81
Revista Científica Multidisciplinar
https://revistasaga.org/
e-ISSN
3073-1151
Julio-Septiembre
, 2026
Vol.
3
, Núm.
3
,
81-94
https://doi.org/10.63415/saga.v3i2.410
Artículo de Investigación
.
La Inteligencia Artificial y su relación en el rendimiento académico en
estudiantes universitarios de Medicina
Artificial Intelligence and Its Relationship with Academic Performance in
University Medical Students
A Inteligência Artificial e sua relação com o desempenho acadêmico de estudantes
universitários de Medicina
Josué Chamba León
1
, Jorge Vivanco Román
1
1
Universidad Nacional de Loja, Ecuador
Recibido
: 2026-06-04 /
Aceptado
: 2026-07-03 /
Publicado
: 2026-07-09
RESUMEN
El presente estudio analizó la relación entre el nivel de preparación en inteligencia artificial y el rendimiento académico
percibido en estudiantes de Medicina de una universidad pública del sur del Ecuador. Se empleó un enfoque cuantitativo,
con diseño no experimental, correlacional y de corte transversal. Participaron 236 estudiantes, seleccionados por muestreo
no probabilístico por conveniencia, de una población de 581 matriculados. Se aplicaron dos instrumentos validados: la
Escala de Preparación en Inteligencia Artificial para estudiantes de Medicina (MAIRS-MS) y la Escala de Rendimiento
Académico Universitario (ERAU). El análisis estadístico empleó el coeficiente Rho de Spearman. Los resultados
mostraron predominio de niveles altos en preparación en IA (56,3 %) y en rendimiento académico percibido (59,7 %),
identificándose una correlación positiva, significativa y de magnitud moderada entre ambas variables (ρ = 0,382; p <
0,001). A nivel dimensional, las asociaciones más consistentes se hallaron en cognición y habilidad, mientras que la
relación con la organización de recursos didácticos fue menor. Se concluye que la preparación en inteligencia artificial se
vincula significativamente con el rendimiento académico percibido, evidenciando su relevancia en los procesos de
aprendizaje dentro de la educación médica.
Palabras clave:
inteligencia artificial; educación médica; rendimiento académico percibido; alfabetización en
inteligencia artificial
ABSTRACT
This study analyzed the relationship between the level of artificial intelligence preparedness and perceived academic
performance among medical students at a public university in southern Ecuador. A quantitative approach was used, with
a non-experimental, correlational, cross-sectional design. A total of 236 students participated, selected through non-
probabilistic convenience sampling from a population of 581 enrolled students. Two validated instruments were applied:
the Medical Artificial Intelligence Readiness Scale for Medical Students (MAIRS-MS) and the University Academic
Performance Scale (ERAU). Statistical analysis employed Spearman's Rho coefficient. Results showed a predominance
of high levels in both AI preparedness (56.3%) and perceived academic performance (59.7%), with a positive, statistically
significant, and moderate c
orrelation identified between both variables (ρ = 0.382; p < 0.001). At the dimensional level,
the most consistent associations were found in cognition and ability, while the relationship with the organization of
didactic resources was weaker. It is concluded that artificial intelligence preparedness is significantly associated with
perceived academic performance, highlighting its relevance in learning processes within medical education
Keywords
: artificial intelligence; medical education; perceived academic performance; artificial intelligence literacy
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2026 | vol. 3 | núm. 3 | pág. 81-94
82
RESUMO
O presente estudo analisou a relação entre o nível de preparação em inteligência artificial e o desempenho acadêmico
percebido em estudantes de Medicina de uma universidade pública do sul do Equador. Foi utilizada uma abordagem
quantitativa, com delineamento não experimental, correlacional e de corte transversal. Participaram 236 estudantes,
selecionados por amostragem não probabilística por conveniência, de uma população de 581 alunos matriculados. Foram
aplicados dois instrumentos validados: a Escala de Preparação em Inteligência Artificial para Estudantes de Medicina
(MAIRS-MS) e a Escala de Desempenho Acadêmico Universitário (ERAU). A análise estatística utilizou o coeficiente
Rho de Spearman. Os resultados evidenciaram predominância de níveis elevados de preparação em IA (56,3%) e de
desempenho acadêmico percebido (59,7%), identificando-se uma correlação positiva, significativa e de magnitude
moderada entre ambas as variáveis (ρ = 0,382; p < 0,001). Em nível dimensiona
l, as associações mais consistentes foram
encontradas nas dimensões de cognição e habilidade, enquanto a relação com a organização dos recursos didáticos foi
menor. Conclui-se que a preparação em inteligência artificial está significativamente associada ao desempenho acadêmico
percebido, evidenciando sua relevância para os processos de aprendizagem no contexto da educação médica.
Palavras-chave
: inteligência artificial; educação médica; desempenho acadêmico percebido; alfabetização em
inteligência artificial
Forma sugerida de citar (APA):
Chamba León, J., & Vivanco Román, J. (2026). La Inteligencia Artificial y su relación en el rendimiento académico en estudiantes universitarios de
Medicina. SAGA: Revista Científica Multidisciplinar, 3(3), 81-94.
https://doi.org/10.63415/saga.v3i2.410
Esta obra está bajo una licencia internacional
Creative Commons de Atribución No Comercial 4.0
INTRODUCCIÓN
La educación superior, particularmente en
carreras de alta exigencia del área de la salud,
como en el caso de Medicina Humana, ha
experimentado cambios significativos que se
han venido desarrollando por el surgimiento e
incorporación de tecnologías digitales en los
procesos de enseñanza y aprendizaje. En este
contexto, la Inteligencia Artificial (IA),
especialmente la IA generativa, basada en
modelos de lenguaje de gran escala (LLM), así
como modelos multimodales emergentes, se
han consolidado como un recurso de apoyo en
el ámbito académico. Entre estas herramientas,
ChatGPT es uno de los sistemas más utilizados
por estudiantes universitarios para la
comprensión de contenidos, la organización
del estudio y la producción académica, junto
con otras IA generativas como Google Gemini,
Microsoft Copilot y Perplexity AI, evaluadas
en estudios recientes por su precisión y utilidad
en contextos educativos y de salud (Alzarea et
al., 2025; Giannakopoulos et al., 2023; Kung
et al., 2023; Nikolopoulou, 2024).
