Escala de Adicción a la Inteligencia Artificial en Investigadores

1. Resumen

La Escala de Adicción a la Inteligencia Artificial en Investigadores (Researcher Artificial Intelligence Addiction Scale, RAIAS) constituye un instrumento psicométrico de vanguardia diseñado para evaluar, cuantificar y monitorizar los patrones de dependencia conductual y sobrecarga cognitiva vinculados al empleo compulsivo de herramientas de inteligencia artificial (IA) generativa en el entorno de la investigación académica y científica. Con la rápida proliferación de modelos masivos de lenguaje y plataformas automatizadas de síntesis de evidencia, análisis estadístico y redacción técnica, la comunidad académica se ha enfrentado a una transformación paradigmática en sus flujos de trabajo. Si bien estas tecnologías brindan una optimización sin precedentes, también plantean riesgos severos de atrofia cognitiva, erosión del pensamiento crítico y dependencia psicológica patológica.

La escala fue desarrollada y validada originalmente por Ahmed Abdelwahab Ibrahim El-Sayed, Samira Ahmed Alsenany, Maha Gamal Ramadan Asal e Ibrahim Alasqah (2025), a partir de una muestra de 718 investigadores en el campo de la salud y la enfermería académica. Desde una perspectiva estructural, la RAIAS evalúa dimensiones centrales del comportamiento adictivo: conducta compulsiva (o prominencia cognitiva), sobredependencia (pérdida de autoeficacia académica), deterioro funcional (pérdida de rigor y originalidad), síndrome de abstinencia emocional y tolerancia creciente frente a tareas intelectuales complejas.

Las propiedades psicométricas de la RAIAS demuestran una robustez técnica excepcional. El instrumento reportó una consistencia interna global evaluada mediante el coeficiente alfa de Cronbach de 0.924, complementada por un índice omega de McDonald de 0.870 y un coeficiente de fiabilidad por dos mitades de Spearman-Brown de 0.814. Los análisis factoriales confirmatorios (CFA) evidenciaron un ajuste estructural sobresaliente tanto en modelos de primer orden como de orden superior (CFI = 0.962; RMSEA = 0.06), explicando el 73.66% de la varianza acumulada en el análisis factorial exploratorio (EFA). La estratificación de riesgo se define a través de puntos de corte percentilares (riesgo bajo: < percentil 25; riesgo moderado: percentiles 25 a 75; y riesgo alto: ≥ percentil 75), permitiendo identificar tempranamente el compromiso de la autonomía intelectual en la producción científica contemporánea.

2. Palabras clave

Inteligencia artificial, adicción conductual, psicometría, integridad académica, dependencia cognitiva, autoeficacia investigadora, bioética científica, síndrome de abstinencia digital, atrofia del pensamiento crítico, evaluación psicológica.

3. Autores

La escala fue desarrollada por un equipo multidisciplinar de investigadores adscritos a departamentos de enfermería, educación médica y ciencias de la salud:

• Ahmed Abdelwahab Ibrahim El-Sayed: Departamento de Enfermería / Salud Pública, investigador principal especializado en ética digital y educación en ciencias biomédicas.
• Samira Ahmed Alsenany: Investigadora sénior en gestión de enfermería, envejecimiento y metodologías cuantitativas aplicadas a la salud pública.
• Maha Gamal Ramadan Asal: Especialista en evaluación curricular, ética de modelos de lenguaje en entornos clínicos e instrumentos psicométricos en profesiones sanitarias.
• Ibrahim Alasqah: Investigador adscrito a Qassim University (Arabia Saudí). Correo electrónico de contacto institucional para correspondencia académica y solicitud de reactivos: [email protected].

4. Propósito

Delimitación del problema en el contexto científico

La investigación académica representa intrínsecamente una actividad teleológica, sistemática y de alta exigencia analítica. Por su propia naturaleza, los investigadores deben interactuar intensivamente con herramientas digitales avanzadas para llevar a cabo la minería de textos, la síntesis de literatura, la modelización econométrica o bioestadística y la redacción de manuscritos reproducibles. Sin embargo, los instrumentos psicométricos tradicionales orientados a medir la adicción a internet o el uso problemático de teléfonos inteligentes resultan conceptualmente inadecuados para el contexto académico. Aplicar dichas herramientas genéricas en científicos e investigadores genera un sesgo de sobrepatologización sistemático, catalogando erróneamente conductas de alto compromiso investigativo y eficiencia como cuadros patológicos, al tiempo que fracasa en detectar los matices específicos de la dependencia cognitiva algorítmica.

