Actitudes positivas, desigualdades persistentes:
Análisis crítico de las percepciones de género sobre Inteligencia Artificial en
educación superior peruana
Positive attitudes, persistent inequalities: Critical
analysis of gender perceptions about Artificial Intelligence in Peruvian higher
education
Julio Postigo-Zumarán. Universidad de San Martín
de Porres. Perú.
León Maximiliano Cutipa-Murga. Universidad
Tecnológica del Perú. Perú.
Jorge Polanco-Argüelles. Universidad
Tecnológica del Perú. Perú.
Julio César Huamani-Cahua. Universidad de San
Martín de Porres. Perú.
Recibido: 2026-03-07;
Revisado: 2026-03-12; Aceptado: 2026-04-27; Publicado: 2026-09-01
Cómo citar este artículo:
Postigo-Zumarán, J., Cutipa-Murga, L.M., Polanco-Argüelles,
J., Huamani-Cahua, J.C. (2026). Actitudes positivas, desigualdades
persistentes: Análisis crítico de las percepciones de género sobre Inteligencia
Artificial en educación superior peruana [Positive attitudes, persistent
inequalities: Critical analysis of gender perceptions about Artificial
Intelligence in Peruvian higher education]. Pixel-Bit, Revista de Medios y
Educación, 77, Art. 6. https://doi.org/10.12795/pixelbit.120494
RESUMEN
La creciente
integración de la inteligencia artificial en la educación superior requiere comprender
las actitudes del estudiantado hacia esta tecnología, especialmente en
contextos latinoamericanos donde la investigación es escasa y los instrumentos
de medición carecen de validación cultural. Este estudio analizó las
diferencias de género en las actitudes hacia la IA en 1,912 estudiantes
universitarios de Arequipa, Perú, utilizando la escala AIAS-4 adaptada al
español. Se aplicaron análisis factorial exploratorio (n=1,136) y confirmatorio
(n=776), confirmando una estructura unidimensional con propiedades
psicométricas adecuadas (α=.884; CFI=.991; RMSEA=.076). Los resultados
revelaron que las estudiantes mujeres presentan actitudes significativamente
más positivas hacia la IA que los hombres (M=3.15 vs. M=2.97; p<.001;
d=0.204), contradiciendo patrones reportados en contextos europeos y asiáticos.
Se observó además una tendencia descendente en actitudes positivas conforme
avanza el año académico. Estos hallazgos evidencian una paradoja crítica:
actitudes favorables coexisten con subrepresentación estructural femenina en el
campo tecnológico. Se discuten las implicaciones para el diseño de políticas
educativas con perspectiva de género que promuevan participación equitativa en
inteligencia artificial.
ABSTRACT
The growing integration
of artificial intelligence in higher education requires understanding student
attitudes toward this technology, particularly in Latin American contexts where
research is scarce and measurement instruments lack cultural validation. This
study analyzed gender differences in attitudes toward AI among 1,912 university
students from Arequipa, Peru, using the AIAS-4 scale adapted to Spanish.
Exploratory (n=1,136) and confirmatory (n=776) factor analyses confirmed a
unidimensional structure with adequate psychometric properties (α=.884;
CFI=.991; RMSEA=.076). Results revealed that female students present significantly
more positive attitudes toward AI than males (M=3.15 vs. M=2.97; p<.001;
d=0.204), contradicting patterns reported in European and Asian contexts. A
descending trend in positive attitudes as the academic year progresses was also
observed. These findings reveal a critical paradox: favorable attitudes coexist
with structural female underrepresentation in the technological field.
Implications for designing gender-sensitive educational policies that promote
equitable participation in artificial intelligence are discussed.
PALABRAS CLAVES · KEYWORDS
Inteligencia artificial; Educación superior; Género; Tecnología educativa; Alfabetización digital · Artificial intelligence; Higher education; Gender; Educational technology; Digital literacy.
1. Introducción
La inteligencia
artificial (IA) se ha establecido como un agente fundamental de transformación
en varias dimensiones de la vida contemporánea, incluida la educación superior,
donde se está integrando progresivamente en la enseñanza, el aprendizaje y la
gestión académica (Bond
et al., 2024). En América Latina, la utilización de la IA en la
educación superior avanza en medio de oportunidades de innovación pedagógica y desafíos
estructurales relacionados con la infraestructura tecnológica, la formación de
los docentes y las diferencias en el acceso (Fernández-Miranda
et al., 2024; Salas-Pilco & Yang, 2022; Heredia Pérez et al.,
2025; Aviles-Valenzuela et al., 2025). En cuanto al contexto peruano, investigaciones
recientes evidencian que la producción científica sobre IA en la educación
superior representa solo el 2% del total de publicaciones en el mundo,
reflejando una notable asimetría con respecto a países como China y Estados
Unidos (Contreras
& Olaya, 2025; Tapullima Mori et al., 2024), y persistentes brechas infraestructurales que
obstaculizan la democratización del acceso a estas tecnologías (Contreras
& Olaya, 2025).
El subcampo más reciente
y con mayor prominencia en la IA es la Inteligencia Artificial Generativa, la
cual ha tenido un auge significativo con el desarrollo de herramientas como
ChatGPT, Gemini y Copilot, que son capaces de crear texto e imágenes y generar
código a través de algoritmos de aprendizaje automático (Jovanović
& Campbell, 2022; Chiu, 2024). Las oportunidades que la IAGen ofrece para la
personalización del aprendizaje, la gestión del conocimiento y la estimulación
de la creatividad son innegables (Jovanović & Campbell, 2022; Peres
et al., 2023). Por otro lado, han surgido interrogantes de
carácter ético y académico que repercuten en la originalidad de los trabajos,
la mejora del pensamiento crítico y la protección de la integridad académica (Bittle
& El-Gayar, 2025; García-López & Trujillo-Liñán, 2025;
Kofinas et al., 2025).
Un aspecto clave en la
implementación de estas tecnologías emergentes es el análisis de las actitudes
de los estudiantes hacia la IA, que implican disposiciones cognitivas,
afectivas y conductuales que predisponen la aceptación, el compromiso y la
apreciación crítica de tales herramientas (Katsantonis
& Katsantonis, 2024; Sultana et al., 2025). La literatura internacional sobre las diferencias de
género en las actitudes hacia la IA presenta hallazgos heterogéneos y, en
ocasiones, contradictorios. Mientras algunos estudios no encuentran diferencias
significativas entre hombres y mujeres (Purificato
et al., 2023; Hajam & Gahir, 2024), otros documentan que los hombres muestran actitudes
más positivas, mayor frecuencia de uso y menor ansiedad tecnológica ante la IA
(Stöhr
et al., 2024; Russo
et al., 2025; Ofosu-Ampong,
2024). Esta tendencia se ha documentado principalmente
en contextos europeos y asiáticos, donde las mujeres tienden a percibir las
herramientas de IA como más complejas y menos útiles para sus necesidades
académicas (Beig
& Qasim, 2023). Investigaciones recientes sugieren además que la
ansiedad ante la IA opera como variable mediadora en esa relación: son las
mujeres quienes reportan niveles más elevados de este constructo, lo que podría
explicar parte de las diferencias actitudinales observadas (Russo et al.,
2025). En cuanto al uso concreto de herramientas generativas, los hombres
recurren a plataformas como ChatGPT con mayor frecuencia y para una gama más
amplia de tareas académicas (Stöhr et al., 2024; Møgelvang et al., 2024). Este
cuerpo de evidencia, construido casi en su totalidad fuera de América Latina,
deja abierta una pregunta relevante: si estos patrones responden a algo
universal o si están condicionados por factores culturales, económicos e institucionales
que varían según el contexto.