Sin embargo, conforme evolucionan estas
tecnologías, el impacto de la inteligencia
artificial en los procesos de aprendizaje no
depende únicamente de su disponibilidad o
frecuencia de uso, sino del nivel de
preparación de los estudiantes para interactuar
con estos sistemas de manera crítica, ética y
académicamente pertinente. En el contexto de
la educación médica, esta preparación implica
no solo el uso instrumental de herramientas
como ChatGPT, sino también la capacidad de
interpretar la información generada,
contrastarla con fuentes científicas confiables
y reconocer sus limitaciones (Singhal et al.,
2023).
Diversos estudios evidencian que, aunque
los estudiantes de Medicina utilizan con
frecuencia la inteligencia artificial como apoyo
al aprendizaje, una proporción importante lo
hace sin formación estructurada en
alfabetización en IA, lo que dificulta la
evaluación crítica de los contenidos y favorece
la aceptación acrítica de respuestas (Gilson et
al., 2023; Maaß et al., 2025). Asimismo, un
bajo conocimiento sobre el funcionamiento y
los sesgos de estos sistemas puede generar
errores conceptuales, dependencia cognitiva y
disminución del esfuerzo intelectual en tareas
académicas (Alkaissi & McFarlane, 2023;
Rudolph et al., 2023; Sallam, 2023).
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2026 | vol. 3 | núm. 3 | pág. 81-94
83
Por otro lado, estudios en educación
superior han señalado que los estudiantes con
mayores competencias en alfabetización en IA
tienden a emplear estos sistemas como apoyo
para el aprendizaje profundo, favoreciendo la
comprensión de contenidos complejos, la
organización del estudio y la autorregulación
del aprendizaje (Chiu, 2025; Ng et al., 2021).
En esta línea, la integración de la IA como
recurso formativo, cuando es utilizada un
pensamiento crítico adecuado, puede
contribuir a mejorar el rendimiento académico,
al facilitar la retroalimentación inmediata y la
personalización del aprendizaje y el acceso a
múltiples representaciones del conocimiento
(S. Wang et al., 2024). Asimismo, se ha
observado que los estudiantes con mayor
preparación en el uso de tecnologías digitales
presentan niveles más altos de autoeficacia
académica y una percepción más positiva de su
rendimiento, debido a una mayor capacidad
para gestionar su proceso de aprendizaje y
utilizar estratégicamente los recursos
disponibles (Lim et al., 2023). Estos hallazgos
sugieren que la preparación en inteligencia
artificial no solo influye en el desempeño
académico, sino también en la forma en que los
estudiantes valoran su propio proceso
formativo.
No obstante, a pesar del crecimiento
sostenido de investigaciones sobre el uso de
inteligencia artificial en educación superior, se
identifican limitaciones importantes en la
literatura existente. En primer lugar, una parte
significativa de los estudios se ha centrado en
analizar el uso general de estas herramientas o
sus efectos inmediatos en el aprendizaje, sin
considerar de manera específica el nivel de
preparación del estudiante como variable
explicativa (Kasneci et al., 2023; Sallam,
2023). En segundo lugar, los resultados
reportados son heterogéneos, lo que dificulta
establecer conclusiones consistentes sobre la
relación entre la inteligencia artificial y el
rendimiento académico (Crompton & Burke,
2023; Dong et al., 2025). Además, existe una
limitada evidencia que aborde de manera
conjunta la relación entre la preparación en el
uso de IA y el rendimiento académico
percibido, especialmente en contextos
específicos como la educación médica.
Por tanto, la presente investigación
responde a la siguiente pregunta: ¿Cuál es la
relación entre el nivel de preparación en el uso
de IA y el rendimiento académico percibido en
estudiantes de Medicina? En correspondencia
con esta interrogante, el objetivo general fue el
analizar la relación entre el nivel de
preparación en el uso de IA y el rendimiento
académico percibido en estudiantes de
Medicina de una universidad pública del sur de
Ecuador, con el propósito de aportar evidencia
empírica que permita comprender el papel de
estas tecnologías en el proceso de aprendizaje
y orientar su uso adecuado en la educación
superior.
METODOLOGÍA
La presente investigación se orientó a
analizar la relación entre el nivel de
preparación en el uso de IA y el rendimiento
académico percibido en estudiantes de la
carrera de Medicina, de una universidad del sur
del Ecuador, durante el periodo académico
septiembre 2025-febrero 2026. Se adoptó un
enfoque cuantitativo, dado que se recopilaron
y analizaron datos numéricos mediante la
aplicación de instrumentos estructurados, lo
que permitió medir el nivel de preparación en
el uso de IA, específicamente ChatGPT, así
como el rendimiento académico percibido en
los estudiantes, y establecer relaciones entre
ambas variables de estudio.
El diseño de la investigación fue no
experimental, debido a que las variables no
fueron manipuladas deliberadamente, sino
observadas tal como se presentan en el
contexto académico real de los estudiantes de
Medicina. El estudio se enmarcó en un alcance
analítico- correlacional, porque buscó
determinar la fuerza y dirección de la relación
entre estas variables, sin establecer relaciones
de causalidad.
El estudio tuvo un diseño transversal, dado
que la recolección de datos se realizó en un
único momento durante el periodo académico
septiembre 2025
–
febrero 2026, lo que
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2026 | vol. 3 | núm. 3 | pág. 81-94
84
permitió analizar el comportamiento de las
variables en un contexto específico.
La población del estudio estuvo
conformada por los 581 estudiantes
matriculados en la carrera de Medicina de una
universidad pública del sur del Ecuador,
correspondientes a los ciclos académicos de
primero a décimo, durante el periodo
académico septiembre 2025
–
febrero 2026. A
partir de esta población, se realizó el cálculo
del tamaño muestral considerando su carácter
finito, aplicando la corrección correspondiente
para este tipo de poblaciones, lo cual permite
ajustar la estimación y reducir el error muestral
cuando la muestra representa una proporción
relevante del total poblacional (Cochran,
1977). Como resultado, se obtuvo un tamaño
mínimo requerido de 232 estudiantes. No
obstante, en la aplicación de los instrumentos
participaron 236 estudiantes, superando el
tamaño estimado. La selección de los
participantes se realizó mediante un muestreo
no probabilístico por conveniencia,
considerando la accesibilidad y disposición de
los estudiantes para responder a los
instrumentos; en consecuencia, el tamaño
muestral alcanzado se consideró adecuado para
el desarrollo del análisis estadístico y el
cumplimiento de los objetivos del estudio.
El proceso metodológico se desarrolló de
manera secuencial y en coherencia con los
objetivos planteados. En una primera fase, se
realizó la revisión bibliográfica de estudios
científicos relacionados con el uso de IA en
educación superior y su relación con el
rendimiento académico. Posteriormente, se
seleccionaron los instrumentos validados y se
aplicaron al contexto de los estudiantes de
Medicina, garantizando su pertinencia teórica
y metodológica.
