to the use of this technology in higher education. This study analyzes this relationship in a sample of 244 participants (74 teachers and 170 students) from various Spanish universities. A 33-item ad hoc questionnaire was administered, and the data were analyzed using non-parametric tests. The results show that: i) there are no significant differences between teachers and students regarding AI-related hobbies, with non-technological interests predominating; ii) students use AI tools more frequently, while teachers are more involved in content creation through these technologies; iii) students in the Primary Education degree program show higher levels of overall digital competence, especially in information literacy, content creation, safety, and problem-solving; iv) significant differences were observed between universities in digital content creation; v) no significant gender differences were found. These findings contribute to a better understanding of AI use in higher education from a competence-based and contextual perspective. PALABRAS CLAVES · KEYWORDS Inteligencia artificial; educación superior; competencia digital; docentes; tecnología educativa Artificial intelligence; higher education; digital competence; teachers; educational technology Pixel-Bit. Revista de Medios y Educación, 73, art.9 | 2025 | https://doi.org/10.12795/pixelbit.115117 PÁGINA | 2 1. Introducción La Inteligencia Artificial (IA) está transformando la educación al mejorar los procesos de enseñanza-aprendizaje y automatizar tareas administrativas, permitiendo experiencias más personalizadas. Según Rojas (2015), la IA se enfoca en desarrollar máquinas capaces de razonar y resolver problemas con mayor eficiencia que los humanos. Su aplicación en la educación ha generado interés en cómo impacta a estudiantes y docentes (Dawson et al., 2023; Flores-Vivar y García-Peñalvo, 2023). El uso de IA facilita la creación de contenido educativo adaptado y libera a los docentes de tareas burocráticas, pero también plantea desafíos éticos y pedagógicos. La Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura (UNESCO) (2022) resalta la importancia de un uso ético de la IA, asegurando la protección de datos y la privacidad estudiantil. En este sentido, Sanabria-Navarro et al. (2023) subrayan la necesidad de un enfoque crítico para equilibrar la interacción entre humanos y máquinas en la enseñanza. A pesar del crecimiento en la investigación sobre IA y educación (Valencia y Figueroa, 2023), hay una falta de estudios sobre la relación entre la IA, las aficiones y la competencia digital de docentes y estudiantes. Para abordar esta brecha, el artículo examina las herramientas de IA utilizadas por el profesorado universitario y futuros docentes en distintos niveles educativos, relacionándolas con sus intereses y actividades extracurriculares. Este estudio es relevante porque permite comprender cómo los pasatiempos influyen en la adopción de IA, identificar oportunidades para mejorar la enseñanza digital y analizar la integración de IA en la educación a distancia. Con una muestra significativa de la Universidad Internacional de Valencia, se exploran estrategias para adaptar la IA a entornos virtuales, favoreciendo procesos de aprendizaje más autónomos y personalizados. 1.1 Aproximación al origen de la IA Durante la etapa de 1950-1960 se plantearon las primeras ideas sobre la posibilidad de crear entidades artificiales. En este periodo, destaca la intervención de Alan Turing, quien en un artículo publicado en 1956 en la revista MIND planteó la posibilidad de que las máquinas pudieran pensar. No obstante, el concepto de “Inteligencia Artificial” fue acuñado por primera vez en 1955, cuando John McCarthy propuso la organización de un taller durante el verano de 1956 dedicado a esta temática (McCarthy et al., 2006). En la década siguiente (1960-1970), se desarrollaron los primeros programas capaces de emular el razonamiento humano, los cuales se potenciaron entre el 1980 y 1990. En este último periodo, emergieron enfoques de