En este contexto, la
evidencia empírica sobre las diferencias de género en las actitudes hacia la IA
en la América Latina y, en especial, en el Perú, es escasa y fragmentaria, lo que
imposibilita reconocer patrones regionales y evidencia la brecha importante en
la literatura especializada. La mayoría de investigaciones han observado
generalidades sobre la incorporación de tecnologías, dejando en el olvido la
dimensión de género en la crítica apropiación de la IAGen (Frumin
et al., 2026; Valdivieso & González, 2025;
Ancheta-Arrabal et al., 2021). Esta laguna en el conocimiento es preocupante debido
a que las inequidades de género en la ciencia, tecnología, ingeniería y matemáticas
(STEM) continúan en la región, y solo una de cada tres científicas es mujer y
en los niveles académicos superiores esa proporción sigue en descenso (UNESCO,
2024).
Este estudio se
presenta como una respuesta a la laguna de conocimiento anterior. Una de las finalidades
es contribuir al análisis de las diferencias de género en las actitudes hacia
la inteligencia artificial en estudiantes universitarios de Arequipa, Perú, a
partir de la escala AIAS-4 (Grassini,
2023) en su versión adaptada para el contexto
latinoamericano. La investigación se inscribe en el área de estudios de las
Tecnologías Emergentes y la Inteligencia Artificial Crítica, particularmente en
el eje de la inteligencia artificial y la reproducción de desigualdades
estructurales en el ámbito educativo.
Esta perspectiva
crítica se vuelve particularmente pertinente porque las actitudes individuales hacia
la tecnología no operan en un vacío social, sino que están situadas dentro de
marcos institucionales, culturales y económicos que moldean el acceso, la
formación y las oportunidades profesionales (Cai
et al., 2017; Li et al., 2025). Por lo tanto, incluso si los estudiantes tienen
actitudes positivas hacia la IA, tales disposiciones no conducen necesariamente
a un compromiso equitativo en el diseño, desarrollo y gobernanza de sistemas de
inteligencia artificial. Esto explica la necesidad de interrogar críticamente
la relación entre actitudes favorables y desigualdades persistentes, evitando
la lectura sin perspectiva crítica, de que disposiciones psicológicamente
positivas se asumen como suficientes para superar barreras estructurales de
género en un determinado campo tecnológico.
El objetivo principal
de este estudio es analizar las diferencias de género en las actitudes hacia la
inteligencia artificial en estudiantes universitarios de Arequipa, Perú. Como
objetivos secundarios, se examinan las diferencias según área de conocimiento y
año académico, lo que permite situar el hallazgo central dentro de las
condiciones académicas concretas de la muestra y valorar en qué medida las
actitudes hacia la IA varían en función del trayecto formativo de los
estudiantes.
2. Metodología
2.1. Diseño de
investigación
Este estudio adoptó un enfoque
cuantitativo descriptivo-comparativo con un diseño no experimental transversal (Ato et al., 2013). La recolección de datos ocurrió en un único momento
durante el año académico 2025. Cabe precisar que el diseño transversal adoptado
permite establecer diferencias entre grupos en un momento determinado y
examinar asociaciones entre variables, pero no habilita inferencias sobre
direccionalidad ni causalidad (Ato et al., 2013).
Dado que el instrumento
utilizado (AIAS-4 de Grassini, 2023) fue originalmente desarrollado en contexto
noruego con una escala de 10 puntos, y considerando que requería adaptación lingüística
y psicométrica al contexto latinoamericano, se incorporaron procedimientos de
validación de contenido y análisis factorial exploratorio como pasos previos al
análisis comparativo. Estos procedimientos de validación no constituyen el
objetivo principal del estudio, sino que garantizan la confiabilidad de los
hallazgos sobre diferencias de género que se reportan.
2.2. Participantes
La población de
referencia estuvo constituida por estudiantes universitarios de pregrado matriculados
en instituciones de educación superior de Arequipa, segunda ciudad más poblada
del Perú y principal centro universitario del sur del país. La muestra se
obtuvo en una institución universitaria privada de la ciudad, seleccionada por
accesibilidad y por contar con programas académicos en las tres áreas de
conocimiento consideradas en el estudio. Los datos se recogieron directamente
en aulas durante horarios regulares de clase; la participación fue voluntaria
en todos los casos. La muestra inicial quedó conformada por 1,945 estudiantes;
tras excluir 33 casos por género no especificado o cuestionarios incompletos,
la muestra analítica final fue de N = 1,912 participantes.
La distribución por
género fue relativamente equilibrada, con 905 hombres (47.3%) y 1,007 mujeres
(52.7%). En cuanto a las áreas de estudio, la muestra se distribuyó de la
siguiente manera: Área 1 (n = 373, 19.5%), Área 2 (n = 997, 52.1%) y Área 3 (n =
542, 28.4%). La distribución por año académico mostró una mayor concentración
en los ciclos intermedios y avanzados: primer año (n = 200, 10.5%), segundo año
(n = 240, 12.5%), tercer año (n = 293, 15.3%), cuarto año (n = 342, 17.9%),
quinto año (n = 607, 31.7%) y sexto año (n = 230, 12.0%). Las edades variaron
de 18 a 28 años (M = 21.76, SD = 2.23).
Los criterios de
inclusión abarcan: (a) estar matriculado en la institución en el año académico 2025,
(b) aceptar voluntariamente participar en el estudio mediante un consentimiento
informado, y (c) haber respondido en su totalidad el cuestionario. Se excluyó a
los casos que presentaron respuestas incompletas, respuestas duplicadas o
patrones de respuesta que no sean válidos.
El muestreo intencional
se adoptó por razones de viabilidad operativa y pertinencia temática: garantizó
el acceso a grupos con distintos perfiles académicos —por área y año de formación—
dentro de una institución que concentra programas representativos del sistema
universitario privado arequipeño. Este diseño no permite afirmar
representatividad estadística respecto al conjunto de la población
universitaria de Arequipa, pero sí proporciona una muestra amplia y heterogénea
que resulta adecuada para los objetivos comparativos del estudio.
2.3. Instrumento
Para medir las
actitudes hacia la inteligencia artificial se utilizó la escala AIAS-4, desarrollada
y validada por Grassini (2023) con 1,946 participantes noruegos. La escala
consta de cuatro ítems que evalúan la actitud general hacia la IA desde una
perspectiva unidimensional. Su selección se fundamentó en tres criterios: la
brevedad del instrumento, que permite su administración en contextos de aula
sin interrumpir la dinámica de clase; la replicabilidad de su estructura
unidimensional en distintos contextos culturales, lo que facilita la comparación
entre estudios; y el hecho de que sus ítems no presuponen familiaridad técnica
con sistemas de IA, lo que lo hace adecuado para poblaciones con perfiles de
formación heterogéneos. Para el presente estudio se aplicó la versión de cinco
ítems con el propósito de evaluar empíricamente el comportamiento del ítem
adicional en el contexto peruano. El instrumento fue adaptado mediante
traducción-retro traducción al español y ajuste de la escala de respuesta
original —de 10 puntos— a formato Likert de cinco puntos (1 = Totalmente en
desacuerdo a 5 = Totalmente de acuerdo), siguiendo prácticas comunes en
investigación educativa latinoamericana (Lloret-Segura
et al., 2014).
2.4. Procedimiento
El estudio fue aprobado
por las autoridades académicas de la institución y siguió los principios éticos
de la Declaración de Helsinki. Todos los participantes recibieron información sobre
los objetivos del estudio, el carácter voluntario de su participación, la
confidencialidad de los datos y su derecho a retirarse en cualquier momento. El
proceso de recolección y análisis se desarrolló en tres fases secuenciales.
Fase 1: Adaptación y
validación de contenido. Cinco jueces expertos en educación, psicología y
tecnología educativa evaluaron cada ítem en tres dimensiones (claridad,
coherencia y relevancia). Se calculó el coeficiente V de Aiken para cuantificar
el grado de acuerdo, considerando valores V ≥ .70 como aceptables (Aiken,
1980; Merino-Soto,
2023). Los resultados mostraron valores superiores a .72 en
todas las dimensiones, confirmando la validez de contenido del instrumento
adaptado.