La técnica que se utilizó fue mediante la
aplicación de encuestas en un solo momento,
en modalidad en línea a través de la plataforma
Google Forms. Para la variable preparación en
el uso de inteligencia artificial se utilizó la
Escala de Preparación en Inteligencia Artificial
para Estudiantes de Medicina (MAIRS-MS),
instrumento previamente desarrollado,
validado y utilizado en investigaciones en el
ámbito de la educación médica para evaluar la
preparación de los estudiantes frente al uso de
IA, evidenciando una adecuada validez y
consistencia interna, con un coeficiente Alfa de
Cronbach de 0,87 que respalda su fiabilidad
(Karaca et al., 2021). Está conformado por 22
ítems con escala tipo Likert de cinco
alternativas: 1 = totalmente en desacuerdo, 2 =
en desacuerdo, 3 = ni de acuerdo ni en
desacuerdo, 4 = de acuerdo y 5 = totalmente de
acuerdo. El puntaje total oscila entre 22 y 110
puntos, donde valores más altos indican mayor
nivel de preparación en IA aplicada a la
medicina. Para su interpretación, se
establecieron tres niveles: bajo (22
–
51), medio
(52
–
81) y alto (82
–
110).
Para la variable rendimiento académico
percibido se empleó la Escala de Rendimiento
Académico Universitario (ERAU), integrada
por 18 ítems distribuidos en tres dimensiones:
aportación en las actividades académicas,
dedicación al estudio y organización de los
recursos didácticos. El instrumento utiliza una
escala tipo Likert de siete alternativas: 0 =
nunca, 1 = casi nunca, 2 = pocas veces, 3 =
algunas veces, 4 = frecuentemente, 5 = casi
siempre y 6 = siempre, con un puntaje total que
oscila entre 0 y 108. Para su interpretación se
establecieron tres niveles: bajo (0
–
36), medio
(37
–
72) y alto (73
–
108). Este instrumento ha
demostrado adecuados niveles de validez y
confiabilidad, con coeficientes Alfa de
Cronbach superiores a 0,80 (Remaycuna-
Vásquez et al., 2023)
El uso de instrumentos previamente
validados permitió fortalecer la validez teórica
y conceptual del estudio, asegurando que los
ítems representen adecuadamente los
constructos analizados. Asimismo, la
confiabilidad de las escalas utilizadas en la
presente investigación se corroboró mediante
el coeficiente Alfa de Cronbach, considerando
valores iguales o superiores a 0,70 como
aceptables, lo que garantiza una adecuada
consistencia interna
Análisis de Datos
Para el análisis de los datos se emplearon
técnicas de estadística descriptiva e
inferencial, en función de los objetivos
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2026 | vol. 3 | núm. 3 | pág. 81-94
85
planteados. En una primera fase, los datos
obtenidos mediante los instrumentos fueron
organizados, codificados y depurados en
Microsoft Excel.
Posteriormente, se calcularon los puntajes
totales de cada instrumento, sumando las
respuestas de los ítems correspondientes tanto
del MAIRS-MS como de la escala ERAU,
apartir de estos puntajes, se procedió a
clasificar a los participantes en niveles (bajo,
medio y alto) según los rangos establecidos
previamente para cada variable. Para el primer
objetivo específico, orientado a caracterizar el
nivel de preparación en el uso de IA, se
emplearon frecuencias, porcentajes, lo que
permitió describir la distribución de los
estudiantes en los niveles bajo, medio y alto,
así como el comportamiento de las
dimensiones del instrumento MAIRS-MS. De
igual manera, para el segundo objetivo,
relacionado con el rendimiento académico
percibido, se utilizaron las mismas medidas de
estadística descriptiva, permitiendo
caracterizar la distribución de los estudiantes
según los niveles establecidos en la escala
ERAU.
Finalmente, para el análisis de la relación
entre las variables, se aplicó estadística
inferencial. Previamente, se evaluó el supuesto
de normalidad de los datos mediante la prueba
de Shapiro
–
Wilk, recomendada para muestras
pequeñas y medianas por su adecuada potencia
estadística (Mohd Razali & Yap, 2011;
Shapiro & Wilk, 1965). Los resultados
evidenciaron que las variables no seguían una
distribución normal, por lo que se optó por el
uso de estadística no paramétrica. En
consecuencia, se aplicó el coeficiente de
correlación Rho de Spearman, con el fin de
determinar la relación entre el nivel de
preparación en el uso de inteligencia artificial
y el rendimiento académico percibido, siendo
esta prueba adecuada para variables de tipo
ordinal o que no cumplen con los supuestos de
normalidad (Conover, 1971; Spearman, 1904).
Los resultados fueron presentados mediante
tablas, facilitando su interpretación en función
de los objetivos del estudio.
RESULTADOS
Nivel de preparación en Inteligencia
Artificial
En la Tabla 1 se presentan los estadísticos
descriptivos de la preparación en el uso de
inteligencia artificial (MAIRS-MS), tanto a
nivel de dimensiones como de ítems. En
general, las medianas se mantienen en 4,00 en
todas las dimensiones, con valores mínimos
que oscilan entre 1 y 2 y máximos de 5.
Tabla 1
Estadísticos descriptivos de la preparación en el uso de inteligencia artificial (MAIRS-MS)
Preparación en el uso de IA (MAIRS-MS)
