Percepción y usos de la IA en estudiantes del área computacional: un estudio descriptivo

La Inteligencia Artificial, abreviada como IA, es una tecnología que hace referencia a las acciones realizadas por máquinas que intentan imitar el comportamiento humano de manera independiente. Su implementación ha sido notable en áreas como el desarrollo de software, la medicina, la educación, entre otros (Sheikh et al., 2023). A lo largo del tiempo, el diseño y desarrollo de técnicas y herramientas derivadas de esta tecnología, se ha perfeccionado y tomado diferentes enfoques hacia la predicción de patrones, simulación de comportamientos, automatización de tareas, generación de lenguaje natural, entre otros (Aydin & Karaarslan, 2023).

Recientemente se ha observado el surgimiento de la Inteligencia Artificial Generativa o IA Gen, cuyo fin es producir salidas en forma de texto, imagen, video, código o voz, de tal forma que sea comprensible para los usuarios finales. Estos modelos funcionan con base en técnicas de aprendizaje automático, aprendizaje profundo, transformadores, entre otros, para lograr interpretar las peticiones de los usuarios y a partir del entrenamiento previo, proporcionar la respuesta más probable a dicha petición (Baig & Yadegaridehkordi, 2025; Tillmanns et al., 2025). Dentro de los sistemas de IA Generativa más conocidos se encuentran Chat GPT en sus distintas versiones, LLaMa, Bard, Bing Chat y Lex, pertenecientes a empresas como Open AI, Meta, Google, Microsoft y Amazon respectivamente (Agbo et al., 2025).

Desde 2022, y con la difusión masiva de Chat GPT, se generó una ola expansiva de su adopción (Agbo et al., 2025), logrando hasta la fecha un crecimiento continuo, acompañado de una mayor accesibilidad para los usuarios (Ng et al., 2025; Tillmanns et al., 2025). En la parte educativa, la IA Generativa ha propiciado cambios en la forma en que se transmiten los conocimientos y se aprende. Belkina et al. (2025) mencionan que, dentro del nivel superior, su uso se ha extendido entre docentes y alumnos. En el primer caso se detecta su implementación como auxiliar en procesos administrativos y evaluaciones automatizadas; por otra parte, los estudiantes recurren a ella para la búsqueda de información, la generación de ideas y ensayos, el resumen de textos o la explicación de conceptos.

Tillmanns et al. (2025) identifican a Chat GPT como la herramienta que mayor atención ha recibido en investigaciones recientes (Ng et al., 2025). Sin embargo, al tratarse de un Modelo de Lenguaje de Gran Tamaño (LLM), su uso debe distinguirse del de otros sistemas generativos orientados a modalidades diferentes, especializados en otros formatos de respuesta, como las salidas en forma de imágenes, entre ellos Claude, Gemini, DALL-E o Midjourney (Tillmanns et al., 2025).

Por otra parte, Belkina et al. (2025) en la revisión de la literatura sobre la implementación e integración de la IA Generativa en educación superior, identificaron que la mayoría de los estudios de caso se inclinan hacia campos como las ciencias computacionales, programación e ingeniería del software. En este mismo ámbito, Groothuijsen et al. (2024) señalan que, dentro de la ingeniería, estas tecnologías se han utilizado para resolver problemas matemáticos, comprobar errores y entender conceptos que resultan complejos.

En el aprendizaje de programación, Cubillos et al. (2025) reconocen que la IA Generativa ha comenzado a ocupar un lugar importante en las actividades académicas de los estudiantes, puesto que al experimentar una interacción directa con los modelos mediante prompts o solicitudes escritas en lenguaje natural, se proporciona una retroalimentación personalizada por parte del modelo ante las dudas o inquietudes ingresadas por el usuario específico, facilitando así la detección oportuna de errores durante la generación y depuración del código, mejorando la experiencia de aprendizaje (Agbo et al., 2025; Matobobo et al., 2025).

De acuerdo con autores como Cubillos et al. (2025) y Verma (2025), la IA Gen ha sido empleada por los estudiantes de programación y desarrollo de software para la comprensión de conceptos del área, la elaboración de trabajos escritos, la resolución de problemas mediante la codificación de algoritmos y formulación de soluciones, la comprensión sencilla de las causas a errores, el desarrollo de prototipos y demostraciones, la interpretación de mensajes de error arrojados por los entornos de desarrollo, y el soporte durante procesos de evaluación, haciendo énfasis en que suele recurrirse a ella cuando los alumnos se enfrentan la falta de tiempo o cuestiones personales.

De igual manera, se ha localizado su utilidad para comprender las reglas de negocio y la lógica que se requiere para la propuesta de soluciones (Alvarez et al.,2025), permitiendo que los estudiantes desarrollen sus habilidades para el pensamiento computacional y razonamiento lógico. Asimismo, se identifica la posibilidad de implementarla en el diseño y la documentación del código, la corrección sintáctica y la generación de casos de prueba (Alvarez et al.,2025; Scholl et al., 2025).

Respecto a las herramientas empleadas por parte de los estudiantes, diversos estudios se han enfocado en recuperar información sobre ello. Beale (2025) menciona el uso Codex y la integración de IA Generativa en algunos entornos de desarrollo; de igual manera, se han desarrollado herramientas específicas como GitHub Copilot para tareas de programación, sin dejar fuera otros modelos de uso general como Chat GPT (Matobobo et al., 2025). Reforzando estos comentarios, Mar-I et al. (2025) identifican a Chat GPT, GitHub Copilot y Amazon CodeWhisperer como algunas de las herramientas conocidas e identificadas en su revisión bibliográfica. Ante este escenario, es importante retomar lo mencionado por Verma (2025), quien hace hincapié en la oportunidad que representan estas tecnologías para mejorar los códigos de programación, haciéndolos más eficientes y precisos, lo que impacta de forma directa en la productividad.