Fase 2: Aplicación y
validación de constructo. El cuestionario se administró de forma presencial en
horarios regulares de clase, con un tiempo promedio de respuesta de cinco minutos.
Para la validación de constructo, la muestra analítica (N = 1,912) se dividió
aleatoriamente en dos submuestras independientes: la primera (n = 1,136; 59.4%)
se utilizó en el Análisis Factorial Exploratorio (AFE) y la segunda (n = 776;
40.6%) en el Análisis Factorial Confirmatorio (AFC), conforme al procedimiento
de validación en dos etapas recomendado para instrumentos de nueva adaptación
(Lloret-Segura et al., 2014). El AFE, ejecutado en Jamovi 2.3, identificó una
estructura unidimensional que explicó el 64% de la varianza total. El ítem 5,
formulado en sentido inverso sobre la percepción de amenaza de la IA, mostró
una carga factorial negativa moderada (−.45), comportamiento que replica
el reportado en la validación original de Grassini (2023), por lo que fue
excluido del puntaje compuesto. La escala de cuatro ítems resultante presentó
indicadores de confiabilidad adecuados (α de Cronbach = .884; ω de
McDonald = .886). El AFC, aplicado sobre la segunda submuestra con el estimador
MLR, corroboró la estructura unidimensional; los índices de ajuste se reportan
en la sección 3.1.3.
Fase 3: Análisis de
diferencias de género. Una vez confirmadas las propiedades psicométricas del
instrumento, se procedió al análisis comparativo, que constituye el objetivo
principal del estudio.
2.5. Análisis de datos
Los análisis
estadísticos se realizaron utilizando Jamovi versión 2.3 (The jamovi project, 2024).
Se calcularon estadísticos descriptivos para caracterizar las actitudes hacia
la IA en la muestra total y por subgrupos. Para evaluar las diferencias de
género, objetivo central de este estudio, se aplicó la prueba t de Student para
muestras independientes, previa verificación de la homogeneidad de varianzas
mediante la prueba de Levene. Se calculó el tamaño del efecto mediante la d de
Cohen, interpretado según los criterios convencionales: pequeño (d ≈
0.20), mediano (d ≈ 0.50) y grande (d ≈ 0.80) (Cohen,
2013). Adicionalmente, se exploraron diferencias según área
de conocimiento y año académico mediante análisis de varianza (ANOVA) de un
factor, complementado con pruebas post hoc de Tukey cuando el estadístico F
resultó significativo.
Previo al análisis
comparativo, se verificaron los supuestos estadísticos requeridos. La independencia
de las observaciones quedó garantizada por el diseño del estudio: cada
participante respondió el cuestionario en una única ocasión y de forma
individual, sin posibilidad de influencia entre respuestas. Respecto a la
normalidad, si bien las pruebas de Kolmogorov-Smirnov resultaron
estadísticamente significativas —resultado esperable con muestras superiores a
1,000 casos, donde estas pruebas detectan desviaciones triviales— la inspección
visual de los histogramas y gráficos Q-Q mostró distribuciones aproximadamente
simétricas en ambos grupos. Dado que el tamaño muestral es amplio (n > 300
por grupo), el teorema central del límite garantiza la aproximación de las
medias muestrales a la distribución normal, lo que justifica el uso de pruebas
paramétricas (Field, 2018; Pallant, 2020).
La Figura 1 sintetiza
el modelo de investigación, identificando la variable dependiente, la variable independiente,
las covariables controladas en el análisis multivariado y las submuestras
empleadas en las fases de validación psicométrica.
Figura 1
Modelo de investigación
Nota. Las flechas sólidas indican
relaciones analizadas; las flechas discontinuas indican variables controladas o
procedimientos de validación. AFE = Análisis Factorial Exploratorio; AFC =
Análisis Factorial Confirmatorio; α = alfa de Cronbach; η²p = eta
cuadrado parcial.
Con el fin de examinar si
la diferencia de género en las actitudes hacia la IA se mantiene al controlar
el efecto de las variables académicas disponibles, se realizó un análisis de
covarianza (ANCOVA) con el puntaje total como variable dependiente, el género y
el área de conocimiento como factores entre sujetos, y el año académico como
covariable continua. Se empleó la suma de cuadrados Tipo II para obtener los
efectos independientes de cada predictor, lo que permite evaluar la
contribución de cada variable controlando el resto.
3. Resultados
Los resultados se
organizan en cinco apartados: propiedades psicométricas del instrumento
adaptado, diferencias de género en las actitudes hacia la IA —objetivo central
del estudio—, diferencias según área de conocimiento y año académico como
análisis complementarios, el análisis multivariado mediante ANCOVA, y una
síntesis de los hallazgos más relevantes.
3.1. Propiedades
psicométricas del instrumento adaptado
3.1.1. Validez de
contenido
El análisis de validez de
contenido mediante juicio de expertos reveló valores adecuados del coeficiente
V de Aiken para los cinco ítems evaluados. Todos los ítems alcanzaron valores
superiores al criterio establecido (V ≥ .70), confirmando claridad,
coherencia y relevancia adecuadas. El ítem 5 (formulación inversa sobre amenaza
de la IA) presentó los valores más bajos (V = .75) pero fue considerado
aceptable para continuar con el análisis factorial exploratorio (véase Tabla
1).
Tabla 1
Coeficientes V de Aiken
por ítem y dimensión (n = 5 jueces expertos
|
Ítem |
Claridad |
Coherencia |
Relevancia |
V
Promedio |
|
1 |
.88 |
.92 |
.90 |
.90 |
|
2 |
.92 |
.88 |
.92 |
.91 |
|
3 |
.84 |
.90 |
.88 |
.87 |
|
4 |
.90 |
.92 |
.94 |
.92 |
|
5 |
.76 |
.72 |
.78 |
.75 |
Nota. Todos los valores superan el punto de corte
recomendado (V ≥ .70). El ítem 5 corresponde a "La IA es una amenaza
para los humanos" (formulación inversa).
3.1.2. Análisis
Factorial Exploratorio
Previo al Análisis
Factorial Exploratorio (AFE), se verificaron los supuestos de factorabilidad.
La prueba de esfericidad de Bartlett resultó estadísticamente significativa
(χ² = 3847.65, gl = 10, p < .001), y la medida de adecuación muestral
Kaiser-Meyer-Olkin (KMO) alcanzó un valor de .819. El método de extracción de
ejes principales con rotación oblimin identificó un único factor que explicó el
64.16% de la varianza total, muy superior al segundo factor (13.64%),
confirmando la estructura unidimensional. Los cuatro primeros ítems presentaron
cargas factoriales superiores a .80, mientras que el ítem 5 mostró una carga
factorial negativa moderada (−.453) y comunalidad baja (.205), replicando
el comportamiento reportado en la validación original de Grassini (2023), por
lo que fue excluido del puntaje final.
La Tabla 2 confirma la
adecuación de la matriz de correlaciones para el análisis factorial. El valor
KMO de .819 indica una correlación parcial satisfactoria entre los ítems,
superando el umbral mínimo recomendado de .70 (Kaiser, 1974). La prueba de Bartlett
resultó significativa, lo que descarta la hipótesis de una matriz de identidad
y valida la pertinencia del análisis.
Tabla 2
Matriz de correlaciones policóricas entre ítems
|
|
Ítem
1 |
Ítem
2 |
Ítem
3 |
Ítem
4 |
Ítem
5 |
|
Ítem
1 |
1.000 |
— |
— |
— |
— |
|
Ítem
2 |
.724** |
1.000 |
— |
— |
— |
|
Ítem
3 |
.685** |
.698** |
1.000 |
— |
— |
|
Ítem
4 |
.708** |
.739** |
.712** |
1.000 |
— |
|
Ítem
5 |
−.342** |
−.368** |
−.329** |
−.385** |
1.000 |
Nota. **p < .001. El ítem
5 presenta correlaciones negativas debido a su formulación inversa.
