Escala de Uso de ChatGPT

1. Resumen

La Escala de Uso de ChatGPT (en inglés, ChatGPT Usage Scale) es un instrumento psicométrico contemporáneo diseñado para evaluar y cuantificar de manera sistemática los patrones de interacción, adopción y dependencia cognitiva que los estudiantes de posgrado establecen con modelos lingüísticos de inteligencia artificial generativa, específicamente con ChatGPT. Desarrollada originalmente por un equipo de investigadores de la Universidad de Al-Azhar en Egipto (Nemt-Allah et al., 2024), esta herramienta responde a la urgente necesidad de superar las observaciones meramente anecdóticas sobre el impacto de la inteligencia artificial en la educación superior y transitar hacia una evaluación cuantitativa rigurosa, sustentada en modelos empíricos robustos.

El instrumento consta de 15 ítems distribuidos en una estructura tridimensional que comprende: (a) Ayuda en la Escritura Académica (Academic Writing Aid), (b) Apoyo en Tareas Académicas (Academic Task Support), y (c) Confianza y Dependencia (Reliance and Trust). Los participantes responden a cada afirmación mediante una escala de respuesta tipo Likert de cinco puntos, que oscila desde 1 («Totalmente en desacuerdo») hasta 5 («Totalmente de acuerdo»). Las puntuaciones pueden analizarse de manera sumatoria o mediante promedios, tanto a nivel global como por subescala, permitiendo identificar perfiles diferenciados de uso instrumental y dependencia epistémica.

En términos de sus propiedades psicométricas, la escala ha demostrado índices excepcionales de consistencia interna y validez estructural. En la muestra de validación original compuesta por 443 estudiantes de programas de posgrado (diplomados, maestrías y doctorados), la escala global obtuvo un coeficiente Alfa de Cronbach de 0.848 y un coeficiente Omega de McDonald (ω) de 0.849, complementados con una fiabilidad compuesta (CR) de 0.855. El análisis factorial confirmatorio ratificó un ajuste satisfactorio del modelo de tres factores de segundo orden, con un Índice de Ajuste Comparativo (CFI) de 0.917, un Índice de Tucker-Lewis (TLI) de 0.900 y un Error Cuadrático Medio de Aproximación (RMSEA) de 0.060. Asimismo, la varianza media extraída (AVE) de 0.664 superó ampliamente el criterio de 0.50, confirmando una sólida validez convergente.

2. Palabras clave

ChatGPT, Inteligencia Artificial en Educación, Psicometría, Educación Superior, Estudiantes de Posgrado, Modelo de Aceptación Tecnológica, Integridad Académica, Carga Cognitiva, Escritura Académica, Evaluación Psicoeducativa.

3. Autores

La Escala de Uso de ChatGPT fue diseñada y validada por un consorcio de investigadores adscritos al Departamento de Psicología Educativa y Métodos de Investigación de la Facultad de Educación de la Universidad de Al-Azhar, ubicada en la gobernación de Dakahlia, Egipto:

• Mohamed Nemt-Allah: Facultad de Educación, Universidad de Al-Azhar, Dakahlia, Egipto. Correo electrónico de correspondencia académica: [email protected].
• Waleed Khalifa: Facultad de Educación, Universidad de Al-Azhar, Dakahlia, Egipto. Especialista en medición y evaluación psicoeducativa aplicada a la tecnología.
• Mahmoud Badawy: Facultad de Educación, Universidad de Al-Azhar, Dakahlia, Egipto. Investigador en procesos cognitivos, tecnología instruccional y métodos cuantitativos.
• Yasser Elbably: Facultad de Educación, Universidad de Al-Azhar, Dakahlia, Egipto. Coautor de contribuciones teóricas fundamentales sobre los desafíos psicológicos de la inteligencia artificial generativa en entornos formativos.
• Ashraf Ibrahim: Facultad de Educación, Universidad de Al-Azhar, Dakahlia, Egipto. Catedrático e investigador en diseño instruccional, estadística multivariada y psicología del aprendizaje.

4. Propósito

El propósito medular de la Escala de Uso de ChatGPT radica en proveer una medida psicométricamente estandarizada, válida y replicable para diagnosticar cómo los investigadores nobeles y los estudiantes de posgrado integran los sistemas de procesamiento de lenguaje natural en sus rutinas intelectuales cotidianas. Con la súbita irrupción de modelos fundacionales basados en transformadores autorregresivos, las dinámicas de producción académica sufrieron una transformación paradigmática. No obstante, la mayoría de los instrumentos iniciales abordaban la adopción tecnológica de forma superficial o dicotómica (uso frente a no uso), ignorando la complejidad funcional y cognitiva inherente al quehacer académico de posgrado.