Media Mediana DE Mínimo Máximo
Cognición
3,70 4,00 0,700 1 5
1. Puedo definir los conceptos básicos de la ciencia de datos.
3,70 4,00 0,816 1 5
2. Puedo definir los conceptos básicos de estadística
3,99 4,00 0,714 1 5
3. Puedo explicar cómo se entrenan los sistemas de IA
3,42 3,00 0,862 1 5
4. Puedo definir la terminología básica de IA
3,52 4,00 0,835 1 5
5. Puedo analizar datos obtenidos por IA en salud
3,65 4,00 0,763 1 5
6. Puedo diferenciar funciones y características de herramientas de IA
3,66 4,00 0,788 1 5
7. Puedo organizar flujos de trabajo según la lógica de IA
3,68 4,00 0,778 1 5
8. Puedo explicar la importancia de la recolección, análisis y seguridad
de datos para IA
3,66 4,00 0,820 1 5
Habilidad
3,80 4,00 0,623 2 5
9. Puedo usar información generada por IA junto con mis
conocimientos profesionales
3,81 4,00 0,798 1 5
10. Puedo usar tecnologías de IA de manera efectiva y eficiente en
salud
3,89 4,00 0,759 1 5
11. Puedo utilizar aplicaciones de IA de acuerdo con su propósito.
3,88 4,00 0,698 2 5
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2026 | vol. 3 | núm. 3 | pág. 81-94
86
Preparación en el uso de IA (MAIRS-MS)
Media Mediana DE Mínimo Máximo
12. Puedo acceder, evaluar, usar, compartir y generar conocimiento
mediante IA
3,73 4,00 0,726 1 5
13. Puedo explicar qué problema de salud resuelve una aplicación de
IA
3,59 4,00 0,739 1 5
14. Considero valioso usar IA con fines educativos, asistenciales o
investigación
4,00 4,00 0,697 2 5
15. Puedo explicar al paciente las aplicaciones de IA utilizadas en
salud
3,57 4,00 0,775 1 5
16. Puedo seleccionar la aplicación de IA adecuada para un problema
especifico
3,59 4,00 0,734 1 5
Visión
3,83
4,00
0,733
2
5
17. Puedo explicar las limitaciones de la IA
3,86
4,00
0,783
1
5
18. Puedo explicar las fortalezas y debilidades de la IA
3,86
4,00
0,715
2
5
19Puedo anticipar oportunidades y amenazas generadas por la IA.
3,74
4,00
0,750
2
5
Ética
3,72
4,00
0,722
2
5
20. Puedo utilizar datos de salud según normas legales y éticas
3,66
4,00
0,793
1
5
21. Puedo actuar conforme a principios éticos al usar IA
3,79 4,00 0,767 2 5
En la dimensión de cognición, se observa
una media de 3,70 con una desviación estándar
de 0,700, siendo el ítem con mayor media
“Puedo definir los conceptos básicos de
estadística” (M = 3,99; DE = 0,714) y el de
menor media “Puedo explicar cómo se
entrenan los
sistemas de IA” (M = 3,42; DE =
0,862). La dimensión de habilidad presenta
una media de 3,80 y una desviación estándar
de 0,623, destacando el ítem “Considero
valioso usar IA con fines educativos,
asistenciales o investigación” con la media
más alta (M = 4,00; DE = 0,697), mientras que
los valores mínimos en esta dimensión
alcanzan 1 y los máximos 5. En la dimensión
de visión, la media es de 3,83 con una
desviación estándar de 0,733, manteniéndose
la mediana en 4,00 y con valores entre 2 y 5.
Finalmente, la dimensión de ética presenta una
media de 3,72 y una desviación estándar de
0,722, con valores mínimos de 2 y máximos de
5, y medianas de 4,00 en todos los ítems.
Tabla 2
Categorización del nivel de preparación en IA en estudiantes de medicina (MAIRS-MS)
Nivel de preparación en IA
(MAIRS-MS)
Frecuencias
% del Total
Alto
134
56,3 %
Medio
103
43,3 %
Bajo
1
0,4 %
En la Tabla 2 se presenta la categorización
del nivel de preparación en inteligencia
artificial en estudiantes de Medicina, evaluada
mediante el instrumento MAIRS-MS. Se
observa que el nivel alto concentra la mayor
frecuencia, con 134 estudiantes, lo que
corresponde al 56,3 % del total. Le sigue el
nivel medio, con 103 estudiantes (43,3 %). Por
su parte, el nivel bajo presenta la menor
frecuencia, con un solo caso, equivalente al 0,4
% de la muestra.
Rendimiento Académico Percibido
En lo que corresponde al rendimiento
académico percibido, evaluado mediante la
escala ERAU, la tabla 3 presentan los
estadísticos descriptivos tanto a nivel de
dimensiones como de ítems. En general, las
medianas se sitúan entre 4,00 y 5,00 en las
distintas dimensiones, con valores mínimos
que oscilan entre 0 y 2, y máximos de 6 en
todos los casos.
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2026 | vol. 3 | núm. 3 | pág. 81-94
87
Tabla 3
Estadísticos descriptivos de la preparación en el uso de inteligencia artificial (MAIRS-MS)
Rendimiento académico percibido (ERAU)
Media Mediana DE Mínimo Máximo
Dedicación al estudio
4,66
5,00
0,967
2
6
1. Dedico tiempo diario para realizar mis tareas
5,26 6,00 0,923 2 6
2. Me organizo para ser eficiente en las actividades académicas 4,76 5,00 1,114 1 6
3. Estudio con anticipación para los exámenes
4,71 5,00 1,188 1 6
4. Mis profesores emiten comentarios favorables de mi
rendimiento académico
3,63 4,00 1,449 0 6
5. Utilizo recursos didácticos (mapas, esquemas, etc.) para
aprobar asignaturas
4,57 5,00 1,159 1 6
6. Mis calificaciones son acordes con mi desempeño académico 4,35 5,00 1,110 1 6
Aportación a las actividades académicas
4,04 4,00 1,091 1 6
7. Estoy concentrado durante todas las asignaturas.
4,21 4,00 1,235 0 6
8. Me gusta exponer ante mis compañeros, los temas de las
asignaturas
3,47 4,00 1,737 0 6
9. Considero que redacto bien trabajos académicos.
4,13 4,00 1,279 1 6
10. Me gusta estudiar material adicional al básico de las
asignaturas
3,93
4,00
1,310
1
6
11. Me es fácil trabajar en equipo para presentar mis deberes
4,24
5,00
1,403
0
6
12. Se aceptan mis ideas innovadoras cuando trabajo en equipo.
4,32
5,00
1,177
1
6
13. Yo participo activamente conforme con el contenido de las
clases
3,82 4,00 1,318 1 6
14. Estoy satisfecho con la carga de trabajo de las asignaturas 3,61 4,00 1,372 0 6
Falta de organización de los recursos didácticos
3,95 4,00 1,223 0 6
15. Duermo menos de cinco horas, por estudiar un día antes de
exámenes
2,39 2,00 1,372 0 6
16. He faltado a clase sin motivos importantes.
4,95 5,00 1,485 0 6
17. Me olvido de entregar a tiempo los deberes (tareas o
trabajos)
4,89 5,00 1,447 0 6
La dimensión de dedicación al estudio
registra una media de 4,66 con una desviación
estándar de 0,967, el ítem “Dedico tiempo
diario para realizar mis tareas” presenta la
media más alta (M = 5,26; DE = 0,923),
mientras que “Mis profesores emiten
comentarios favorables de mi rendimiento
académico” muestra la más baja (M = 3,63; DE
= 1,449); la dimensión de aportación a las
actividades académicas presenta una media de
4,04 y una desviación estándar de 1,091, el
valor más alto corresponde a “Se aceptan mis
ideas innovadoras cuando trabajo en equipo”
(M = 4,32; DE = 1,177), y el más bajo a “Me
gusta exponer ante mis compañeros los temas
de las asignaturas” (M = 3,47; DE = 1,737); la
dimensión de falta de organización de los
recursos didácticos, cuyos ítems fueron
recodificados mediante inversión de escala,
presenta una media de 3,95 con una desviación
estándar de 1,223, el ítem con mayor media es
“He faltado a clase sin motivos importantes”
(M = 4,95; DE = 1,485), mientras que el menor
corresponde a “Duermo menos de cinco horas,
por estudiar un día antes de exámenes” (M =
2,39; DE = 1,372).