La Tabla 3 presenta las
cargas factoriales y comunalidades, donde el ítem 5 mostró comportamiento
inverso consistente con la validación original (Grassini, 2023).
Tabla 3
Autovalores y
varianza explicada en el AFE
|
Factor |
Autovalor |
%
Varianza |
%
Acumulado |
|
1 |
3.208 |
64.16% |
64.16% |
|
2 |
0.682 |
13.64% |
77.80% |
|
3 |
0.421 |
8.42% |
86.22% |
|
4 |
0.368 |
7.36% |
93.58% |
|
5 |
0.321 |
6.42% |
100.00% |
Nota. El primer factor explica más de cuatro veces la varianza
del segundo factor, confirmando la estructura unidimensional.
La Tabla 4 detalla la
varianza explicada, confirmando que el primer factor predomina ampliamente
sobre los restantes.
Tabla 4
Cargas factoriales
y comunalidades del AFE
|
Item |
Contenido |
Carga |
h² |
Unicidad |
|
1 |
La IA mejorará mi vida |
.856 |
.733 |
.267 |
|
2 |
La IA mejorará mi trabajo |
.879 |
.773 |
.227 |
|
3 |
Usaré tecnología de IA en el futuro |
.831 |
.691 |
.309 |
|
4 |
La IA es positiva para la humanidad |
.862 |
.743 |
.257 |
|
5 |
La IA es una amenaza para los humanos |
−.453 |
.205 |
.795 |
Nota. Método de extracción: Ejes principales. h² =
comunalidad; Unicidad = 1 − h². Las cargas factoriales > .70 se
consideran excelentes (Hair et al., 2019).
3.1.3. Análisis
Factorial Confirmatorio
Se llevó a cabo
Análisis Factorial Confirmatorio (AFC), con el estimador MLR en el 40.6% de la
muestra aleatoria (n = 776). Los índices de ajuste del modelo unidimensional de
cuatro ítems fueron extraordinarios, el CFI = .991 y el TLI = .973 rebasan el umbral
de .95 (Hu
& Bentler, 1999), el SRMR de .018 se encuentra muy por debajo del
criterio de .08, y el RMSEA de .076 llegó a la zona de ajuste aceptable,
considerando que los grados de libertad se encuentran reducidos (Kenny
et al., 2015). Todas las cargas factoriales estandarizadas fueron
significativas (p < .001) y superiores a .79.
El cociente χ²/gl
resultó elevado (6.42), resultado esperado dado el tamaño muestral amplio, que
hace a este estadístico sensible a desviaciones triviales. Los índices CFI, TLI
y SRMR, más robustos ante este efecto, confirman el ajuste adecuado del modelo
(ver Tabla 5).
Tabla 5
Índices de bondad
de ajuste del modelo AFC
|
Índice |
Valor
obtenido |
Valor
recomendado |
Interpretación |
|
χ² |
12.84 |
— |
— |
|
gl |
2 |
— |
— |
|
p |
.002 |
>
.05 |
Significativo |
|
χ²/gl |
6.42 |
<
3.00 |
Elevado
(sensible al N) |
|
RMSEA |
.076 |
<
.08 |
Aceptable |
|
IC
90% RMSEA |
[.038,
.120] |
límite
sup. < .10 |
Aceptable |
|
CFI |
.991 |
>
.95 |
Excelente |
|
TLI |
.973 |
>
.95 |
Excelente |
|
SRMR |
.018 |
<
.08 |
Excelente |
|
PCLOSE |
.070 |
>
.05 |
Marginal |
Nota. gl = grados de libertad; RMSEA = error cuadrático
medio de aproximación; IC 90% = intervalo de confianza del 90%; CFI = índice de
ajuste comparativo; TLI = índice de Tucker-Lewis; SRMR = raíz cuadrada media
residual estandarizada; PCLOSE = prueba de ajuste estrecho de RMSEA. Criterios
según Hu & Bentler (1999), Browne & Cudeck (1992) y Kline (2015).
La Tabla 6 presenta las
cargas estandarizadas del AFC, todas significativas (p < .001), convergentes
con los resultados del AFE.
Tabla 6
Cargas factoriales
estandarizadas del modelo AFC
|
Ítem |
Contenido |
λ |
EE |
z |
p |
R² |
|
1 |
La IA mejorará mi vida |
.842 |
.019 |
44.32 |
<
.001 |
.709 |
|
2 |
La IA mejorará mi trabajo |
.867 |
.017 |
50.99 |
<
.001 |
.752 |
|
3 |
Usaré tecnología de IA en el futuro |
.798 |
.022 |
36.27 |
<
.001 |
.637 |
|
4 |
La IA es positiva para la humanidad |
.851 |
.018 |
47.28 |
<
.001 |
.724 |
Nota. λ = carga factorial estandarizada; EE = error
estándar; z = estadístico z; R² = varianza explicada del ítem por el factor
latente.
3.1.4.
Confiabilidad
La confiabilidad del
instrumento fue evaluada mediante el α de Cronbach y el ω de
McDonald. Ambos coeficientes superaron el criterio de .70 recomendado,
alcanzando valores de .884 y .886 respectivamente. La Varianza Media Extraída
(AVE = .711) superó el umbral de .50, evidenciando validez convergente (Fornell
& Larcker, 1981). Las correlaciones ítem-total corregidas oscilaron
entre .726 y .798, con el α oscilando entre .837 y .865 si se elimina
cualquier ítem, confirmando la consistencia interna adecuada del instrumento
(véase Tabla 7).
Tabla 7
Indicadores de
confiabilidad de la escala AIAS-4 adaptada
|
Ítem |
Valor |
Interpretación |
|
α
de Cronbach |
.884 |
Bueno |
|
|
α
ordinal |
.891 |
Bueno |
|
ω
de McDonald |
.886 |
Bueno |
|
Varianza
Media Extraída (AVE) |
.711 |
Adecuada
(> .50) |
Nota. El α ordinal se calcula con correlaciones
policóricas, apropiado para ítems ordinales. El AVE representa la proporción
promedio de varianza explicada por el factor.
3.2. Diferencias de
género en actitudes hacia la inteligencia artificial
Una vez confirmadas las
propiedades psicométricas del instrumento, se procedió al análisis de las diferencias
de género, que constituye el objetivo central de este estudio. Los grupos
fueron relativamente equilibrados en tamaño, con una ligera mayoría de mujeres
(52.7%). La edad promedio fue similar en ambos grupos, sin diferencias
estadísticamente significativas (t = 0.83, p = .407).
Los resultados muestran
que las mujeres obtuvieron puntuaciones promedio más altas (M = 3.15, DE =
0.81) en comparación con los hombres (M = 2.97, DE = 0.97), indicando actitudes
significativamente más positivas hacia la IA en el grupo femenino. Los hombres
presentaron mayor dispersión en sus respuestas (DE = 0.97 vs. 0.81), sugiriendo
mayor heterogeneidad en las actitudes dentro de este grupo (véase tabla 9).
Tabla 8
Indicadores de
confiabilidad de la escala AIAS-4 adaptada
|
Variable |
Hombres |
Mujeres |
Total |
|
Edad M (DE) |
21.68
(2.19) |
21.83
(2.26) |
21.76
(2.23) |
|
Área
de conocimiento |
|||
|
Área
1 n (%) |
129
(14.3%) |
244
(24.2%) |
373
(19.5%) |
|
Área
2 n (%) |
579
(64.0%) |
418
(41.5%) |
997
(52.1%) |
|
Área
3 n (%) |
197
(21.8%) |
345
(34.3%) |
542
(28.4%) |
|
Año
académico |
|||
|
Año
1-2 n (%) |
193
(21.3%) |
247
(24.5%) |
440
(23.0%) |
|
Año
3-4 n (%) |
295
(32.6%) |
340
(33.8%) |
635
(33.2%) |
|
Año
5-6 n (%) |
417
(46.1%) |
420
(41.7%) |
837
(43.8%) |
Nota. M = Media; DE = Desviación estándar.
