DOI: https://doi.org/10.56712/latam.v7i1.5304
Factores que influyen en la
adopción de herramientas de IA por docentes en instituciones
públicas de Milagro: un estudio basado en el TAM con énfasis =
en
usabilidad y utilidad percibidas
Factors
influencing the adoption of AI tools by teachers in public institutions in
Milagro: a TAM-based study with emphasis on perceived usability and utility=
Ketty
Elizabeth Gómez Barzola
https://orcid.org/0009-0009-3781-5047
Universidad Est=
atal
de Milagro, Ministerio de Educación
Milagro –
Ecuador
Maura
Zoraida Acosta Revelo
https://orcid.org/0009-0002-1423-7714
Universidad Est=
atal
de Milagro
Ambato – Ecuador
Karem Lissette Miranda Herrera
https://orcid.org/0000-0002-4591-8566
Universidad Est=
atal
de Milagro
Milagro –
Ecuador
Celi Maribel Herrera Altafulla
https://orcid.org/0009-0001-7568-9848
Universidad Est=
atal
de Milagro
Milagro –
Ecuador
Artículo recibido: 07 de octubre=
de 2025.
Aceptado para publicación: 10 de febrero de 2026.
Conflictos de Interés: Ninguno que declarar.
Resumen
Abstract
<= o:p>
<=
span
lang=3Des-419 style=3D'font-size:10.0pt;font-family:Roboto;mso-fareast-font=
-family:
Roboto;mso-bidi-font-family:Roboto;color:#595959'>Todo el contenido
de LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades,
publicado en este sitio está disponibles bajo Licencia <=
span
lang=3Des-419 style=3D'color:black;mso-color-alt:windowtext'>Creative Commons.
Cómo citar: Gómez
Barzola, K. E., Acosta Revelo, M. Z., Miranda Herrera, K. L., & Herrera
Altafulla, C. M. (2026). Factores que influyen en la adopción de
herramientas de IA por docentes en instituciones públicas de Milagro=
: un
estudio basado en el TAM con énfasis en usabilidad y utilidad percib=
idas.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades 7 (1), =
870
– 883. https://doi.org/10.56712/latam.v7i1.5304<=
/span>
INTRODUCCIÓN
En el Ecuador, la incorporación de la Inteligencia Artificial
(IA) en el ámbito educativo representa un desafío emergente q=
ue
ha comenzado a visibilizarse en instituciones de educación superior
ubicadas en grandes centros urbanos como Quito, Guayaquil y Cuenca. No
obstante, este proceso de adopción tecnológica se encuentra
aún en una etapa incipiente y altamente desigual, especialmente en lo
que respecta a las instituciones públicas del nivel de Educaci&oacut=
e;n
Básica Superior, donde persisten barreras estructurales como la esca=
sa
infraestructura tecnológica, la baja conectividad, la falta de
políticas claras de capacitación y el limitado acceso a recur=
sos
digitales actualizados (Cabero-Almenara et al., 2024).
Particularmente, en zonas periféricas y semiurbanas como el
cantón Milagro, considerado un nodo educativo relevante en la provin=
cia
del Guayas, estas dificultades se intensifican debido a condiciones de
desigualdad tecnológica, limitadas estrategias de actualizació=
;n
profesional y escasa cultura digital en parte del cuerpo docente. Esta
situación restringe de forma significativa el aprovechamiento del
potencial pedagógico de la IA, que podría ser una herramienta
clave para la mejora del aprendizaje personalizado, la automatizació=
n de
procesos administrativos y el fortalecimiento del pensamiento crític=
o en
el aula.
Si bien la literatura internacional y regional ha documentado
ampliamente que los factores de utilidad percibida (pe=
rceived
usefulness) y facilidad de uso (perceived
ease of use) son
predictores fundamentales en la adopción de tecnologías
educativas (Davis, 1989; Davis et al., 1989), existe una marcada carencia de
evidencia empírica localizada en cantones como Milagro, que permita
comprender cómo los docentes perciben e integran herramientas de IA =
en
su práctica pedagógica cotidiana. Esta ausencia de
información limita tanto el diseño de políticas
públicas educativas contextualizadas como la generación de pl=
anes
institucionales efectivos para la transformación digital.
Además, estudios recientes destacan que otros factores clave
como la usabilidad del sistema tecnológico (interfaz intuitiva,
diseño accesible y retroalimentación eficiente), la autoefica=
cia
tecnológica (confianza del docente en sus habilidades digitales), la
motivación intrínseca, las normas sociales (presiones o
influencias del entorno) y el apoyo institucional influyen significativamen=
te
en la intención de uso de tecnologías emergentes como la IA (=
Legris et al., 2003; Xue =
et al.,
2025; Scherer & Teo, 2019). Sin embargo, es=
tas
variables aún no han sido suficientemente exploradas en el contexto
ecuatoriano, ni mucho menos en poblaciones docentes de territorios intermed=
ios
como Milagro, donde pueden operar de manera distinta debido a realidades
La falta de estudios que apliquen modelos teóricos robustos =
como
el Modelo de Aceptación Tecnológica (TAM) en contextos educat=
ivos
subnacionales representa una limitación crítica para la
comprensión de los factores que condicionan o facilitan el uso de IA=
en
la enseñanza. Por ello, se vuelve imperativo realizar investigaciones
que recojan datos primarios, permitan identificar patrones locales de
aceptación o resistencia, y ofrezcan herramientas de análisis
para intervenir con políticas educativas pertinentes.