aprendizaje inspirados en la naturaleza, como las redes neuronales artificiales y los algoritmos genéticos. A finales del siglo XX (1990-2000) es cuando se consolidan las bases de la IA en áreas como la informática y la robótica. En este periodo es cuando se empieza a utilizar la IA en el ámbito industrial. Esta aplicabilidad llamó la atención a empresas como Google, que empezaron a invertir en el desarrollo de algoritmos de IA. A partir de 2010, se empiezan a realizar muchos avances sobre esta tecnología, llegando a ser actualmente una herramienta fundamental en una amplia gama de sectores, desde la medicina hasta la educación, revolucionando la forma en que abordamos Pixel-Bit. Revista de Medios y Educación, 73, art.9 | 2025 | https://doi.org/10.12795/pixelbit.115117 PÁGINA | 3 problemas complejos y generando nuevas oportunidades de innovación (Russell y Norvig, 2010). 1.2 Uso de la IA en educación superior: oportunidades y desafíos El uso de la Inteligencia Artificial (IA) en educación ha crecido significativamente, con estudios que analizan sus beneficios y desafíos. Aunque se vislumbra un futuro prometedor, existen implicaciones éticas que requieren regulación (Flores-Vivar y García-Peñalvo, 2023). Organismos como la UNESCO (2021) y la Comisión Europea (2020) han impulsado debates sobre la equidad en el acceso y la necesidad de un marco ético basado en privacidad, transparencia y responsabilidad. La IA en educación ofrece diversas oportunidades, como mejorar la enseñanza a nivel global, ampliar el acceso al conocimiento, optimizar tareas operativas y aumentar la eficiencia en diversas profesiones (Long y Siemens, 2011). Además, facilita el aprendizaje autónomo y personalizado mediante herramientas de monitoreo académico y optimización de la toma de decisiones en instituciones educativas. Sin embargo, también existen riesgos, como el aumento de la brecha digital, el desplazamiento de trabajadores, la marginación de grupos sin acceso tecnológico y la dependencia excesiva de la IA. Asimismo, surgen preocupaciones éticas sobre el uso indebido de datos y la privacidad de la información. En este contexto, la IA generativa destaca por su capacidad para crear contenido original, como textos, imágenes y música (Bonilla et al., 2024). Modelos como ChatGPT pueden enriquecer la enseñanza a través de la programación de actividades, evaluación y personalización de recursos didácticos (Flores-Vivar y García-Peñalvo, 2023). Además, permite diseñar herramientas de aprendizaje como rúbricas, trivias educativas y cuentos interactivos, adaptando el contenido a las necesidades individuales del estudiantado (García-Peñalvo, Llorens-Largo y Vidal, 2024). A pesar de sus desafíos, la IA generativa representa una oportunidad clave para transformar la educación y mejorar la enseñanza mediante enfoques más innovadores y personalizados. 1.3 La competencia digital en el contexto universitario La integración de la IA en la sociedad ha enfocado la atención en el ámbito educativo, generando un interés creciente en el nivel de competencia digital de los futuros/as docentes y del profesorado en activo. Según la UNESCO (2021), los sistemas escolares deben garantizar que el estudiantado esté preparado adecuadamente para desenvolverse en un mundo donde la IA ha llegado para transformar nuestras formas de vida. En este contexto, es fundamental que tanto estudiantes como profesorado cuente con habilidades digitales sólidas. El Marco Europeo de Competencia Digital para Educadores (DigCompEdu) (Redecker, 2020) define la competencia digital como aquella capacidad para utilizar las tecnologías digitales, no solo para mejorar la enseñanza, sino también en sus interacciones profesionales. Este marco sostiene que la competencia digital en educación no se limita al Pixel-Bit. Revista de Medios y Educación, 73, art.9 | 2025 | https://doi.org/10.12795/pixelbit.115117 PÁGINA | 4 mero uso de tecnologías, sino que también implica considerar cómo se integran en los procesos de enseñanza-aprendizaje. Por lo tanto, “es parte de la