Necesidad en la Población de Posgrado

Los estudiantes matriculados en programas de especialización, maestría y doctorado enfrentan demandas cognitivas sustancialmente distintas a las de los estudiantes de grado. Sus exigencias formativas involucran la realización de revisiones bibliográficas exhaustivas, la formulación de hipótesis complejas, el análisis e interpretación de datos empíricos, la resolución de disonancias teóricas y la redacción de manuscritos aptos para comités editoriales de alto impacto. En este escenario, el uso de herramientas como ChatGPT trasciende la simple búsqueda de definiciones enciclopédicas y se convierte en una co-construcción textual y analítica. La escala fue concebida precisamente para operacionalizar este espectro avanzado de interacciones, distinguiendo entre la asistencia mecánica, el soporte organizativo y la delegación del juicio crítico.

Aplicaciones en Investigación Psicoeducativa

En el ámbito de la investigación empírica, la escala posibilita examinar hipótesis complejas sobre la interacción humano-IA. Permite a los investigadores:

• Analizar la relación entre el grado de uso de la IA y el rendimiento académico formal, la calidad de las tesis de grado y la productividad científica.
• Evaluar el impacto de la delegación cognitiva en constructos como la autoeficacia académica, la ansiedad ante la escritura y la autorregulación del aprendizaje.
• Determinar perfiles de riesgo psicopedagógico donde la sobreconfianza acrítica en la IA se asocie con una atrofia de las habilidades de pensamiento crítico y análisis conceptual profundo.
• Explorar la mediación de variables demográficas, tales como el área de conocimiento (ciencias exactas frente a ciencias sociales y humanidades), el género y la etapa formativa del estudiante.

Aplicaciones Institucionales y Clínico-Educativas

Desde una perspectiva institucional y de tutoría psicológica universitaria, el instrumento constituye una herramienta diagnóstica invaluable. Los comités de ética académica y las vicerrectorías de investigación pueden emplear la escala para establecer líneas base cuantitativas antes y después de implementar códigos de conducta y talleres de alfabetización en inteligencia artificial. Asimismo, en los servicios de asesoramiento psicopedagógico, la identificación de niveles elevados en la dimensión de Confianza y Dependencia permite a los consejeros diseñar intervenciones orientadas a restaurar la metacognición, mitigar el bloqueo del escritor y fomentar un rol de autoría activa y responsable.

5. Constructo psicológico

El constructo evaluado por la escala se define como el uso multidimensional de ChatGPT en el contexto académico, entendido como la integración comportamental, procedimental y actitudinal de agentes conversacionales inteligentes en las actividades de investigación, síntesis conceptual y producción escrita. Este constructo no es unitario; reconoce que la apropiación tecnológica en la educación avanzada se ramifica en diversas facetas funcionales que oscilan desde el soporte técnico instrumental hasta la dependencia epistémica.

Estructura Tridimensional del Constructo

El modelo teórico operacionalizado en la versión final de 15 ítems se articula en tres dimensiones claramente diferenciadas pero correlacionadas:

1. Ayuda en la Escritura Académica (Academic Writing Aid)

Esta subescala evalúa la utilización directa del modelo de lenguaje para intervenir en la materialización formal y retórica del discurso académico. Abarca procesos que van desde la generación de borradores iniciales hasta el refinamiento estilístico, el parafraseo de formulaciones complejas, la estructuración de contraargumentos y la búsqueda de ideas dialécticas. Por ejemplo, evalúa si el estudiante utiliza la herramienta para desglosar nociones abstractas en un lenguaje más comprensible o para enriquecer la solidez de sus debates teóricos. Los comportamientos incluidos en este dominio reflejan un soporte sintáctico y semántico orientado a optimizar la fluidez compositiva y disminuir el costo temporal de la redacción.

