Dependencia problemática de la IA generativa en universitarios: PLS-SEM y fsQCA

Problematic reliance on generative AI among university students: an I-PACE-informed PLS-SEM and fsQCA study

Estudio transversalPublicado el 5 de octubre de 2026
Dependencia problemática de la IA generativa en universitarios: PLS-SEM y fsQCA

Ficha del estudio original

  • GLGuoqing LiuFacultad de Educación Física, Universidad Normal de Minnan, Zhangzhou, China
  • CHCaisang HouFacultad de Educación, Universidad de Hong Kong, Hong Kong, RAE de Hong Kong, China
Institución
Minnan Normal University (School of Physical Education) y The University of Hong Kong (Faculty of Education)
Año
2026
Revista
Frontiers in Psychology, vol. 17, art. 1946110
Tipo de estudio
Estudio transversal

En 3 líneas

En 242 universitarios chinos, la utilidad percibida de la IA generativa, la absorción cognitiva y el estrés académico se asociaron con una mayor dependencia problemática (autoinformada y no clínica), mientras que el afecto positivo y la regulación del ánimo mediante IA no mostraron asociación directa; el modelo explicó el 32 % de la varianza. Ninguna condición fue necesaria por sí sola: aparecieron varias configuraciones distintas. Al ser un estudio transversal, con muestra no probabilística y todo autoinformado, no puede establecerse causalidad ni la dirección de las relaciones.

Resumen del artículo original

La IA generativa se ha integrado cada vez más en el aprendizaje académico de los estudiantes universitarios, ya que ofrece retroalimentación inmediata, generación de contenidos y apoyo para la resolución de problemas. Junto a estos beneficios, su uso reiterado ha suscitado preocupación por la dependencia problemática del apoyo académico mediado por la IA. A partir de un marco informado por el modelo I-PACE, este estudio transversal examinó factores psicológicos y académicos asociados con la dependencia problemática de la IA generativa relacionada con el aprendizaje, definida como un patrón no clínico y autoinformado, y no como un diagnóstico clínico. Los datos procedían de una muestra en línea no probabilística de 242 estudiantes universitarios que habían utilizado IA generativa con fines relacionados con el aprendizaje. Se empleó el modelado de ecuaciones estructurales por mínimos cuadrados parciales (PLS-SEM) para examinar las asociaciones entre afecto positivo, autoeficacia en el uso de IA generativa, necesidad de cognición, utilidad percibida, absorción cognitiva, regulación del estado de ánimo basada en la IA, estrés académico y dependencia problemática de la IA generativa. Además, se utilizó el análisis comparativo cualitativo de conjuntos difusos (fsQCA) para identificar las configuraciones asociadas con una alta pertenencia al conjunto de dependencia problemática y con su complemento en teoría de conjuntos. Los resultados del PLS-SEM mostraron que la utilidad percibida, la absorción cognitiva y el estrés académico se asociaron positivamente con la dependencia problemática de la IA generativa, mientras que el afecto positivo y la regulación del estado de ánimo basada en la IA no mostraron asociaciones directas significativas. Los resultados del fsQCA indicaron que ninguna condición individual era necesaria para una alta pertenencia al conjunto de dependencia problemática; en cambio, ambos conjuntos de resultados se asociaron con múltiples configuraciones. Los hallazgos respaldan una distinción prudente entre dependencia problemática, uso ordinario de la IA generativa y aceptación de la tecnología, y sugieren posibles implicaciones para la alfabetización en IA y el apoyo académico en la educación superior.

Introducción

La inteligencia artificial generativa ha entrado rápidamente en la educación superior y forma ya parte de las prácticas cotidianas de aprendizaje de los estudiantes universitarios. A diferencia de las herramientas digitales convencionales, que sobre todo dan acceso a información ya existente, los sistemas de IA generativa pueden responder a instrucciones en lenguaje natural, generar texto, resumir materiales, explicar conceptos, ofrecer retroalimentación y apoyar la resolución iterativa de problemas. Los estudios centrados en estudiantes han mostrado que los universitarios ya utilizan herramientas de IA generativa, valoran sus beneficios y desafíos percibidos y se forman expectativas sobre su valor, su coste y su uso adecuado en el trabajo académico (Baek et al., 2024; Chan y Hu, 2023; Chan y Zhou, 2023). Investigaciones recientes sobre la alfabetización en IA generativa en la educación superior sugieren, además, que la adopción de la IA generativa por parte de los estudiantes y su interacción con ella están estrechamente vinculadas con su capacidad para evaluar los resultados y abordar cuestiones éticas (Chen et al., 2025).

Las mismas características que hacen útil a la IA generativa generan también una forma particular de riesgo educativo. Dado que la IA generativa puede participar directamente en la generación de contenidos, el apoyo al razonamiento y la realización de tareas, los estudiantes pueden no solo utilizarla para apoyar su aprendizaje, sino también empezar a delegar en los sistemas de IA procesos de pensamiento, redacción, organización y toma de decisiones. Trabajos previos han subrayado que los grandes modelos de lenguaje pueden crear oportunidades de apoyo al aprendizaje y de personalización, pero también plantean preocupaciones sobre resultados poco fiables, dependencia excesiva, debilitamiento del compromiso crítico, validez de la evaluación e integridad académica (Cotton et al., 2024; Farrokhnia et al., 2024; Kasneci et al., 2023; Lo, 2023; Rudolph et al., 2023). Estas preocupaciones indican que la cuestión clave ya no es solo si los universitarios utilizan IA generativa, sino cómo el aprendizaje apoyado por la IA puede ir convirtiéndose gradualmente en una dependencia excesiva de ella.

En este estudio, la dependencia problemática de la IA generativa se refiere a un patrón no clínico y autoinformado de dependencia excesiva de la IA generativa en relación con el aprendizaje. Los cuatro indicadores recogen el uso excesivo percibido, la dificultad para limitar el uso, la interferencia con la realización autónoma de las tareas de aprendizaje y el malestar o la frustración cuando la IA generativa no está disponible. El constructo no se trata como un diagnóstico clínico y no clasifica como problemático el uso adecuado, de apoyo o eficiente de la IA. Por coherencia con el conjunto de datos y los resultados estadísticos existentes, GA se conserva únicamente como código estadístico de este constructo. Esta distinción es coherente con las investigaciones que describen la dependencia de la IA como un uso excesivo acompañado de dependencia psicológica, y no como una mera aceptación o uso continuado de la tecnología (Zhang et al., 2024; Zhong et al., 2024).

Los estudios existentes sobre la IA generativa en la educación se han centrado en gran medida en la aceptación de la tecnología, la intención de uso, el valor educativo percibido, el apoyo al aprendizaje y los riesgos para la integridad académica (Baek et al., 2024; Chan y Hu, 2023; Chan y Zhou, 2023; Chen et al., 2025; Cotton et al., 2024; Farrokhnia et al., 2024; Kasneci et al., 2023; Strzelecki, 2024). Estos estudios aclaran por qué los estudiantes pueden adoptar o valorar las herramientas de IA generativa, pero no explican del todo por qué algunos pasan del uso académico ordinario a una dependencia excesiva. Estudios recientes han empezado a examinar la dependencia de la IA en la educación superior. Zhang et al. (2024) examinaron el papel de la autoeficacia académica, el estrés académico y las expectativas de rendimiento en el uso problemático de la IA entre universitarios, mientras que Zhong et al. (2024) exploraron cómo los atributos personales y los mecanismos psicológicos moldean la dependencia de la IA en la educación superior china. Sin embargo, sigue siendo necesario explicar cómo las experiencias afectivas, las creencias sobre la propia capacidad en relación con la IA, las disposiciones cognitivas, el valor percibido de la herramienta, la implicación profunda, la regulación del estado de ánimo basada en la IA y la presión académica configuran conjuntamente la dependencia problemática de la IA generativa.

El modelo I-PACE ofrece una base teórica adecuada para este propósito. El modelo explica la conducta problemática relacionada con la tecnología como resultado de las interacciones entre características de la persona, respuestas afectivas, evaluaciones cognitivas y procesos de ejecución o uso (Brand et al., 2016, 2019, 2025). En el presente estudio, la autoeficacia y la necesidad de cognición representan características de la persona; el afecto positivo refleja el refuerzo afectivo durante el aprendizaje asistido por IA; la utilidad percibida recoge la evaluación cognitiva que hacen los estudiantes del valor de la IA para el aprendizaje; la absorción cognitiva refleja la implicación profunda durante la interacción repetida con la IA; la regulación del estado de ánimo refleja la regulación emocional y del estrés académico basada en la IA; y el estrés académico representa la presión del contexto de aprendizaje que puede empujar a los estudiantes hacia un afrontamiento apoyado en la IA. De este modo, la dependencia problemática de la IA generativa puede examinarse como un patrón psicológico y contextual, y no como una simple consecuencia de la exposición a la tecnología.

Desde el punto de vista metodológico, este estudio combina PLS-SEM y fsQCA. El PLS-SEM es adecuado para estimar asociaciones teóricamente especificadas entre constructos latentes y para examinar las asociaciones medias de antecedentes individuales (Hair et al., 2019, 2022). Sin embargo, la dependencia problemática de la IA generativa puede no estar asociada con un único patrón lineal y simétrico. Estudiantes con distintos perfiles psicológicos pueden mostrar una pertenencia igualmente alta al conjunto de dependencia problemática mediante diferentes combinaciones de condiciones. Por ello se utiliza el fsQCA para examinar patrones configuracionales, equifinalidad y asimetría en teoría de conjuntos (Fiss, 2011; Pappas y Woodside, 2021; Ragin, 2008; Schneider y Wagemann, 2012). Combinar ambos métodos permite abordar tanto «qué variables importan en promedio» como «qué combinaciones de condiciones se asocian con una alta pertenencia al conjunto de dependencia problemática».

Este estudio realiza tres contribuciones acotadas. En primer lugar, replica conceptualmente y amplía el estudio I-PACE centrado en docentes de Du et al. (2026) en un contexto de aprendizaje universitario, añadiendo el estrés académico como condición contextual. En segundo lugar, utiliza un marco informado por I-PACE para organizar los factores personales, afectivos, cognitivos, regulatorios y de presión académica asociados con la dependencia problemática de la IA generativa, sin pretender poner a prueba el proceso de desarrollo completo que especifica I-PACE. En tercer lugar, al combinar PLS-SEM y fsQCA, examina tanto las asociaciones medias como los patrones configuracionales. Los hallazgos pueden orientar futuros trabajos sobre alfabetización en IA, apoyo académico y uso responsable de la IA generativa, aunque el diseño transversal no establece la eficacia causal de intervenciones concretas (Chen et al., 2025; Long y Magerko, 2020; Ng et al., 2021).

Revisión de la literatura e hipótesis

Dependencia problemática de la IA generativa y el modelo I-PACE

La IA generativa se ha integrado cada vez más en el aprendizaje universitario. Puede apoyar la generación de texto, la explicación de conocimientos, la revisión mediante retroalimentación, la resolución de problemas y el avance en las tareas a través de la interacción en lenguaje natural. Los estudios centrados en estudiantes han documentado las percepciones, los patrones de uso, el valor percibido y las preocupaciones de los universitarios respecto a la IA generativa en la educación superior (Baek et al., 2024; Chan y Hu, 2023; Chan y Zhou, 2023; Chen et al., 2025). Estas características hacen valiosa a la IA generativa en el aprendizaje, pero también crean la posibilidad de que los estudiantes dependan gradualmente de sus resultados y del apoyo académico mediado por la IA.