competencia digital de los educadores capacitar a los estudiantes para participar de forma activa en la vida y el trabajo en una era digital” (Redecker, 2020, p.17). A continuación, se detallan aquellas competencias específicas necesarias para facilitar el desarrollo de la competencia digital entre el estudiantado (ver tabla 1). Tabla 1 Competencias y subcompetencias específicas para el desarrollo de la competencia digital del estudiantado Competencias específicas Subcompetencias específicas Compromiso profesional Comunicación organizativa, Colaboración profesional, Práctica reflexiva, Desarrollo profesional continua a través de medios digitales. Contenidos digitales Selección de recursos digitales, Creación y modificación de recursos digitales, Protección, gestión e intercambio de contenidos digitales Enseñanza y aprendizaje Evaluación y retroalimentación Empoderamiento de los estudiantes Desarrollo de la competencia digital de los estudiantes Enseñanza, Orientación y apoyo en el aprendizaje, aprendizaje colaborativo, aprendizaje autorregulado. Estrategias de evaluación, Analíticas de aprendizaje, retroalimentación, programación y toma de decisiones Accesibilidad e inclusión, personalización, compromiso activo de los estudiantes con su propio aprendizaje Información y alfabetización mediática, Comunicación y colaboración digital, Creación de contenido digital, Uso responsable, Resolución de problemas digitales Nota. Redecker (2020, p.25) Para enriquecer este marco competencial, el modelo TPACK ofrece una comprensión más profunda de las habilidades necesarias para los docentes en un entorno digital. Este modelo establece un marco conceptual para entender los conocimientos que un profesor debe tener para integrar eficazmente la tecnología en la enseñanza. Según este modelo, se identifican tres tipos de conocimientos clave: i) el conocimiento tecnológico (TK), el cual implica entender cómo funciona la tecnología; ii) el conocimiento del contenido (CK), nos ayuda a entender el tema que se va a aprender o enseñar y iii) el conocimiento pedagógico (PK), el cual plantea la formación en estrategias de enseñanza-aprendizaje y la didáctica para ejercer la profesión. Pixel-Bit. Revista de Medios y Educación, 73, art.9 | 2025 | https://doi.org/10.12795/pixelbit.115117 PÁGINA | 5 La interacción entre estos tres tipos de conocimientos da lugar a tres formas de saberes emergentes, derivados de la combinación de dos de ellos: i) el Contenido DisciplinarioContenido Pedagógico (PCK), es decir, se amalgaman el contenido y la pedagogía sin la aplicación de la tecnología; ii) el Contenido Disciplinario-Contenido Tecnológico (TCK), en este caso el profesorado debe tener un conocimiento más profundo del tema a enseñar y emplear, en cierta medida, la tecnología y iii) el Contenido Pedagógico-Contenido Tecnológico (TPK), el cual resalta el “cómo” la enseñanza y el aprendizaje pueden transformar la pedagogía y el método de enseñanza cuando se integran las tecnologías. Esta fusión implica un entendimiento pedagógico y el dominio de herramientas tecnológicas. Solo cuando los tres elementos convergen se logra el propósito del modelo, el cual radica en el conocimiento pedagógico tecnológico del contenido (TPACK). Tanto el marco competencial de DigCompEdu (Redecker, 2020) como las habilidades que se desarrollan en el TPACK, no generarán un impacto significativo por sí solas. Su efectividad radicará en la forma en que sean integradas en las prácticas pedagógicas y en cómo transformarán los métodos de enseñanza y aprendizaje. Por ello, se requiere una revisión y renovación de las estrategias educativas para lograr cambios significativos y aprovechar plenamente el potencial de la tecnología en la educación universitaria. En esta línea, Revuelta-Domíngez et al. (2022) destacan un creciente interés en desarrollar la competencia digital del profesorado a través de modelos de formación y evaluación, pero subrayan la necesidad de que los responsables políticos diseñen planes de formación integral y continua que