Tabla 4
Categorización del nivel de rendimiento académico percibido (ERAU)
Rendimiento Académico
Percibido (ERAU)
Frecuencias
% del Total
Alto
142
59,7%
Medio
96
40,3%
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2026 | vol. 3 | núm. 3 | pág. 81-94
88
En base a los puntajes obtenidos en el
cuestionario, la Tabla 4 presenta la
categorización del nivel de rendimiento
académico percibido en estudiantes de
Medicina, evaluado mediante la escala ERAU.
Se observa que el nivel alto concentra la mayor
frecuencia, con 142 estudiantes (59,7 %),
mientras que el nivel medio agrupa a 96
estudiantes, lo que corresponde al 40,3 % de la
muestra.
Relación entre el Nivel de preparación en el uso de inteligencia artificial y el rendimiento
académico percibido
Tabla 5
Estadísticos descriptivos y prueba de normalidad de los puntajes globales del MAIRS-MS y ERAU
Shapiro-Wilk
Mediana DE Mínimo Máximo W
p
MAIRS-MS 83,0 11,2
44
110 0,979 0,001
ERAU 75,0 12,3
43
100 0,987 0,026
En la Tabla 5 se reportan los estadísticos
descriptivos de los puntajes globales del
MAIRS-MS y ERAU, junto con la evaluación
de normalidad mediante la prueba de Shapiro
–
Wilk. Los resultados evidencian valores de
significancia menores a 0,05 en ambos casos
(MAIRS-MS: p = 0,001; ERAU: p = 0,026),
indicando que los datos no siguen una
distribución normal. En función de estos
resultados, se emplea la correlación no
paramétrica Rho de Spearman para analizar la
relación entre el nivel de preparación en
inteligencia artificial y el rendimiento
académico percibido. Los resultados obtenidos
muestran un coeficiente ρ=0,382 con un nivel
de significancia p<0,001, lo que evidencia una
correlación positiva de magnitud moderada
entre ambas variables (Tabla 6).
Tabla 6
Relación entre el Nivel de preparación en IA y el Rendimiento Académico percibido
Variables
ρ
p
Preparación en IA (MAIRS-MS)
–
Rendimiento académico percibido (ERAU)
0,382
< 0,001
Por otro lado, la Tabla 7 presenta la matriz
de correlaciones de Spearman entre las
dimensiones que componen el nivel de
preparación en inteligencia artificial (MAIRS-
MS) y el rendimiento académico percibido
(ERAU). Se observa que las dimensiones de
cognición (ρ = 0,291; p < 0,001) y habilidad (ρ
= 0,259; p < 0,001) presentan asociaciones
positivas y significativas con el rendimiento
académico percibido. Asimismo, la dimensión
ética evidenció una correlación positiva
significativa de menor magnitud (ρ = 0,240; p
< 0,001), mientras que la dimensión visión
mostró una relación positiva más débil (ρ =
0,186; p < 0,01).
En relación con las dimensiones del
rendimiento académico, se identificaron
correlaciones positivas entre la preparación en
inteligencia artificial y la dedicación al estudio
(ρ = 0,336; p < 0,001), así como con la
aportación a las actividades académicas (ρ =
0,366; p < 0,001). Por su parte, la dimensión
falta de organización presentó una correlación
positiva de baja magnitud (ρ = 0,137; p < 0,05).
En conjunto, las correlaciones entre las
dimensiones de ambos instrumentos muestran
asociaciones positivas, con diferencias en la
magnitud de los coeficientes según las
dimensiones analizadas.
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2026 | vol. 3 | núm. 3 | pág. 81-94
89
Tabla 7
Matriz de correlaciones por dimensiones del MAIRS-MS y el ERAU
Preparación en
el uso de IA
Rendimiento
académico
(ERAU)
Cognición
Habilidad
Visión
Ética
Dedicación al
estudio
Aportación a
las actividades
académicas
Preparación en el uso de IA
—
Rendimiento académico 0,382***
—
Cognición
0,798*** 0,291***
—
Habilidad
0,782*** 0,259*** 0,522***
—
Visión
0,676*** 0,186** 0,411*** 0,613***
—
Ética
0,745***
0,240***
0,593***
0,531***
0,536***
—
Dedicación al estudio 0,336*** 0,820*** 0,243*** 0,237*** 0,168** 0,213***
—
Aportación a las actividades
académicas
0,366***
0,862***
0,304***
0,260***
0,161*
0,232***
0,678***
—
Falta de organización 0,137* 0,507*** 0,099 0,070 0,112 0,146* 0,358*** 0,237***
DISCUSIÓN
Los resultados del presente estudio
evidencian una correlación positiva, de
magnitud moderada y estadísticamente
significativa entre la preparación en
inteligencia artificial y el rendimiento
académico percibido en estudiantes de
Medicina (ρ =
0,382; p < 0,001), lo cual
constituye el hallazgo central de la
investigación. Este resultado se corrobora con
la literatura reciente que reconoce el papel
emergente de la inteligencia artificial como un
recurso de apoyo en el aprendizaje
universitario, particularmente en contextos de
alta exigencia cognitiva como la formación
médica (Dong et al., 2025; Fengchun &
Wayne, 2023). En este sentido, se comprueba
que la preparación en IA no solo se relaciona
con el uso de herramientas digitales, sino con
la capacidad de integrarlas de manera
estratégica en los procesos de estudio.