En este marco, la presente investigación busca aportar evide=
ncia
empírica sobre los factores que inciden en la adopción de
herramientas de IA por parte de los docentes en instituciones públic=
as
del cantón Milagro, desde una perspectiva centrada en el TAM y en
variables como la usabilidad, la autoeficacia tecnológica y la
influencia del entorno institucional. Este enfoque permitirá no solo
identificar barreras y facilitadores, sino también diseñar
estrategias contextualizadas que potencien la transformación educati=
va a
través de tecnologías emergentes en sectores donde más=
se
necesita.
El acelerado avance de la Inteligencia Artificial (IA) en los conte=
xtos
educativos plantea nuevos retos y oportunidades para los sistemas escolares,
especialmente en países en vías de desarrollo como Ecuador. S=
in
embargo, la incorporación efectiva de estas tecnologías en
instituciones públicas del nivel de Educación Básica
Superior aún se encuentra en una fase incipiente, con notorias brech=
as
entre los grandes centros urbanos y cantones intermedios como Milagro. A pe=
sar
de los beneficios potenciales de la IA para la mejora del aprendizaje, la
personalización educativa y la gestión docente, persisten
limitaciones significativas relacionadas con la infraestructura
tecnológica, la capacitación del profesorado y las percepcion=
es
sociotécnicas sobre el uso de estas herramientas.
La literatura internacional ha evidenciado que factores como la
utilidad percibida, la facilidad de uso y la usabilidad del sistema, as&iac=
ute;
como aspectos personales como la motivación intrínseca y la
autoeficacia tecnológica, son determinantes clave en la
aceptación y uso de tecnologías emergentes. No obstante, en el
caso de Milagro, aún no se dispone de datos empíricos que
permitan comprender cómo estos factores inciden en la adopció=
n de
herramientas de IA en el entorno educativo local. Por tanto, el presente
estudio tiene como objetivo evaluar los factores que influyen en la
adopción de herramientas de IA por parte de docentes en instituciones
públicas de la urbe milagreña,
aplicando el Modelo de Aceptación Tecnológica (TAM) con espec=
ial
enfoque en los constructos de utilidad percibida, facilidad de uso, usabili=
dad,
motivación intrínseca y autoeficacia tecnológica, con =
el
fin de proponer estrategias de intervención local que respondan a la=
s realidades
y necesidades del contexto.
El Modelo de Aceptación Tecnológica (TAM), desarrolla=
do
por Davis (1989), es una de las teorías más ampliamente
utilizadas para estudiar la adopción de tecnologías en divers=
os
contextos, incluido el educativo. Este modelo sostiene que la utilidad
percibida y la facilidad de uso percibida son los principales predictores d=
e la
intención de uso de una tecnología, influyendo finalmente en =
su
adopción efectiva. Venkatesh y Davis (20=
00)
extendieron el TAM incorporando nuevos constructos y validando el modelo en
contextos más amplios. En el campo de la educación, numerosos
estudios han confirmado la aplicabilidad del TAM para explicar la
adopción de herramientas digitales, incluyendo tecnologías em=
ergentes
como la inteligencia artificial (Tarhini et al.,
2014; Teo, 2011).
Recientemente, la incorporación de la inteligencia artificia=
l en
la educación ha generado un interés creciente, especialmente =
en
el desarrollo de herramientas de enseñanza personalizadas, sistemas =
de
tutoría inteligentes y plataformas adaptativas (Woolf, 2010; Holmes =
et
al., 2019). Sin embargo, la adopción de estas tecnologías por
parte del profesorado no es homogénea y está influida por
múltiples factores psicológicos, técnicos y sociales. =
En
este sentido, estudios como el de Huang et al. (2022) han evidenciado que la
autoeficacia tecnológica y la motivación intrínseca son
mediadores clave que afectan la percepción de utilidad y facilidad de
uso de las tecnologías basadas en IA en entornos educativos.
Por otro lado, la usabilidad, entendida como la calidad de la
experiencia del usuario en términos de efectividad, eficiencia y
satisfacción, juega un papel fundamental en la adopción
tecnológica. Nielsen (1993) y más recientemente ISO 9241-11
(2018) definen la usabilidad como una condición necesaria para que l=
os
usuarios se sientan cómodos y motivados a continuar utilizando una
herramienta tecnológica. En el contexto educativo, estudios como los=
de Alharbi y Drew (2014) han vinculado directamente la
usabilidad percibida con la intención de uso de plataformas educativ=
as
basadas en IA, destacando que interfaces complejas o poco intuitivas pueden=
ser
un obstáculo significativo para docentes con baja experiencia digita=
l.
Las normas sociales y el apoyo institucional son también
factores decisivos en la adopción de nuevas tecnologías, como
muestran investigaciones realizadas bajo el marco del Modelo Unificado de
Aceptación y Uso de Tecnología (UTAUT)
de Venkatesh et al. (2003). En contextos educat=
ivos,
el respaldo de la institución, la capacitación docente y la
influencia de pares suelen fortalecer la disposición para incorporar
herramientas digitales avanzadas (Ertmer & =
Ottenbreit-Leftwich, 2010). Por ejemplo, el estudio d=
e Ifenthaler y Schumacher (2016) reveló que las
políticas institucionales claras y el acceso a recursos facilitan la
integración efectiva de sistemas basados en IA en la práctica
docente.
En América Latina, investigaciones sobre adopción de
tecnologías digitales en educación pública aún =
son
incipientes, pero estudios como el de Cabero-Almenara et al. (2024) en
España y de Chaves y Díaz (2023) en México destacan que
las percepciones sobre la utilidad y la facilidad de uso, junto con factores
contextuales como la infraestructura y el soporte técnico, determina=
n en
gran medida la incorporación de IA en los procesos educativos. Estos
resultados evidencian la necesidad de explorar estas variables en paí=
;ses
en desarrollo, donde la brecha digital y la desigualdad tecnológica
afectan la implementación de innovaciones educativas.
Finalmente, un estudio reciente de Xue =
et al.