tengan una transferencia directa a la práctica docente en el aula. Autores como Spirina (2018) y Flores-Vivar y García-Peñalvo (2023) proponen que la IA y su uso deberían incorporarse en los currículos escolares y universitarios y, por ello, sugieren opciones como trabajar la IA en actividades extraescolares como seminarios, workshops o realizar la organización de hackatones. Con base en estas evidencias, la investigación desarrollada está guiada por la pregunta de investigación: ¿En qué medida la IA se relaciona con las aficiones y la competencia digital de estudiantes y docentes? En relación con esta pregunta de investigación, se plantea el objetivo general: analizar la relación entre la IA, las aficiones y la competencia digital de estudiantes y docentes. A partir de este objetivo general, se plantean los siguientes objetivos específicos: • Analizar la relación entre la IA y las aficiones del alumnado y el profesorado en respuesta a la pregunta de investigación ¿En qué medida existen diferencias entre el alumnado y el profesorado en las aficiones relacionadas con la IA? • Determinar si hay diferencias entre el alumnado y el profesorado en el nivel de competencia digital y/o uso de recursos IA en respuesta a la pregunta de investigación ¿Hasta qué punto difiere el uso de la IA y otras competencias digitales entre profesorado y alumnado? • Determinar si hay diferencias en función del sexo en el nivel de competencia digital y/o uso de recursos IA en respuesta a la pregunta de investigación ¿En qué medida las competencias digitales, como el uso de la IA, dependen del sexo? • Determinar si hay diferencias en función del nivel educativo en el nivel de competencia digital y/o uso de recursos IA en respuesta a la pregunta de investigación ¿En qué medida las competencias digitales, como el uso de la IA, dependen del nivel educativo? Pixel-Bit. Revista de Medios y Educación, 73, art.9 | 2025 | https://doi.org/10.12795/pixelbit.115117 PÁGINA | 6 • Determinar si hay diferencias en función del centro educativo en el nivel de competencia digital y/o uso de recursos IA en respuesta a la pregunta de investigación ¿En qué medida las competencias digitales, como el uso de la IA, difieren entre centros educativos? Como hipótesis de trabajo inicial se plantea que existen diferencias entre el alumnado y el profesorado en cuanto a las aficiones relacionadas con la IA, la competencia digital y el uso de recursos IA, siendo mayor el porcentaje de respuesta afirmativa por parte del alumnado. En cuanto al sexo, se espera que no haya diferencias y, en referencia al nivel educativo, que las competencias digitales sean mejores a mayor nivel. 2. Metodología 2.1 Muestra La muestra de trabajo está formada por 244 participantes siendo 74 profesores/as y 170 alumnos/as. Entre el profesorado el 70% son mujeres, el 28% son hombres y el 2% prefieren no responder a esta cuestión. El 50% de los docentes imparten clase en el grado de educación infantil, el 5% en el grado de primaria, el 20% en la doble titulación infantil/primaria y el 25% en el máster de profesorado de educación secundaria. En cuanto a su procedencia, el 66% corresponde a profesorado de Florida Universitaria, el 27% de la Universidad Internacional de Valencia (VIU) y el 7% de la Universitat de Lleida (UDL). Entre el alumnado el 71% son mujeres, el 27% son hombres y el 2% prefieren no responder. El 16% cursan el grado de educación infantil, el 35% el grado de primaria, el 18% la doble titulación infantil/primaria y el 31% el máster de profesorado de educación secundaria. El 87% del alumnado procede de Florida Universitaria, el 4% de la Universidad Internacional de Valencia (VIU) y el 9% de la Universitat de Lleida (UDL). 