Partiendo de esta distinción, el presente estudio trata la dependencia problemática de la IA generativa como un patrón no clínico, relacionado con el aprendizaje, indicado por el uso excesivo percibido, la dificultad para limitar el uso, la interferencia con la realización autónoma de las tareas y las reacciones negativas cuando la IA generativa no está disponible. Esta operacionalización es más restringida que un diagnóstico clínico de adicción conductual y no debe interpretarse como una medida de prevalencia ni como una clasificación diagnóstica. GA se conserva únicamente como código estadístico en el conjunto de datos original, los resultados de los modelos, la notación de las rutas y las etiquetas de los ítems.

El modelo I-PACE constituye la principal orientación teórica de este estudio. Propone que la conducta problemática relacionada con la tecnología se desarrolla mediante interacciones entre características de la persona, respuestas afectivas, evaluaciones cognitivas y procesos relacionados con la ejecución (Brand et al., 2016, 2019, 2025). En el presente modelo informado por I-PACE, la autoeficacia en el uso de IA generativa (SE) y la necesidad de cognición (NC) representan características de la persona; el afecto positivo (PA) representa una respuesta afectiva durante el aprendizaje asistido por IA; la utilidad percibida (PU) representa una evaluación cognitiva del valor de la IA para el aprendizaje; la absorción cognitiva (CA) refleja la implicación profunda en la interacción con la IA; la regulación del estado de ánimo (MR) recoge la regulación, basada en la IA, de la emoción y la presión relacionadas con el aprendizaje; el estrés académico (AS) representa una presión contextual; y la dependencia problemática de la IA generativa es el resultado. Dado que no se midieron directamente el control inhibitorio, la reactividad a las señales, el craving ni los procesos de refuerzo longitudinal, el estudio aplica componentes seleccionados de I-PACE en lugar de poner a prueba el modelo de proceso completo.

La utilidad percibida y la absorción cognitiva se emplean para especificar dos componentes dentro de esta explicación basada en I-PACE, y no para introducir marcos teóricos distintos que compitan con ella. Davis (1989) definió la utilidad percibida como el grado en que las personas creen que utilizar una tecnología mejora el rendimiento en una tarea. En este estudio, PU representa la evaluación cognitiva que hacen los estudiantes del valor de la IA generativa para el aprendizaje. Agarwal y Karahanna (2000) conceptualizaron la absorción cognitiva como una implicación profunda en el uso de la tecnología, caracterizada por atención focalizada, control percibido, curiosidad y disociación temporal. En el presente modelo, CA representa el componente de proceso de uso de la implicación profunda durante la interacción con la IA generativa. La teoría de la autoeficacia, la teoría de la necesidad de cognición y la teoría del estrés y el afrontamiento respaldan, además, el papel de SE, NC y AS en la explicación de las conductas de aprendizaje de los estudiantes relacionadas con la IA (Bandura, 1986; Cacioppo y Petty, 1982; Lazarus y Folkman, 1984).

Afecto positivo

El afecto positivo (PA) se refiere a experiencias emocionales positivas como el disfrute, la comodidad, la satisfacción y la sensación de logro. En el aprendizaje apoyado por IA generativa, los estudiantes pueden experimentar progreso, eficiencia y control cuando la IA ofrece explicaciones inmediatas, apoyo a la escritura, pistas para resolver problemas o retroalimentación para revisar. Dentro del modelo I-PACE, el afecto positivo puede entenderse como una respuesta afectiva que refuerza el uso repetido (Brand et al., 2016, 2019, 2025). En un estudio relacionado sobre la adicción de los docentes a la IA, Du et al. (2026) incluyeron el afecto positivo en un modelo basado en I-PACE, lo que sugiere que las experiencias positivas durante el uso de la IA pueden intervenir en mecanismos relacionados con la adicción.

El afecto positivo puede influir primero en la regulación del estado de ánimo (MR). MR se refiere al uso que hacen los estudiantes de la IA generativa para reducir la frustración en el aprendizaje, aliviar la ansiedad ante las tareas, obtener retroalimentación inmediata y mantener su estado de aprendizaje. Cuando los estudiantes experimentan repetidamente comodidad, logro o apoyo durante el aprendizaje asistido por IA, la IA generativa puede convertirse en algo más que una herramienta para completar tareas: también puede ser un recurso para regular el estrés académico y recuperar la sensación de control. Esta ruta se fundamenta en la lógica de refuerzo afectivo de I-PACE y en el contexto de aprendizaje del presente estudio. Por lo tanto:

H1a: El afecto positivo se asocia positivamente con la regulación del estado de ánimo.

El afecto positivo también puede moldear la evaluación que hacen los estudiantes de la utilidad de la IA. Si los estudiantes experimentan una interacción fluida, retroalimentación rápida sobre las tareas, sugerencias aprovechables o un progreso visible en el aprendizaje al usar IA generativa, pueden percibir la herramienta como más eficaz y valiosa para aprender. Esto es coherente con el supuesto de I-PACE de que las respuestas afectivas pueden influir en las evaluaciones cognitivas (Brand et al., 2016, 2019, 2025). Por lo tanto:

H1b: El afecto positivo se asocia positivamente con la utilidad percibida.

El afecto positivo también puede asociarse directamente con la dependencia problemática de la IA generativa. Si los estudiantes experimentan repetidamente disfrute, ganancias de eficiencia o satisfacción durante el aprendizaje apoyado por IA, estas experiencias pueden reforzar una preferencia por la ayuda de la IA. Con el tiempo, los estudiantes pueden empezar a buscar el apoyo de la IA antes de intentar trabajar de forma autónoma, lo que incrementa la dependencia excesiva de los resultados y la retroalimentación de la IA. Dado que la evidencia directa centrada en estudiantes sobre esta ruta concreta PA–GA sigue siendo limitada, la hipótesis se basa principalmente en la lógica de refuerzo positivo de I-PACE y en el contexto de investigación actual. Por lo tanto:

H1c: El afecto positivo se asocia positivamente con la dependencia problemática de la IA generativa.

Autoeficacia

La autoeficacia (SE) se refiere a las creencias de las personas sobre su capacidad para realizar tareas específicas (Bandura, 1986). En este estudio, SE se refiere a la creencia de los estudiantes de que pueden utilizar eficazmente la IA generativa, mediante la formulación de instrucciones, la evaluación de los resultados, la revisión iterativa y la integración en las tareas, para completar sus tareas de aprendizaje. Este constructo difiere de la autoeficacia académica. La autoeficacia académica concierne a la confianza de los estudiantes en su capacidad académica, mientras que SE concierne a su capacidad percibida para utilizar eficazmente las herramientas de IA.

La autoeficacia puede influir en la tendencia de los estudiantes a utilizar la IA para regular el estado de ánimo. Los estudiantes que se sienten capaces de utilizar la IA generativa tienen más probabilidades de tratarla como un recurso de aprendizaje controlable cuando afrontan tareas difíciles, presión de tiempo o retroalimentación insuficiente. Pueden usar la IA para buscar explicaciones, descomponer tareas, revisar ideas y reducir la incertidumbre. Esta ruta se basa en la teoría de la autoeficacia, el modelo I-PACE y el contexto de investigación actual. Por lo tanto:

H2a: La autoeficacia se asocia positivamente con la regulación del estado de ánimo.

La autoeficacia también puede afectar a la utilidad percibida. El valor práctico de la IA generativa depende no solo de la propia tecnología, sino también de que los estudiantes sepan formular instrucciones eficaces, evaluar la calidad de los resultados y transformar las respuestas de la IA en resultados de aprendizaje. Los estudiantes con mayor SE tienen más probabilidades de obtener retroalimentación útil de la IA en tareas de aprendizaje reales, lo que puede reforzar su percepción del valor de la IA. Por lo tanto:

H2b: La autoeficacia se asocia positivamente con la utilidad percibida.

SE también puede facilitar la absorción cognitiva. En la interacción con la IA generativa, la implicación profunda depende en parte de que los estudiantes puedan controlar la dirección del diálogo, comprender la retroalimentación de la IA y utilizarla para avanzar en las tareas académicas. Los estudiantes con mayor SE tienen más probabilidades de formular preguntas claras, evaluar las respuestas de la IA y continuar con la revisión iterativa. Este proceso puede reforzar el control percibido y la atención focalizada, ambos centrales para la absorción cognitiva (Agarwal y Karahanna, 2000). Por lo tanto:

H2c: La autoeficacia se asocia positivamente con la absorción cognitiva.

Necesidad de cognición

La necesidad de cognición (NC) se refiere a la tendencia de una persona a dedicarse a un pensamiento esforzado, explorar problemas y procesar la información en profundidad (Cacioppo y Petty, 1982). Los estudiantes con alta NC suelen sentirse menos satisfechos con respuestas superficiales y se inclinan más a comparar explicaciones, hacer preguntas de seguimiento y buscar un apoyo cognitivo más profundo.

La IA generativa puede ofrecer explicaciones, comparaciones, ampliaciones y retroalimentación, lo que la hace potencialmente valiosa para los estudiantes con alta NC. En lugar de utilizar la IA simplemente para terminar las tareas con rapidez, estos estudiantes pueden emplearla para contrastar puntos de vista, ampliar ideas, comparar soluciones y examinar explicaciones alternativas. Ese uso puede aumentar su percepción del valor de la IA como apoyo cognitivo. Sin embargo, los estudiantes con alta NC también pueden ser más críticos con el contenido generado por la IA, por lo que esta relación es una cuestión empírica. Por lo tanto:

H3: La necesidad de cognición se asocia positivamente con la utilidad percibida.

Regulación del estado de ánimo

La regulación del estado de ánimo (MR) se refiere a la tendencia de los estudiantes a utilizar la IA generativa para obtener explicaciones, tranquilización, descomposición de tareas, sugerencias de redacción o pistas para resolver problemas cuando experimentan dificultades de aprendizaje, presión académica o emociones negativas. No es una capacidad emocional general; más bien, recoge la regulación emocional y del estrés académico basada en la IA.

El modelo I-PACE hace hincapié en el uso compensatorio y en los mecanismos de refuerzo en el desarrollo del uso problemático de la tecnología (Brand et al., 2016, 2019, 2025). La teoría del estrés y el afrontamiento sugiere también que las personas buscan recursos de afrontamiento cuando las demandas percibidas superan los recursos disponibles (Lazarus y Folkman, 1984). En los contextos académicos, la IA generativa puede proporcionar explicaciones inmediatas, apoyo en las tareas y generación de texto. Si los estudiantes recurren repetidamente a la IA para recuperar su estado de aprendizaje bajo presión o frustración, la IA generativa puede pasar de ser una herramienta cognitiva a convertirse en un recurso regulatorio. Por lo tanto:

H4: La regulación del estado de ánimo se asocia positivamente con la dependencia problemática de la IA generativa.

Utilidad percibida y absorción cognitiva

La utilidad percibida (PU) tiene un doble papel en el aprendizaje apoyado por IA generativa. Por un lado, explica por qué los estudiantes incorporan la IA a las actividades de aprendizaje; por otro, también puede explicar cómo el uso ordinario se asocia con la dependencia problemática de la IA generativa. Davis (1989) sostuvo que los usuarios tienen más probabilidades de aceptar y seguir utilizando una tecnología cuando creen que mejora el rendimiento en las tareas. En el contexto de la IA generativa, los estudiantes que creen que la IA mejora la eficiencia, reduce la carga de las tareas, ofrece explicaciones aprovechables o apoya el rendimiento académico pueden tener más probabilidades de depender de ella.