Si bien existe una vasta cantidad de investigaciones que abordan el uso de IA Generativa por parte de estudiantes de programación, gran parte de la literatura se ha centrado principalmente en el uso de LLM durante la fase de codificación y testeo del software, lo cual evidencia una limitación sobre la utilización de modelos generativos en sus diferentes tipos de salida, como imagen y video, así como en su aplicación a lo largo de otras fases del ciclo de vida del software.

A pesar de que la percepción de los alumnos respecto a la IA Generativa ha sido objeto de estudio en diversas investigaciones y desde distintos enfoques (Alshamy et al., 2025; Koohang et al., 2024; Niño-Carrasco et al., 2025), incluyendo trabajos centrados en los estudiantes del ámbito computacional (Kohen-Vacs et al., 2025), resulta pertinente ahondar en su análisis desde una perspectiva que considere tanto la frecuencia de uso y las modalidades de salida como la implementación académica de los modelos generativos en alumnos pertenecientes a este tipo de programas educativos.

En este contexto, el objetivo general de esta investigación es explorar de manera descriptiva los usos de la Inteligencia Artificial Generativa a los que recurren los estudiantes pertenecientes al área del desarrollo de software, considerando las diferentes modalidades de salida (texto, imagen y video). De manera específica, el estudio busca identificar la frecuencia de uso académico de modelos generativos, describir la utilización de distintos modelos según su modalidad de salida, identificar las actividades en las que se emplean los modelos generativos, explorar la percepción de los estudiantes respecto a las oportunidades y beneficios que pueden obtener de su uso y explorar las posibles asociaciones entre dicha percepción, los modelos generativos utilizados y el uso académico reportado.

2.1. Enfoque

El enfoque de la presente investigación es cuantitativo, descriptivo y transversal, basado en la encuesta como método de indagación. Este diseño permitió recopilar información de estudiantes pertenecientes a carreras vinculadas al desarrollo de software y el área computacional, con el propósito de identificar los usos que otorgan a la IA generativa y describir sus percepciones respecto a las oportunidades y beneficios asociados a su implementación en actividades académicas. Los datos obtenidos se trataron mediante estadísticos descriptivos y adicionalmente, se exploraron posibles asociaciones entre las variables de uso y percepción mediante la correlación de Spearman.

2.2. Participantes

La muestra final estuvo conformada por 190 estudiantes de distintas instituciones públicas ubicadas en la zona oriente del Estado de México, inscritos en programas relacionados con el área computacional, como Ingeniería en Sistemas Computacionales e Ingeniería en Computación. El muestreo fue no probabilístico por conveniencia, dado que la participación fue voluntaria y dependió de la disposición de los estudiantes para responder la encuesta. Aunque se obtuvieron 208 respuestas, 18 participantes indicaron no haber utilizado IA Generativa; estos registros fueron eliminados al no aportar información relevante para los objetivos del estudio. Finalmente, se consideraron 190 respuestas válidas. La muestra estuvo conformada en su mayoría por estudiantes que se identificaron con el género masculino, inscritos en modalidad presencial, con edades comprendidas principalmente entre los 17 y 24 años.

2.3. Instrumento

El instrumento consistió en una encuesta integrada por reactivos ad hoc respecto a los datos sociodemográficos y los usos e interacción entre los estudiantes de programas educativos correspondientes al desarrollo de software y la IA generativa, con un total de 17 ítems. Posteriormente, para identificar las percepciones de los alumnos, se adaptó la escala propuesta por Koohang et al. (2024), compuesta originalmente para evaluar percepciones sobre la IA en contextos educativos. Si bien la estructura general de los ítems se mantuvo, fue necesario realizar ajustes contextuales para adecuarlos al ámbito de las ciencias computacionales y desarrollo de software, de tal forma que reflejaran procesos y actividades propias del área en un total de 9 ítems. Las tres dimensiones se describen a continuación:

1. Datos sociodemográficos. En este rubro se incluyeron las variables de edad, género, semestre cursado y modalidad del programa educativo que cursan (presencial, virtual o mixta).
2. Interacción y usos de la IA generativa. Esta sección incorporó preguntas para determinar si el estudiante había utilizado IA generativa. En caso afirmativo, se solicitó información sobre su frecuencia de uso en el ámbito académico (una vez por semana, dos veces por semana, tres o más veces por semana); los tipos de IA generativa empleada (texto, imágenes o video) y los modelos utilizados en cada categoría. Para modelos generativos de texto se consideró a ChatGPT, Gemeni, LLaMa de Meta AI, Github Copilot, y Claude; si bien, Github Copilot corresponde a una herramienta de IA generativa de código, se basa, al igual que los modelos mencionados, en LLM o Grandes Modelos de Lenguaje, por lo que, para fines de esta investigación, se integró dentro de la categoría de IA generativa de texto. Para imágenes se consideró DALL-E-3, Midjpurney, Leonardo AI, Stable Diffusion y DreamStudio y para videos Pika Labs, Runway Gen-2, Synthesia, Kaiber AI y Deep Brain AI. Respecto a los usos académicos específicos se presentaron la búsqueda de información, explicación o generación de código, detección de errores, diseño de prototipos, generación de diagramas y documentación. La construcción de esta sección se basó en literatura reciente sobre usos de IAGen en ingeniería, ciencias computacionales y programación.
3. Percepciones sobre oportunidades y beneficios de la IA generativa. Se utilizó la escala tipo Likert de 5 puntos (1 = “Completamente en desacuerdo” a 5 = “Completamente de acuerdo”), con 4 ítems para beneficios y 5 ítems para oportunidades.