2.2 Adquisición y procesamiento de datos Para abordar los objetivos de dicha investigación se plantea un diseño no experimental dentro del paradigma positivista definiendo las variables a medir en base a dos cuestionarios validados que fueron adaptados al presente estudio y realizados vía telemática según si la muestra era el profesorado o el alumnado. En relación con el cuestionario sobre el uso de los recursos de IA, se utilizó y adaptó el instrumento desarrollado en el marco del Proyecto Centros Innovadores (Red Educativa DIM-EDU) propuesto por Marquès (s.f.). Aunque este cuestionario fue diseñado originalmente para docentes en activo de educación infantil y primaria, en este estudio se realizaron ajustes en el lenguaje y formulación de algunos ítems para adecuarlos tanto a profesorado como al alumnado universitario, sin modificar el contenido conceptual. Esta adaptación fue revisada por dos expertos en innovación educativa para garantizar la validez de contenido. El cuestionario empleado en la presente investigación consta de las siguientes variables dependientes: Pixel-Bit. Revista de Medios y Educación, 73, art.9 | 2025 | https://doi.org/10.12795/pixelbit.115117 PÁGINA | 7 1. Relación de las aficiones con la IA. Consta de 1 pregunta cuya respuesta es “Sí” o “NO”. Para el análisis se le otorga un 1 al “Sí” y un 0 “No”. 2. Cuestionario de autodiagnóstico de competencias digitales definido por el Ministerio para la transformación digital y de la función pública dentro del programa Pacto por la Generación D (Ministerio de Asuntos Económicos y Transformación digital, s.f.). Consta de 21 preguntas basadas en el Modelo de las Competencias Digitales de la Ciudadanía Española. Las variables que mide son: a. Alfabetización informacional y de datos (Pregunta 1, 2, 3). Puntuación máxima: 9. b. Comunicación y colaboración (Pregunta 4, 5, 6, 7, 8, 9). Puntuación máxima: 18. c. Creación de contenidos digitales (Pregunta 10, 11, 12, 13). Puntuación máxima: 12. d. Seguridad (Pregunta 14, 15, 16, 17). Puntuación máxima: 12. e. Resolución de problemas (Pregunta 18, 19, 20, 21). Puntuación máxima: 12. Por cada pregunta se presentan tres afirmaciones sobre prácticas digitales. En cada una de las afirmaciones se debe responder marcando la opción “Sí” o la opción “No”. Para el análisis se le otorga un 1 al “Sí” y un 0 “No”. A mayor puntuación, mayor competencia en cada área. En el presente estudio se han tenido en cuenta todas las variables del cuestionario, así como todas las preguntas asociadas. 3. Cuestionario sobre el uso de los Recursos IA en los procesos de enseñanza y aprendizaje, diseñado dentro del Proyecto Centros Innovadores (Red Educativa DIM-EDU) (Marquès, s.f.). El cuestionario original se dirige a docentes y mide las siguientes variables: a. Formación recibida sobre la IA y su buen uso para la enseñanza y el aprendizaje. b. Uso de los Recursos IA. c. Uso de los Recursos IA que hace el alumnado. d. Ventajas que se aprecian al integrar estos Recursos IA. e. Problemáticas que se aprecian asociadas con la integración de estos Recursos IA. f. Adaptaciones que se han realizado en el centro al integrar el uso de los Recursos IA. Por cada apartado se presentan diferentes afirmaciones sobre el uso de la IA. Se debe responder a cada afirmación marcando la opción “Sí” o la opción “No”. Para el análisis se le otorga un 1 al “Sí” y un 0 “No”. El presente trabajo ha tenido en cuenta estas tres áreas: Pixel-Bit. Revista de Medios y Educación, 73, art.9 | 2025 | https://doi.org/10.12795/pixelbit.115117 PÁGINA | 8 a. Uso de los Recursos IA (7 afirmaciones, puntuación máxima 7) b. Ventajas y problemáticas que se aprecian al integrar estos Recursos IA (5 afirmaciones, puntuación máxima 5) c. Uso de los recursos IA en el aula (3 afirmaciones, puntuación máxima 3) Por tanto, las variables dependientes del presente estudio son: 1. Relación de las aficiones con la IA 2. Competencia digital. Subvariables: a. Alfabetización informacional y de datos b. Comunicación y colaboración c. Creación de contenidos digitales d. Seguridad e. Resolución de problemas 3. Uso de recursos IA en el proceso enseñanza-aprendizaje. Subvariables: a. Uso de los Recursos IA b. Ventajas y problemáticas que se aprecian al integrar estos Recursos IA c. Uso de los recursos IA en el aula Las variables independientes del estudio son las siguientes: 1. Muestra: se establecen dos grupos: 1. Profesorado 2. Alumnado 2. Sexo: se establecen tres grupos: 0. Hombre 1. Mujer 2. Prefiero no responder. 