Al comparar estos resultados con
investigaciones previas, se observa que la
magnitud de la correlación obtenida es
superior a la reportada en estudios generales de
educación superior. Por ejemplo, Asio, 2024,
identifica una relación positiva, pero débil,
entre alfabetización en IA y rendimiento
académico (r = 0,096; p = 0,004), lo que
sugiere que en contextos no especializados la
IA tiene un impacto más limitado. Esta
diferencia permite inferir que, en la educación
médica, la preparación en IA adquiere mayor
relevancia debido a la necesidad de procesar
información compleja, integrar conocimientos
clínicos y desarrollar razonamiento crítico. De
manera similar, Luong et al., 2025, reportan
correlaciones positivas entre preparación en IA
y uso académico de estas herramientas (r =
0,246; p = 0,003), lo que coincide con el
presente estudio al evidenciar que la IA se
vincula con prácticas activas de aprendizaje.
Desde el análisis dimensional del MAIRS-
MS, se comprueba que las dimensiones de
cognición (ρ = 0,291; p < 0,001) y habilidad (ρ
= 0,259; p < 0,001) presentan las asociaciones
más consistentes con el rendimiento
académico percibido. Este hallazgo es similar
a lo reportado por Karaca et al., 2021, quienes
establecen que las competencias cognitivas y
operativas constituyen el núcleo de la
preparación en IA, con una consistencia
interna elevada (α = 0,87). Asimismo, estudios
recientes evidencian patrones similares:
Ziapour et al., 2025 reportan una media de
70,59 ± 19,24 en la escala MAIRS-MS,
mientras que AlZaabi & Masters, 2025,
identifican puntuaciones más bajas en
cognición (3,52) frente a valores más altos en
visión (3,90). Estos datos permiten corroborar
que las competencias prácticas en IA no solo
son las más deficitarias, sino también las más
determinantes en el rendimiento académico.
Por otro lado, la dimensión visión en IA
presenta una correlación positiva más débil (ρ
= 0,186; p < 0,01), lo cual sugiere que las
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2026 | vol. 3 | núm. 3 | pág. 81-94
90
actitudes hacia la inteligencia artificial tienen
menor impacto en el desempeño académico.
Este resultado es diferente a lo planteado por
Zhai et al., 2021, quienes destacan la
importancia de la percepción tecnológica en el
aprendizaje. Sin embargo, en el contexto de la
educación médica, se comprueba que el
rendimiento académico depende más de
habilidades aplicadas que de percepciones
generales, lo que explica la menor fuerza de
esta asociación.
En relación con la dimensión ética (ρ =
0,240; p < 0,001), se observa una correlación
positiva significativa, lo cual sugiere que el uso
responsable de la IA también se vincula con
mejores resultados académicos. Este hallazgo
se corrobora con lo señalado por K. Zhang &
Aslan, 2021, quienes destacan que la
alfabetización en IA incluye no solo
habilidades técnicas, sino también criterios
éticos y de evaluación crítica. En este sentido,
se comprueba que el uso adecuado de la IA
puede contribuir a un aprendizaje más
profundo y reflexivo.
Desde la perspectiva del instrumento
ERAU, se comprueba que la preparación en IA
se asocia de manera significativa con la
dedicación al estudio (ρ = 0,336; p < 0,001) y
la aportación a las actividades académicas (ρ =
0,366; p < 0,001), siendo esta última la
dimensión con mayor correlación. Este
resultado es similar a lo reportado por J. Zhang
et al., s. f., quienes indican que el 48,9 % de los
estudiantes de Medicina utiliza ChatGPT, y
que el 43,7 % lo emplea de manera frecuente,
principalmente para el aprendizaje y la
producción académica. Estos datos permiten
corroborar que la IA influye en la implicación
académica del estudiante, favoreciendo su
participación activa y su dedicación al estudio.
Asimismo, Luong et al., 2025, reportan que
el uso de IA se relaciona con habilidades como
la organización del trabajo académico (r =
0,175; p = 0,036) y la selección de
herramientas adecuadas (r = 0,262; p = 0,002),
lo que coincide con los resultados obtenidos en
el presente estudio. En este sentido, se
comprueba que la preparación en IA no solo
impacta el rendimiento percibido, sino también
las estrategias de aprendizaje utilizadas por los
estudiantes.
Sin embargo, en contraste con estas
asociaciones positivas, la dimensión falta de
organización presenta una correlación baja (ρ
= 0,137; p < 0,05), lo que indica una relación
débil entre la preparación en IA y la
organización del estudio. Este resultado es
consistente con la literatura reciente, que
señala que la IA no garantiza mejoras en todos
los aspectos del aprendizaje. Feigerlova et al.,
2025, en una revisión sistemática, concluyen
que la evidencia sobre el impacto de la IA en
resultados educativos es aún limitada y
heterogénea. De manera complementaria, J.
Wang & Fan, 2025 reportan un tamaño del
efecto global positivo de la IA en el
aprendizaje (g = 0,867), pero destacan que este
efecto varía según el contexto educativo y el
tipo de uso.
Desde una perspectiva crítica, se reconoce
que el uso de IA también implica riesgos.
Sallam, 2023 advierte sobre la posibilidad de
dependencia cognitiva, mientras que (Open AI,
2024 señala que los sistemas generativos
pueden producir información incorrecta. Estos
planteamientos no contradicen los resultados
obtenidos, sino que permiten interpretarlos
desde una perspectiva más amplia, en la que la
preparación en IA actúa como un factor
moderador que permite un uso más adecuado
de estas herramientas.
En conjunto, se corrobora que la
preparación en inteligencia artificial se
relaciona de manera positiva con el
rendimiento académico percibido, siendo este
efecto de magnitud moderada en estudiantes de
Medicina del sur del Ecuador. Este hallazgo es
similar a lo reportado en estudios
internacionales, aunque con diferencias en la
intensidad de la relación, lo que refuerza la
importancia del contexto educativo. Se
comprueba que el impacto de la IA es más
evidente en dimensiones relacionadas con la
participación y la dedicación académica, y
menos en aspectos organizativos, lo que
confirma su carácter complementario en el
proceso de aprendizaje.
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2026 | vol. 3 | núm. 3 | pág. 81-94
91
CONCLUSIONES
El presente estudio permitió identificar una
relación positiva, estadísticamente
significativa y de magnitud moderada entre la
preparación en el uso de inteligencia artificial
y el rendimiento académico percibido en
estudiantes de Medicina de una universidad
pública del sur del Ecuador. Este resultado
evidencia que la preparación en IA, como Chat
GPT, trasciende el uso instrumental de
herramientas tecnológicas y se vincula con el
desarrollo de procesos académicos relevantes
dentro del aprendizaje universitario.