Estudios previos sobre la dependencia de la IA y las percepciones de la IA generativa también respaldan esta lógica. Chan y Zhou (2023) desarrollaron un instrumento basado en expectativa-valor para medir las percepciones de los estudiantes sobre la IA generativa, y destacaron la relevancia del valor percibido y del coste percibido en las evaluaciones que hacen los estudiantes en relación con la IA. Zhang et al. (2024) examinaron las expectativas de rendimiento en relación con la dependencia de la IA entre universitarios. Zhong et al. (2024) mostraron que los atributos personales y los mecanismos psicológicos se asocian con la dependencia de la IA en la educación superior. En un estudio relacionado sobre la adicción de los docentes a la IA, Du et al. (2026) trataron la utilidad percibida como un factor cognitivo importante en una explicación basada en I-PACE del uso adictivo de la IA. Por lo tanto:

H5a: La utilidad percibida se asocia positivamente con la dependencia problemática de la IA generativa.

PU también puede promover la absorción cognitiva. Cuando los estudiantes creen que la IA generativa es valiosa para escribir, revisar, comprender conceptos o resolver problemas, tienen más probabilidades de invertir atención y tiempo en preguntas en varios turnos, revisión de resultados y avance en las tareas. Este estudio sitúa PU antes de CA porque se centra en cómo la evaluación que hacen los estudiantes del valor de la IA para el aprendizaje fomenta una interacción más sostenida. Por lo tanto:

H5b: La utilidad percibida se asocia positivamente con la absorción cognitiva.

La absorción cognitiva (CA) puede estar asociada, por sí misma, con la dependencia problemática de la IA generativa. Agarwal y Karahanna (2000) describieron la CA como una implicación profunda en el uso de la tecnología, que incluye atención focalizada, control, curiosidad y disociación temporal. La IA generativa permite a los estudiantes seguir haciendo preguntas de seguimiento, revisando resultados y ampliando ideas en torno a la misma tarea académica. Esa implicación sostenida puede reforzar la preferencia por entornos de aprendizaje apoyados por IA. En un estudio relacionado sobre la adicción de los docentes a la IA, Du et al. (2026) identificaron la absorción cognitiva como un factor importante en el uso adictivo de la IA generativa. Por lo tanto:

H6: La absorción cognitiva se asocia positivamente con la dependencia problemática de la IA generativa.

Estrés académico

El estrés académico (AS) surge de las tareas, los exámenes, los trabajos, la competencia por las calificaciones, la gestión del tiempo y las expectativas académicas o profesionales de futuro. Según la teoría del estrés y el afrontamiento, las personas tienden a buscar estrategias de afrontamiento cuando las demandas de las tareas superan los recursos que perciben (Lazarus y Folkman, 1984). La IA generativa puede generar respuestas, explicar conceptos, proporcionar estructuras de escritura y apoyar el repaso de exámenes en tiempo real, lo que la hace atractiva como recurso de afrontamiento académico.

Zhang et al. (2024) incorporaron el estrés académico en su estudio sobre la dependencia de la IA y lo identificaron como un factor importante en el uso problemático de la IA entre universitarios. El modelo I-PACE también sugiere que el refuerzo negativo y el uso compensatorio pueden contribuir a la conducta de tipo adictivo (Brand et al., 2016, 2019, 2025). Cuando los estudiantes utilizan repetidamente la IA generativa para afrontar la falta de tiempo, la ansiedad ante las tareas o la incertidumbre sobre su propia capacidad, la IA puede convertirse en un recurso estable bajo presión académica. Por lo tanto:

H7: El estrés académico se asocia positivamente con la dependencia problemática de la IA generativa.

Modelo de investigación y pregunta de investigación configuracional

A partir del razonamiento teórico anterior, este estudio desarrolla un modelo de investigación sobre la dependencia problemática de la IA generativa en estudiantes universitarios. Se utiliza el PLS-SEM para estimar las asociaciones entre PA, SE, NC, PU, CA, MR, AS y GA. En concreto, PA se vincula con MR, PU y GA; SE se vincula con MR, PU y CA; NC se vincula con PU; MR se vincula con GA; PU se vincula con GA y CA; CA se vincula con GA; y AS se vincula con GA.

Además de estas asociaciones lineales, la dependencia problemática de la IA generativa también puede estar asociada con combinaciones de condiciones psicológicas y contextuales. Por ello, se utiliza el fsQCA para examinar las configuraciones asociadas con una GA alta (Fiss, 2011; Pappas y Woodside, 2021; Ragin, 2008; Schneider y Wagemann, 2012). El estudio plantea la siguiente pregunta de investigación:

PI1: Entre los estudiantes universitarios, ¿cómo se combinan configuracionalmente la autoeficacia, la necesidad de cognición, el afecto positivo, la utilidad percibida, la absorción cognitiva, la regulación del estado de ánimo y el estrés académico en su asociación con una alta pertenencia al conjunto de dependencia problemática?

Dado que el análisis empírico también informa de configuraciones con GA no alta, estos resultados se tratan como un análisis asimétrico adicional y no como la pregunta de investigación principal (Figura 1).

Figura 1. Marco de investigación e hipótesis.

Figura 1. Marco de investigación e hipótesis.

Metodología

Recogida de datos

Los participantes eran estudiantes universitarios adultos. Los datos se recogieron y los participantes se reclutaron a través de Wenjuanxing, una plataforma de encuestas en línea, entre el 26 de enero de 2026 y el 30 de abril de 2026, mediante un procedimiento no probabilístico; no se utilizó ningún marco muestral probabilístico. La participación fue voluntaria y al comienzo de la encuesta se presentó una declaración electrónica de consentimiento informado. Se informó a los participantes de que podían retirarse en cualquier momento y de que los datos recogidos se utilizarían únicamente para investigación académica. Se enviaron 289 cuestionarios en total. Se excluyó a cuatro participantes que declararon no haber utilizado nunca IA generativa, lo que dejó 285 respuestas. Después se excluyeron veintiocho respuestas porque los participantes no superaron el ítem de control de atención, lo que dejó 257 respuestas. Se excluyeron otras 15 respuestas porque se había seleccionado la misma opción de respuesta en los 27 ítems sustantivos de las escalas, lo que indicaba un patrón de respuesta en línea recta. La muestra analítica final estuvo formada, por tanto, por 242 respuestas válidas. No se recogió información sobre las instituciones ni los campos de estudio de los participantes. En consecuencia, no puede determinarse el número de instituciones representadas, la composición disciplinar de la muestra ni en qué medida la muestra pudo haberse concentrado en una institución o campo de estudio concretos (Tabla 1).

Tabla 1. Perfil demográfico y características de uso de la IA generativa de los participantes (N = 242).

VariableCategoríaFrecuenciaPorcentaje
GéneroHombre13254,55 %
Mujer11045,45 %
CursoPrimer curso de grado3012,40 %
Segundo curso de grado7430,58 %
Tercer curso de grado5522,73 %
Cuarto curso de grado3414,05 %
Estudiante de posgrado de primer año197,85 %
Estudiante de posgrado de segundo año249,92 %
Estudiante de posgrado de tercer año o superior62,48 %
Duración del uso de IA generativaMenos de 1 mes2610,74 %
1–3 meses72,89 %
3–6 meses93,72 %
6–12 meses3614,88 %
Más de 1 año16467,77 %
Frecuencia de uso de IA generativaCasi nunca31,24 %
1–3 veces al mes7530,99 %
1–3 veces a la semana8936,78 %
Casi todos los días5020,66 %
Varias veces al día2510,33 %
Herramientas de IA generativa de uso frecuente (opción múltiple)ChatGPT12652,07 %
Claude6526,86 %
Wenxin Yiyan4016,53 %
Tongyi Qianwen3313,64 %
Kimi3614,88 %
DeepSeek12752,48 %
Doubao2811,57 %
Otra3012,40 %
Principales fines del uso de IA generativa (opción múltiple)Deberes/resolución de problemas14559,92 %
Tesis/revisión de la literatura11246,28 %
Programación12852,89 %
Aprendizaje de idiomas3815,70 %
Preparación de presentaciones/informes3815,70 %
Preparación de exámenes124,96 %
Otros14559,92 %

Instrumentos de medida

Todos los constructos se midieron con una escala Likert de cinco puntos, desde 1 = totalmente en desacuerdo hasta 5 = totalmente de acuerdo. El cuestionario incluyó ocho constructos contextualizados: afecto positivo (PA), autoeficacia en el uso de IA generativa (SE), necesidad de cognición (NC), utilidad percibida (PU), absorción cognitiva (CA), regulación del estado de ánimo basada en la IA (MR), estrés académico (AS) y dependencia problemática de la IA generativa. GA se conservó como código estadístico de la dependencia problemática de la IA generativa y se operacionalizó como un patrón no clínico y autoinformado, reflejado en el uso excesivo percibido, la dificultad para limitar el uso, la interferencia con la realización autónoma de las tareas y el malestar o la frustración cuando la IA generativa no estaba disponible.

La redacción contextual de los ítems de SE, NC, MR, PA, PU, CA y GA se adaptó directamente del instrumento de IA generativa centrado en docentes presentado por Du et al. (2026) y se recontextualizó para las actividades de aprendizaje de los universitarios. Du et al. (2026) fundamentaron originalmente estas medidas en la escala de autoeficacia en inteligencia artificial de Wang y Chuang (2024), el trabajo de Lord y Putrevu (2006) sobre la necesidad de cognición, el trabajo de Hutchison y Gunthert (2013) sobre las creencias de regulación automática del estado de ánimo, la medida de afecto positivo de Joshanloo (2017) y la investigación afín sobre el uso de la tecnología. En el presente estudio, estas etiquetas se refieren a creencias y experiencias relacionadas con la IA propias de un contexto concreto, y no a rasgos generales sin restricción.

Más concretamente, PU recoge la evaluación que hacen los estudiantes del valor de la IA generativa para el aprendizaje y se fundamentó conceptualmente en la investigación sobre la utilidad percibida (Davis, 1989; Zou et al., 2023). CA se centra en la implicación focalizada y la disociación temporal durante la interacción con la IA generativa (Agarwal y Karahanna, 2000; Bozoglan et al., 2014). AS se adaptó de la escala de estrés académico de Kohn y Frazer (1986). Los cuatro ítems del resultado se adaptaron del constructo denominado «Generative AI Addiction» (adicción a la IA generativa) en Du et al. (2026), a partir de la investigación sobre el uso problemático de la IA conversacional y la dependencia de la IA (Hu et al., 2023; Zhang et al., 2024; Zhong et al., 2024). En el presente estudio se utiliza la etiqueta, más conservadora, «dependencia problemática de la IA generativa», porque la medida no pretende establecer un diagnóstico clínico. Esta revisión terminológica no altera la redacción de los ítems, la escala de respuesta, el procedimiento de puntuación, el modelo estructural, la calibración del fsQCA ni las estimaciones estadísticas. Se informa de esta cadena de fuentes para distinguir la fuente inmediata de adaptación de los fundamentos conceptuales originales.