3. Nivel Educativo: se establecen 4 grupos: 0. Grado Educación Infantil 1. Grado Educación Primaria 2. Simultaneidad Infantil/Primaria 3. MPES (Máster Profesorado) 4. Centro: se establecen 3 grupos: 0. Florida Universitaria 1. Universidad Internacional de Valencia (VIU) 2. Universidad de Lleida (UDL). Pixel-Bit. Revista de Medios y Educación, 73, art.9 | 2025 | https://doi.org/10.12795/pixelbit.115117 PÁGINA | 9 El proceso de recogida de datos se realizó durante el primer trimestre del curso académico 2023-2024. En las universidades presenciales, se seleccionó a un docente de cada titulación para facilitar el acceso al cuestionario durante las clases presenciales. En el caso de la universidad online, el cuestionario fue administrado en directo durante una sesión síncrona por parte del profesorado. La participación fue voluntaria y anónima, y se garantizó que todas las personas participantes fueran informadas sobre los objetivos del estudio y el uso previsto de los datos, asegurando así su consentimiento informado. 2.3. Análisis estadístico Para comprobar analíticamente la distribución normal de los datos, se utilizó la prueba de Kolmogorov-Smirnov y la prueba de Shapiro-Wilk. En todos los resultados numéricos en los que se muestra un análisis estadístico de los datos, la significatividad estadística se obtuvo mediante la prueba no paramétrica U de Mann de Whitney (para 2 muestras) y la prueba Kruskal-Wallis (para k muestras) con un grado de significación bilateral con el fin de analizar si existe diferencias en los valores de las variables dependientes (cuantitativas) entre los grupos definidos por las variables independientes (categóricas). Se han considerado significativos aquellos valores con un valor p (p_value) menor o igual a 0.1, que corresponde a un intervalo de confianza del 90%. Los análisis estadísticos se han llevado a cabo en el programa de análisis estadístico SPSS (Statistical Package for the Social Sciences, versión 24). 2.4. Consideraciones éticas En esta investigación se garantizó en todo momento la confidencialidad de los datos y el anonimato de los participantes. Todos los cuestionarios fueron cumplimentados de manera voluntaria, tras informar adecuadamente sobre los objetivos del estudio, el uso previsto de los datos y su carácter confidencial. No se recogió ningún dato personal identificable. No se requirió la aprobación de un comité de ética, al no implicar intervenciones sobre personas ni recogida de datos sensibles, aunque sí se consultó y validó el procedimiento dentro de los estándares éticos institucionales. 3. Análisis y resultados Inicialmente, para conocer si el comportamiento de los datos de las variables dependientes (y subvariables) es normal o no, se realizaron las pruebas de normalidad de Kolmogorov-Smirnov y la de Shapiro-Wilk. En ambas pruebas el coeficiente es p < .05, por lo que no se asume la hipótesis nula, la muestra no se comporta de manera normal (tabla 2). Con base en los resultados de normalidad, se utilizaron las pruebas no paramétricas U de Mann de Whitney (2 muestras) y de Kruskal-Wallis (k muestras). En respuesta a la pregunta „¿existen diferencias entre el alumnado y el profesorado en las aficiones relacionadas con la IA?“ No se observaron diferencias significativas entre el Pixel-Bit. Revista de Medios y Educación, 73, art.9 | 2025 | https://doi.org/10.12795/pixelbit.115117 PÁGINA | 16 Los datos obtenidos en el estudio subrayan la importancia de la formación continua y del desarrollo de estrategias pedagógicas que integren la IA de manera ética y efectiva. Además, la diferencia en el uso de la IA entre instituciones educativas sugiere la necesidad de políticas homogéneas que promuevan la equidad en la implementación de estas tecnologías. En este sentido, el presente estudio aporta evidencia empírica sobre la interrelación entre la IA y la educación, proporcionando un punto de partida para futuras investigaciones que profundicen en los retos y oportunidades que plantea su incorporación en el contexto universitario. 