Si bien la última sección fue adaptada del trabajo original, al tratarse de un instrumento multidimensional y compuesto por menos de 10 ítems por dimensión, el análisis de la fiabilidad mediante el coeficiente de alfa de Cronbach debe ser interpretado con cautela, ya que dentro de la literatura se ha documentado la presencia de problemáticas y limitaciones de este índice en escalas pequeñas (Herman, 2015; Taber, 2017; Tavakol & Dennick, 2011).

En la dimensión de percepción de beneficios, se obtuvo un valor de alfa de Cronbach de .551 tras la eliminación del ítem relacionado con la optimización de procesos, el cual presentó una correlación negativa; si bien, este valor es inferior al parámetro convencional de .70, se considera aceptable para fines exploratorios y para escalas cortas o adaptadas en el área educativa (Rodríguez, 2013).

Por otra parte, en la subescala de oportunidades, se determinó un coeficiente alfa insuficiente, sin embargo, los ítems permiten obtener datos importantes para fines exploratorios y descriptivos, motivo por el cual se llevó a cabo el análisis independiente para cada uno (Herman, 2015), haciendo uso de estadísticos descriptivos. Finalmente, el resto del cuestionario estuvo compuesto por preguntas cerradas nominales y reactivos tipo ranking, por lo que no fue pertinente calcular índices de fiabilidad (Sijtsma, 2009).

No obstante, todo el cuestionario fue evaluado de manera cualitativa por parte de cuatro expertos, profesores universitarios con experiencia en investigación en tecnología educativa y ciencias computacionales, quienes proporcionaron ajustes semánticos y contextuales hasta obtener ítems con claridad, pertinencia y congruencia respecto a los constructos evaluados.

La encuesta final estuvo compuesta por 26 ítems, cuya presentación dependía de las respuestas otorgadas por los estudiantes respecto a si el estudiante utilizaba o no cada tipo de IA generativa, en el anexo 1 se localiza el cuestionario. Los datos se recopilaron durante noviembre de 2025 mediante un formulario de Google Forms distribuido a aproximadamente 700 estudiantes. Se recibieron 208 respuestas y luego de depurar los casos no pertinentes, se analizaron únicamente 190.

2.4. Procesamiento y análisis de datos

El procesamiento estadístico se llevó a cabo mediante el software SPSS. Se emplearon medidas descriptivas como frecuencias y porcentajes para describir el uso de herramientas y modalidades de IAGen y medias y desviaciones estándar para los ítems de percepción. De igual forma, se aplicó el coeficiente de correlación de Spearman para examinar asociaciones entre la frecuencia de uso, modalidad de modelo generativo y puntuaciones individuales de percepción con la finalidad de aportar evidencia empírica sobre el fenómeno.

3.1. Datos sociodemográficos

La muestra final estuvo compuesta por 190 estudiantes de programas relacionados con el desarrollo de software. El 59.5 % se identificó como género masculino y el 40.5 % como género femenino. La mayoría cursaba estudios en modalidad presencial (74.2 %), seguida de la modalidad mixta (25.3 %). Respecto a la edad, el 49.5 % se reportó en el rango de 17 a 20 años, y el 42.1 % entre los 21 y 24 años. En cuando al semestre, los grupos más representados fueron 5° (27.9 %) y 1° (21.6 %).

3.2. Usos de la IA generativa

Sobre la frecuencia de uso, las respuestas de los estudiantes se mantuvieron uniformes en las tres opciones proporcionadas, obteniéndose que una vez por semana es empleada por el 35.1 % de encuestados, dos veces por semana el 34.6 % y tres veces por semana el 28.8 %.

Al evaluar los registros de respuesta, se observa que la mayoría hace uso de modelos que proporcionan salidas de texto con un 84.7 % de recurrencia en los alumnos. En segundo lugar y con un gran margen de distancia, se encuentran los modelos generativos de imágenes con un 22.6 % y finalmente, modelos generativos de video con un 13.2 %.

3.2.1. Modelos generativos de texto

Entre los estudiantes que indicaron utilizar IA generativa de texto, el 71.4 % clasificó a ChatGPT como el modelo con un “Uso Intensivo”, ubicándolo como la herramienta predominante para actividades académicas. En contraste, modelos como Claude, LLaMa y GitHub Copilot fueron señalados con “Muy bajo uso” en el 57.1 %, 14.3 % y 11.2 % respectivamente. Esto evidencia una preferencia de uso hacia ChatGPT. Las comparativas con el resto de los modelos se puede observar en la figura 1.

FIGURA 1. Frecuencia de uso de modelos generativos de texto

3.2.2. Modelos generativos de imágenes

En el caso de los modelos de generación de imágenes (veáse figura 2), DALL·E fue clasificado con un “Uso intensivo” por el 32.6 % de los estudiantes, al igual que DreamStudio y finalmente Leonardo AI obtuvo un porcentaje relevante igual a 20.9 % en dicha categoría. No obstante, tanto DreamStudio como DALL·E fueron también identificados como aquellos con “Muy bajo uso” por una proporción considerable de estudiantes (41.9 % y 37.2 %, respectivamente), lo cual sugiere una distribución polarizada en las preferencias de uso.