La prueba de Levene
indicó heterogeneidad de varianzas entre los grupos (F = 15.24, p < .001), por
lo que se reportan los estadísticos ajustados para varianzas desiguales
(corrección de Welch). Los resultados revelaron diferencias estadísticamente
significativas (t = −4.48, gl = 1714.89, p < .001), con un tamaño del
efecto pequeño-mediano según el criterio de Cohen (d = 0.204), con intervalo de
confianza del 95%: [−0.26, −0.10] (véase Tabla 10). Estos
resultados indican que las estudiantes mujeres presentan actitudes
significativamente más positivas hacia la inteligencia artificial que los
estudiantes hombres, contradiciendo los patrones reportados en la literatura
internacional donde típicamente los hombres muestran actitudes más favorables
hacia las tecnologías emergentes.
Tabla 9
Estadísticos
descriptivos de actitudes hacia la IA por género
|
Género |
N |
M |
DE |
Mín |
Máx |
IC
95% |
|
Hombres |
905 |
2.97 |
0.97 |
1.00 |
5.00 |
[2.91,
3.04] |
|
Mujeres |
1,007 |
3.15 |
0.81 |
1.00 |
5.00 |
[3.10,
3.20] |
|
Total |
1,912 |
3.07 |
0.89 |
1.00 |
5.00 |
[3.03,
3.11] |
Nota. M = Media; DE = Desviación estándar; Mín = Mínimo; Máx
= Máximo; IC 95% = Intervalo de confianza del 95%.
La Tabla 10 reporta los
estadísticos inferenciales, con corrección de Welch por heterogeneidad de
varianzas (F = 15.24, p < .001).
Tabla 10
Prueba t de
Student para diferencias de género en actitudes hacia la IA
|
Variable |
Levene |
t |
gl |
p |
Dif. Medias |
|
Actitudes hacia IA |
F = 15.24*** |
−4.48 |
1714.89 |
< .001 |
−0.18 |
|
IC 95%
de la diferencia: [−0.26, −0.10] |
|||||
Nota. gl = grados
de libertad; Dif. = Diferencia; d Cohen = tamaño del efecto; IC 95% =
Intervalo de confianza del 95%. ***p < .001.
3.3. Diferencias por
área de conocimiento
El análisis de varianza
ANOVA reveló diferencias estadísticamente significativas entre las áreas (F (2,
1909) = 4.28, p = .014, η² = .004). Sin embargo, el tamaño del efecto fue
muy pequeño (η² < .01), sugiriendo que el área de conocimiento explica
menos del 1% de la variabilidad en las actitudes hacia la IA. Las pruebas post hoc
de Tukey indicaron que las diferencias significativas se encontraban únicamente
entre Área 2 y Área 3 (p = .012).
3.4. Diferencias por
año académico
El análisis de varianza
ANOVA confirmó diferencias estadísticamente significativas entre los años
académicos (F (5, 1906) = 4.92, p < .001, η² = .013). Las pruebas post
hoc de Tukey revelaron que los estudiantes de quinto y sexto año presentaban actitudes
significativamente menos positivas que los de primer a cuarto año (p < .05),
sugiriendo una tendencia descendente en actitudes positivas conforme avanza la
formación académica.
Tomados en conjunto,
los resultados sitúan al género como el predictor más consistente de las
actitudes hacia la IA en esta muestra, con una dirección que va a
contracorriente de lo reportado en la literatura internacional. El área de
conocimiento y el año académico contribuyen explicaciones adicionales, aunque
de magnitud mínima. Que las actitudes sean relativamente homogéneas entre disciplinas
sugiere que la valoración de la IA no depende tanto de la carrera que se
estudia como de otros factores que este diseño no alcanza a capturar.
3.5. Análisis multivariado: ANCOVA
Para evaluar si las
diferencias de género se mantienen al controlar simultáneamente las variables
académicas disponibles, se estimó un modelo ANCOVA con el puntaje total AIAS-4
como variable dependiente, el género y el área de conocimiento como factores entre
sujetos, y el año académico como covariable continua. Los resultados
confirmaron que el efecto del género persiste tras el ajuste por ambas
variables: F (1, 1905) = 15.67, p < .001, η²p = .008, con medias
ajustadas de M = 3.13 en mujeres y M = 2.96 en hombres. El año académico mostró
un efecto significativo independiente (F (1, 1905) = 5.18, p = .023, η²p =
.003). El área de conocimiento, en cambio, no resultó significativa al
controlar el año académico (F (2, 1905) = 0.51, p = .603, η²p < .001), lo
que sugiere que las diferencias entre áreas observadas en el análisis
univariado previo podrían ser atribuibles, al menos en parte, a la distribución
desigual de estudiantes por año académico entre programas. El modelo explica el
1.5% de la varianza total (R² = .015) (véase Tabla 11).
Tabla 11
Resultados del ANCOVA: Actitudes hacia la IA en
función del género, controlando área de conocimiento y año académico
|
Fuente |
SC |
gl |
F |
p |
η²p |
|
Género (Sexo) |
12.26 |
1 |
15.67 |
<
.001 |
0.008 |
|
Área de conocimiento |
0.79 |
2 |
0.51 |
0.603 |
<
.001 |
|
Año académico |
4.05 |
1 |
5.18 |
0.023 |
0.003 |
|
Residual |
1490.91 |
1905 |
— |
— |
— |
Nota. SC = suma de cuadrados tipo II; gl = grados de
libertad; η²p = eta cuadrado parcial. Media ajustada mujeres: M = 3.13;
media ajustada hombres: M = 2.96. R² del modelo = .015.
4. Discusión y
conclusiones
Este estudio analizó
las diferencias de género en las actitudes hacia la IA en 1,912 estudiantes
universitarios de Arequipa, Perú. Las mujeres obtuvieron puntuaciones significativamente
más altas que los hombres en la escala AIAS-4 adaptada (M = 3.15 vs. M = 2.97;
p < .001; d = 0.204), diferencia que se mantiene al controlar el área de
conocimiento y el año académico (F (1, 1905) = 15.67; p < .001; η²p =
.008). Los análisis complementarios revelan además una tendencia descendente en
las actitudes positivas conforme avanza la formación académica. Lo que sigue
discute qué significa todo esto.
4.1. La paradoja de las
actitudes positivas y la subrepresentación persistente
Antes de interpretar la
dirección del hallazgo, conviene situar su magnitud. La diferencia entre grupos
es estadísticamente robusta —replicada tanto en el análisis bivariado como en
el modelo multivariado— pero el tamaño del efecto es pequeño (d = 0.20; η²p
= .008 en el ANCOVA). Esto significa que el género explica menos del 1% de la
varianza en las actitudes hacia la IA, lo que refleja una heterogeneidad
individual considerable dentro de cada grupo. En términos prácticos, las distribuciones
de hombres y mujeres se superponen ampliamente: la diferencia de 0.18 puntos en
una escala de cinco puntos no caracteriza a las mujeres como un grupo
homogéneamente favorable ni a los hombres como uno homogéneamente escéptico. Lo
que los datos muestran es una tendencia central estadísticamente distinguible,
no una diferencia categórica entre géneros.
Un efecto pequeño no es
necesariamente un efecto irrelevante: en muestras grandes, como la presente, diferencias
modestas pueden ser estadísticamente significativas y, si son consistentes,
teóricamente informativas (Ellis, 2010; Ferguson, 2009). La relevancia práctica
del hallazgo no reside en la magnitud de la brecha actitudinal, sino en su
dirección: que las mujeres muestren actitudes iguales o más favorables hacia la
IA que los hombres refuta la hipótesis de que la subrepresentación femenina en
el campo tecnológico obedece a un déficit motivacional o actitudinal. Esa es la
contribución sustantiva del estudio.