(2025) consolidó un modelo extendido de TAM para la adopción =
de
IA en educación, integrando motivación intrínseca,
autoeficacia tecnológica, apoyo institucional y normas sociales como
variables moderadoras y mediadoras. Este trabajo empírico, basado en=
una
muestra de docentes en Asia, concluye que el enfoque multidimensional es
crucial para comprender los determinantes de la adopción de IA y
diseñar estrategias efectivas de integración pedagógic=
a.
METODOLOGÍA
El presente estudio adopta un enfoque cuantitativo de tipo no
experimental, con diseño transversal correlacional, ya que busca
examinar las relaciones entre diversas variables del Modelo de
Aceptación Tecnológica (TAM), específicamente, la util=
idad
percibida, la facilidad de uso, la usabilidad, la autoeficacia
tecnológica y la motivación intrínseca y su influencia=
en
la intención de adopción de herramientas de inteligencia
artificial (IA) por parte de docentes de Educación Básica
Superior. La elección de este diseño responde a la necesidad =
de
analizar patrones perceptivos en un momento determinado, sin manipular
variables.
La población objetivo está conformada por los docentes
que imparten clases en el nivel de Educación Básica Superior =
en
instituciones educativas públicas del cantón Milagro, provinc=
ia
del Guayas, durante el período lectivo 2025-2026. Se seleccion&oacut=
e;
una muestra intencionada de 150 docentes provenientes de seis instituciones
educativas fiscales, distribuidas equitativamente (25 docentes por
institución).
Este tamaño muestral permite obtener resultados representati=
vos
del contexto local, considerando la heterogeneidad de experiencias
tecnológicas entre las instituciones. La selección se bas&oac=
ute;
en criterios de factibilidad de acceso y colaboración institucional.
Para la recolección de datos se empleó la técnica de
encuesta estructurada, aplicada de forma digital (a través de
formularios en línea) y presencial (en papel, si es necesario, para =
evitar
sesgos por brecha digital). El instrumento principal fue un cuestionario
validado, adaptado del modelo TAM extendido, compuesto por seis dimensiones:
Utilidad percibida (UP), Facilidad de uso percibida (F=
UP),
Usabilidad del sistema (US), Motivación intrínseca (MI),
Autoeficacia tecnológica (AET),
Intención de uso de herramientas de IA (IU). Cada constructo ser&aac=
ute;
medido mediante ítems en escala tipo Likert de cinco puntos (1 =3D
totalmente en desacuerdo, 5 =3D totalmente de acuerdo).
Los datos serán codificados y procesados mediante software
estadístico SPSS v.2118 para anál=
isis
más avanzados. Se utilizarán estadísticos descriptivos
(media, desviación estándar) y análisis inferenciales
(correlaciones de Pearson, regresión múltiple). Además=
, se
considerará la aplicación de un modelo de ecuaciones estructu=
rales
(SEM) para explorar las relaciones entre las variables latentes y validar
empíricamente la estructura del modelo TAM extendido en este context=
o.
RESULTADOS Y DISCUSIÓN
Con base en la metodología descrita, se realizó el
análisis de confiabilidad interna del instrumento mediante el
coeficiente alfa de Cronbach, con el propósito de evaluar la
consistencia de los ítems agrupados en cada uno de los constructos d=
el
Modelo de Aceptación Tecnológica (TAM) y sus extensiones. Est=
e análisis
se efectuó tras la aplicación de un cuestionario validado a u=
na
muestra intencionada de 150 docentes de Educación Básica Supe=
rior
del cantón Milagro, quienes respondieron a una escala tipo Likert de
cinco puntos (ver tabla 1).
Los resultados obtenidos evidencian valores aceptables de fiabilida=
d en
la mayoría de los constructos analizados. En detalle, la Facilidad de
Uso Percibida (FUP) alcanzó un alfa de
Cronbach de 0.740, la Usabilidad del Sistema (US) de 0.772 y la Autoeficacia
Tecnológica (AET) de 0.710, lo cual indi=
ca una
consistencia interna satisfactoria en estas dimensiones. Estos resultados
respaldan la validez del instrumento para medir percepciones sobre la
adopción de herramientas de inteligencia artificial (IA), especialme=
nte
en los constructos centrales del modelo.
Tabla 1
Frecuencia de respuestas – Utilidad Percibida (UP)
|
Constructo |
Alfa de Cronbach |
|
UP |
0.688 |
|
FUP |
0.740 |
|
US |
0.772 |
|
MI |
0.653 |
|
AET |
0.710 |
|
IU |
0.681 |
Fuente: elaboración propia.
La tabla describe el coeficiente alfa de Cronbach que evidencia la =
consistencia
de los ítems agrupados en cada uno de los constructos del TAM.
En cuanto a la Utilidad Percibida (UP) y la Intención de Uso
(IU), los coeficientes fueron de 0.688 y 0.681, respectivamente, valores qu=
e se
sitúan ligeramente por debajo del umbral de 0.7, pero que aún
pueden considerarse aceptables en estudios exploratorios de tipo no
experimental, como el presente. No obstante, se sugiere una revisión=
de
los ítems correspondientes para mejorar su coherencia interna en fut=
uras
aplicaciones del instrumento. Por su parte, el constructo Motivación
Intrínseca (MI) obtuvo un alfa de 0.653, lo cual representa una
consistencia interna moderada, aunque cuestionable. Este resultado sugiere =
la
necesidad de reevaluar la formulación de algunos ítems o comp=
lementar
la dimensión con indicadores adicionales que capten mejor la natural=
eza
motivacional del uso docente de la IA.
En conjunto, los valores del alfa de Cronbach obtenidos permiten
concluir que el instrumento presenta una confiabilidad adecuada para el
análisis de relaciones correlacionales entre los constructos definid=
os,
coherente con el enfoque cuantitativo de diseño transversal adoptado.