El análisis por dimensiones muestra que la
cognición y la habilidad en inteligencia
artificial presentan las asociaciones más
consistentes con el rendimiento académico
percibido. Estos resultados sugieren que el
dominio conceptual y el uso práctico de IA, se
relacionan con la forma en que el estudiante
comprende, procesa y utiliza la información en
su proceso formativo. Las dimensiones de
visión y ética también presentan relaciones
significativas, aunque de menor magnitud, lo
que indica que las actitudes y el uso
responsable de la IA acompañan el proceso de
aprendizaje, pero no lo determinan de manera
directa.
En el rendimiento académico percibido, la
relación con la preparación en inteligencia
artificial se observa con mayor claridad en la
dedicación al estudio y en la participación en
actividades académicas. Esto refleja que el uso
de IA se integra principalmente en dinámicas
vinculadas al proceso de aprendizaje de
estudiantes de Educación Superior. La
organización de los recursos didácticos
muestra una relación más baja, lo que
evidencia que no todos los componentes del
rendimiento académico se ven influenciados
de la misma manera por la preparación en IA.
Los hallazgos obtenidos aportan evidencia
en un contexto específico de estudiantes de
Medicina, donde la investigación sobre
inteligencia artificial en educación aún es
limitada. La preparación en IA se configura
como una competencia emergente dentro de la
formación universitaria frente al desempeño
académico percibido. Estos resultados
refuerzan la necesidad de incorporar la
inteligencia artificial de manera estructurada
en la educación médica, orientando su uso
hacia el desarrollo del pensamiento crítico, la
autonomía en el aprendizaje y el manejo ético
de la información.
REFERENCIAS BIBLIOGRÁFICAS
Alkaissi, H., & McFarlane, S. I. (2023). Artificial
Hallucinations in ChatGPT: Implications
in Scientific Writing. Cureus.
https://doi.org/10.7759/cureus.35179
AlZaabi, A., & Masters, K. (2025). Assessing
medical students’ readiness for artificial
intelligence after pre-clinical training.
BMC Medical Education, 25(1), 824.
https://doi.org/10.1186/s12909-025-
07008-x
Alzarea, A. I., Ishaqui, A. A., Maqsood, M. B.,
Alanazi, A. S., Alsaidan, A. A., Mallhi, T.
H., Kumar, N., Imran, M., Alshahrani, S.
M., Alhassan, H. H., Alzarea, S. I., &
Alsaidan, O. A. (2025). Evaluating AI
performance in infectious disease
education: A comparative analysis of
ChatGPT, Google Bard, Perplexity AI,
Microsoft Copilot, and Meta AI. Frontiers
in Medicine,
12.
https://doi.org/10.3389/fmed.2025.167915
3
Asio, J. M. (2024). Artificial Intelligence (AI)
Literacy and Academic Performance of
Tertiary Level Students: A Preliminary
Analysis. Social Sciences Humanities and
Education Journal (SHE Journal), 5, 309-
321.
https://doi.org/10.25273/she.v5i2.20862
Chiu, T. K. F. (2025). AI literacy and competency:
Definitions, frameworks, development and
future research directions. Interactive
Learning Environments, 33(5), 3225-3229.
https://doi.org/10.1080/10494820.2025.25
14372
Cochran, W. G. (1977). Sampling Techniques.
Wiley.
Conover, W. J. (1971). Practical Nonparametric
Statistics. Wiley.
Crompton, H., & Burke, D. (2023). Artificial
intelligence in higher education: The state
of the field | International Journal of
Educational Technology in Higher
Education | Springer Nature Link. Int J
Educ Technol High Educ, 20(23).
https://link.springer.com/article/10.1186/s
41239-023-00392-8
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2026 | vol. 3 | núm. 3 | pág. 81-94
92
Dong, L., Tang, X., & Wang, X. (2025).
Examining the effect of artificial
intelligence in relation to students’
academic achievement: A meta-analysis.
Computers and Education: Artificial
Intelligence, 8, 100400.
https://doi.org/10.1016/j.caeai.2025.10040
0
Feigerlova, E., Hani, H., & Hothersall-Davies, E.
(2025). A systematic review of the impact
of artificial intelligence on educational
outcomes in health professions education.
BMC Medical Education, 25(1), 129.
https://doi.org/10.1186/s12909-025-
06719-5
Fengchun, M., & Wayne, H. (2023). Guidance for
generative AI in education and research
—
UNESCO Biblioteca Digital. UNESCO.
https://doi.org/https://doi.org/10.54675/E
WZM9535
Giannakopoulos, K., Kavadella, A., Salim, A. A.,
Stamatopoulos, V., & Kaklamanos, E. G.
(2023). Evaluation of the Performance of
Generative AI Large Language Models
ChatGPT, Google Bard, and Microsoft
Bing Chat in Supporting Evidence-Based
Dentistry: Comparative Mixed Methods
Study. Journal of Medical Internet
Research, 25(1), e51580.
https://doi.org/10.2196/51580
Gilson, A., Safranek, C. W., Huang, T., Socrates,
V., Chi, L., Taylor, R. A., & Chartash, D.
(2023). How Does ChatGPT Perform on
the United States Medical Licensing
Examination (USMLE)? The Implications
of Large Language Models for Medical
Education and Knowledge Assessment.
JMIR Medical Education, 9, e45312.
https://doi.org/10.2196/45312
Karaca, O., Çalışkan, S. A., & Demir, K. (2021).
Medical artificial intelligence readiness
scale for medical students (MAIRS-MS)
–
development, validity and reliability study.
BMC Medical Education, 21(1), 112.
https://doi.org/10.1186/s12909-021-
02546-6
Kasneci, E., Sessler, K., Küchemann, S., Bannert,
M., Dementieva, D., Fischer, F., Gasser,
U., Groh, G., Günnemann, S., Hüllermeier,
E., Krusche, S., Kutyniok, G., Michaeli, T.,
Nerdel, C., Pfeffer, J., Poquet, O., Sailer,
M., Schmidt, A., Seidel, T., … Kasneci, G.