El hallazgo adquiere
mayor peso cuando se contrasta con la documentada subrepresentación femenina en
el desarrollo, investigación y gobernanza de sistemas de inteligencia
artificial. A nivel global, solo una de cada tres científicas es mujer,
proporción que disminuye aún más en los niveles superiores de las carreras
científicas y en las jerarquías del mundo académico tecnológico (UNESCO,
2024). En el contexto específico de la inteligencia
artificial, las mujeres representan una minoría en equipos de desarrollo,
publicaciones científicas de alto impacto y posiciones de liderazgo en empresas
tecnológicas (Carvajal
et al., 2025).
Esta paradoja demanda
una interpretación que trascienda las explicaciones psicológicas individuales y
que reconozca el papel de las estructuras sociales, económicas e
institucionales en la configuración de las trayectorias educativas y
profesionales. Las actitudes positivas, aunque necesarias, no son condición suficiente
para garantizar la participación equitativa de las mujeres en campos
tecnológicos. Como señala la literatura crítica sobre género y tecnología, la
"brecha de género digital" no se explica por déficits actitudinales o
motivacionales en las mujeres, sino por barreras sistémicas que operan en
múltiples niveles: educativo, laboral, cultural y simbólico (Sáinz
et al., 2016; Leavy,
2018; Peláez-Sánchez
et al., 2023; Singh et al., 2025).
4.2. Divergencias con
la literatura internacional y especificidades contextuales
Los hallazgos de este
estudio contrastan con investigaciones previas realizadas en contextos europeos
y asiáticos, donde típicamente se reporta que los hombres presentan actitudes
más positivas hacia la IA que las mujeres. Por ejemplo, Møgelvang
et al., (2024) documentaron en Noruega que los hombres utilizan
chatbots de IA generativa con mayor frecuencia y muestran mayor interés en
estas herramientas que sus pares mujeres. Similarmente, Russo
et al., (2025) encontraron en Italia que las mujeres reportan
niveles más altos de ansiedad ante la IA, lo que se asocia con actitudes menos
positivas hacia la tecnología. Ambos hallazgos apuntan en dirección contraria a
lo observado en la presente investigación, donde las mujeres arequipeñas
obtienen puntuaciones significativamente más altas en la escala AIAS-4. Esta inversión
del patrón no es un dato menor: sugiere que las condiciones bajo las cuales
hombres y mujeres se relacionan con la IA difieren sustancialmente entre
contextos, y que extrapolar los hallazgos europeos al caso latinoamericano sin
mediación crítica produce interpretaciones distorsionadas.
Estas discrepancias
entre contextos geográficos sugieren que las actitudes hacia la tecnología no
responden a un patrón universal, sino que están mediadas por condiciones culturales,
educativas y socioeconómicas propias de cada región. En el caso
latinoamericano, y particularmente en el Perú, una hipótesis plausible —aunque
no verificable con el presente diseño— es que las estudiantes universitarias
valoren la inteligencia artificial como un recurso de bajo costo con potencial
para compensar desigualdades en el acceso a herramientas académicas. La IA
generativa, al ofrecer funcionalidades antes reservadas a contextos con mayor capital
educativo, puede generar percepciones distintas a las documentadas en entornos
europeos o asiáticos con condiciones de partida diferentes. Establecer si esto
efectivamente ocurre requeriría, sin embargo, estudios que incorporen medidas
directas de las razones de uso y los significados atribuidos a estas
herramientas.
4.3. Explicaciones
estructurales de la subrepresentación femenina en IA
La paradoja
identificada en este estudio —actitudes favorables sin participación equitativa—
exige analizar las barreras estructurales que operan más allá de las
disposiciones individuales. La literatura identifica al menos cinco mecanismos
interrelacionados que perpetúan la subrepresentación femenina en campos
tecnológicos: (1) los estereotipos de género en STEM que asocian la competencia
técnica con atributos masculinos (Tellhed
et al., 2023); (2) la escasez de modelos de rol femeninos en
posiciones visibles del campo de la IA (World
Economic Forum, 2023); (3) las diferencias en autoeficacia técnica
derivadas de la socialización de género (Yau
& Cheng, 2012); (4) las prácticas de contratación que reproducen
sesgos de género en el sector tecnológico (Alam,
2022); y (5) los propios sistemas de IA que pueden
perpetuar y amplificar sesgos de género existentes a través de algoritmos
entrenados con datos sesgados (Li
et al., 2023).
4.4. Implicaciones para
políticas educativas y de equidad de género
Los hallazgos de este
estudio tienen una implicación directa para el diseño de políticas educativas:
si las mujeres ya presentan actitudes favorables hacia la IA, las intervenciones
no deben orientarse a modificar disposiciones sino a remover los obstáculos que
impiden que esas disposiciones se traduzcan en trayectorias profesionales
concretas. Esto desplaza el foco desde la sensibilización —que asume un déficit
actitudinal que los datos no confirman— hacia la transformación de condiciones
estructurales.
En términos prácticos,
las universidades pueden actuar en al menos dos frentes. El primero es
curricular: incorporar formación en IA con perspectiva de género no como contenido
adicional sino como eje transversal que problematice quién diseña los sistemas,
qué sesgos introducen y quién queda excluido de su gobernanza. El segundo es
institucional: crear condiciones que reduzcan la brecha entre actitud y
participación, a través de programas de mentoría con referentes femeninas en el
campo tecnológico, acceso equitativo a recursos computacionales y
reconocimiento explícito del trabajo de mujeres en IA dentro de los espacios académicos.
Ninguna de estas medidas opera de forma aislada; su eficacia depende de que se
implementen de manera articulada y con seguimiento sistemático de resultados.
4.5. Hallazgos
complementarios y limitaciones
Los análisis
complementarios revelaron que el área de conocimiento explica una proporción
mínima de la varianza en actitudes hacia la IA (η² = .004), sugiriendo que
las percepciones sobre esta tecnología trascienden disciplinas académicas específicas.
La tendencia descendente en actitudes positivas, conforme avanzan los años
académicos (η² = .013) merece atención y puede interpretarse como efecto
de madurez crítica o desilusión ante la brecha entre promesas tecnológicas y
realidades del mercado laboral peruano.
El presente estudio
tiene cuatro limitaciones que conviene considerar al interpretar los
resultados. La más relevante es el diseño transversal. Este tipo de diseño permite
identificar diferencias entre grupos en un momento determinado, pero no
establece relaciones causales ni permite rastrear cómo evolucionan las
actitudes en el tiempo. En consecuencia, las interpretaciones propuestas en la
discusión sobre los factores que podrían explicar las diferencias de género
tienen carácter plausible, no verificado. Responder esa pregunta requiere
diseños longitudinales o experimentales que el presente estudio no puede
ofrecer.
Una segunda limitación concierne
al enfoque comparativo. Los análisis bivariado y multivariado detectan
diferencias entre grupos definidos por género, área y año académico, pero no
capturan lo que ocurre dentro de cada grupo ni las interacciones entre
variables. El dato de que el género explica menos del 1% de la varianza total
es elocuente: los factores no medidos —autoeficacia tecnológica, trayectoria
previa de acceso digital, experiencias de discriminación en entornos académicos—
tienen un peso considerablemente mayor que las variables demográficas
incluidas. Incorporar esos factores como mediadores o moderadores es una agenda
pendiente para investigaciones futuras.
El instrumento
representa una tercera limitación. El AIAS-4 mide actitudes generales hacia la
IA sin discriminar dimensiones más específicas, como la conciencia sobre sesgos
algorítmicos o la disposición a participar profesionalmente en el campo. Un instrumento
que distinga entre estas dimensiones podría producir un perfil de diferencias
de género distinto al aquí reportado. Finalmente, la ausencia de datos
cualitativos deja sin respuesta las preguntas sobre el significado que los
participantes atribuyen a sus propias respuestas, lo que habría permitido
interpretar con mayor profundidad los patrones cuantitativos observados.