Estos resultados permiten avanzar con los análisis inferenciales
(correlaciones de Pearson, regresión múltiple) y la estimaci&=
oacute;n
del modelo de ecuaciones estructurales (SEM), para validar empíricam=
ente
la estructura teórica propuesta y generar hallazgos significativos s=
obre
la disposición de los docentes a integrar herramientas de IA en su p=
ráctica
educativa.
La tabla 2 correspondiente a la variable Utilidad Percibida (UP) re=
vela
una distribución altamente sesgada hacia las categorías posit=
ivas
de la escala Likert. De los 150 docentes encuestados, el 94.0% (n=3D141)
manifestó estar “de acuerdo” con los ítems que
componen este constructo, mientras que un 4.0% (n=3D6) seleccionó la
opción “totalmente de acuerdo”. En conjunto, el 98% de la
muestra expresa una percepción claramente favorable respecto a la
utilidad de las herramientas de inteligencia artificial en el ejercicio de =
la
docencia, lo que denota una actitud positiva hacia su aplicación
práctica en el contexto educativo.
Tabla 2
Frecuencia de respuestas – Utilidad Percibida (UP)
|
Escala Likert |
Frecuencia (f) |
Porcentaje (%) |
|
1
=3D Totalmente en desacuerdo |
0 |
0.0 |
|
2
=3D En desacuerdo |
0 |
0.0 |
|
3
=3D Neutral |
3 |
2.0 |
|
4
=3D De acuerdo |
141 |
94.0 |
|
5
=3D Totalmente de acuerdo |
6 |
4.0 |
|
Total |
150 |
100 |
Fuente: elaboración propia.
Es relevante destacar que únicamente el 2.0% (n=3D3) de los
participantes adoptó una postura neutral, y no se registraron respue=
stas
en los niveles de desacuerdo o total desacuerdo. Esta concentración =
en
las categorías superiores de la escala indica un elevado consenso en=
tre
los docentes en cuanto a la percepción de que las herramientas de IA
pueden facilitar y enriquecer sus procesos pedagógicos. Desde una
perspectiva estadística, esta distribución refleja una
asimetría positiva y sugiere una baja variabilidad en las respuestas=
, lo
cual puede corroborar con medidas adicionales de tendencia central y
dispersión.
Estos resultados son consistentes con los supuestos del Modelo de
Aceptación Tecnológica (TAM), en el cual la utilidad percibida
representa un componente fundamental en la formación de la
intención de uso. La alta proporción de respuestas afirmativa=
s en
este constructo refuerza la hipótesis de que, en el contexto del
cantón Milagro, los docentes reconocen el valor funcional de la IA e=
n su
práctica profesional. En consecuencia, este patrón de respues=
ta
anticipa relaciones significativas con otras variables del modelo, como la
intención de uso o la autoeficacia tecnológica, y justifica su
incorporación en análisis correlacionales y modelos estructur=
ales
posteriores.
La tabla 3 correspondiente a la variable Facilidad de Uso Percibida=
(FUP) presenta una distribución de respuestas
claramente inclinada hacia los niveles superiores de la escala Likert, lo q=
ue
evidencia una valoración positiva por parte de los docentes respecto=
a
la facilidad con la que podrían interactuar con las herramientas de
inteligencia artificial. En este caso, el 90.0% (n=3D135) de los encuestados
manifestó estar “de acuerdo” con los enunciados relacion=
ados
con la facilidad de uso, mientras que un 8.7% (n=3D13) se ubicó en la
categoría “totalmente de acuerdo”. Esto indica que el 98=
.7%
de los participantes perciben como accesible el uso de dichas
tecnologías en su contexto educativo.
Tabla 3
Frecuencia de respuestas – Facilidad de Uso Percibida (FUP)
|
Escala Likert |
Frecuencia (f) |
Porcentaje (%) |
|
1
=3D Totalmente en desacuerdo |
0 |
0.0 |
|
2
=3D En desacuerdo |
0 |
0.0 |
|
3
=3D Neutral |
2 |
1.3 |
|
4
=3D De acuerdo |
135 |
90.0 |
|
5
=3D Totalmente de acuerdo |
13 |
8.7 |
|
Total |
150 |
100 |
Fuente: elaboración propia.
Solamente un 1.3% (n=3D2) de los docentes se mantuvo en una
posición neutral, y al igual que en el análisis del constructo
anterior, no se reportaron respuestas en las categorías de desacuerd=
o.
Esta fuerte inclinación hacia la aceptación sugiere una
percepción favorable en términos de usabilidad y
comprensión de las funcionalidades básicas de las herramienta=
s de
IA, lo cual es relevante si se considera que la facilidad de uso es uno de =
los
predictores claves de la intención de adopción tecnoló=
gica
dentro del Modelo de Aceptación Tecnológica (TAM).
Desde una perspectiva estadística, esta distribución
refleja nuevamente una asimetría positiva pronunciada, con alta
concentración en las categorías 4 y 5, lo que implica una baja
dispersión y alta homogeneidad en las respuestas. Este patrón
consolida la evidencia empírica de que los docentes de Educaci&oacut=
e;n
Básica Superior en el cantón Milagro no solo reconocen la
utilidad de las herramientas de IA, sino que también las perciben co=
mo
intuitivas y de fácil incorporación a sus prácticas
pedagógicas. Estos resultados justifican su inclusión como
variable predictora en análisis de regresión y en la
estimación del modelo estructural propuesto.