El cuestionario se administró en chino. Los ítems adaptados se tradujeron y se revisaron para comprobar su coherencia semántica antes de la recogida de datos. La redacción en inglés de los ítems de medida se ofrece en el Apéndice A.

Método de análisis de datos

Este estudio utilizó PLS-SEM y fsQCA para examinar los factores psicológicos y académicos asociados con la dependencia problemática de la IA generativa. El PLS-SEM se llevó a cabo con SmartPLS 4.0 y el modelo estructural vigente de 12 rutas. El modelo de medida se evaluó mediante las cargas de los indicadores, el alfa de Cronbach, la fiabilidad compuesta, la varianza media extraída, el criterio de Fornell–Larcker, los cocientes HTMT y los valores de VIF del modelo externo; el modelo estructural se evaluó mediante los coeficientes de las rutas, las asociaciones indirectas específicas, R2, R2 ajustado y los valores de VIF del modelo interno (Chin, 1998; Hair et al., 2019, 2022). La significación estadística se evaluó mediante bootstrap no paramétrico con 5000 remuestreos, contraste bilateral, un nivel de significación de 0,05, intervalos de confianza bootstrap percentil y una semilla aleatoria fija. Se realizó un análisis de sensibilidad del tamaño muestral mediante el método de la raíz cuadrada inversa (Kock y Hadaya, 2018). Con N = 242, α = 0,05 y una potencia del 80 %, el coeficiente de ruta estandarizado absoluto mínimo detectable fue de aproximadamente 0,160; por ello, las asociaciones menores se interpretaron con cautela. El posible sesgo de método común se evaluó por separado mediante los valores de VIF de colinealidad completa (Kock, 2015); los valores inferiores a 3,3 se interpretaron como indicio de que los resultados no mostraban un sesgo de método común grave, aunque este diagnóstico no se consideró una exclusión total del sesgo. La relevancia predictiva se evaluó mediante blindfolding con una distancia de omisión de 7, interpretando los valores de Q2 mayores que cero como indicio de relevancia predictiva del constructo endógeno correspondiente. El fsQCA se llevó a cabo con fsQCA 4.1 para examinar si una GA alta y su complemento en teoría de conjuntos se asociaban con distintas configuraciones de condiciones psicológicas y académicas (Fiss, 2011; Pappas y Woodside, 2021; Ragin, 2008; Schneider y Wagemann, 2012). Esta estrategia analítica permitió examinar tanto las asociaciones medias basadas en el modelo como los patrones configuracionales.

Resultados clave

Análisis del modelo de medida

Se utilizó el PLS-SEM para evaluar tanto el modelo de medida como el modelo estructural (Hair et al., 2019, 2022). El modelo de medida se evaluó mediante las cargas de los indicadores, la fiabilidad, la validez convergente y la validez discriminante. La fiabilidad se examinó con el alfa de Cronbach y la fiabilidad compuesta (CR), mientras que la validez convergente se evaluó con la varianza media extraída (AVE). Como se recoge en la Tabla 2, las cargas de los indicadores oscilaron entre 0,824 y 0,889, y todos los indicadores cumplieron el criterio de carga recomendado. El alfa de Cronbach osciló entre 0,803 y 0,881, la CR entre 0,883 y 0,918 y la AVE entre 0,712 y 0,771. Estos valores superaron los umbrales comúnmente recomendados, lo que indica una fiabilidad y una validez convergente aceptables (Hair et al., 2019, 2022; Nunnally y Bernstein, 1994). Los valores de VIF del modelo externo oscilaron entre 1,676 y 2,417, lo que indica que la colinealidad a nivel de indicador no suponía un problema sustancial. Estos valores se evaluaron por separado de los valores de VIF del modelo interno y de colinealidad completa que se presentan más adelante. La validez discriminante se evaluó mediante el criterio de Fornell–Larcker y el HTMT. El criterio de Fornell–Larcker compara la raíz cuadrada de la AVE con las correlaciones entre constructos (Fornell y Larcker, 1981), mientras que el HTMT ofrece un criterio adicional para evaluar la validez discriminante en el modelado de ecuaciones estructurales basado en la varianza (Henseler et al., 2015). Como muestra la Tabla 3, los valores de la diagonal oscilaron entre 0,844 y 0,878, y todos los valores de HTMT fueron inferiores a 0,85, lo que respalda la validez discriminante.

Tabla 2. Modelo de medida: cargas de los indicadores, fiabilidad y validez convergente.

ConstructoMediaCarga factorialVIF externoαCRAVE
Autoeficacia (SE)3,4090,8802,0820,8330,9000,749
3,3880,8611,916
3,3720,8551,825
Necesidad de cognición (NC)3,4210,8892,2920,8520,9100,771
3,3930,8702,063
3,4420,8761,987
Utilidad percibida (PU)3,4670,8712,4170,8810,9180,736
3,4670,8672,352
3,5210,8322,024
3,3800,8622,377
Absorción cognitiva (CA)3,3640,8591,9170,8460,9070,764
3,2980,8762,073
3,4170,8872,133
Afecto positivo (PA)3,5210,8511,8750,8340,9000,750
3,5290,8661,965
3,4590,8811,962
Regulación del estado de ánimo (MR)3,5000,8371,8050,8030,8830,716
3,4500,8421,713
3,4830,8591,676
Dependencia problemática de la IA generativa (GA)3,3470,8602,0530,8660,9080,712
3,2480,8382,078
3,2770,8472,202
3,2640,8301,979
Estrés académico (AS)3,3470,8572,1430,8720,9120,722
3,3680,8242,068
3,3470,8542,406
3,4050,8632,310

CR = fiabilidad compuesta; AVE = varianza media extraída. Los valores de VIF externo se refieren a diagnósticos de colinealidad a nivel de indicador y son distintos de los valores de VIF del modelo interno y de colinealidad completa. Los ítems completos del cuestionario se ofrecen en el Apéndice A. Todos los ítems se midieron con una escala Likert de cinco puntos.

Tabla 3. Evaluación de la validez discriminante.

ConstructoRaíz cuadrada de la AVEHTMT
SENCPUCAPAMRGAASSENCPUCAPAMRGA
SE0,866
NC0,3620,8780,430
PU0,4530,4090,8580,5280,469
CA0,3840,3200,4170,8740,4570,3750,483
PA0,4650,2940,4700,3280,8660,5610,3510,5450,393
MR0,4070,3010,3780,3380,4170,8460,4930,3590,4430,4040,499
GA0,3150,3010,4760,3950,3210,3020,8440,3710,3490,5390,4640,3740,361
AS0,3900,2880,3910,4330,3640,3090,4350,8500,4540,3330,4410,5060,4220,3630,493

El panel izquierdo recoge el criterio de Fornell–Larcker, con la raíz cuadrada de la AVE en la diagonal y las correlaciones entre constructos por debajo de la diagonal. El panel derecho recoge los cocientes HTMT. Todos los valores de HTMT fueron inferiores a 0,85. Los valores en negrita de la diagonal del panel izquierdo son las raíces cuadradas de la varianza media extraída (AVE).

Análisis del modelo estructural

El modelo estructural se evaluó mediante el poder explicativo, la colinealidad estructural, un diagnóstico de colinealidad completa para el posible sesgo de método común y la relevancia predictiva basada en blindfolding. Los valores de R2 fueron 0,222 para CA, 0,322 para GA, 0,232 para MR y 0,339 para PU; los valores correspondientes de R2 ajustado fueron 0,216, 0,308, 0,225 y 0,331. En este caso, GA se conserva como código estadístico de la dependencia problemática de la IA generativa. Estos valores indican un poder explicativo modesto en los constructos endógenos. Los valores de VIF del modelo interno oscilaron entre 1,178 y 1,504, lo que indica que la colinealidad entre los predictores estructurales no era un problema sustancial. Estos valores fueron distintos de los valores de VIF del modelo externo, que oscilaron entre 1,676 y 2,417. Los valores de VIF de colinealidad completa fueron 1,481 para AS, 1,459 para CA, 1,481 para GA, 1,383 para MR, 1,307 para NC, 1,533 para PA, 1,737 para PU y 1,570 para SE. Todos los valores fueron inferiores a 3,3. Por tanto, los resultados no indicaron un sesgo de método común grave. No obstante, dado que todas las variables se midieron con el mismo cuestionario de autoinforme en un único momento temporal, no puede descartarse por completo el sesgo de método común. El blindfolding se realizó con una distancia de omisión de 7. Los valores de Q2 fueron 0,156 para MR, 0,240 para PU, 0,165 para CA y 0,221 para GA. Los cuatro valores de Q2 fueron mayores que cero, lo que indica relevancia predictiva para cada constructo endógeno (Figura 2).

Figura 2. Resultados del modelo estructural. Se muestran los coeficientes de ruta estandarizados y las cargas de los indicadores. Las rutas PA → GA y MR → GA no son estadísticamente significativas. ***p < 0,001, **p < 0,01, *p < 0,05.

Figura 2. Resultados del modelo estructural. Se muestran los coeficientes de ruta estandarizados y las cargas de los indicadores. Las rutas PA → GA y MR → GA no son estadísticamente significativas. ***p < 0,001, **p < 0,01, *p < 0,05.

Asociaciones directas

Las asociaciones directas se presentan en la Tabla 4. El afecto positivo (PA) se asoció positivamente con la regulación del estado de ánimo basada en la IA (MR; β = 0,290, t = 4,415, p < 0,001), lo que respalda H1a, y con la utilidad percibida (PU; β = 0,293, t = 4,415, p < 0,001), lo que respalda H1b. En cambio, la asociación entre PA y GA no fue estadísticamente significativa (β = 0,029, t = 0,406, p = 0,685); por tanto, H1c no se respaldó.

Tabla 4. Asociaciones directas.

HipótesisRutaBetaDesviación estándar (DE)Valor de tValor de pResultado
H1aPA → MR0,2900,0664,415<0,001Respaldada
H1bPA → PU0,2930,0664,415<0,001Respaldada
H1cPA → GA0,0290,0710,4060,685No respaldada
H2aSE → MR0,2720,0644,280<0,001Respaldada
H2bSE → PU0,2300,0673,414<0,001Respaldada
H2cSE → CA0,2460,0653,777<0,001Respaldada
H3NC → PU0,2390,0603,996<0,001Respaldada
H4MR → GA0,0610,0650,9380,348No respaldada
H5aPU → GA0,2880,0783,683<0,001Respaldada
H5bPU → CA0,3060,0644,809<0,001Respaldada
H6CA → GA0,1450,0712,0480,041Respaldada
H7AS → GA0,2300,0713,2230,001Respaldada

Los valores de β son coeficientes de ruta estandarizados. PA = afecto positivo; SE = autoeficacia; NC = necesidad de cognición; PU = utilidad percibida; CA = absorción cognitiva; MR = regulación del estado de ánimo; AS = estrés académico; GA = dependencia problemática de la IA generativa (código estadístico). ***p < 0,001, **p < 0,01, *p < 0,05.

La autoeficacia en el uso de IA generativa (SE) se asoció positivamente con MR (β = 0,272, t = 4,280, p < 0,001), lo que respalda H2a; con PU (β = 0,230, t = 3,414, p < 0,001), lo que respalda H2b; y con la absorción cognitiva (CA; β = 0,246, t = 3,777, p < 0,001), lo que respalda H2c.