FIGURA 2. Frecuencia de uso de modelos generativos de imágenes

3.2.3. Modelos generativos de vídeos

El uso de modelos generativos de video fue menor en comparación con texto e imagen, sin embargo, con base en las respuestas por parte de los estudiantes, se obtuvieron los siguientes resultados: el modelo PikaLabs fue identificado con un “Uso intensivo” por el 44 % de los estudiantes, mientras que DeepBrain AI obtuvo esta categoría en el 48 % de los casos. De igual forma, estos fueron identificados como aquellos con “Muy bajo uso” por el 52 % y 48 % respectivamente, reflejando de nuevo, una polarización en las preferencias de los alumnos, esto puede apreciarse en la figura 3.

FIGURA 3. Frecuencia de uso de PikaLabs

3.2.4. Usos académicos de la IA generativa

Para identificar los principales usos académicos que los estudiantes otorgan a la IA generativa, se analizaron las frecuencias de uso en actividades específicas relacionadas con el desarrollo de software y localizadas en la literatura. Los resultados se muestran a continuación según el tipo de tarea y se puede identificar cada uno en la figura 4.

FIGURA 4. Usos académicos de la IA generativa

Búsqueda de información

Utilizar la IA generativa para la búsqueda de información, fue uno de los fines más reportados por parte de los estudiantes, puesto que el 64.4 % de ellos respondió haberla empleado de forma “Muy frecuente”, y el 9.5 % con un uso frecuente moderadamente frecuente. Por lo cual, gran parte de los encuestados la emplea de manera constante para localizar conceptos o información que desconozcan.

Explicación y generación de código

Este fue uno de los usos más extendidos, ya que el 50 % de los estudiantes reportó utilizar la IA de manera “Frecuente” para comprender fragmentos de código o generar el código solicitado en un problema. Además, un 15.3 % la utilizan “Moderadamente Frecuente” y un 7.9 % de forma “Muy frecuente”. En conjunto, el 72.9 % emplea IA de manera habitual para actividades relacionadas con programación.

Resolución de errores

Acorde a los resultados obtenidos, la IA generativa se emplea continuamente como un recurso para la depuración de código y resolución de errores, puesto que el 58.9 % de los alumnos indicó usarla “Moderadamente frecuente” para identificar o corregir errores, mientras que un 17.4 % lo hace de manera “Frecuente” y el 7.4 % lo hace de manera “Muy frecuente”. Por lo cual, el 83.7 % de alumnos recurren a estas herramientas como apoyo para el proceso de resolución de errores.

Diseño de prototipos

El uso de la IA generativa para la creación de prototipos mostró una tendencia más baja. El 44.7 % la utiliza de forma “Poco frecuente” y un 27.4 % “Muy poco frecuente”. Sólo el 5.3 % reportó usarla de manera “Muy frecuente”. Este hallazgo sugiere que el diseño asistido por IA aún no se integra plenamente en las prácticas académicas de la mayoría de los estudiantes.

Generación de diagramas y documentación

De manera similar, la generación automática de diagramas o documentación presenta niveles bajos de adopción: el 50 % de los estudiantes la utiliza de manera “Muy poco frecuente”, y el 18.4 % de forma “Poco frecuente”. No obstante, un 14.7 % de los alumnos, la emplea de manera “Muy frecuente”, lo que indica que un subconjunto de estudiantes si la ha incorporado como auxiliar en tareas documentales que involucra el desarrollo de software.

3.3. Percepciones sobre los beneficios y oportunidades de la IA Gen

Las percepciones del estudiantado respecto a los beneficios y oportunidades asociados al uso académico de la IA generativa se analizaron mediante estadísticos descriptivos. En general, los resultados indican una tendencia moderadamente favorable, con medias que oscilaron entre 3.06 y 3.39 en una escala de 1 a 5.

En cuanto a los beneficios percibidos, los estudiantes reportaron mayor acuerdo con la idea de que estas herramientas permiten automatizar tareas para aumentar la eficacia y apoyan para potenciar el aprendizaje. Los resultados pueden apreciarse en la tabla 1. Posteriormente, se identificaron los ítems relacionados con la resolución de desafíos académicos y la optimización de procesos. Por ende, es posible observar que los estudiantes detectan mayor potencial de la IA para realizar de manera automática actividades relacionadas con su carrera.

TABLA 1. Medidas descriptivas de los ítems de beneficios

Respecto a las oportunidades percibidas por los estudiantes, se observó un menor valor en la media respecto a la colaboración entre compañeras y el desarrollo de habilidades, lo que sugiere que los estudiantes consideran esta herramienta como un apoyo en su proceso de aprendizaje individual. Para mayor detalle referente a la evaluación de estos ítems, se presentan sus medidas descriptivas en la tabla 2.

TABLA 2. Medidas descriptivas de los ítems de oportunidades

3.4. Asociaciones entre uso y percepción de la IA generativa

Para la identificación de asociaciones entre la frecuencia de uso de la IA Generativa, tipos de modelos y usos por parte de los estudiantes, y la percepción de beneficios y oportunidades, se empleó el coeficiente de correlación ρ de Spearman. La exploración únicamente se centró en ello, sin establecer causalidad, considerando solo aquellas con significancia p<0.05. Los resultados se aprecian en la tabla 3 e indican que la frecuencia de uso presenta correlaciones positivas muy bajas con el beneficio de automatizar tareas para mejorar la eficiencia (ρ=0.194) y la resolución de desafíos (ρ = 0.154).