En síntesis, este
estudio documenta que las estudiantes universitarias peruanas muestran actitudes
más positivas hacia la IA que sus pares hombres —un resultado que contrasta con
los patrones predominantes en la literatura internacional y que merece atención
analítica precisamente por eso. La paradoja no es menor: disposiciones
favorables hacia la tecnología coexisten con una subrepresentación femenina
persistente en el campo. Esto indica que las actitudes, aunque necesarias, no
operan como palanca suficiente para transformar trayectorias profesionales
cuando las condiciones estructurales no acompañan. Las universidades, los
organismos de política educativa y el sector tecnológico tienen ante sí una
pregunta concreta: si las mujeres ya valoran la IA, ¿qué impide que participen
en condiciones de igualdad en su diseño, desarrollo y gobernanza? Responder esa
pregunta exige investigación longitudinal, pero también decisiones de política
educativa que no pueden subordinarse indefinidamente a la acumulación de
evidencia empírica.
Contribución de los autores
Conceptualización: Autor1
y Autor4; metodología: Autor1 y Autor2; análisis formal: Autor1 y Autor3;
investigación: Autor2, Autor3 y Autor4; redacción—borrador original: Autor1;
redacción—revisión y edición: Autor1, Autor2, Autor3 y Autor4; supervisión:
Autor1.
Financiación
Esta investigación no recibió financiación externa
específica.
Aprobación ética
El estudio fue aprobado por las autoridades académicas de
la institución y siguió los principios éticos de la Declaración de Helsinki.
Todos los participantes otorgaron consentimiento informado voluntario.
Conflicto de interés
Los autores declaran no tener ningún conflicto de
intereses.
Declaración de uso de
Inteligencia Artificial
Durante la preparación de este manuscrito, los autores
utilizaron herramientas de inteligencia artificial generativa (Claude,
Anthropic) como apoyo en tareas de mejora de redacción y coherencia textual.
Todo el contenido fue revisado, verificado y validado íntegramente por los
autores, quienes asumen plena responsabilidad por la integridad científica del
trabajo.
Disponibilidad de datos
depositados
Los datos que sustentan
los resultados de este estudio están disponibles bajo solicitud al autor de
correspondencia.
Referencias
Aiken, L. R. (1980). Content Validity and Reliability
of Single Items or Questionnaires. Educational and Psychological Measurement,
40(4), 955-959. https://doi.org/10.1177/001316448004000419
Alam, A. (2022). Psychological,
Sociocultural, and Biological Elucidations for Gender Gap in STEM Education: A
Call for Translation of Research into Evidence-Based Interventions. 95-107. https://doi.org/10.2991/ahsseh.k.220105.012
Ancheta-Arrabal, A., Pulido-Montes, C., &
Carvajal-Mardones, V. (2021). Gender
Digital Divide and Education in Latin America: A Literature Review. Education Sciences, 11(12). https://doi.org/10.3390/educsci11120804
Ato, M., López-García, J.
J., & Benavente, A. (2013). Un sistema de clasificación de los diseños de
investigación en psicología. Anales de Psicología / Annals of Psychology,
29(3), 1038-1059.
https://doi.org/10.6018/analesps.29.3.178511
Aviles-Valenzuela, A.,
Acosta-Barreno, K., Espinel-Obregoso, F. P., & Carrasco, A. S. E. (2025). Trends and Analysis of Artificial Intelligence
Research in Latin America (2013–2023). Open Information Science, 9(1).
https://doi.org/10.1515/opis-2025-0023
Beig, S., & Qasim, S.
H. (2023). Assessing Students’ Attitude Towards Artificial Intelligence with
Respect to Gender and Use of Computer and Mobile Devices. IJFMR -
International Journal For Multidisciplinary Research, 5(3). https://doi.org/10.36948/ijfmr.2023.v05i03.4130
Bittle, K., & El-Gayar, O. (2025). Generative AI and Academic Integrity in Higher
Education: A Systematic Review and Research Agenda. Information, 16(4).
https://doi.org/10.3390/info16040296
Bond, M., Khosravi, H.,
De Laat, M., Bergdahl, N., Negrea, V., Oxley, E., Pham, P., Chong, S. W., &
Siemens, G. (2024). A meta systematic review of artificial intelligence in
higher education: A call for increased ethics, collaboration, and rigour. International
Journal of Educational Technology in Higher Education, 21(1), 4. https://doi.org/10.1186/s41239-023-00436-z
Browne, M. W., &
Cudeck, R. (1992). Alternative ways of assessing model fit. Sociological
Methods & Research, 21(2), 230–258. https://doi.org/10.1177/0049124192021002005
Cai, Z., Fan, X., &
Du, J. (2017). Gender and attitudes toward technology use: A meta-analysis. Computers
& Education, 105, 1-13.
https://doi.org/10.1016/j.compedu.2016.11.003
Carvajal, D., Franco,
C., & Isaksson, S. (2025). Will Artificial Intelligence Get in the Way of
Achieving Gender Equality? Discussion Paper Series in Economics, Discussion
Paper Series in Economics, Article 3/2024.
https://ideas.repec.org//p/hhs/nhheco/2024_003.html
Chiu, T. K. F. (2024). Future
research recommendations for transforming higher education with generative AI. Computers
and Education: Artificial Intelligence, 6, 100197.
https://doi.org/10.1016/j.caeai.2023.100197
Cohen, J. (2013). Statistical
Power Analysis for the Behavioral Sciences (2.a ed.). Routledge. https://doi.org/10.4324/9780203771587
Contreras, F. C., &
Olaya, J. (2025). La inteligencia artificial en la educación superior peruana:
Tendencias y desafíos. Revista Tribunal, 5(13),
39-61. https://doi.org/10.59659/revistatribunal.v5i13.254
Ellis, P. D. (2010). The essential guide to effect sizes: Statistical
power, meta-analysis, and the interpretation of research results. Cambridge University Press. https://doi.org/10.1017/CBO9780511761676
Fernández-Miranda, M., Román-Acosta, D., Jurado-Rosas, A.
A., Limón-Dominguez, D., Torres-Fernández, C., Fernández-Miranda, M.,
Román-Acosta, D., Jurado-Rosas, A. A., Limón-Dominguez, D., & Torres-Fernández,
C. (2024). Artificial Intelligence
in Latin American Universities: Emerging Challenges. Computación y Sistemas,
28(2), 435-450. https://doi.org/10.13053/cys-28-2-4822
Ferguson, C. J. (2009).
An effect size primer: A guide for clinicians and researchers. Professional
Psychology: Research and Practice, 40(5), 532–538. https://doi.org/10.1037/a0015808
Field, A. (2018). Discovering
statistics using IBM SPSS statistics (5th ed.). SAGE.
Fornell, C., &
Larcker, D. F. (1981). Evaluating structural equation models with unobservable
variables and measurement error. Journal of Marketing Research, 18(1),
39-50. https://doi.org/10.2307/3151312
Frumin, I., Vorochkov,
A., Kiryushina, M., Platonova, D., & Terentiev, E. (2026). Mapping the
Generative AI Research in Higher Education: 2022–2024 Insights. Higher
Education Quarterly, 80(1), e70075. https://doi.org/10.1111/hequ.70075
García-López, I. M., & Trujillo-Liñán, L. (2025). Ethical and regulatory challenges of Generative AI in
education: A systematic review. Frontiers in Education, 10. https://doi.org/10.3389/feduc.2025.1565938
Grassini, S. (2023).
Development and validation of the AI attitude scale (AIAS-4): A brief measure
of general attitude toward artificial intelligence. Frontiers in Psychology,
14. https://doi.org/10.3389/fpsyg.2023.1191628
Hair, J. F., Black, W.
C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th
ed.). Cengage.
Hajam, K. B., & Gahir,
S. (2024). Unveiling the Attitudes of University Students Toward Artificial
Intelligence. Journal of Educational Technology Systems, 52(3),
335-345. https://doi.org/10.1177/00472395231225920
Heredia Pérez, G.,
Benavides Galvez, J. B., Rojas Campos, E., & Sanchez Bustamante, E. (2025).