Objetivos de la escala y justificación epistemológica

La RAIAS fue concebida expresamente para delimitar la frontera crítica que separa el uso productivo y ético de la IA de la dependencia conductual dañina. El propósito primario del instrumento es proporcionar a las universidades, comités de ética en la investigación, directores de tesis y a los propios académicos una herramienta estandarizada que permita:

• Monitorear la integridad y autonomía intelectual: Prevenir la externalización no reflexiva de las fases sustantivas de la investigación, tales como la formulación de hipótesis, la discusión crítica de hallazgos y el diseño metodológico original.
• Detectar de forma precoz el malestar psicológico: Identificar a investigadores que experimentan ansiedad, parálisis intelectual o irritabilidad cuando no cuentan con la asistencia en tiempo real de plataformas como ChatGPT, Claude o Gemini.
• Prevenir la atrofia cognitiva en investigadores en formación: Detectar estudiantes de doctorado e investigadores posdoctorales cuya autoeficacia científica ha disminuido debido a la percepción subjetiva de incapacidad para generar prosa científica de manera autónoma.
• Facilitar la autoevaluación reflexiva: Servir no como una etiqueta estigmatizante o diagnóstica de trastorno psiquiátrico formal, sino como un dispositivo de cribado y toma de conciencia metacognitiva sobre los hábitos digitales en entornos científicos de alta competitividad.

5. Constructo psicológico

La escala operacionaliza la adicción a la inteligencia artificial en la investigación como un constructo psicológico multidimensional y jerárquico. La adicción conductual hacia la IA no se define meramente por la cantidad de horas frente a la pantalla, sino por la alteración de la relación funcional entre el científico y su propio razonamiento lógico. Este constructo se desglosa en cinco dimensiones teóricas centrales interrelacionadas:

1. Conducta compulsiva e invasión mental (Compulsive Behavior / Mental Salience)

Esta dimensión captura la necesidad automática, persistente e irrefrenable de recurrir a la IA en las fases iniciales de cualquier tarea intelectual, evadiendo la deliberación y el esfuerzo reflexivo previo. Se manifiesta en la rumiación constante sobre formulaciones de instrucciones (prompts) incluso durante actividades recreativas o no académicas. Un ejemplo paradigmático de esta dimensión se observa cuando un investigador abre de inmediato un asistente algorítmico al sentarse frente a su ordenador, antes de intentar estructurar mentalmente el problema de investigación.

2. Sobredependencia y erosión de la autoeficacia (Overdependency)

Representa la pérdida de confianza subjetiva en las propias facultades analíticas y la convicción psicológica de que es imposible producir trabajo científico de calidad sin el respaldo de la IA. El individuo desarrolla una dependencia afectiva y epistemológica del algoritmo, sintiendo inseguridad crónica si debe redactar una sección de discusión o diseñar un experimento sin validación artificial. Como consecuencia, el investigador asume que su rendimiento depende fundamentalmente del soporte computacional externo y no de su competencia profesional.

3. Deterioro funcional y atrofia cognitiva (Functional Impairment)

Evalúa el impacto nocivo y tangible del uso excesivo de IA sobre los resultados de la labor investigadora. Esta faceta incluye el empobrecimiento deliberado de la lectura profunda de fuentes primarias, la aceptación pasiva de sesgos o alucinaciones generadas por modelos de lenguaje, la disminución de la creatividad e innovación, y la emergencia de conflictos deontológicos sobre autoría o plagio en equipos colaborativos. La investigación se torna homogénea, carente de voz propia y metodológicamente superficial.

4. Síndrome de abstinencia intelectual (Withdrawal)

Mide la reactividad psicofisiológica negativa experimentada cuando el acceso a las plataformas de IA se ve interrumpido, bien sea por fallas en los servidores, políticas restrictivas institucionales o falta de conectividad. Los investigadores con altas puntuaciones en este factor informan de estados agudos de ansiedad, frustración, irritabilidad, desamparo intelectual e incapacidad temporal para concentrarse en la redacción científica convencional.