5.1. Limitaciones y futuras líneas de investigación Este estudio presenta algunas limitaciones que conviene considerar. En primer lugar, el uso exclusivo de métodos cuantitativos limita la comprensión de las motivaciones y percepciones individuales, por lo que futuras investigaciones deberían integrar enfoques cualitativos. Asimismo, la fijación de la significancia en p ≤ 0.1 responde al carácter exploratorio del trabajo, pero sugiere la necesidad de replicar estos análisis con criterios estadísticos más exigentes. Finalmente, aunque se destaca la originalidad del enfoque, sería pertinente explorar con mayor profundidad cómo estos resultados se integran en los marcos conceptuales existentes sobre competencia digital y adopción tecnológica, con el fin de aportar una contribución más teórica y contextualizada al campo. Contribución de los autores Conceptualización, I.L.S.; curación de datos, E.G.S.; análisis formal, E.G.S.; investigación, E.G.S.; metodología, E.G.S. y E.L.R.; administración del proyecto, I.L.S., E.G.S, E.L.R..; recursos, E.G.S.; software, E.G.S. E.L.R .; supervisión, I.L.S.; validación, I.L.S., E.G.S, E.L.R.; visualización, I.L.S., E.G.S, E.L.R.; redacción—preparación del borrador original, I.L.S., E.G.S, E.L.R.; redacción—revisión y edición, I.L.S., E.G.S, E.L.R. Financiación Esta investigación no ha recibido financiación externa Disponibilidad de datos El conjunto de datos utilizados en este estudio están disponibles previa solicitud razonable al autor de correspondencia Aprobación ética No se aplica Consentimiento de publicación No se aplica Conflicto de interés Los autores declaran no tener conflictos de interés Derechos y permisos Open Access. Este artículo está licenciado bajo una Licencia Creative Commons Atribución 4.0 Internacional, que permite el uso, intercambio, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se otorgue el crédito correspondiente al autor original y a la fuente, se proporcione un enlace a la licencia Creative Commons y se indique si se realizaron cambios. Referencias Ayuso del Puerto, D. y Gutiérrez, P. (2022). La Inteligencia Artificial como recurso educativo durante la formación inicial del profesorado. RIED-Revista Iberoamericana de Educación a Distancia, 25(2), 347-362. Pixel-Bit. Revista de Medios y Educación, 73, art.9 | 2025 | https://doi.org/10.12795/pixelbit.115117 PÁGINA | 17 Bonilla, A., Márquez, J. E., Benavides, L. G., y Gutiérrez, F. R. (2024). Inteligencia Artificial Generativa (IAG) en la educación matemática. Encuentro Internacional de educación en Ingeniería. https://doi.org/10.26507/paper.3672 Chiappe, A., San Miguel, C. y Sáez, F.M. (2025). IA generativa versus profesores: reflexiones desde una revisión de la literatura. Píxel-Bit. Revista de Medios y Educación, 72, 119-137. https://doi.org/10.12795/pixelbit.107046 Comisión Europea. (2019). A Definition of AI. Main Capabilities and Disciplines. https://bit.ly/40IOZco Comisión Europea (2020). Libro Blanco sobre la inteligencia artificial: Un enfoque europeo orientado a la excelencia y la confianza. https://bit.ly/4erTpHU Dawson, S., Jocksimovic, J., Mills, C., Gasevic, D. y Siemens, G. (2023). Advancing theory in the age of artificial intelligence guest editors. British Journal of Educational Technology, 54, 10511056. https://doi.org/10.1111/bjet.13343 Flores-Vivar, J., y García-Peñalvo, F. (2023). Reflexiones sobre la ética, potencialidades y desafíos de la inteligencia artificial en el marco de una educación de calidad (ODS4). Comunicar, 74, 37– 47. https://doi.org/10.3916/C74-2023-03 Fombella, J. (2018). Ventajas y amenazas del uso de las TIC en el ámbito educativo. Debates & Prácticas en Educación, 3(2), 30-46. https://bit.ly/48Pgjb0 García Peñalvo, F. J., Llorens-Largo, F., y Vidal, J. (2024). The new reality of education in the face of advances in generative artificial intelligence. [La nueva realidad de la educación ante los avances