La distribución de frecuencias correspondiente al constructo
Usabilidad del Sistema (US), presentada en la Tabla 4, muestra una clara
inclinación hacia las categorías positivas de la escala Liker=
t,
lo que indica que la mayoría de los docentes perciben que las
herramientas de inteligencia artificial presentan características que
favorecen una interacción eficaz y funcional. En concreto, el 92.0%
(n=3D135) de los encuestados se mostró “de acuerdo” con =
los
ítems que evalúan la usabilidad, mientras que un 2.7% (n=3D4)
expresó estar “totalmente de acuerdo”. En conjunto, el 9=
4.7%
de la muestra manifiesta una valoración favorable hacia la facilidad
operativa de los sistemas de IA aplicados al contexto educativo.
Tabla 4
Frecuencia de respuestas – Usabilidad del Sistema (US)
|
Escala Likert |
Frecuencia (f) |
Porcentaje (%) |
|
1
=3D Totalmente en desacuerdo |
0 |
0.0 |
|
2
=3D En desacuerdo |
0 |
0.0 |
|
3
=3D Neutral |
8 |
5.3 |
|
4
=3D De acuerdo |
135 |
92.0 |
|
5
=3D Totalmente de acuerdo |
4 |
2.7 |
|
Total |
150 |
100 |
Fuente: elaboración propia.
Un 5.3% (n=3D8) de los docentes adoptó una postura neutral, =
y al
igual que en los constructos anteriores, no se registraron respuestas en los
niveles de desacuerdo, lo que evidencia una baja resistencia o dificultad
percibida en la experiencia de uso de estas tecnologías. Esta tenden=
cia
positiva sugiere que las plataformas o herramientas evaluadas poseen un
diseño funcional y accesible, lo cual resulta crucial en entornos con
posibles limitaciones técnicas, como puede ser el caso de algunas
instituciones educativas del cantón Milagro.
Desde una perspectiva técnica, la distribución observ=
ada
presenta una asimetría positiva, con valores fuertemente concentrado=
s en
las categorías altas, lo que denota un alto grado de consenso entre =
los
participantes. Este resultado fortalece la validez del constructo dentro del
Modelo de Aceptación Tecnológica extendido, al confirmar que =
la
percepción favorable sobre la usabilidad del sistema puede actuar co=
mo
facilitador en la adopción efectiva de la IA. Así, este
patrón respalda su inclusión en análisis correlacional=
es e
inferenciales posteriores, particularmente en la evaluación del impa=
cto
de la usabilidad sobre la intención de uso y la autoeficacia
tecnológica.
La Tabla 5, correspondiente al constructo Motivación
Intrínseca (MI), evidencia una distribución altamente positiv=
a en
las respuestas de los docentes encuestados, lo que indica un elevado nivel =
de
disposición interna hacia el uso de herramientas de inteligencia art=
ificial
(IA) en su labor educativa. Específicamente, el 93.3% (n=3D140) de l=
os
participantes manifestó estar “de acuerdo” con los
ítems que evalúan la motivación personal y el
interés autónomo por incorporar estas tecnologías,
mientras que un 4.7% (n=3D7) seleccionó la opción “tota=
lmente
de acuerdo”. En conjunto, el 98% de la muestra refleja una actitud
intrínsecamente favorable hacia la IA.
Solo un 2.0% (n=3D3) de los docentes adoptó una postura neut=
ral, y
no se registraron respuestas en las categorías de desacuerdo. Esta
ausencia de rechazo explícito es relevante, ya que la motivaci&oacut=
e;n
intrínseca está estrechamente vinculada con la voluntad soste=
nida
de aprender y adoptar nuevas herramientas sin necesidad de incentivos exter=
nos,
lo cual constituye un factor determinante en procesos de cambio
tecnológico dentro del ámbito educativo.
Tabla 5
Frecuencia de respuestas – Motivación Intrínseca
(MI)
|
Escala Likert |
Frecuencia (f) |
Porcentaje (%) |
|
1
=3D Totalmente en desacuerdo |
0 |
0.0 |
|
2
=3D En desacuerdo |
0 |
0.0 |
|
3
=3D Neutral |
3 |
2 |
|
4
=3D De acuerdo |
140 |
93.3 |
|
5
=3D Totalmente de acuerdo |
7 |
4.7 |
|
Total |
150 |
100 |
Fuente: elaboración propia.
Desde un enfoque estadístico, la distribución presenta
una asimetría positiva, con respuestas altamente concentradas en los
niveles superiores de la escala, lo que refleja homogeneidad en las
percepciones del grupo. Este patrón confirma la pertinencia de inclu=
ir
la motivación intrínseca como variable moderadora en el
análisis de relaciones entre la utilidad, facilidad de uso y la
intención de adopción tecnológica. En contextos como el
del cantón Milagro, donde la implementación de nuevas
tecnologías puede enfrentar barreras estructurales, la motivaci&oacu=
te;n
individual emerge como un recurso clave que puede potenciar la aceptaci&oac=
ute;n
de herramientas de IA, incluso en escenarios de limitaciones institucionale=
s.
La Tabla 6, correspondiente al constructo Autoeficacia
Tecnológica (AET), refleja una
percepción ampliamente positiva por parte de los docentes en
relación con su capacidad para utilizar herramientas tecnológ=
icas,
específicamente aquellas vinculadas a la inteligencia artificial (IA=
).
De los 150 participantes, el 94.7% (n=3D142) indicó estar “de
acuerdo” con los ítems que evalúan su competencia
tecnológica, mientras que un 1.3% (n=3D2) seleccionó la
opción “totalmente de acuerdo”. En conjunto, el 96% del
total expresa un nivel elevado de confianza personal en sus habilidades para
interactuar con tecnologías digitales.