2. Apoyo en Tareas Académicas (Academic Task Support)

Esta dimensión captura el rol del agente artificial como un facilitador logístico y organizativo del estudio y la indagación científica. No se enfoca exclusivamente en la redacción de prosa, sino en las tareas previas y complementarias indispensables para el aprendizaje autorregulado: superar el bloqueo cognitivo inicial al enfrentarse a una página en blanco, estructurar esquemas preliminares, organizar jerárquicamente las ideas, localizar información preliminar sobre un tema emergente y condensar materiales de estudio extensos en resúmenes operacionales o tarjetas mnemotécnicas. Refleja el uso de la IA como un andamiaje procedimental que facilita la gestión de la información y la estructuración del flujo de trabajo académico.

3. Confianza y Dependencia (Reliance and Trust)

La tercera subescala profundiza en la actitud psicológica, la atribución de fiabilidad y el apego cognitivo hacia los resultados proporcionados por el sistema inteligente. Este componente es de vital trascendencia ética y psicológica, ya que evalúa si el usuario reconoce la naturaleza complementaria y falible de la herramienta (considerándola un interlocutor para la lluvia de ideas que jamás debe sustituir al intelecto humano) o si, por el contrario, deposita una confianza acrítica en la veracidad de sus salidas textuales y utiliza el sistema como su fuente definitiva de validación epistémica. La relación entre confianza epistémica y juicio crítico determina si la interacción con el modelo optimiza la cognición humana o promueve una dependencia sustitutiva.

6. Marco teórico

El diseño de la Escala de Uso de ChatGPT no fue un ejercicio empírico aislado, sino que se fundamentó en la convergencia de tres de las teorías más sólidas de la psicología educacional y la interacción humano-computadora:

1. El Modelo de Aceptación Tecnológica (Technology Acceptance Model – TAM)

Formulado originalmente por Davis (1989) y expandido posteriormente por Venkatesh y Davis (2000), el TAM postula que la intención comportamental y el uso efectivo de una innovación tecnológica están determinados principalmente por dos constructos cognitivos primarios: la Utilidad Percibida (PU, el grado en que una persona cree que el uso del sistema mejorará su desempeño laboral o académico) y la Facilidad de Uso Percibida (PEOU, el grado en que una persona anticipa que la interacción con el sistema estará libre de esfuerzo físico o mental).

En el contexto de la escala de Nemt-Allah et al., el TAM explica por qué los estudiantes incorporan ChatGPT: la herramienta reduce drásticamente el esfuerzo asociado con la estructuración textual preliminar y la búsqueda rápida de información (Facilidad de Uso), al tiempo que optimiza la velocidad y la calidad aparente de los documentos académicos (Utilidad Percibida). Los ítems correspondientes al ahorro de tiempo, la generación de ideas y la elaboración de esquemas traducen directamente estas dimensiones cognitivas del modelo TAM al ámbito universitario avanzado.

2. La Teoría de la Carga Cognitiva (Cognitive Load Theory – CLT)

Desarrollada por John Sweller (1988) y ampliada por investigadores contemporáneos (Chen, Kalyuga & Sweller, 2015), la Teoría de la Carga Cognitiva sostiene que la memoria de trabajo humana posee una capacidad de procesamiento estrictamente finita. Ante tareas complejas como la investigación de posgrado, el estudiante experimenta tres modalidades de carga cognitiva: intrínseca (inherente a la dificultad conceptual del material), extraña (provocada por la presentación ineficiente o las dificultades periféricas de la tarea) y pertinente (dedicada a la construcción y automatización de esquemas mentales profundos).

La Escala de Uso de ChatGPT operacionaliza el mecanismo mediante el cual la IA generativa actúa como un descargador cognitivo externo (cognitive offloading). Al delegar en ChatGPT la carga extraña —como la búsqueda preliminar de sintaxis adecuada, la reescritura de oraciones complejas y la estructuración mecánica de resúmenes—, los estudiantes intentan liberar recursos atencionales de su memoria de trabajo para canalizarlos hacia la interpretación crítica y el pensamiento analítico de alto orden. No obstante, el instrumento también detecta cuándo la descarga cognitiva invade la esfera intrínseca o pertinente, advirtiendo sobre el riesgo de un vaciamiento de los procesos de asimilación conceptual.

3. La Teoría de la Autodeterminación (Self-Determination Theory – SDT)

Propuesta por Edward Deci y Richard Ryan (1985; Ng et al., 2012), la Teoría de la Autodeterminación enfatiza las necesidades psicológicas básicas de autonomía, competencia y relación en la motivación intrínseca. En el contexto del uso de ChatGPT, la escala evalúa la tensión inherente entre sentirse un agente académico competente que utiliza la tecnología como un socio dialógico para la lluvia de ideas (preservando la autoría y la autonomía), versus caer en una motivación extrínseca orientada al mínimo esfuerzo que erosiona el sentido de competencia intelectual genuina.