La necesidad de cognición (NC) se asoció positivamente con PU (β = 0,239, t = 3,996, p < 0,001), lo que respalda H3. En cambio, MR no se asoció de forma significativa con GA (β = 0,061, t = 0,938, p = 0,348); por tanto, H4 no se respaldó.

Entre los predictores directos de GA, PU se asoció positivamente con GA (β = 0,288, t = 3,683, p < 0,001), lo que respalda H5a, y con CA (β = 0,306, t = 4,809, p < 0,001), lo que respalda H5b. CA mostró una asociación positiva con GA estadísticamente significativa, aunque relativamente débil (β = 0,145, t = 2,048, p = 0,041), lo que respalda H6. El estrés académico (AS) también se asoció positivamente con GA (β = 0,230, t = 3,223, p = 0,001), lo que respalda H7. Dado el diseño transversal, estos coeficientes indican asociaciones basadas en el modelo y no efectos causales establecidos.

En conjunto, el análisis de las asociaciones directas muestra un claro contraste entre las rutas respaldadas y las no respaldadas. PU, CA y AS se asociaron directamente con GA, mientras que PA y MR no mostraron asociaciones directas significativas con GA.

Asociaciones indirectas específicas

Las asociaciones indirectas específicas se examinaron mediante bootstrap y se recogen en la Tabla 5. Varias rutas que implican PU alcanzaron significación estadística: PA → PU → GA (β = 0,084, t = 2,790, p = 0,005), SE → PU → CA (β = 0,070, t = 3,032, p = 0,002), SE → PU → GA (β = 0,066, t = 2,531, p = 0,011), NC → PU → CA (β = 0,073, t = 2,912, p = 0,004), NC → PU → GA (β = 0,069, t = 2,545, p = 0,011) y PA → PU → CA (β = 0,090, t = 3,054, p = 0,002). Dado que los datos son transversales, estas estimaciones indican asociaciones indirectas estadísticas y no una mediación temporal establecida.

Tabla 5. Asociaciones indirectas específicas.

Ruta indirectaβtpDecisión
PA → PU → GA0,0842,7900,005Respaldada
SE → PU → CA0,0703,0320,002Respaldada
SE → PU → GA0,0662,5310,011Respaldada
PA → MR → GA0,0180,8820,378No respaldada
SE → MR → GA0,0170,8900,373No respaldada
PU → CA → GA0,0441,8660,062No respaldada
SE → CA → GA0,0361,7700,077No respaldada
NC → PU → CA → GA0,0111,5780,115No respaldada
SE → PU → CA → GA0,0101,7420,082No respaldada
PA → PU → CA → GA0,0131,6020,109No respaldada
NC → PU → CA0,0732,9120,004Respaldada
NC → PU → GA0,0692,5450,011Respaldada
PA → PU → CA0,0903,0540,002Respaldada

Los valores de β son asociaciones indirectas estandarizadas. PA = afecto positivo; SE = autoeficacia; NC = necesidad de cognición; PU = utilidad percibida; CA = absorción cognitiva; MR = regulación del estado de ánimo; AS = estrés académico; GA = dependencia problemática de la IA generativa (código estadístico). Las decisiones se basan en valores de p bilaterales.

En cambio, las asociaciones indirectas relacionadas con MR no fueron significativas. La asociación indirecta de PA con GA a través de MR no se respaldó (β = 0,018, t = 0,882, p = 0,378), y la asociación indirecta de SE con GA a través de MR tampoco se respaldó (β = 0,017, t = 0,890, p = 0,373). Estos hallazgos son coherentes con la asociación directa no significativa de MR con GA.

Las asociaciones indirectas mediadas por CA que implican a GA no alcanzaron los niveles de significación convencionales. En concreto, PU → CA → GA no se respaldó (β = 0,044, t = 1,866, p = 0,062), y SE → CA → GA tampoco se respaldó (β = 0,036, t = 1,770, p = 0,077). Las asociaciones indirectas encadenadas NC → PU → CA → GA (β = 0,011, t = 1,578, p = 0,115), SE → PU → CA → GA (β = 0,010, t = 1,742, p = 0,082) y PA → PU → CA → GA (β = 0,013, t = 1,602, p = 0,109) tampoco se respaldaron.

En conjunto, PU apareció en las principales asociaciones indirectas respaldadas estadísticamente, mientras que las rutas indirectas hacia GA relacionadas con MR y con CA no se respaldaron estadísticamente. Estos patrones deben interpretarse como asociaciones basadas en el modelo y no como mecanismos de mediación confirmados.

Análisis fsQCA

Selección de variables y calibración

Para examinar con más detalle los patrones configuracionales asociados con la dependencia problemática de la IA generativa, este estudio realizó un análisis comparativo cualitativo de conjuntos difusos (fsQCA). El fsQCA es adecuado para examinar patrones conjuntivos, equifinalidad y asimetría en teoría de conjuntos (Fiss, 2011; Pappas y Woodside, 2021; Ragin, 2008; Schneider y Wagemann, 2012). La variable de resultado fue la dependencia problemática de la IA generativa (GA), y las variables de condición fueron la autoeficacia (SE), la necesidad de cognición (NC), la utilidad percibida (PU), la absorción cognitiva (CA), el afecto positivo (PA), la regulación del estado de ánimo (MR) y el estrés académico (AS).

Las puntuaciones brutas se calibraron en puntuaciones de pertenencia difusa mediante el método de calibración directa. Se utilizaron como anclajes los percentiles 95, 50 y 5 para la pertenencia plena, el punto de cruce y la no pertenencia plena, respectivamente. Para evitar la ambigüedad en el punto de máxima difusidad, los valores calibrados iguales a 0,5 se sustituyeron por 0,501. Los anclajes de calibración se recogen en la Tabla 6.

Tabla 6. Anclajes de calibración para el fsQCA.

TipoVariablePertenencia plenaPunto de cruceNo pertenencia plena
Variable de resultadoGA4,993,251,50
Variable de condiciónSE5,003,332,00
NC5,003,671,67
PU5,003,501,75
CA5,003,331,67
PA5,003,671,67
MR5,003,331,68
AS5,003,501,75

Análisis de necesidad

En primer lugar se realizó un análisis de necesidad tanto para la alta pertenencia al conjunto de dependencia problemática (GA) como para su complemento en teoría de conjuntos (~GA). En el fsQCA, una condición se considera generalmente necesaria cuando su consistencia alcanza o supera 0,900 (Ragin, 2008; Schneider y Wagemann, 2012). Los resultados mostraron que ni la presencia ni la ausencia de ninguna condición individual alcanzaba este umbral para GA. Se obtuvo la misma conclusión para ~GA. Por lo tanto, ni la alta pertenencia al conjunto de dependencia problemática ni su complemento pueden explicarse por una única condición necesaria. Los resultados detallados del análisis de necesidad se presentan en la Tabla 7.

Tabla 7. Resultados del análisis de necesidad.

Variable de condiciónGA~GA
ConsistenciaCoberturaConsistenciaCobertura
SE0,7166860,7369980,5712610,557494
~SE0,5696890,5833610,7305030,709887
NC0,6912680,7481610,5694280,584865
~NC0,6164330,6013700,7548080,698812
PU0,7698410,7751400,5498240,525377
~PU0,5286230,5530450,7646780,759208
CA0,7466860,7563350,5645060,542641
~CA0,5484760,5702830,7465160,736614
PA0,7295160,7489630,5791200,564238
~PA0,5755520,5903290,7423410,722571
MR0,7686810,7207620,6392380,568822
~MR0,5401560,6120600,6861950,737888
AS0,7294910,7784090,5519030,558880
~AS0,5866020,5797340,7811750,732659

Una condición se considera generalmente necesaria cuando la consistencia es igual o superior a 0,900. GA denota una alta pertenencia al conjunto de dependencia problemática de la IA generativa; ~GA denota su complemento en teoría de conjuntos, y no un grupo clasificado por separado como de baja dependencia o clínico.

Análisis de suficiencia para la alta pertenencia al conjunto de dependencia problemática (GA)

Tras el análisis de necesidad, se construyó una tabla de verdad para identificar configuraciones suficientes para una GA alta. El umbral de frecuencia de casos se fijó en 2, el umbral de consistencia en 0,80 y el umbral de PRI en 0,75. Estos criterios se utilizan habitualmente para evaluar la consistencia configuracional y la relevancia empírica en las aplicaciones del fsQCA (Fiss, 2011; Pappas y Woodside, 2021; Ragin, 2008). La solución intermedia identificó cuatro configuraciones asociadas con una GA alta, con una cobertura global de la solución de 0,506 y una consistencia global de la solución de 0,942. Estos resultados describen múltiples patrones conjuntivos, parcialmente superpuestos, en la muestra observada. Las configuraciones detalladas de GA alta se recogen en la Tabla 8.

Tabla 8. Configuraciones para la alta pertenencia al conjunto de dependencia problemática (GA).

Variable de condiciónHGA1HGA2
HGA1aHGA1bHGA2aHGA2b
SE•●●
NC•●●
PU●●•
CA●●●●
PA•••
MR●●•
AS●●●●
Cobertura bruta0,4572260,4046920,3875380,393578
Cobertura única0,07831450,025780,008625690,0146658
Consistencia0,9573370,9587670,9502170,959175
Cobertura de la solución0,506298
Consistencia de la solución0,941699

● = condición central presente; • = condición periférica presente; ⊗ = condición central ausente;⊗ = condición periférica ausente; una celda vacía indica que la condición no está especificada en la configuración. Las condiciones centrales y periféricas se determinaron comparando las soluciones parsimoniosa e intermedia. HGA identifica configuraciones de GA alta; NHGA identifica configuraciones de ~GA.

Análisis de suficiencia para el complemento en teoría de conjuntos de la alta pertenencia al conjunto de dependencia problemática (~GA)

Este estudio también examinó las configuraciones asociadas con el complemento en teoría de conjuntos de la alta pertenencia al conjunto de dependencia problemática (~GA). Este resultado es el complemento en conjuntos difusos de la alta pertenencia al conjunto de dependencia problemática, y no un grupo clasificado por separado como de baja dependencia o clínico. La solución intermedia identificó siete configuraciones, con una cobertura global de la solución de 0,586 y una consistencia global de la solución de 0,901. Las configuraciones detalladas de ~GA se recogen en la Tabla 9.

Tabla 9. Configuraciones para el complemento en teoría de conjuntos de la alta pertenencia al conjunto de dependencia problemática (~GA).

Variable de condiciónNHGA1NHGA2NHGA3NHGA4
NHGA1aNHGA1bNHGA2aNHGA2bNHGA3aNHGA3b
SE●⊗⊗⊗●⊗
NC⊗⊗⊗⊗⊗
PU⊗⊗⊗⊗⊗⊗⊗
CA⊗⊗⊗⊗⊗●
PA⊗⊗⊗⊗●
MR⊗⊗⊗●●
AS⊗⊗●●⊗
Cobertura bruta0,4355620,3082890,4614620,4627180,2975450,2197160,28642
Cobertura única0,01188120,01289960,01458840,006865620,004930730,01179640,0102602
Consistencia0,9423820,9684620,9170570,9277210,9688310,9650,956036
Cobertura de la solución0,586452
Consistencia de la solución0,901353

Los círculos rellenos (●) indican la presencia de una condición; los círculos tachados (⊗) indican su ausencia; las celdas vacías indican que la condición no está especificada en la configuración. ~GA denota el complemento en teoría de conjuntos de la alta pertenencia al conjunto de dependencia problemática.