Un 4.0% (n=3D6) de los docentes respondió de forma neutral, =
lo
cual sugiere una leve incertidumbre o percepción intermedia respecto=
a
su preparación tecnológica, pero sin llegar al desacuerdo. Es
relevante destacar que no se registraron respuestas en las categoría=
s de
“en desacuerdo” ni “totalmente en desacuerdo”, lo q=
ue
indica la ausencia de percepciones negativas en cuanto a la autoeficacia. E=
sta
tendencia generalizada hacia la autoconfianza tecnológica resulta
especialmente significativa en contextos donde el éxito en la
adopción de tecnologías innovadoras, como la IA, depende en g=
ran
medida de la seguridad personal para explorar, experimentar y resolver
dificultades técnicas.
Tabla 6
Frecuencia de respuestas – Autoeficacia Tecnológica (<=
span
class=3DSpellE>AET)
|
Escala Likert |
Frecuencia (f) |
Porcentaje (%) |
|
1
=3D Totalmente en desacuerdo |
0 |
0.0 |
|
2
=3D En desacuerdo |
0 |
0.0 |
|
3
=3D Neutral |
6 |
4.0 |
|
4
=3D De acuerdo |
142 |
94.7 |
|
5
=3D Totalmente de acuerdo |
2 |
1.3 |
|
Total |
150 |
100 |
Fuente: elaboración propia.
Desde un enfoque estadístico, la distribución muestra=
una
asimetría positiva leve, con predominancia clara en la categor&iacut=
e;a
“de acuerdo”, aunque con una menor dispersión hacia los
extremos más altos en comparación con otros constructos. Esta
concentración refuerza la validez de la autoeficacia tecnológ=
ica
como factor facilitador dentro del Modelo de Aceptación
Tecnológica (TAM) extendido, al influir de manera directa o moderado=
ra
sobre la relación entre percepción de utilidad y la
intención de uso. En este sentido, la percepción de competenc=
ia
tecnológica entre los docentes del cantón Milagro constituye =
un
elemento habilitador clave para el éxito de cualquier estrategia de
integración de inteligencia artificial en los entornos escolares.
La Tabla 7, correspondiente al constructo Intención de Uso (=
IU),
presenta una distribución de respuestas notablemente concentrada en =
las categorías
positivas de la escala Likert, lo cual indica una alta disposición p=
or
parte de los docentes a incorporar herramientas de inteligencia artificial =
(IA)
en su práctica educativa. En detalle, el 92.0% (n=3D138) de los encu=
estados
manifestó estar “de acuerdo” con los ítems que
evalúan su intención de uso, mientras que un 7.3% (n=3D11)
expresó estar “totalmente de acuerdo”. En conjunto, el 9=
9.3%
del total de la muestra refleja una intención positiva hacia la
adopción de estas tecnologías.
Únicamente un 0.7% (n=3D1) de los docentes adoptó una
posición neutral, y no se reportaron respuestas en los niveles de
desacuerdo, lo cual confirma una aceptación prácticamente
unánime. Esta tendencia indica que los docentes no solo reconocen la
utilidad, facilidad de uso y usabilidad de las herramientas de IA, sino que
además están dispuestos a integrarlas activamente en su queha=
cer
pedagógico. Este hallazgo es crucial dentro del Modelo de
Aceptación Tecnológica (TAM), ya que la intención de u=
so
representa el principal indicador conductual que antecede a la adopci&oacut=
e;n
efectiva de una tecnología.
Tabla 7
Frecuencia de respuestas – Intención de Uso (IU)
|
Escala Likert |
Frecuencia (f) |
Porcentaje (%) |
|
1
=3D Totalmente en desacuerdo |
0 |
0.0 |
|
2
=3D En desacuerdo |
0 |
0.0 |
|
3
=3D Neutral |
1 |
0.7 |
|
4
=3D De acuerdo |
138 |
92 |
|
5
=3D Totalmente de acuerdo |
11 |
7.3 |
|
Total |
150 |
100 |
Fuente: elaboración propia.
Ante los resultados, la distribución presenta una
asimetría positiva muy marcada, con alta concentración en la
categoría “de acuerdo”, y con valores extremos
(“totalmente de acuerdo”) representados en una proporción
menor. Este patrón sugiere baja variabilidad y un fuerte consenso de=
ntro
de la muestra, lo cual fortalece la confiabilidad de los datos y respalda la
validez del modelo aplicado. En el contexto del cantón Milagro, estos
resultados permiten anticipar que, bajo condiciones técnicas
mínimas y con el apoyo institucional adecuado, la implementaci&oacut=
e;n
de IA en entornos escolares podría contar con una alta receptividad =
por
parte del cuerpo docente, lo que incrementa las probabilidades de éx=
ito
en procesos de innovación educativa sostenida.
En síntesis, los resultados obtenidos evidencian una marcada
tendencia positiva en las percepciones de los docentes de Educación
Básica Superior del cantón Milagro respecto a los constructos
evaluados del Modelo de Aceptación Tecnológica (TAM) y sus
extensiones. La mayoría de los participantes manifestó estar =
de
acuerdo o totalmente de acuerdo con los ítems relacionados con la
utilidad percibida, la facilidad de uso, la usabilidad del sistema, la
motivación intrínseca, la autoeficacia tecnológica y la
intención de uso, lo que refleja un entorno altamente favorable para=
la
adopción de herramientas de inteligencia artificial en el ámb=
ito
educativo. Estos hallazgos no solo respaldan la validez del modelo
teórico aplicado, sino que también permiten anticipar una act=
itud
receptiva hacia la innovación tecnológica, siempre que se
acompañe de condiciones técnicas adecuadas y estrategias
institucionales de apoyo. La uniformidad de las respuestas y la ausencia de
rechazo en todos los constructos evaluados constituyen una base sóli=
da
para el desarrollo de intervenciones dirigidas a potenciar el uso efectivo y
sostenible de la IA en el sistema educativo local.