Respecto al uso de modelos generativos de texto, se obtuvo una correlación negativa muy baja con la oportunidad de personalizar la experiencia de aprendizaje (ρ = -0.154) y una correlación muy baja positiva con el fomento de la colaboración entre estudiantes (ρ = 0.147). Sobre los modelos generativos de imágenes, se determinó una correlación positiva muy baja con la percepción del beneficio sobre la resolución de desafíos (ρ = 0.151). En cuanto al uso de modelos de video, no se obtuvieron correlaciones significativas.

En relación con los usos académicos, la búsqueda de información y el beneficio de la automatización de tareas mostraron una asociación positiva moderada (ρ = 0.410); una correlación moderada respecto al beneficio de aumentar potencialmente el aprendizaje (ρ = 0.335) y la oportunidad de personalizar la experiencia de aprendizaje (ρ = 0.333); una correlación positiva baja con la oportunidad de liberar tiempo para el desarrollo de software (ρ = 0.250) y una correlación negativa respecto a la colaboración entre compañeros (ρ = -0.313).

En cuanto al uso para la explicación y generación de código se calculó una correlación positiva baja con los beneficios de automatizar las tareas (ρ = 0.384) y aumentar potencialmente el aprendizaje (ρ = 0.252), así como con las oportunidades de personalizar la experiencia de aprendizaje (ρ = 0.325) y el apoyo en la búsqueda de información (ρ = 0.238). Por otra parte, se observó una correlación negativa baja respecto al beneficio de la colaboración entre pares (ρ = -0.206). La resolución de errores mostró correlaciones positivas muy bajas con el beneficio de resolver desafíos (ρ = 0.185) y la oportunidad de contar con apoyo como fuente de información (ρ = 0.180).

Finalmente, respecto a la creación de prototipos se identificó una correlación negativa baja con la automatización de tareas (ρ = -0.267) y el aumento potencial del aprendizaje (ρ = -0.234), así como la oportunidad de personalizar la experiencia de aprendizaje (ρ = -0.226) y el apoyo como fuente de información (ρ = -0.223). Sobre la creación de diagramas y documentación se obtuvo una correlación negativa baja con la automatización de tareas (ρ = -0.380) y aumentar potencialmente el aprendizaje (ρ = -0.261), la oportunidad de personalizar la experiencia de aprendizaje (ρ = -0.339) y el apoyo en la búsqueda de información (ρ = -0.293), además de una asociación positiva con el favorecimiento de la colaboración (ρ = 0.219).

TABLA 3. Correlaciones de Spearman respecto a la percepción de beneficios y oportunidades

Nota: A_T: Automatizar tareas; P_A: Aumentar potencialmente el aprendizaje; R_D: Resolver desafíos; Per_A: Personalizar la experiencia de aprendizaje; F_I: Apoyar como Fuente de información; D_H: Desarrollar habilidades; P_H: Personalizar herramientas; C: Colaboración; *p<0.05=significativa; **p<0.01= muy significativa.

Los resultados muestran distintos aspectos relevantes sobre la integración de la IA Generativa entre los estudiantes del área computacional. En primer lugar, se confirma una brecha de género al observar la distribución en los datos sociodemográficos, lo cual refleja una tendencia persistente en el área educativa donde se desarrolla la investigación (Jaccheri et al. 2020; Torres-Torres et al.,2024).

Así también, se identifica que el uso de modelos de texto, especialmente Chat GPT, predominan entre la comunidad estudiantil. No obstante, la correlación negativa obtenida entre el uso de estos modelos y la percepción sobre la personalización del aprendizaje (ρ = -0.154) sugiere que los estudiantes perciben que las respuestas obtenidas no siempre atienden a sus necesidades cognitivas específicas. En este contexto, la integración de IA en actividades académicas sin un enfoque pedagógico puede derivar en una utilización inadecuada de la tecnología, en lugar de un medio adaptativo de aprendizaje (Shankar et al., 2024). Así también, la baja utilización de herramientas especializadas en generación de código sugiere que los estudiantes prefieren tener interacción con modelos generativos que brinden facilidad de uso, ya sea por no conocerlas, no haber recibido formación explícita en su uso o la preocupación por el pago de licencias (Scholl et al., 2025). Ante ello, en futuras investigaciones se podrían explorar con mayor profundidad la relación que existe entre el capital cultural, el capital tecnológico de los estudiantes y el uso de herramientas especializadas para la generación de código, documentación y diagramas, dentro del contexto geográfico mencionado, puesto que los problemas de infraestructura y desconocimiento de las herramientas impactan en la integración de dichas tecnologías (Lobo, 2024).

De igual manera, se observa una discrepancia en la percepción de la oportunidad que brindan los modelos ante la colaboración entre pares. Puesto que, mientras su uso en la búsqueda de información presenta una correlación negativa moderada (ρ = -0.313), su uso en la creación de diagramas y documentación muestra una asociación positiva (ρ = 0.219). Ante ello, es posible observar que la búsqueda de información parece fomentar un aprendizaje individualista y resulta importante analizar su impacto, puesto que se ha observado que los LLM no proporcionan la misma experiencia social, lo cual representa un riesgo para el desarrollo de habilidades socioemocionales, fundamentales en el proceso educativo (Duran, 2024; Shankar et al., 2024). Por el contrario, la creación de diagramas resultaría interesante analizarla para identificar cómo es que la representación de los sistemas en esta fase del ciclo de vida del software genera un ambiente de colaboración entre estudiantes. De igual forma, esta interpretación sugiere la importancia de diseñar estrategias que no se limiten a la prohibición del uso de la IA, si no a realizar trabajo colaborativo entre los estudiantes para los distintos fines académicos.