Resumen de los resultados del fsQCA

Los resultados del fsQCA aportan dos ideas principales. En primer lugar, ninguna condición individual fue necesaria ni para la alta pertenencia al conjunto de dependencia problemática (GA) ni para su complemento en teoría de conjuntos (~GA). En segundo lugar, ambos conjuntos de resultados se asociaron con múltiples configuraciones parcialmente superpuestas: cuatro para GA y siete para ~GA. Estos patrones son coherentes con relaciones conjuntivas y con la equifinalidad (Fiss, 2011; Ragin, 2008), pero no deben interpretarse como rutas causales longitudinales. Los resultados del fsQCA complementan los hallazgos del PLS-SEM al mostrar cómo coinciden las condiciones en la muestra observada.

Discusión

Discusión de los hallazgos del PLS-SEM

Los resultados del PLS-SEM ofrecen una descripción de las asociaciones netas con las puntuaciones de dependencia problemática de la IA generativa (GA) de los estudiantes universitarios. PU, CA y AS se asociaron positivamente con GA, mientras que PA y MR no se asociaron de forma significativa con GA como predictores directos en el modelo especificado. En esta muestra, GA se asoció más estrechamente con la evaluación que hacen los estudiantes del valor académico de la IA, con la profundidad de su implicación en la interacción con la IA y con el estrés académico que con el afecto positivo o la regulación del estado de ánimo basada en la IA considerados de forma aislada.

La asociación positiva entre PU y GA identifica la evaluación de la IA generativa como útil para el aprendizaje como un correlato relevante de la dependencia problemática. Este hallazgo es coherente con la investigación sobre aceptación de la tecnología y con estudios centrados en estudiantes que vinculan el valor percibido y las expectativas de rendimiento con el uso y la dependencia de la IA (Chan y Zhou, 2023; Davis, 1989; Zhang et al., 2024; Zhong et al., 2024). Una posible interpretación es que la eficiencia percibida y la reducción de la carga de trabajo fomentan la dependencia; no puede excluirse la interpretación inversa, según la cual la dependencia aumenta la utilidad percibida.

CA también mostró una asociación positiva significativa con GA, pero el efecto fue relativamente débil. Este hallazgo sugiere que la implicación profunda en la interacción con la IA puede estar vinculada a GA, pero no debe exagerarse como el factor dominante en el presente modelo. La absorción cognitiva recoge la atención focalizada, el control percibido, la curiosidad y la disociación temporal en el uso de la tecnología (Agarwal y Karahanna, 2000). En un estudio relacionado sobre la adicción de los docentes a la IA, Du et al. (2026) también identificaron la absorción cognitiva como un factor importante en la dependencia excesiva relacionada con GA. No obstante, el efecto relativamente débil de este estudio indica que la inmersión por sí sola no basta para explicar GA.

AS también se asoció positivamente con la dependencia problemática de la IA generativa, lo que indica que el contexto académico es relevante junto con las creencias relacionadas con la tecnología. La teoría del estrés y el afrontamiento sugiere que los estudiantes que afrontan altas demandas pueden buscar recursos que reduzcan la carga de las tareas, la incertidumbre o la presión (Lazarus y Folkman, 1984), y Zhang et al. (2024) también vincularon el estrés académico con el uso problemático de la IA. La presente asociación transversal es coherente con la interpretación de que los estudiantes sometidos a mayor presión académica pueden depender más de la IA generativa, pero no la demuestra. La relación inversa también es plausible. Los estudiantes que informan de una mayor dependencia problemática de la IA generativa pueden experimentar después más estrés académico si la dependencia se acompaña de menores habilidades para completar las tareas de forma autónoma, de aplazamiento del trabajo académico o de recuperación de última hora cuando la IA generativa no está disponible o rinde mal. Dado que el estrés académico y la dependencia problemática se midieron de forma concurrente, los datos actuales no permiten determinar si el estrés académico precede a la dependencia problemática, se deriva de ella u opera de forma recíproca.

PA y MR no se asociaron de forma significativa con GA como predictores directos en el modelo de PLS-SEM especificado. Este resultado no demuestra que la emoción positiva o la regulación basada en la IA prevengan o causen GA; solo indica que sus coeficientes directos aislados no se distinguían de cero en esta muestra. MR apareció en algunas configuraciones del fsQCA, lo que muestra una coocurrencia condicional y no un efecto causal oculto. Esta interpretación cautelosa es compatible con la visión de I-PACE de que los procesos afectivos y regulatorios pueden operar dentro de interacciones más amplias (Brand et al., 2016, 2019, 2025).

Discusión de los hallazgos del fsQCA

Los resultados del fsQCA amplían los hallazgos del PLS-SEM al revelar la naturaleza configuracional de la dependencia problemática de la IA generativa (GA). El análisis de necesidad mostró que ninguna condición individual alcanzó el umbral convencional de necesidad de 0,900. Esto significa que una GA alta no puede atribuirse a un único factor por sí solo. Incluso las condiciones que parecen importantes en el modelo estructural, como PU, CA y AS, no deben interpretarse como condiciones necesarias. Más bien, deben entenderse como componentes que pueden cobrar importancia cuando se combinan con otras condiciones psicológicas y contextuales.

El análisis de suficiencia identificó cuatro configuraciones asociadas con una GA alta, con una cobertura global de la solución de 0,506 y una consistencia global de la solución de 0,942. Las configuraciones se solapaban de forma considerable, como indican varios valores pequeños de cobertura única; por ello no deben tratarse como rutas empíricas igualmente independientes. El patrón es coherente con los conceptos del fsQCA de causalidad conjuntiva y equifinalidad (Fiss, 2011; Pappas y Woodside, 2021; Ragin, 2008; Schneider y Wagemann, 2012).

CA y AS aparecieron en las cuatro configuraciones de GA alta, mientras que PU apareció en tres. Su aparición repetida indica relevancia configuracional dentro de estas soluciones, y no necesidad individual ni un efecto causal independiente. Dado que algunas configuraciones aportaron poca cobertura única, la interpretación debe hacer hincapié en el patrón combinado recurrente en lugar de atribuir la misma importancia a cada configuración.

El análisis de ~GA identificó siete configuraciones, con una cobertura global de la solución de 0,586 y una consistencia global de la solución de 0,901. Las soluciones de ~GA no fueron simples inversiones de las soluciones de GA alta, lo que es coherente con la asimetría causal del análisis en teoría de conjuntos (Ragin, 2008; Schneider y Wagemann, 2012). Aquí, sin embargo, ~GA denota la negación de la pertenencia difusa a GA alta y no debe interpretarse como un grupo de baja adicción definido clínicamente.

Integración de los hallazgos del PLS-SEM y del fsQCA

El PLS-SEM y el fsQCA ofrecen dos descripciones complementarias de los mismos datos transversales. El PLS-SEM estima asociaciones medias basadas en el modelo, y muestra asociaciones positivas de PU, CA y AS con GA y ninguna asociación directa significativa de PA ni de MR con GA. El fsQCA examina qué combinaciones observadas son suficientes para la pertenencia a GA alta o a ~GA. Los dos enfoques abordan preguntas distintas y, por sí solos, no establecen mecanismos temporales ni causales.

La comparación entre métodos muestra tanto convergencia como divergencia. CA y AS se asociaron positivamente con GA en el PLS-SEM y reaparecieron en las configuraciones de GA alta, mientras que MR no se asoció de forma significativa con GA como efecto neto aislado, pero apareció dentro de algunas configuraciones. Esto no significa que MR tenga un efecto causal oculto; más bien, su relevancia en el fsQCA depende de su coocurrencia con otras condiciones. CA mostró igualmente una asociación neta relativamente débil, pero una presencia configuracional recurrente.

Implicaciones teóricas

Este estudio ofrece tres contribuciones teóricas acotadas. En primer lugar, replica conceptualmente y amplía la aplicación centrada en docentes de Du et al. (2026) en un contexto de aprendizaje universitario e incorpora el estrés académico como condición contextual adicional. Los hallazgos muestran cómo determinadas variables personales, afectivas, cognitivas, de implicación, regulatorias y de presión académica se asocian con GA dentro de un marco informado por I-PACE; no constituyen una puesta a prueba del proceso de desarrollo completo de I-PACE (Brand et al., 2016, 2019, 2025).

En segundo lugar, el estudio trata la dependencia problemática como conceptualmente distinta del uso general de la IA, de la aceptación de la tecnología y del uso continuado ordinario. Trabajos previos han examinado sobre todo las percepciones, la aceptación, el valor percibido, el uso educativo y las preocupaciones sobre integridad académica de los estudiantes (Baek et al., 2024; Chan y Hu, 2023; Chan y Zhou, 2023; Chen et al., 2025; Cotton et al., 2024; Farrokhnia et al., 2024; Kasneci et al., 2023). La presente operacionalización se centra, en cambio, en el uso excesivo autoinformado, la dificultad para limitar el uso, la interferencia con la realización autónoma de las tareas y las reacciones negativas ante la indisponibilidad, sin dejar de ser no clínica.

En tercer lugar, el estudio ilustra cómo los análisis lineales y configuracionales pueden aportar evidencia transversal complementaria. El PLS-SEM estima asociaciones medias entre PA, SE, NC, PU, CA, MR, AS y GA, mientras que el fsQCA identifica combinaciones observadas asociadas con GA alta y con ~GA. Estos análisis refuerzan la descripción de la muestra, pero no establecen rutas causales longitudinales.

Implicaciones prácticas

Los hallazgos sugieren varias posibles implicaciones para la educación superior, aunque los datos transversales no ponen a prueba la eficacia de intervenciones concretas. Las universidades pueden querer distinguir el aprendizaje apoyado por IA que es adecuado de la dependencia problemática, en lugar de responder con una prohibición generalizada. Unas directrices claras sobre el uso de la IA pueden ayudar a los estudiantes a comprender cuándo es adecuada la ayuda, cómo debe declararse y qué partes del trabajo académico deben seguir siendo producidas por el propio estudiante. La investigación previa también insiste en abordar la integridad académica sin basarse únicamente en la prohibición (Cotton et al., 2024; Farrokhnia et al., 2024; Kasneci et al., 2023).

En segundo lugar, las instituciones pueden plantearse integrar la alfabetización en IA en el apoyo académico. Las competencias pertinentes incluyen evaluar los resultados de la IA, identificar afirmaciones sin respaldo, revisar el contenido generado y utilizar la IA para obtener retroalimentación sin sustituir con ella el propio razonamiento de los estudiantes. Estas sugerencias son coherentes con los marcos de alfabetización en IA, pero no se evaluaron directamente en el presente estudio (Chen et al., 2025; Long y Magerko, 2020; Ng et al., 2021).

En tercer lugar, la asociación positiva entre el estrés académico y GA sugiere que los estudiantes sometidos a una alta presión académica pueden ser un grupo relevante para recibir más apoyo. El apoyo al aprendizaje, los recursos de manejo del estrés, la ayuda a la escritura y la orientación gradual en las tareas son respuestas plausibles, pero sus efectos sobre la dependencia problemática de la IA requieren una evaluación directa.