Por lo tanto, los hallazgos muestran una percepción altamente
favorable en torno a la utilidad percibida y la facilidad de uso, lo cual
respalda las hipótesis del Modelo TAM en el contexto de docentes de
educación básica superior del cantón Milagro. Estudios
actuales como el de Al-Abdullatif (2024) destac=
an que
la alfabetización en IA y la facilidad percibida son predictores cla=
ve
de la intención de uso (AI literacy
& perceived ease) y
subrayan el papel mediador del conocimiento pedagógico
tecnológico (intelligent TPACK)
y la confianza (trust) dentro de modelos TAM extendidos (Al-Abdullatif,
2024) Asimismo, Zhang=
et
al. (2023) identifican que la facilidad y utilidad tienen efectos
significativos (β =3D 0.297 y β<=
/span>
Por otra parte, el elevado nivel de motivación intrín=
seca
(MI) y autoeficacia tecnológica (AET)
observado entre los docentes se alinea con la literatura que resalta estos
factores como moderadores y facilitadores del comportamiento intencional. <=
span
class=3DSpellE>Viberg et al. (2023) hallaron que la autoeficacia en =
IA
influye directamente en el nivel de confianza (trust) y percepción de
beneficios, lo cual, a su vez, incrementa la disposición para adoptar
tecnologías (Viberg et al., 2023). Del m=
ismo
modo, investigaciones recientes subrayan que las percepciones
intrínsecas de disfrute o interés interno potencian la
aceptación tecnológica, especialmente bajo condiciones de baja
infraestructura técnica (Self-Determination Theory). Los hallazgos del estudio, con más de=
l 93
En relación a las barreras potenciales, estudios en
América Latina indican que la falta de acceso, formación
específica y soporte institucional son obstáculos frecuentes =
para
la integración de IA en la educación pública (Banco
Interamericano de Desarrollo, 2025). A pesar de que los datos reflejan una
intención y percepción muy positivas, la ausencia de ciertos
negativos en la encuesta podría enmascarar desafíos reales, c=
omo
la conectividad deficiente o falta de capacitación. Por ende, los
resultados deben interpretarse considerando este contexto regional y la
necesidad de intervenciones institucionales que fortalezcan la infraestruct=
ura
tecnológica y la formación docente.
Finalmente, la alta intención de uso (IU), cercana al 99
CONCLUSIÓ=
;N
El presente estudio permitió evaluar, desde un enfoque
cuantitativo y con base en el Modelo de Aceptación Tecnológica
(TAM) y sus extensiones, los factores que inciden en la adopción de
herramientas de inteligencia artificial (IA) por parte de docentes de
Educación Básica Superior en instituciones públicas del
cantón Milagro. Los resultados obtenidos revelan una disposici&oacut=
e;n
ampliamente favorable hacia la integración de estas tecnologí=
as,
con niveles elevados de acuerdo en todos los constructos evaluados, lo que
evidencia un terreno fértil para la implementación de estrate=
gias
de transformación educativa mediadas por IA.
En particular, los constructos de utilidad percibida y facilidad de=
uso
se posicionaron como variables determinantes en la intención de
adopción, ratificando la vigencia del TAM en contextos escolares
ecuatorianos. A su vez, la alta valoración en torno a la usabilidad =
de
los sistemas refuerza la importancia de promover entornos digitales funcion=
ales
y accesibles, que reduzcan barreras técnicas y potencien el
aprovechamiento pedagógico de la inteligencia artificial en la
práctica docente.
Asimismo, los niveles de motivación intrínseca y
autoeficacia tecnológica reportados sugieren que los docentes no solo
están dispuestos, sino también se sienten preparados y
personalmente comprometidos con el uso de IA como herramienta educativa. Es=
tos
factores, entendidos como facilitadores personales, deben ser considerados =
en
el diseño de planes de capacitación continua, ya que refuerza=
n la
sostenibilidad de la adopción tecnológica en escenarios con
limitaciones estructurales.
Finalmente, se concluye que la implementación efectiva de IA=
en
el sistema educativo público de la urbe milagre=
ña
no depende únicamente de la disposición docente, sino de la
articulación estratégica de políticas institucionales =
que
contemplen las realidades del entorno local, incluyendo infraestructura
digital, conectividad, soporte técnico y formación
contextualizada. A partir de estos hallazgos, se recomienda diseñar e
implementar estrategias de intervención territorializadas, basadas e=
n el
fortalecimiento de la competencia digital docente, el acceso a plataformas
intuitivas y el acompañamiento pedagógico sostenido, de modo =
que
la adopción de la inteligencia artificial se traduzca en mejoras
concretas para la calidad educativa de la región.
REFERENCIAS
Al-Abdullatif, A. M. (2024). Modeling teachers̵=
7;
acceptance of generative artificial intelligence use in higher education: T=
he
role of AI literacy, intelligent TPACK, and per=
ceived
trust. Education Sciences, 14(11), 1209. https://doi.org/10.3390/educsci14111209
Alharbi, S., & Drew, S. (2014). Using the
technology acceptance model in understanding academics’ behavioural intention to use learning management syst=
ems.
International Journal of Advanced Computer Science and Applications, 5(1),
143–155. https://doi.org/10.14569/IJACSA.2014.05=
0121
An, et al. (2023). Acceptance of Pre-Service Teach=
ers
Towards Artificial Intelligence (AI): The Role of AI-Related Teacher Traini=
ng
Courses and AI-TPACK. Education Sciences, 15(2)=
, 167.
Banco Interamericano de Desarrollo. (2025). From h=
ype
to reality: Rethinking AI in education across Latin America and the Caribbe=
an. Enfoque
Educación blog.