En contraste con la amplia adopción de modelos generativos de texto, el uso de herramientas orientadas a la generación de imágenes y video resultó considerablemente menor. De manera paralela, esta afirmación es observable ante la ausencia de correlaciones con significancia sobre la percepción de beneficios y oportunidades al utilizar modelos generativos de video. Si bien, estos suelen utilizarse para tareas específica dentro del desarrollo de software (Parra, 2023; Scholl et al., 2025; Subramonyam et al., 2025), los resultados sugieren que su integración representa un área de oportunidad en el aula con los estudiantes.

Los resultados muestran que los alumnos perciben la IA como una forma de aumentar potencialmente el aprendizaje en su uso para la búsqueda de información, así como para explicar y generar código presentan una asociación positiva con el beneficio para personalizar el aprendizaje. Ante ello es imperativo difundir el uso correcto, ético y responsable de esta tecnología, puesto que la utilización inadecuada o sustitución del intelecto humano para desarrollar soluciones, pueden generar una dependencia tecnológica, la disminución del esfuerzo cognitivo y una reducción práctica del razonamiento algorítmico (Beale, 2025; Li et al., 2025). Además, el aumento potencial del aprendizaje surge del pensamiento crítico y análisis de los resultados arrojados por los modelos generativos (Duran, 2024), sin ser únicamente el receptor de información.

Esta investigación permitió describir los usos que estudiantes de programas relacionados con el ámbito computacional, principalmente ingeniería en computación e ingeniería en sistemas computacionales, asignan a diversas herramientas de Inteligencia Artificial Generativa (IA Gen) en sus actividades académicas. A diferencia de otros estudios que se concentran principalmente en modelos generativos de texto, el presente trabajo examinó también la frecuencia de uso y los modelos preferidos de herramientas que generan salidas en formato de imagen y video, así como las posibles asociaciones respecto a su percepción de beneficios y oportunidades.

La mayoría de los alumnos manifiestan utilizar Chat GPT para cuestiones relacionadas con la búsqueda de información, generación de código, resolución de errores y explicación ante desafíos complejos a los que se enfrentan. Por otra parte, la IA Generativa de imágenes y videos no presentaron gran recurrencia por parte del estudiantado, lo que sugiere que se emplea únicamente en actividades específicas. Si bien los estudiantes perciben las oportunidades y beneficios que les brindan las herramientas estudiadas con un sentido moderado, se observa que no todos reconocen un potencial en ella para la optimización de procesos y el trabajo colaborativo, encontrando en ese último beneficio, una correlación negativa respecto al uso para la búsqueda de información (ρ = -0.313) y una correlación positiva con la creación de diagramas (ρ = 0.219). Ante su inminente integración en actividades académicas de los estudiantes, resulta fundamental promover un uso responsable y comunicar cuáles son las ventajas, oportunidades, riesgos y desafíos que involucra su utilización, así como fomentar el trabajo colaborativo.

5.1. Limitaciones y prospectiva

Si bien el presente estudio identifica las herramientas de IA generativa más utilizadas por el sector estudiantil de carreras afines a las ciencias computacionales, se presentan algunas limitaciones que pueden ser abordadas en investigaciones posteriores. En primera instancia, al utilizarse un muestreo por conveniencia en una parte de la zona oriente del Estado de México, los hallazgos pueden limitarse a los contextos educativos de los estudiantes que aceptaron responder el cuestionario; en consecuencia, en estudios futuros, es conveniente ampliar el tamaño de la muestra y hacerla representativa de toda la región. Aunado a ello, en la sección de percepciones de los estudiantes, la escala utilizada fue adaptada para centrarla en programas educativos relacionados con la computación, sin embargo, se obtuvo un alfa de Cronbach insuficiente a pesar de haber sido validado por expertos, motivo por el cual se empleó como una herramienta para efectuar una exploración descriptiva, logrando en trabajos futuros la propuesta de un nuevo instrumento contextualizado y validado. En tercer lugar, la magnitud de las correlaciones obtenidas se sitúa en su mayoría dentro de rangos bajos o muy bajos, no obstante, dada la significancia alcanzada (p<0.5), los resultados sugieren la existencia de vínculos reales y la importancia de considerar otras variables no contempladas en esta investigación, lo cual genera una línea de trabajo futuro de índole cualitativo. Finalmente, el estudio desechó aquellos registros de los estudiantes que manifestaron no hacer uso de IA generativa, por lo que en estudios futuros podría abordarse cuál es la percepción de los estudiantes que causa un rechazo a la integración de esta tecnología en el ámbito académico.

Autor 1. Concepción y diseño.

Autor 2. Diseño metodológico, recolección de datos.

Autor 3. Análisis e interpretación de datos.

Autor 1, Autor 2, Autor 3. Redacción del artículo.

Autor 1, Autor 2, Autor 3. Revisión del artículo.

Autor 1, Autor 2, Autor 3. Aprobación del artículo.

No se recibió financiación.