En cuarto lugar, los docentes pueden plantearse una evaluación orientada al proceso, entregas por etapas, explicaciones orales, registros de reflexión sobre el uso de la IA y determinadas actividades en el aula como formas de hacer más visible el razonamiento propio de los estudiantes. Estas prácticas son coherentes con la literatura más amplia sobre integridad académica, pero los datos actuales no demuestran que reduzcan la dependencia problemática (Cotton et al., 2024; Farrokhnia et al., 2024; Kasneci et al., 2023; Rudolph et al., 2023).

Limitaciones e investigación futura

Deben señalarse varias limitaciones. En primer lugar, el diseño transversal no establece el orden temporal ni la causalidad. Aunque el modelo teórico especifica rutas direccionales, las relaciones inversas o recíprocas son plausibles; por ejemplo, los estudiantes que ya informan de una mayor dependencia problemática de la IA generativa pueden percibirla después como más útil, absorberse más cognitivamente o experimentar más estrés académico si la dependencia se acompaña de menores habilidades para completar las tareas de forma autónoma, de aplazamiento del trabajo académico o de recuperación de última hora cuando la IA generativa no está disponible o rinde mal. Se necesitan diseños longitudinales, experimentales o basados en trazas de aprendizaje para examinar el orden temporal y las relaciones recíprocas.

En segundo lugar, todos los constructos se midieron mediante el mismo cuestionario de autoinforme en un único momento temporal. La evaluación del VIF de colinealidad completa no indicó un sesgo de método común grave, pero este diagnóstico no descarta por completo las influencias del método común. Por ello, el error de recuerdo, la deseabilidad social y el contexto de medición compartido pueden haber afectado a las asociaciones observadas. Las medidas recogen tendencias percibidas, y no conductas verificadas de uso de la IA, un diagnóstico clínico ni un deterioro evaluado objetivamente.

En tercer lugar, los participantes se reclutaron a través de Wenjuanxing mediante un procedimiento en línea no probabilístico. No se recogió información sobre las instituciones ni los campos de estudio de los participantes. Por tanto, no es posible determinar el número de instituciones representadas, la composición disciplinar de la muestra ni si la muestra estaba concentrada en una institución o un campo académico concretos. Estas limitaciones restringen la generalización a la población e impiden evaluar la agrupación institucional o disciplinar.

Por último, varias medidas se contextualizaron de forma sustancial para el aprendizaje apoyado por IA generativa, por lo que no debe asumirse que sus etiquetas representen rasgos generales sin restricción sin una validación adicional. Las soluciones del fsQCA también dependen de las condiciones, los anclajes de calibración y los umbrales seleccionados, y varias configuraciones muestran una cobertura única limitada. Futuras investigaciones deberían validar las medidas contextualizadas, examinar calibraciones alternativas, incorporar variables como la alfabetización en IA y la conciencia sobre la integridad académica, y combinar las encuestas con entrevistas, estudios de caso o datos de registros de aprendizaje.

Implicaciones prácticas

El estudio ofrece una primera descripción, en estudiantes universitarios, de qué factores psicológicos y académicos se asocian con una dependencia excesiva de la IA generativa en las tareas de estudio. Su aportación es descriptiva: señala correlatos relevantes (utilidad percibida, absorción cognitiva y estrés académico), pero no permite concluir qué los causa ni qué intervenciones funcionan.

Para la práctica educativa

  • Conviene distinguir el uso de apoyo de la IA de la dependencia problemática (uso excesivo percibido, dificultad para limitarlo, interferencia con el trabajo autónomo y malestar cuando no está disponible), en lugar de tratar todo uso como un problema. Lo que no se puede concluir es que los estudiantes de este estudio presenten una «adicción»: la medida no es diagnóstica ni sirve para estimar prevalencia.
  • El estrés académico fue uno de los correlatos de la dependencia. Puede ser razonable prestar atención a los estudiantes con mucha presión académica y ofrecerles apoyo al aprendizaje o a la gestión de tareas, pero el estudio no evaluó si esas medidas reducen la dependencia.
  • Las directrices claras de uso, la alfabetización en IA y las evaluaciones orientadas al proceso que proponen los autores son sugerencias coherentes con la literatura, no resultados de este estudio: no se puso a prueba ninguna de ellas.
  • Los estudiantes que perciben la IA como muy útil mostraron más dependencia, pero la relación puede ser inversa (más dependencia, mayor utilidad percibida) o recíproca, por lo que no debe leerse como un efecto de la utilidad percibida.

Para la investigación

  • Hacen falta diseños longitudinales, experimentales o basados en registros de uso para comprobar la dirección de las relaciones (por ejemplo, entre estrés académico y dependencia).
  • Es necesario validar las escalas, adaptadas de un instrumento para docentes y recontextualizadas, y comprobar si el constructo de dependencia es distinguible del uso intensivo o de la simple aceptación de la tecnología.
  • Convendría replicar los resultados con muestras probabilísticas y de varias instituciones y disciplinas, y examinar la sensibilidad de las soluciones del fsQCA a otras calibraciones y umbrales.

Nota editorial de Psicoevidencia

Se trata de un estudio transversal con muestra no probabilística en línea (242 respuestas válidas de 289; se excluyeron las de quienes nunca habían usado IA generativa, las que fallaron el control de atención y las de patrón en línea recta), reclutada en China sin información sobre institución ni disciplina. Todas las variables son autoinformes obtenidos en un único momento, de modo que el sesgo de método común no puede descartarse. El poder explicativo es modesto (R² = 0,322 para la dependencia problemática) y la asociación de la absorción cognitiva con la dependencia es débil (β = 0,145; p = 0,041). El fsQCA es un análisis configuracional cuyas soluciones dependen de la calibración, y varias configuraciones aportan poca cobertura única. Los autores declaran que usaron ChatGPT para pulir el lenguaje.

Al revisar el original observamos, de forma neutral, dos detalles: en la Tabla 1, las categorías «Deberes/resolución de problemas» y «Otros» muestran idénticos valores (145; 59,92 %), lo que podría ser una errata de transcripción (aunque en preguntas de opción múltiple no es imposible); y los valores de t de H1a y H1b coinciden exactamente (4,415) con coeficientes distintos (0,290 y 0,293) y la misma desviación estándar (0,066), lo que resulta posible por redondeo, pero conviene verificarlo en los datos. Hemos reproducido ambas cifras tal como aparecen en el original.

Conclusión

Este estudio examinó la dependencia problemática de la IA generativa relacionada con el aprendizaje entre estudiantes universitarios, conservando GA únicamente como código estadístico y sin considerarla en ningún caso un diagnóstico clínico. Con un marco informado por I-PACE, combinó PLS-SEM y fsQCA para examinar asociaciones medias y patrones configuracionales que implican condiciones psicológicas y académicas seleccionadas.

Los resultados del PLS-SEM indicaron que la utilidad percibida (PU), la absorción cognitiva (CA) y el estrés académico (AS) se asociaron positivamente con GA, mientras que el afecto positivo (PA) y la regulación del estado de ánimo basada en la IA (MR) no mostraron asociaciones directas significativas. En el fsQCA, ninguna condición individual alcanzó el umbral de necesidad; cuatro configuraciones se asociaron con una GA alta y siete con su complemento en teoría de conjuntos (~GA). Estos hallazgos transversales indican combinaciones recurrentes de evaluación cognitiva, implicación, condiciones afectivo-regulatorias y presión académica, pero no establecen rutas causales.

El estudio aporta una replicación conceptual y una ampliación, en estudiantes universitarios, del modelo de Du et al. (2026) centrado en docentes, al añadir el estrés académico y el análisis configuracional. También distingue el patrón medido de dependencia problemática del uso ordinario de la IA y de la aceptación de la tecnología. Los hallazgos sugieren posibles líneas de actuación en alfabetización en IA y apoyo académico, aunque no se puso a prueba la eficacia de intervenciones educativas concretas.

La interpretación debe tener en cuenta el diseño transversal con autoinforme de una misma fuente; el muestreo no probabilístico; las posibles relaciones inversas y la varianza de método común; la considerable contextualización de varias medidas; y la dependencia de las soluciones del fsQCA respecto de las decisiones de calibración y de umbrales. Futuros estudios longitudinales, experimentales, basados en entrevistas y en registros de aprendizaje deberían validar las medidas y examinar si las asociaciones observadas se generalizan a distintos contextos institucionales, disciplinares y normativos.

Declaraciones

Proceso editorial

  • Recibido: 23 de julio de 2026 · Aceptado: 15 de septiembre de 2026 · Publicado: 5 de octubre de 2026
  • Palabras clave: estrés académico, fsQCA, modelo I-PACE, utilidad percibida, PLS-SEM, dependencia problemática de la IA generativa, estudiantes universitarios
  • Correspondencia: Caisang Hou

Declaración de disponibilidad de datos

Los autores pondrán a disposición, sin reservas injustificadas y previa solicitud razonable, los datos en bruto que respaldan las conclusiones de este artículo.

Declaración ética

Los estudios con participantes humanos se llevaron a cabo de conformidad con los requisitos institucionales para la investigación mediante cuestionarios de riesgo mínimo en la Universidad Normal de Minnan y con los principios de la Declaración de Helsinki. Se renunció a la revisión ética formal porque el estudio incluía a estudiantes universitarios adultos, utilizaba un cuestionario anónimo en línea, no recogía datos clínicos sensibles ni datos personales identificables y no implicaba intervención clínica, muestras biológicas humanas ni manipulación experimental. Se obtuvo el consentimiento informado electrónico de todos los participantes, que marcaron una casilla de consentimiento al comienzo del cuestionario antes de continuar con la encuesta.

Contribuciones de los autores

GL: Conceptualización, Metodología, Software, Validación, Análisis formal, Investigación, Recursos, Curación de datos, Visualización, Redacción – borrador original, Redacción – revisión y edición. CH: Redacción – borrador original, Redacción – revisión y edición.

Conflicto de intereses

Los autores declararon que este trabajo se llevó a cabo en ausencia de cualquier relación comercial o financiera que pudiera interpretarse como un posible conflicto de intereses.

Declaración sobre IA generativa

Los autores declararon que se utilizó IA generativa en la elaboración de este manuscrito. Los autores utilizaron ChatGPT 5.6 (OpenAI) principalmente para pulir el lenguaje durante la preparación y revisión del manuscrito. Todo el texto asistido por IA fue revisado, corregido y verificado por los autores. ChatGPT 5.6 no se utilizó para generar ni alterar los datos del estudio, los análisis estadísticos ni los resultados numéricos. Los autores asumen plena responsabilidad por la exactitud, la integridad y el contenido final del manuscrito.

Cualquier texto alternativo (alt) que acompañe a las figuras de este artículo ha sido generado por Frontiers con apoyo de inteligencia artificial, y se han hecho esfuerzos razonables para garantizar su exactitud, incluida la revisión por parte de los autores siempre que ha sido posible. Si detecta algún problema, póngase en contacto con nosotros.

Nota del editor

Todas las afirmaciones expresadas en este artículo son responsabilidad exclusiva de los autores y no representan necesariamente las de las organizaciones a las que están afiliados ni las del editor, los editores o los revisores. Ningún producto que pueda evaluarse en este artículo, ni afirmación que pueda hacer su fabricante, está garantizado ni respaldado por el editor.