5. Tolerancia creciente (Tolerance)

Al igual que en las dependencias farmacológicas y conductuales clásicas, la tolerancia describe el patrón de escalada progresiva en el que el investigador requiere niveles cada vez más complejos y ubicuos de asistencia algorítmica para alcanzar el mismo nivel de satisfacción o productividad percibida. Inicialmente, el usuario recurre a la IA para tareas mecánicas de corrección gramatical o traducción; con el tiempo, la intervención algorítmica se amplía a la interpretación de resultados, la formulación teórica central y la toma de decisiones metodológicas nucleares.

6. Marco teórico

La fundamentación epistemológica de la RAIAS se sustenta en dos pilares teóricos consolidados de la psicología clínica y la ciencia del comportamiento: el Modelo de Componentes de la Adicción postulado por Mark Griffiths (2005) y los criterios operativos para los trastornos adictivos no vinculados a sustancias recogidos en el Manual Diagnóstico y Estadístico de los Trastornos Mentales (DSM-5) de la American Psychological Association.

El modelo biopsicosocial de componentes de Griffiths

Griffiths postula que cualquier adicción conductual genuina comprende seis elementos esenciales que operan dentro de un marco biopsicosocial:

• Prominencia (Salience): La conducta se convierte en la actividad prioritaria que domina los pensamientos, sentimientos y comportamientos del sujeto. En la RAIAS, se refleja en la absorción mental constante con la ingeniería de prompts.
• Modificación del humor (Mood Modification): La conducta se utiliza como una estrategia de afrontamiento para aliviar el estrés, la ansiedad académica o la sensación de incompetencia.
• Tolerancia (Tolerance): Necesidad creciente de apoyo automatizado para obtener la misma sensación de seguridad investigadora.
• Síntomas de abstinencia (Withdrawal Symptoms): Reacciones emocionales y somáticas disfóricas ante la privación del sistema inteligente.
• Conflicto (Conflict): Fricciones interpersonales (disputas con colegas o coautores sobre integridad) e intrapsíquicas (disonancia ética por atribuir mérito intelectual a una máquina).
• Recaída (Relapse): Tendencia a restablecer patrones de uso desmedido tras periodos conscientes de abstención digital voluntaria.

Integración con la teoría cognitivo-social de Bandura

Complementariamente, la RAIAS incorpora elementos cruciales de la teoría de la autoeficacia de Albert Bandura. La interacción continua con sistemas que exhiben capacidades generativas sobrehumanas puede detonar un fenómeno de desamparo intelectual aprendido. Al observar que el modelo generativo elabora textos coherentes en segundos, el investigador debilita progresivamente sus creencias de autoeficacia académica, generando un ciclo de retroalimentación positiva: a menor autoeficacia percibida, mayor dependencia compulsiva del algoritmo para evitar la incomodidad inherente al esfuerzo intelectual riguroso.

7. Validez

El protocolo de validación psicométrica de la RAIAS se ejecutó siguiendo las directrices internacionales establecidas por los Standards for Educational and Psychological Testing (AERA, APA, NCME), implementando un diseño metodológico transversal y analítico en una cohorte homogénea y de alta exigencia técnica: 718 investigadores en enfermería y ciencias biomédicas.

Validez de contenido y de facie

Para asegurar que los reactivos reflejaran de manera exhaustiva el constructo sin saturarse de varianza espuria, los creadores de la escala llevaron a cabo revisiones sistemáticas de la literatura contemporánea sobre dependencia digital, complementadas con paneles cualitativos de jueces expertos en bioética, psicometría y educación médica. Este procedimiento garantizó que los enunciados capturaran la realidad fenomenológica de los científicos que utilizan IA a diario, descartando formulaciones que confundieran la habilidad tecnológica legítima con el comportamiento desadaptativo.