Inteligencia artificial y
pedagogía: Retos para la educación superior en el Perú. https://doi.org/10.5281/zenodo.16997148
Hu, L., &
Bentler, P. M. (1999). Cutoff
criteria for fit indexes in covariance structure analysis: Conventional
criteria versus new alternatives. Structural Equation Modeling: A
Multidisciplinary Journal, 6(1), 1-55.
https://doi.org/10.1080/10705519909540118
Jovanović, M.,
& Campbell, M. (2022). Generative Artificial Intelligence: Trends and
Prospects. Computer, 55(10), 107-112. https://doi.org/10.1109/MC.2022.3192720
Kaiser, H. F. (1974).
An index of factorial simplicity. Psychometrika,
39(1), 31–36. https://doi.org/10.1007/BF02291575
Katsantonis, A.,
& Katsantonis, I. G. (2024). University
Students’ Attitudes toward Artificial Intelligence: An Exploratory Study of the
Cognitive, Emotional, and Behavioural Dimensions of AI Attitudes. Education
Sciences, 14(9). https://doi.org/10.3390/educsci14090988
Kenny, D. A., Kaniskan,
B., & McCoach, D. B. (2015). The Performance of RMSEA in Models With Small
Degrees of Freedom. Sociological Methods & Research, 44(3),
486-507. https://doi.org/10.1177/0049124114543236
Kline, R. B. (2015).
Principles and practice of structural equation modeling (4th ed.). Guilford
Press.
Kofinas, A. K., Tsay,
C. H.-H., & Pike, D. (2025). The impact of generative AI on academic
integrity of authentic assessments within a higher education context. British
Journal of Educational Technology, 56(6), 2522-2549. https://doi.org/10.1111/bjet.13585
Leavy, S. (2018).
Gender bias in artificial intelligence: The need for diversity and gender
theory in machine learning. Proceedings of the 1st International Workshop on
Gender Equality in Software Engineering, GE ’18, 14-16. https://doi.org/10.1145/3195570.3195580
Li, B., Qi, P., Liu, B.,
Di, S., Liu, J., Pei, J., Yi, J., & Zhou, B. (2023). Trustworthy AI: From Principles to Practices. ACM
Comput. Surv., 55(9), 177:1-177:46. https://doi.org/10.1145/3555803
Li, B., Tan, Y. L.,
Wang, C., & Lowell, V. (2025). Two years of innovation: A systematic review
of empirical generative AI research in language learning and teaching. Computers
and Education: Artificial Intelligence, 9, 100445. https://doi.org/10.1016/j.caeai.2025.100445
Lloret-Segura, S.,
Ferreres-Traver, A., Hernández-Baeza, A., & Tomás-Marco, I. (2014). El
Análisis Factorial Exploratorio de los Ítems: Una guía práctica, revisada y
actualizada. Anales de Psicología, 30(3), 1151-1169. https://doi.org/10.6018/analesps.30.3.199361
Merino-Soto, C. (2023).
Coeficientes V de Aiken: Diferencias en los juicios de validez de contenido. MHSalud,
20(1), 1-14.
Møgelvang, A.,
Bjelland, C., Grassini, S., & Ludvigsen, K. (2024). Gender Differences in
the Use of Generative Artificial Intelligence Chatbots in Higher Education:
Characteristics and Consequences. Education Sciences, 14(12). https://doi.org/10.3390/educsci14121363
Ofosu-Ampong, K.
(2024). Artificial intelligence research: A review on dominant themes, methods,
frameworks and future research directions. Telematics and Informatics
Reports, 14, 100127. https://doi.org/10.1016/j.teler.2024.100127
Pallant, J. (2020). SPSS survival manual (7th ed.). McGraw-Hill.
Peláez-Sánchez, I. C.,
George Reyes, C. E., & Glasserman-Morales, L. D. (2023). Gender digital
divide in education 4.0: A systematic literature review of factors and
strategies for inclusion. Future in Educational Research, 1(2),
129-146. https://doi.org/10.1002/fer3.16
Peres, R., Schreier,
M., Schweidel, D., & Sorescu, A. (2023). On ChatGPT and beyond: How
generative artificial intelligence may affect research, teaching, and practice.
International Journal of Research in Marketing, 40(2), 269-275. https://doi.org/10.1016/j.ijresmar.2023.03.001
Purificato, E., Lorenzo,
F., Fallucchi, F., & De Luca, E. W. (2023). The Use of Responsible Artificial Intelligence
Techniques in the Context of Loan Approval Processes. International Journal
of Human–Computer Interaction, 39(7), 1543-1562. https://doi.org/10.1080/10447318.2022.2081284
Russo, C., Romano, L.,
Clemente, D., Iacovone, L., Gladwin, T. E., & Panno, A. (2025). Gender differences
in artificial intelligence: The role of artificial intelligence anxiety. Frontiers
in Psychology, 16. https://doi.org/10.3389/fpsyg.2025.1559457
Sáinz, M., Meneses, J.,
López, B.-S., & Fàbregues, S. (2016). Gender Stereotypes and Attitudes
Towards Information and Communication Technology Professionals in a Sample of
Spanish Secondary Students. Sex Roles, 74(3), 154-168. https://doi.org/10.1007/s11199-014-0424-2
Salas-Pilco, S. Z.,
& Yang, Y. (2022). Artificial intelligence applications in Latin American
higher education: A systematic review. International Journal of Educational
Technology in Higher Education, 19(1), 21. https://doi.org/10.1186/s41239-022-00326-w
Singh, S., Rahul, K.,
Paliwal, M., Wani, I. A., & Suri, S. (2025). Gendering the digital divide:
A systematic review of women’s digital inclusion challenges and emerging
research directions. Digital Transformation and Society, 4(4),
503-531. https://doi.org/10.1108/DTS-04-2025-0083
Stöhr, C., Ou, A. W.,
& Malmström, H. (2024). Perceptions and usage of AI chatbots among students
in higher education across genders, academic levels and fields of study. Computers
and Education: Artificial Intelligence, 7, 100259. https://doi.org/10.1016/j.caeai.2024.100259
Sultana, A., Abdul
Latheef, N., Siby, N., & Ahmad, Z. (2025). Exploring Students’ Attitudes Toward
Artificial Intelligence (AI): Psychometric Validation of AI-Attitude Scale. Sage Open, 15(4),
21582440251378375. https://doi.org/10.1177/21582440251378375
Tapullima Mori, C., Mamani
Benito, O. J., Turpo Chaparro, J., Olivas Ugarte, L. O., & Carranza
Esteban, R. F. (2024). Inteligencia
artificial en la educación universitaria: Revisión bibliométrica en Scopus y
Web of Science. Revista
Electrónica Educare, 28(Extra
1), 1.
Tellhed, U., Björklund,
F., & Kallio Strand, K. (2023). Tech-Savvy Men and Caring Women: Middle
School Students’ Gender Stereotypes Predict Interest in Tech-Education. Sex
Roles, 88(7), 307-325. https://doi.org/10.1007/s11199-023-01353-1
The jamovi project.
(2024). jamovi (Version 2.3) [Computer software]. https://www.jamovi.org
UNESCO Biblioteca
Digital. (2024). UNESCO Call to Action: Closing the gender gap in science.
bit.ly/3PoZ2zy
Valdivieso, T., & González,
O. (2025). Generative AI Tools in Salvadoran Higher Education: Balancing
Equity, Ethics, and Knowledge Management in the Global South. Education
Sciences, 15(2). https://doi.org/10.3390/educsci15020214
World Economic Forum.
(2023). The global risks report 2023 (18th ed). World Economic Forum. bit.ly/4rg9Ux2
Yau, H. K., &
Cheng, A. L. F. (2012). Gender Difference of Confidence in Using Technology for
Learning. Journal of Technology Studies, 38(2).
https://doi.org/10.21061/jots.v38i2.a.2