Material suplementario

El material suplementario de este artículo puede consultarse en línea en: https://www.frontiersin.org/articles/10.3389/fpsyg.2026.1946110/full#supplementary-material

Archivo suplementario: Supplementary_file_1.docx

Notas al pie

  1. Editado por: Daniel H. Robinson, Universidad de Texas en Arlington, Estados Unidos

  2. Revisado por: Laszlo Horvath, Universidad Eötvös Loránd, Hungría Eric Boateng, Universidad de Cape Coast, Ghana

Referencias

  1. Agarwal, R., Karahanna, E. (2000). Time flies when you’re having fun: cognitive absorption and beliefs about information technology usage. MIS Q. 24, 665–694. doi: https://doi.org/10.2307/3250951

  2. Baek, C., Tate, T., Warschauer, M. (2024). ChatGPT seems too good to be true: college students’ use and perceptions of generative AI. Comp. Educ. Art. Intell. 7:100294. doi: https://doi.org/10.1016/j.caeai.2024.100294

  3. Bandura, A. (1986). Social Foundations of Thought and action: A social Cognitive Theory. Englewood Cliffs, NJ, USA: Prentice-Hall.

  4. Bozoglan, B., Demirer, V., Sahin, I. (2014). Problematic internet use: functions of use, cognitive absorption, and depression. Comput. Hum. Behav. 37, 117–123. doi: https://doi.org/10.1016/j.chb.2014.04.042

  5. Brand, M., Müller, A., Wegmann, E., Antons, S., Brandtner, A., Müller, S. M., et al.. (2025). Current interpretations of the I-PACE model of behavioral addictions. J. Behav. Addict. 14, 1–17. doi: , https://doi.org/10.1556/2006.2025.00020

  6. Brand, M., Wegmann, E., Stark, R., Müller, A., Wölfling, K., Robbins, T. W., et al.. (2019). The interaction of person-affect-cognition-execution (I-PACE) model for addictive behaviors: update, generalization to addictive behaviors beyond internet-use disorders, and specification of the process character of addictive behaviors. Neurosci. Biobehav. Rev. 104, 1–10. doi: , https://doi.org/10.1016/j.neubiorev.2019.06.032

  7. Brand, M., Young, K. S., Laier, C., Wölfling, K., Potenza, M. N. (2016). Integrating psychological and neurobiological considerations regarding the development and maintenance of specific internet-use disorders: an interaction of person-affect-cognition-execution (I-PACE) model. Neurosci. Biobehav. Rev. 71, 252–266. doi: https://doi.org/10.1016/j.neubiorev.2016.08.033

  8. Cacioppo, J. T., Petty, R. E. (1982). The need for cognition. J. Pers. Soc. Psychol. 42, 116–131. doi: https://doi.org/10.1037/0022-3514.42.1.116

  9. Chan, C. K. Y., Hu, W. (2023). Students’ voices on generative AI: perceptions, benefits, and challenges in higher education. Int. J. Educ. Technol. High. Educ. 20:43. doi: https://doi.org/10.1186/s41239-023-00411-8

  10. Chan, C. K. Y., Zhou, W. (2023). An expectancy value theory (EVT) based instrument for measuring student perceptions of generative AI. Smart Learn. Environ. 10:64. doi: https://doi.org/10.1186/s40561-023-00284-4

  11. Chen, K., Tallant, A. C., Selig, I. (2025). Exploring generative AI literacy in higher education: student adoption, interaction, evaluation and ethical perceptions. Inf. Learn. Sci. 126, 132–148. doi: https://doi.org/10.1108/ILS-10-2023-0160

  12. Chin, W. W. (1998). “The partial least squares approach to structural equation modeling,” in Modern Methods for Business Research, ed. Marcoulides, G. A. (Mahwah, NJ, USA: Lawrence Erlbaum Associates), 295–336.

  13. Cotton, D. R. E., Cotton, P. A., Shipway, J. R. (2024). Chatting and cheating: ensuring academic integrity in the era of ChatGPT. Innov. Educ. Teach. Int. 61, 228–239. doi: https://doi.org/10.1080/14703297.2023.2190148

  14. Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Q. 13, 319–340. doi: https://doi.org/10.2307/249008

  15. Du, Y., Tang, M., Jia, K., Wang, C., Zou, B. (2026). Are teachers addicted to AI? Analysing factors influencing dependence on generative AI through the I-PACE model. J. Comput. Assist. Learn. 42:e70174. doi: https://doi.org/10.1002/jcal.70174

  16. Farrokhnia, M., Banihashem, S. K., Noroozi, O., Wals, A. (2024). A SWOT analysis of ChatGPT: implications for educational practice and research. Innov. Educ. Teach. Int. 61, 460–474. doi: https://doi.org/10.1080/14703297.2023.2195846

  17. Fiss, P. C. (2011). Building better causal theories: a fuzzy set approach to typologies in organization research. Acad. Manag. J. 54, 393–420. doi: https://doi.org/10.5465/amj.2011.60263120

  18. Fornell, C., Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. J. Mark. Res. 18, 39–50. doi: https://doi.org/10.1177/002224378101800104

  19. Hair, J. F., Hult, G. T. M., Ringle, C. M., Sarstedt, M. (2022). A primer on Partial least Squares Structural Equation Modeling (PLS-SEM). 3rd Edn. Thousand Oaks, CA, USA: Sage.

  20. Hair, J. F., Risher, J. J., Sarstedt, M., Ringle, C. M. (2019). When to use and how to report the results of PLS-SEM. Eur. Bus. Rev. 31, 2–24. doi: https://doi.org/10.1108/EBR-11-2018-0203

  21. Henseler, J., Ringle, C. M., Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. J. Acad. Mark. Sci. 43, 115–135. doi: https://doi.org/10.1007/s11747-014-0403-8

  22. Hu, B., Mao, Y., Kim, K. J. (2023). How social anxiety leads to problematic use of conversational AI: the roles of loneliness, rumination, and mind perception. Comput. Hum. Behav. 145:107760. doi: https://doi.org/10.1016/j.chb.2023.107760

  23. Hutchison, J. A., Gunthert, K. C. (2013). Measuring beliefs about automatic mood regulation: development of a self-report scale. Cognit. Ther. Res. 37, 1243–1256. doi: https://doi.org/10.1007/s10608-013-9559-7

  24. Joshanloo, M. (2017). Factor structure and criterion validity of original and short versions of the negative and positive affect scale (NAPAS). Pers. Individ. Dif. 105, 233–237. doi: https://doi.org/10.1016/j.paid.2016.09.060

  25. Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., et al.. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learn. Individ. Dif. 103:102274. doi: https://doi.org/10.1016/j.lindif.2023.102274

  26. Kock, N. (2015). Common method bias in PLS-SEM: a full collinearity assessment approach. Int. J. e-Collab. 11, 1–10. doi: https://doi.org/10.4018/IJeC.2015100101

  27. Kock, N., Hadaya, P. (2018). Minimum sample size estimation in PLS-SEM: the inverse square root and gamma-exponential methods. Inf. Syst. J. 28, 227–261. doi: https://doi.org/10.1111/isj.12131

  28. Kohn, J. P., Frazer, G. H. (1986). An academic stress scale: identification and rated importance of academic stressors. Psychol. Rep. 59, 415–426. doi: https://doi.org/10.2466/pr0.1986.59.2.415

  29. Lazarus, R. S., Folkman, S. (1984). Stress, Appraisal, and Coping. New York, NY, USA: Springer Publishing Company.

  30. Lo, C. K. (2023). What is the impact of ChatGPT on education? A rapid review of the literature. Educ. Sci. 13:410. doi: https://doi.org/10.3390/educsci13040410

  31. Long, D., Magerko, B. (2020). “What is AI literacy? Competencies and design considerations,” in Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems (CHI ’20) (New York, NY: Association for Computing Machinery), 1–16 doi: https://doi.org/10.1145/3313831.3376727

  32. Lord, K. R., Putrevu, S. (2006). Exploring the dimensionality of the need for cognition scale. Psychol. Mark. 23, 11–34. doi: https://doi.org/10.1002/mar.20108

  33. Ng, D. T. K., Leung, J. K. L., Chu, S. K. W., Qiao, M. S. (2021). Conceptualizing AI literacy: an exploratory review. Comput. Educ. Artif. Intell. 2:100041. doi: https://doi.org/10.1016/j.caeai.2021.100041

  34. Nunnally, J. C., Bernstein, I. H. (1994). Psychometric Theory. 3rd Edn. New York, NY, USA: McGraw-Hill.

  35. Pappas, I. O., Woodside, A. G. (2021). Fuzzy-set qualitative comparative analysis (fsQCA): guidelines for research practice in information systems and marketing. Int. J. Inf. Manag. 58:102310. doi: , https://doi.org/10.1016/j.ijinfomgt.2021.102310

  36. Ragin, C. C. (2008). Redesigning social Inquiry: Fuzzy sets and beyond. Chicago, IL, USA: University of Chicago Press.

  37. Rudolph, J., Tan, S., Tan, S. (2023). ChatGPT: bullshit spewer or the end of traditional assessments in higher education? J. Appl. Learn. Teach. 6, 342–363. doi: https://doi.org/10.37074/jalt.2023.6.1.9

  38. Schneider, C. Q., Wagemann, C. (2012). Set-Theoretic Methods for the social Sciences: A guide to Qualitative Comparative Analysis. Cambridge, UK: Cambridge University Press.

  39. Strzelecki, A. (2024). To use or not to use ChatGPT in higher education? A study of students’ acceptance and use of technology. Interact. Learn. Environ. 32, 5142–5155. doi: https://doi.org/10.1080/10494820.2023.2209881

  40. Wang, Y.-Y., Chuang, Y.-W. (2024). Artificial intelligence self-efficacy: scale development and validation. Educ. Inf. Technol. 29, 4785–4808. doi: https://doi.org/10.1007/s10639-023-12015-w

  41. Zhang, S., Zhao, X., Zhou, T., Kim, J. H. (2024). Do you have AI dependency? The roles of academic self-efficacy, academic stress, and performance expectations on problematic AI usage behavior. Int. J. Educ. Technol. High. Educ. 21:34. doi: https://doi.org/10.1186/s41239-024-00467-0

  42. Zhong, W., Luo, J., Lyu, Y. (2024). How do personal attributes shape AI dependency in Chinese higher education context? Insights from needs frustration perspective. PLoS One 19:e0313314. doi: , https://doi.org/10.1371/journal.pone.0313314

  43. Zou, B., Du, Y., Wang, Z., Chen, J., Zhang, W. (2023). An investigation into artificial intelligence speech evaluation programs with automatic feedback for developing EFL learners’ speaking skills. SAGE Open 13:21582440231193818. doi: https://doi.org/10.1177/21582440231193818

Licencia y atribución

Versión en español de Problematic reliance on generative AI among university students: an I-PACE-informed PLS-SEM and fsQCA study (Liu, G., Hou, C., 2026), publicado en Frontiers in Psychology, vol. 17, art. 1946110, doi:10.3389/fpsyg.2026.1946110. El artículo original se distribuye bajo licencia Creative Commons Atribución 4.0 (CC BY 4.0), que permite su traducción y difusión pública con atribución.

© 2026 Liu y Hou. Artículo original publicado en acceso abierto en Frontiers in Psychology (vol. 17, art. 1946110) bajo licencia Creative Commons Atribución 4.0 (CC BY 4.0). Esta página es una traducción completa al español con el mismo orden de secciones, tablas y figuras; los títulos de las referencias se mantienen en su idioma original. Se han añadido el resumen en 3 líneas y las implicaciones prácticas con una nota editorial de Psicoevidencia. La traducción no ha sido revisada por los autores originales.