Agbo, F., Olivia, C., Oguibe, G., Sanusi, I., & Sani, G. (2025). Computing education using generative artificial intelligence tools: A systematic literature review. Computers and Education Open, (9), 100266. https://doi.org/10.1016/j.caeo.2025.100266

Alshamy, A., Al-Harthi, A., & Abdullah, S. (2025). Perceptions of generative AI tools in Higher Education: Insights from Students and Academics at Sultan Qaboos University. Education Sciences, 15(4), 501. https://doi.org/10.3390/educsci15040501

Alvarez, J., Benitez, M., & Hernandez, C. (2025). Generative AI in Engineering and Computing Education: A Scoping Review of Empirical Studies and Educational Practices. IEEE Access, 13, 30789–30810. https://doi.org/10.1109/ACCESS.2025.3541424

Aydin, Ö., & Karaarslan, E. (2023). Is ChatGPT Leading Generative AI? What is Beyond Expectations? APJESS, 11(3), 118-134. https://doi.org/10.21541/apjess.1293702

Baig, M., & Yadegaridehkordi, E. (2025). Factors influencing academic staff satisfaction and continuous usage of generative artificial intelligence (GenAI) in higher education. International Journal of Educational Technology in Higher Education, 22(1), 1-23. https://doi.org/10.1186/S41239-025-00506-4

Beale, R. (2025). Computer Science Education in the Age of Generative AI. Arxiv: 2507.02183. https://doi.org/10.48550/arXiv.2507.02183

Belkina, M., Daniel, S., Nikolic, S., Haque, R., Lyden, S., Neal, P., Grundy, S., & Hassan, G. (2025). Implementing generative AI (GenAI) in higher education: A systematic review of case studies. Computers and Education: Artificial Intelligence, 8, 100407. https://doi.org/10.1016/J.CAEAI.2025.100407

Cubillos, C., Mellado, R., Cabrera-Paniagua, D., & Urra, E. (2025). Generative Artificial Intelligence in Computer Programming: Does It Enhance Learning, Motivation, and the Learning Environment? IEEE Access, 13, 40438–40455. https://doi.org/10.1109/ACCESS.2025.3532883

Duran, V. (2024). Analyzing teacher candidates’ arguments on AI integration in education via different chatbots. Digital Education Review, 45, 68–83. https://doi.org/10.1344/der.2024.45.68-83

Groothuijsen, S., van den Beemt, A., Remmers, J., & van Meeuwen, L. (2024). AI chatbots in programming education: Students’ use in a scientific computing course and consequences for learning. Computers and Education: Artificial Intelligence, 7, 100290. https://doi.org/10.1016/J.CAEAI.2024.100290

Herman, B. (2015). The Influence of Global Warming Science Views and Sociocultural Factors on Willingness to Mitigate Global Warming. Science Education, 99(1), 1–38. https://doi.org/10.1002/SCE.21136

Jaccheri, L., Pereira, C., & Fast, S. (2020). Gender issues in computer science: Lessons learnt and reflections for the future. En Proceedings - 2020 22nd International Symposium on Symbolic and Numeric Algorithms for Scientific Computing (SYNASC), 9–16. https://doi.org/10.1109/SYNASC51798.2020.00014

Koohang, A., Sargent, C., & Svanadze, S. (2024). Students’ perceptions of benefits and opportunities of artificial intelligence (AI). Issues in Information Systems, 25(2), 438–450. https://doi.org/10.48009/2_iis_2024_134

Kohen-Vacs, D., Usher, M., & Jansen, M. (2025). Integrating Generative AI into Programming Education: Student Perceptions and the Challenge of Correcting AI Errors. International Journal of Artificial Intelligence in Education, 35, 3166-3184. https://doi.org/10.1007/S40593-025-00496-4

Li, S., Liu, J., & Dong, Q. (2025). Generative artificial intelligence-supported programming education: Effects on learning performance, self-efficacy and processes. Australasian Journal of Educational Technology, 41(3), 1–25. https://doi.org/10.14742/AJET.9932

Lobo, E. (2024). El impacto de la alfabetización digital en la enseñanza y el aprendizaje. Complexus Contable, 1(1), 21-40.

Mar-I, F., Nerisafitra, P., Marianingsih, S., Hanjaya, S., Aisyah, Y., Primatama, D., & Sutaji, D. (2025). Exploring the Use of Generative AI in Software Development: A Preliminary Study. E3S Web of Conferences, 645. https://doi.org/10.1051/E3SCONF/202564504002

Matobobo, C., Ncube, P., Ngesimani, N., Dzvapatsva, G., & Chinhamo, E. (2025). Enhancing Computational Thinking and Problemsolving in Programming Education Through Generative AI: A Scoped Review. IEEE Global Engineering Education Conference (EDUCON). https://doi.org/10.1109/EDUCON62633.2025.11016317

Ng, J., Tong, M., Tsang, E., Chu, K., & Tsang, W. (2025). Exploring Students’ Perceptions and Satisfaction of Using GenAI-ChatGPT Tools for Learning in Higher Education: A Mixed Methods Study. SN Computer Science, 6(5), 1-17. https://doi.org/10.1007/S42979-025-04010-4

Niño-Carrasco, S., Castellanos-Ramírez, J., Perezchica, J., & Sepúlveda Rodríguez, J. A. (2025). Percepciones de estudiantes universitarios sobre los usos de inteligencia artificial en educación. Revista Fuentes, 27(1), 94–106. https://doi.org/10.12795/revistafuentes.2025.26356

Parra, P. (2023). Prototyping with Generative AI. En P. Parra, Creative Prototyping with Generative AI. Design Thinking. (pp.109-143). Apress. https://doi.org/10.1007/978-1-4842-9579-3_5

Rodríguez, O. (2013). La evaluación objetiva en ingeniería aportes en procesos de evaluación y mejora curricular. Encuentro Internacional de Educación En Ingeniería, Cartagena. https://acofipapers.org/index.php/eiei/article/view/1457