Cabero-Almenara, J., Palacios-Rodríguez, A., Loaiza-Aguirre,=
M.
I., & de Rivas-Manzano, M. R. (2024). Acceptance of educational artificial
intelligence by teachers and its relationship with some variables and
pedagogical beliefs. Education Sciences, 14(7), 740.
https://doi.org/10.3390/educsci14070740
Cabero-Almenara, J., Guillén-Gámez, F. D., & Ruiz=
-Palmero,
J. (2024). Inteligencia artificial en la educación superior:
percepciones y preparación del profesorado universitario en entornos
digitales. RIED. Revista Iberoamericana de Educación a Distancia, 27=
(1),
45–66. https://doi.org/10.5944/ried.27.1.36515
Chaves, M., & Díaz, R. (2023). Factors
influencing the adoption of AI tools in higher education: A Mexican
perspective. Revista
Iberoamericana de Educación a Distancia, 26(2), 89-110.
https://doi.org/10.5944/ried.26.2.35768
Davis, F. D. (1989). Perceived usefulness, perceiv=
ed
ease of use, and user acceptance of information technology. MIS Quarterly,
13(3), 319–340. https://doi.org/10.2307/249008
Davis, F. D., Bagozzi,=
R.
P., & Warshaw, P. R. (1989). User acceptanc=
e of
computer technology: A comparison of two theoretical models. Management
Science, 35(8), 982–1003. https://doi.org/10.1287/mnsc.35.8.982
Ertmer, P. A., &
Ottenbreit-Leftwich, A. T. (2010). Teacher technology change: How knowledge,
confidence, beliefs, and culture intersect. Journal of Research on Technolo=
gy
in Education, 42(3), 255–284.
https://doi.org/10.1080/15391523.2010.10782551
Holmes, W., Bialik, M., & Fadel, C. (2019).
Artificial intelligence in education: Promises and implications for teaching
and learning. Center for Curriculum Redesign.
https://curriculumredesign.org/wp-content/uploads/AI-in-Education-CCR-2019.=
pdf
Huang, Y., Lin, L., & Cheng, S. (2022). Factors
influencing teachers’ adoption of artificial intelligence in educatio=
n:
An extended TAM approach. Computers & Education, 176, 104345.
https://doi.org/10.1016/j.compedu.2021.104345
Ifenthaler, D., & Schumacher=
, C.
(2016). Student perceptions of privacy principles for learning analytics.
Educational Technology Research and Development, 64(5), 923–938.
https://doi.org/10.1007/s11423-016-9463-4
Joo, Y., Lim, K.-Y., & Kim, N.-H. (2017).
Implementation of TPACK-based technology accept=
ance
model: Influences of training and instructional context. Computers &
Education, 111, 36–47.
Legris, P., Ingham, J., &=
; Collerette, P. (2003). Why do people use information
technology? A critical review of the technology acceptance model. Informati=
on
& Management, 40(3), 191–204. https://doi.org/10.1016/S0378-7206(01)00143-4
Nielsen, J. (1993). Usability engineering. Morgan
Kaufmann.
Scherer, R., & Teo, T. (2019). Unpacking
teachers’ intention to integrate technology: A meta-analysis. Educati=
onal
Research Review, 27, 90–109. https://doi.org/10.1016/j.edurev.2019.03.003
Tarhini, A., Hone, K., & =
Liu,
X. (2014). A cross-cultural examination of the impact of social, organisational and individual factors on educational
technology acceptance between British and Lebanese university students. Bri=
tish
Journal of Educational Technology, 45(4), 739–755.
https://doi.org/10.1111/bjet.12069
Teo, T. (2011). Factors influencing teachers’
intention to use technology: Model development and test. Computers &
Education, 57(4), 2432–2440. https://doi.org/10.1016/j.compedu.2011.06.008
Venkatesh, V., & Davis, F. D. (2000). A
theoretical extension of the technology acceptance model: Four longitudinal
field studies. Management Science, 46(2), 186–204.
https://doi.org/10.1287/mnsc.46.2.186.11926
Venkatesh, V., Morris, M. G., Davis, G. B., &
Davis, F. D. (2003). User acceptance of information technology: Toward a
unified view. MIS Quarterly, 27(3), 425–478.
https://doi.org/10.2307/30036540
Viberg, O., Cukurova,
M., Feldman-Maggor, Y., Al=
exandron,
G., Shirai, S., Kanemune, S., … & Coe=
lho,
R. (2023). What explains teachers' trust of AI in education across six
countries? arXiv.
Woolf, B. P. (2010). Building intelligent interact=
ive
tutors: Student-centered strategies for revolutionizing e-learning. Morgan
Kaufmann.
Xue, Y., Ghazali, N., & Mahat,
J. (2025). Artificial intelligence adoption among teachers: A systematic re=
view
and agenda for future research. Computers & Education, 211, 105012.
https://doi.org/10.1016/j.compedu.2023.105012
Xue, Y., Qian, M., & Li, L. (2025).
Understanding teachers’ intentions to use AI-based educational tools:
Extending the TAM with institutional and social factors. Computers &
Education, 211, 105012. https://doi.org/10.1016/j.comp=
edu.2025.105012
Zhang, C., Schießl,
J., Plößl, L., Hofmann, F., &
Todo el contenido de LATAM Revista
Latinoamericana de Ciencias Sociales y Humanidades, publicados en este sitio
está disponibles bajo Licencia Creative Commons ![3D"https://revistacientifica.uamericana.edu.py/public/site/images/aduar=](3D"0060_Gomez_archivos/image005.jpg")
.
LATAM Revista Latinoamericana de Cien=
cias
Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea:
2789-3855, febrero, 2026, Volumen VII, Número 1 p 869.
![](3D"0060_Gomez_archivos/image002.jpg")