de la inteligencia artificial generativa]. RIED-Revista Iberoamericana de Educación a Distancia, 27(1), 9-39. https://doi.org/10.5944/ried.27.1.37716 Marquès, P. (s.f). Innovación educativa. https://www.peremarques.net/innovacionportada.htm McCarthy, J., Minsky, M.L., Rochester, N. y Shannon, C.E. (2006). A proposal for the Dartmouth summer research project on artificial intelligence. AI Magazine, 27(4), 12-14. https://doi.org/10.1609/aimag.v27i4.1904 Ministerio de Asuntos Económicos y Transformación digital (s.f.). Cuestionario de autodiagnóstico de Generación D. https://generaciond.gob.es/cuestionario-autodiagnostico Organización Internacional de Cooperación y Desarrollo Económico (OCDE) (2021). OECD Digital Education Outlook 2021: Pushing the frontiers with artificial intelligence, blockchain and robots. https://doi.org/10.1787/589b283f-en Pedreño, A., González, R., Mora, T., Del Mar, E. Ruiz, J. y Torres, A. (2024). La inteligencia artificial en las universidades: retos y oportunidades. Grupo 1MillionBot. Redecker, C. (2020). Marco Europeo para la Competencia Digital de los Educadores (DigCompEdu). Secretaría General Técnica del Ministerio de Educación y Formación Profesional de España. Pixel-Bit. Revista de Medios y Educación, 73, art.9 | 2025 | https://doi.org/10.12795/pixelbit.115117 PÁGINA | 18 Revuelta-Domínguez, F.-I., Guerra-Antequera, J., González-Pérez, A., Pedrera-Rodríguez, M.-I. y González-Fernández, (2022). Digital Teaching Competence: A systematic Review. Sustainability, 14, 6428. https://doi.org/10.3390/su14116428 Rojas, E. M. (2015). Una mirada a la inteligencia artificial. Revista de Ingeniería, Matemáticas y Ciencias de la Información. Revista Ingeniería, Matemáticas y Ciencias de la Información, 2(3), 27-31. https://bit.ly/4hXghSG Russell, S. y Norvig, P. (2010). Artificial Intelligence: A modern approach (3rd. ed.). Prentice Hall. Sanabria-Navarro, J., Silveira-Pérez, Y., Pérez-Bravo, D., y de-Jesús-Cortina-Núñez, M. (2023). Incidences of artificial intelligence in contemporary education. Comunicar, 77, 97-107. https://doi.org/10.3916/C77-2023-08 Selwyn, N., Rivera-Vargas, P., Passeron, E. y Miño-Puigcercos, R. (2022). ¿Por qué no todo es (ni debe ser) digital? Interrogantes para pensar sobre digitalización, datificación e inteligencia artificial en educación. En P. Rivera-Vargas, R. Miño-Puigcercos y E. Passeron (Eds.), Educar con sentido transformador en la universidad (pp.137-147). Octaedro. Long, P. y Siemens, G. (2011). Penetrating the Fog: Analytics in Learning and Education. Educause Review, 46/5), 30-40 Spirina, K. (2018). Is AI here to replace human teachers or is it teacher’s assistant? Towards Data Science. https://medium.com/p/2db6bd624a45 Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura (UNESCO) (2021). International Forum on AI and the futures of education developing competencies for AI era. UNESCO. https://bit.ly/4fNd8D5 Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura (UNESCO) (Ed.). (2022). Recomendación sobre la ética de la inteligencia artificial. https://bit.ly/3KBvPx8 Valencia, A.T. y Figueroa, R. (2023). Incidencia de la Inteligencia Artificial en la Educación. Educatio Siglo XXI, 41(3), 235-264. https://doi.org/10.6018/educatio.555681 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(11), 67-80. https://doi.org/10.23857/pc.v8i11.6193 Zárate, R. (2021). Una vista a las oportunidades y amenazas de la inteligencia artificial en la educación superior. Revista Académica Institucional (RAI), 5, 49-61. https://bit.ly/4fjXmj4 Cómo citar López Secanell, I., Gamero Sandemetrio, E., & López Requena, E. (2025). Inteligencia artificial, competencia digital y aficiones personales: implicaciones para la educación superior [Artificial Pixel-Bit. Revista de Medios y Educación, 73, art.9 | 2025 | https://doi.org/10.12795/pixelbit.115117 PÁGINA | 19 intelligence, digital competence and personal hobbies: implications for higher education]. Pixel-Bit. Revista de Medios y Educación, 73, art.9. https://doi.org/10.12795/pixelbit.115117