Validez de constructo mediante modelado estructural

La validez de constructo fue examinada formalmente mediante modelos de ecuaciones estructurales (SEM). Los análisis factoriales confirmatorios arrojaron índices de bondad de ajuste óptimos para el modelo multidimensional correlacionado y el modelo jerárquico de segundo orden. Las correlaciones interfactoriales oscilaron entre 0.41 y 0.62. Este rango de correlaciones moderadas demuestra que, aunque las dimensiones convergen hacia un factor global de adicción a la IA en la investigación, ninguna subescala es redundante ni colineal, justificando su retención como entidades psicométricas diferenciadas.

Validez discriminante y convergente

La varianza media extraída (AVE) calculada para cada uno de los factores superó ampliamente los umbrales convencionales de 0.50, confirmando una validez convergente sólida. Asimismo, las comparaciones con escalas de estrés académico, autoeficacia y dependencia tecnológica general evidenciaron que la RAIAS predice de forma específica la pérdida de rigor científico y el estrés por interrupción de plataformas digitales, distinguiéndose nítidamente del mero uso instrumental intensivo.

8. Confiabilidad

La precisión de medida de la RAIAS fue sometida a múltiples análisis psicométricos con el propósito de garantizar que los resultados sean estables y reproducibles, superando los sesgos asociados al supuesto restrictivo de tau-equivalencia propio de modelos clásicos.

Consistencia interna y coeficientes globales

Los parámetros de consistencia interna demostraron una homogeneidad y robustez excepcionales:

• Alfa de Cronbach (α): La escala completa reportó un coeficiente general de 0.924 (sintetizado como 0.92 en la tarjeta psicométrica), situándose por encima del estándar estricto de 0.80 recomendado para instrumentos de cribado individual en ciencias sociales y de la salud.
• Omega de McDonald (ω): Dado que el coeficiente alfa tiende a infraestimar o sobrestimar la fiabilidad en presencia de cargas factoriales congnéricas heterogéneas, se calculó el índice omega, alcanzando un valor de 0.870 (0.87), lo que ratifica la estabilidad del espacio dimensional.
• Fiabilidad de dos mitades de Spearman-Brown: Con el fin de evaluar la equivalencia entre particiones del test, se obtuvo un coeficiente de 0.814, lo que evidencia que las mitades paralelas de la escala mantienen una estabilidad analítica sobresaliente.

Estos valores numéricos garantizan que el error típico de medida se mantiene dentro de márgenes estrictamente reducidos, permitiendo evaluaciones fiables tanto en contextos diagnósticos institucionales como en protocolos de investigación cuantitativa comparativa.

9. Análisis factorial

Para determinar la arquitectura latente de la escala, los autores implementaron una estrategia de partición de muestra aleatoria (split-sample cross-validation) a partir de los 718 participantes del estudio original.

Análisis factorial exploratorio (EFA)

En la primera mitad de la muestra (n = 359), se ejecutó un análisis factorial exploratorio con extracción de ejes principales y rotación oblicua (Promax), considerando la intercorrelación natural entre dimensiones conductuales. Los criterios de Kaiser-Meyer-Olkin (KMO) y la prueba de esfericidad de Bartlett avalaron la idoneidad de la matriz de datos para la factorización. El EFA extrajo una solución robusta de 5 factores con valores propios superiores a 1, explicando un sobresaliente 73.66% de la varianza total acumulada. Cada reactivo mostró cargas factoriales primarias elevadas (> 0.60) sobre su dimensión designada, sin saturaciones cruzadas relevantes.

Análisis factorial confirmatorio (CFA)

En la segunda muestra independiente (n = 359), se procedió a la confirmación de la estructura factorial mediante estimación de máxima verosimilitud robusta. Se compararon dos modelos teóricos: un modelo de primer orden con cinco factores correlacionados y un modelo jerárquico de segundo orden, donde un macrofactor latente de «Adicción a la Inteligencia Artificial en Investigadores» subsume a las cinco subescalas.

Los índices de ajuste psicométrico arrojaron los siguientes resultados:

• Índice de ajuste comparativo (CFI): 0.962 (muy superior al punto de corte convencional de ≥ 0.95).
• Error cuadrático medio de aproximación (RMSEA): 0.060 (con un intervalo de confianza del 90% situado entre 0.051 y 0.068), reflejando un ajuste poblacional óptimo.
• Residuo cuadrático medio estandarizado (SRMR): < 0.05.