Scholl, A., Tech, N., Schiffner, D., & Kiesler, N. (2025). Students’ Use of ChatGPT in an Introductory Programming Course: A Deep Dive into Chat Protocols and the Student Perspective. Eleed - e-Learning and Education, 16, 1-31. https://doi.org/10.57813/eleed.v1i16.248

Shankar, S., Pothancheri, G., Sasi, D., & Mishra, S. (2024). Bringing teachers in the loop: Exploring perspectives on integrating generative AI in technology-enhanced learning. International Journal of Artificial Intelligence in Education, 3, 155-180. https://doi.org/10.1007/s40593-024-00428-8

Sheikh, H., Prins, C., & Schrijvers, E. (2023). Artificial Intelligence: Definition and Background. En: Mission AI. Research for Policy. Springer, Cham. https://doi.org/10.1007/978-3-031-21448-6_2

Sijtsma, K. (2009). On the Use, the Misuse, and the Very Limited Usefulness of Cronbach’s Alpha. Psychometrika, 74(1), 107–120. https://doi.org/10.1007/S11336-008-9101-0

Subramonyam, H., Thakkar, D., Ku, A., Dieber, J., & Sinha, A. (2025). Prototyping with Prompts: Emerging Approaches and Challenges in Generative AI Design for Collaborative Software Teams. Conference on Human Factors in Computing Systems – Proceedings, 882, 1-22. https://doi.org/10.1145/3706598.3713166

Taber, K. (2017). The Use of Cronbach’s Alpha When Developing and Reporting Research Instruments in Science Education. Research in Science Education 48(6), 1273–1296. https://doi.org/10.1007/S11165-016-9602-2

Tavakol, M., & Dennick, R. (2011). Making sense of Cronbach’s alpha. International Journal of Medical Education, 2, 53–55. https://doi.org/10.5116/ijme.4dfb.8dfd

Tillmanns, T., Salomão, A., Rudra, S., Weber, P., Dawitz, J., Wiersma, E., Dudenaite, D., & Reynolds, S. (2025). Mapping Tomorrow’s Teaching and Learning Spaces: A Systematic Review on GenAI in Higher Education. Trends in Higher Education, 4(1), 2. https://doi.org/10.3390/HIGHEREDU4010002

Torres-Torres, Y., Román-González, M., & Perez-Gonzalez, J. (2024). Didactic strategies for the education of computational thinking from a gender perspective: A systematic review. European Journal of Education, 59(2), e12640. https://doi.org/10.1111/EJED.12640

Verma, U. (2025). Generative AI in Higher Education: The Students’ Perception (Dissertation). https://www.diva-portal.org/smash/record.jsf?dswid=-9917&pid=diva2%3A1926981

1. Selecciona el rango de tu edad.

A) 17-20

B) 21-24

C) 25-28

D) 29 o más

2. Indica el género con el que te identificas

A) Femenino

B) Masculino

C) Prefiero no decirlo

3. Selecciona el semestre que cursas actualmente

A) 1

B) 2

C) 3

D) 4

E) 5

F) 6

G) 7

H) 8

I) 9

J) 10

4. Indica la modalidad del plan de estudios que cursas

A) Presencial

B) Mixto

C) Virtual

5. Como estudiante he utilizado modelos generativos de inteligencia artificial (por ejemplo, ChatGPT, Gemini, Meta AI, entre otros) con fines académicos a lo largo de mi carrera.

A) Sí

B) No

6. La frecuencia con la que he utilizado los modelos generativos con fines educativos se aproxima a:

A) No los utilizo

B) Una vez por semana

C) Dos veces por semana

D) Tres veces o más por semana

Nota: Si la respuesta indica que no se han usado modelos generativos, el cuestionario se concluía, de lo contrario, se pasaba a la sección de los tipos de modelos generativos y percepciones.

7. ¿Has utilizado modelos generativos de texto como ChatGPT, Gemini, Meta AI, etc., con fines académicos en la carrera?

A) Sí

B) No

Nota: Si la respuesta indica que no el cuestionario omitía las preguntas sobre los distintos modelos y continuaba.

Ordena los siguientes modelos generativos de texto según tu nivel de uso académico (1 = el que menos utilizas, 5 = el que más utilizas)

13. ¿Has utilizado modelos generativos de imágenes como Leonardo AI, DALL·E 3, Stable Diffusion, etc., con fines académicos en la carrera?

A) Sí

B) No

Nota: Si la respuesta indica que no, el cuestionario omitía las preguntas sobre los distintos modelos y continuaba.

Ordena los siguientes modelos generativos de imágenes según tu nivel de uso académico (1 = el que menos utilizas, 5 = el que más utilizas).

19. ¿Has utilizado modelos generativos de videos como Pika Labs, Synthesia, Kaiber AI, etc., con fines académicos en la carrera?

A) Sí

B) No

Nota: Si la respuesta indica que no, el cuestionario omitía las preguntas sobre los distintos modelos y continuaba.

Ordena los siguientes modelos generativos de video según tu nivel de uso académico (1 = el que menos utilizas, 5 = el que más utilizas).

Ordena los siguientes usos de modelos generativos según tu experiencia en el área académica de tu carrera (1 = el menos frecuente, 5 = el más frecuente). 

Responde con sinceridad acorde a tu punto de vista como estudiante respecto a la IA generativa (1 = Completamente en desacuerdo, 2 = En desacuerdo, 3 = Ni de acuerdo ni en desacuerdo, 4 = De acuerdo, 5 = Completamente de acuerdo)