(2023). ChatGPT for good? On
opportunities and challenges of large
language models for education. Learning
and Individual Differences, 103, 102274.
https://doi.org/10.1016/j.lindif.2023.1022
74
Kung, T. H., Cheatham, M., Medenilla, A., Sillos,
C., Leon, L. D., Elepaño, C., Madriaga, M.,
Aggabao, R., Diaz-Candido, G., Maningo,
J., & Tseng, V. (2023). Performance of
ChatGPT on USMLE: Potential for AI-
assisted medical education using large
language models. PLOS Digital Health,
2(2), e0000198.
https://doi.org/10.1371/journal.pdig.00001
98
Lim, W. M., Gunasekara, A., Pallant, J. L., Pallant,
J. I., & Pechenkina, E. (2023). Generative
AI and the future of education: Ragnarök
or reformation? A paradoxical perspective
from management educators. The
International Journal of Management
Education, 21(2), 100790.
https://doi.org/10.1016/j.ijme.2023.10079
0
Luong, J., Tzang, C.-C., McWatt, S., Brassett, C.,
Stearns, D., Sagoo, M. G., Kunzel, C.,
Sakurai, T., Chien, C.-L., Noel, G., & Wu,
A. (2025). Exploring Artificial Intelligence
Readiness in Medical Students: Analysis
of a Global Survey. Medical Science
Educator, 35(1), 331-341.
https://doi.org/10.1007/s40670-024-
02190-x
Maaß, L., Grab-Kroll, C., Koerner, J., Öchsner, W.,
Schön, M., Messerer, D., Böckers, T., &
Böckers, A. (2025). Artificial Intelligence
and ChatGPT in Medical Education: A
Cross-Sectional Questionnaire on
students’ Competence.
Journal of CME,
14(1), 2437293.
https://doi.org/10.1080/28338073.2024.24
37293
Mohd Razali, N., & Yap, B. (2011). Power
Comparisons of Shapiro-Wilk,
Kolmogorov-Smirnov, Lilliefors and
Anderson-Darling Tests. J. Stat. Model.
Analytics, 2.
Ng, D. T. K., Leung, J. K. L., Chu, K. W. S., &
Qiao, M. S. (2021). AI Literacy:
Definition, Teaching, Evaluation and
Ethical Issues. Proceedings of the
Association for Information Science and
Technology, 58(1), 504-509.
https://doi.org/10.1002/pra2.487
Nikolopoulou, K. (2024). Generative Artificial
Intelligence in Higher Education:
Exploring Ways of Harnessing
Pedagogical Practices with the Assistance
of ChatGPT. International Journal of
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2026 | vol. 3 | núm. 3 | pág. 81-94
93
Changes in Education, 1(2), 103-111.
https://doi.org/10.47852/bonviewIJCE420
22489
Presentamos ChatGPT. (2024, marzo 13).
OpenAI. https://openai.com/es-
419/index/chatgpt/
Remaycuna-Vásquez, A., Carrión-Barco, G.,
Espinoza-Porras, F. R., & Niño, G. L. E.
M. (2023). Validez y confiabilidad de la
escala de rendimiento académico desde la
percepción del alumno. Revista de
Ciencias Sociales, 29, 197-209.
https://doi.org/10.31876/rcs.v29i.40458
Rudolph, J., Tan, S., & Tan, S. (2023). ChatGPT:
Bullshit spewer or the end of traditional
assessments in higher education? Journal
of Applied Learning & Teaching, 6(1),
342-363.
https://doi.org/https://doi.org/10.37074/jal
t.2023.6.1.9
Sallam, M. (2023). ChatGPT Utility in Healthcare
Education, Research, and Practice:
Systematic Review on the Promising
Perspectives and Valid Concerns.
Healthcare, 11(6), 887.
https://doi.org/10.3390/healthcare1106088
7
SHAPIRO, S. S., & WILK, M. B. (1965). An
analysis of variance test for normality
(complete samples). Biometrika, 52(3-4),
591-611.
https://doi.org/10.1093/biomet/52.3-4.591
Singhal, K., Azizi, S., Tu, T., Mahdavi, S. S., Wei,
J., Chung, H. W., Scales, N., Tanwani, A.,
Cole-Lewis, H., Pfohl, S., Payne, P.,
Seneviratne, M., Gamble, P., Kelly, C.,
Babiker, A., Schärli, N., Chowdhery, A.,
Mansfield, P., Demner-
Fushman, D., …
Natarajan, V. (2023). Large language
models encode clinical knowledge.
Nature, 620(7972), 172-180.
https://doi.org/10.1038/s41586-023-
06291-2
Spearman, C. (1904). The Proof and Measurement
of Association between Two Things. The
American Journal of Psychology, 15(1),
72-101. https://doi.org/10.2307/1412159
Wang, J., & Fan, W. (2025). RETRACTED
ARTICLE: The effect of ChatGPT on
students’ learning performance, learning
perception, and higher-order thinking:
insights from a meta-analysis. Humanities
and Social Sciences Communications,
12(1), 621.
https://doi.org/10.1057/s41599-025-
04787-y
Wang, S., Wang, F., Zhu, Z., Wang, J., Tran, T., &
Du, Z. (2024). Artificial intelligence in
education: A systematic literature review.
Expert Systems with Applications, 252,
124167.
https://doi.org/10.1016/j.eswa.2024.12416
7
Zhai, X., Chu, X., Chai, C. S., Jong, M. S. Y.,
Istenic, A., Spector, M., Liu, J.-B., Yuan,
J., & Li, Y. (2021). A Review of Artificial
Intelligence (AI) in Education from 2010
to 2020. Complexity, 2021(1), 8812542.
https://doi.org/10.1155/2021/8812542
Zhang, J., Yoon, C., & Pinkas, A. (s. f.). Exploring
the Usage of ChatGPT Among Medical
Students in the United States.
https://doi.org/10.1177/238212052412646
95
Zhang, K., & Aslan, A. B. (2021). AI technologies
for education: Recent research & future
directions. Computers and Education:
Artificial Intelligence, 2, 100025.
https://doi.org/10.1016/j.caeai.2021.10002
5
Ziapour, A., Darabi, F., Janjani, P., Amani, M. A.,
Yıldırım, M., & Motevaseli, S. (2025).
Factors affecting medical artificial
intelligence (AI) readiness among medical
students: Taking stock and looking
forward. BMC Medical Education, 25(1),
264. https://doi.org/10.1186/s12909-025-
06852-1
DECLARACIÓN DE CONFLICTO DE INTERESES
Los autores declaran no tener conflictos de intereses.
DERECHOS DE AUTOR
Chamba León, J., & Vivanco Román, J. (2026)
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Julio-Septiembre, 2026 | vol. 3 | núm. 3 | pág. 81-94
94
Este es un artículo de acceso abierto distribuido bajo la licencia Creative Commons de Atribución No
Comercial 4.0, que permite su uso sin restricciones, su distribución y reproducción por cualquier
medio, siempre que no se haga con fines comerciales y el trabajo original sea fielmente citado.
El texto final, datos, expresiones, opiniones y apreciaciones contenidas en esta publicación es de
exclusiva responsabilidad de los autores y no necesariamente reflejan el pensamiento de la revista.