Ambos modelos demostraron una equivalencia métrica excelente, lo que confirma empíricamente que los profesionales pueden calcular tanto puntuaciones independientes por dominio analítico como una puntuación total agregada de adicción conductual.

10. Instrumento de medición

• Tipo de prueba: Cuestionario psicométrico estandarizado de autoinforme (self-report questionnaire).
• Formato: Batería psicométrica de 22 ítems en su arquitectura de estudio (con 20 reactivos nucleares representados en su tipología abreviada y validada).
• Escala de respuesta: Escala ordinal tipo Likert graduada en función de la frecuencia y severidad del comportamiento adictivo en la práctica académica cotidiana.
• Población diana: Investigadores científicos, académicos universitarios, profesionales sanitarios e investigadores en enfermería.
• Modalidad de administración: Individual, autoadministrada en formato digital o en soporte físico de papel.
• Normas de corrección e interpretación: Las puntuaciones directas se transforman en percentiles poblacionales para delimitar tres categorías clínicas y de cribado institucional:
  • Riesgo bajo: Puntuaciones situadas por debajo del percentil 25 (< P25). Indica un uso regulado, crítico, instrumental y productivo de la tecnología.
  • Riesgo moderado: Puntuaciones comprendidas entre el percentil 25 y el percentil 75 (P25 – P75). Señala hábitos incipientes de dependencia cognitiva y necesidad de reevaluación reflexiva.
  • Riesgo alto: Puntuaciones situadas en o por encima del percentil 75 (≥ P75). Evidencia síntomas inequívocos de adicción conductual, atrofia del juicio crítico y compromiso de la integridad investigadora.
• Ítems invertidos: La escala no contiene ítems invertidos; todas las aseveraciones están redactadas en sentido directo de severidad conductual.

11. Permisos, Tarifas y Año del test

Año de publicación formal

La Escala de Adicción a la Inteligencia Artificial en Investigadores fue desarrollada y validada formalmente en el año 2025, con su publicación científica en el Journal of Nursing Management.

Condiciones de acceso y licencias

El estudio original fue publicado bajo el modelo de acceso abierto (Open Access), respaldado comúnmente por licencias Creative Commons (CC-BY). El instrumento puede ser utilizado con fines de investigación científica, docencia universitaria y cribado institucional sin coste económico alguno (free of charge), siempre que se otorgue la debida atribución bibliográfica a los autores originales. Con el fin de salvaguardar la integridad de la estandarización y acceder a las adaptaciones transculturales aprobadas, los interesados deben solicitar formalmente la batería completa y los baremos normalizados contactando al autor de correspondencia, Dr. Ibrahim Alasqah ([email protected]).

12. Referencias

A continuación se detallan las fuentes primarias y secundarias asociadas al desarrollo de la escala y sus marcos teóricos de referencia:

• Abdelhafiz, A., Ali, A., Maaly, A., Ziady, H., Sultan, E., & Mahgoub, M. (2024). Knowledge, Perceptions and Attitude of Researchers Towards Using ChatGPT in Research. Journal of Medical Systems, 48(1). https://doi.org/10.1007/s10916-024-02044-4
• Asal, M., Alsenany, S., Badoman, T., & El‐Sayed, A. (2025). Ethical Awareness in the Use of Large Language Models: Development and Validation of a Scale for Healthcare Professionals. Journal of Evaluation in Clinical Practice, 31(5). https://doi.org/10.1111/jep.70241
• Billieux, J., Maurage, P., Lopez-Fernandez, O., Kuss, D., & Griffiths, M. (2015). Can Disordered Mobile Phone Use Be Considered a Behavioral Addiction? An Update on Current Evidence and a Comprehensive Model for Future Research. Current Addiction Reports, 2(2), 156-162. https://doi.org/10.1007/s40429-015-0054-y
• Coaley, K. (2014). An Introduction to Psychological Assessment and Psychometrics. SAGE Publications.
• DeVellis, R. F. (2021). Scale Development: Theory and Applications (5th ed.). SAGE Publications.
• Dwivedi, Y., Kshetri, N., Hughes, L., Slade, E., Jeyaraj, A., Kar, A., … et al. (2023). Opinion Paper: “So what if ChatGPT wrote it?” Multidisciplinary perspectives on opportunities, challenges and implications of generative conversational AI for research, practice and policy. International Journal of Information Management, 71, 102642. https://doi.org/10.1016/j.ijinfomgt.2023.102642
• El-Sayed, A. A. I., Alsenany, S. A., Asal, M. G. R., & Alasqah, I. (2025). Researcher Artificial Intelligence Addiction Scale. Journal of Nursing Management. https://doi.org/10.1155/jonm/8458533
• El‐Sayed, A., Alsenany, S., Badoman, T., & Asal, M. (2025). Development and Validation of a Scale for Nurses' Ethical Awareness in The Use of Artificial Intelligence: A Methodological Study. Nursing & Health Sciences, 27(2). https://doi.org/10.1111/nhs.70140
• Filetti, S., Fenza, G., & Gallo, A. (2024). Research design and writing of scholarly articles: new artificial intelligence tools available for researchers. Endocrine, 85(3), 1104-1116. https://doi.org/10.1007/s12020-024-03977-z
• Fournier, L., Schimmenti, A., Musetti, A., Boursier, V., Flayelle, M., Cataldo, I., … et al. (2023). Deconstructing the components model of addiction: an illustration through “addictive” use of social media. Addictive Behaviors, 143, 107694. https://doi.org/10.1016/j.addbeh.2023.107694
• Griffiths, M. (2005). A ‘components’ model of addiction within a biopsychosocial framework. Journal of Substance Use, 10(4), 191-197. https://doi.org/10.1080/14659890500114359
• Khan, N., Osmonaliev, K., & Sarwar, M. (2023). Pushing the Boundaries of Scientific Research with the use of Artificial Intelligence tools: Navigating Risks and Unleashing Possibilities. Nepal Journal of Epidemiology, 13(1), 1258-1263. https://doi.org/10.3126/nje.v13i1.53721
• Kline, R. B. (2023). Principles and Practice of Structural Equation Modeling (5th ed.). The Guilford Press.
• Lim, B., Seth, I., & Rozen, W. (2024). The Role of Artificial Intelligence Tools on Advancing Scientific Research. Aesthetic Plastic Surgery, 48(15), 3036-3038. https://doi.org/10.1007/s00266-023-03526-5
• Lin, C., & Chien, Y. (2024). ChatGPT Addiction: A Proposed Phenomenon of Dual Parasocial Interaction. Taiwanese Journal of Psychiatry, 38(3), 153-155. https://doi.org/10.4103/TPSY.TPSY_28_24
• Morales-García, W., Sairitupa-Sanchez, L., Morales-García, S., & Morales-García, M. (2024). Development and validation of a scale for dependence on artificial intelligence in university students. Frontiers in Education, 9. https://doi.org/10.3389/feduc.2024.1323898
• Polit, D. (2020). Essentials of Nursing Research: Appraising Evidence for Nursing Practice. Wolters Kluwer.
• Satchell, L., Fido, D., Harper, C., Shaw, H., Davidson, B., Ellis, D., … et al. (2021). Development of an Offline-Friend Addiction Questionnaire (O-FAQ): Are most people really social addicts?. Behavior Research Methods, 53(3), 1097-1106. https://doi.org/10.3758/s13428-020-01462-9
• Schumacker, R. E., & Lomax, R. G. (2010). A Beginner’s Guide to Structural Equation Modeling (3rd ed.). Routledge.
• Tamrin, S., Omar, N., Kamaruzaman, K., Zaghlol, A., & Abdul Aziz, M. (2024). Evaluating the Impact of AI Dependency on Cognitive Ability among Generation Z in Higher Educational Institutions: A Conceptual Framework. Information Management and Business Review, 16(3S(I)a), 1027-1033. https://doi.org/10.22610/imbr.v16i3S(I)a.4191
• Ullman, J. B. (2012). Structural Equation Modeling. In Handbook of Psychology, Second Edition. John Wiley & Sons, Inc.
• Zhang, S., Zhao, X., Zhou, T., & Kim, J. (2024). Do you have AI dependency? The roles of academic self-efficacy, academic stress, and performance expectations on problematic AI usage behavior. International Journal of Educational Technology in Higher Education, 21(1). https://doi.org/10.1186/s41239-024-00467-0

13. Ítems de la escala