7. Validez

El proceso de evaluación de las propiedades métricas de la escala contempló un riguroso examen de su validez de contenido, validez de constructo, validez factorial y validez convergente, siguiendo los estándares internacionales de la American Psychological Association (APA) y las directrices metodológicas para el desarrollo de escalas propuestas por Worthington y Whittaker (2006).

Validez de Contenido y Juicio de Expertos

Inicialmente, los investigadores generaron un banco de 39 ítems basados en la revisión exhaustiva de la literatura sobre adopción de inteligencia artificial generativa, integridad académica y modelos teóricos de procesamiento cognitivo. Este banco preliminar fue sometido a revisión cualitativa y cuantitativa por un panel de expertos en psicometría, tecnología educativa y psicología del aprendizaje. Los jueces evaluaron la pertinencia teórica, claridad semántica, representatividad y neutralidad de cada enunciado, permitiendo depurar reactivos ambiguos o redundantes antes de las fases analíticas multivariadas.

Validez Convergente

Para determinar el grado en que los indicadores observados reflejan adecuadamente sus respectivos constructos latentes, se aplicó el criterio formal de Fornell y Larcker (1981) mediante el cálculo de la Varianza Media Extraída (Average Variance Extracted, AVE). De acuerdo con la literatura psicométrica clásica (Hair et al., 2014), un valor de AVE igual o superior a 0.50 indica que más de la mitad de la varianza del constructo se debe a sus indicadores específicos y no al error de medición.

En la validación de la Escala de Uso de ChatGPT, el coeficiente AVE obtenido fue de 0.664. Este resultado supera de forma concluyente el umbral exigido de 0.50, proporcionando evidencia estadística incuestionable de que las dimensiones latentes del instrumento retienen un porcentaje predominante de varianza común compartida por los reactivos que las configuran.

Validez Estructural y de Segundo Orden

Las cargas factoriales estandarizadas (λ) de los 15 ítems que integran el modelo final oscilaron entre 0.434 y 0.728, siendo todas estadísticamente significativas al nivel p < 0.001. Estos guarismos confirman que cada ítem aporta de manera relevante y diferenciada a la medición de su dimensión asignada. Asimismo, la modelación estructural corroboró la existencia de un factor general de segundo orden («Uso Global de ChatGPT»), demostrando que las tres subescalas no son entidades fragmentadas, sino manifestaciones coordinadas de un único constructo integrador superior.

8. Confiabilidad

La consistencia interna y la estabilidad del instrumento fueron sometidas a análisis exhaustivos, empleando tanto métricas tradicionales basadas en la teoría clásica de los tests como coeficientes avanzados derivados del modelado de ecuaciones estructurales.

Consistencia Interna: Alfa de Cronbach y Omega de McDonald

En el contexto psicométrico actual, se reconoce ampliamente que el coeficiente Alfa de Cronbach (α) puede subestimar o sobreestimar la verdadera confiabilidad de una escala cuando se viola el supuesto de tau-equivalencia (es decir, cuando los ítems presentan cargas factoriales desiguales). Por esta razón, los autores calcularon conjuntamente el coeficiente Omega de McDonald (ω) y la Fiabilidad Compuesta (CR):

• Alfa de Cronbach (α) global: 0.848 (reportado frecuentemente como 0.85). Este valor excede de manera concluyente el umbral mínimo de 0.70 sugerido por Nunnally y Bernstein (1994) para instrumentos de investigación psicoeducativa, e incluso el criterio exigente de 0.80 aplicable a decisiones evaluativas complejas.
• Omega de McDonald (ω) global: 0.849 (0.85). Al sustentarse en las cargas factoriales reales estimadas en el modelo confirmatorio, este coeficiente confirma la excelente cohesión interna de la escala sin depender de los supuestos restrictivos de la tau-equivalencia.
• Fiabilidad Compuesta (Composite Reliability – CR): 0.855. Corrobora la robustez de los constructos latentes frente a la presencia de perturbaciones aleatorias y error estocástico de medición.

Las subescalas individuales mantuvieron valores de consistencia interna proporcionales y estables, confirmando que la reducción del conjunto original de 39 ítems a 15 reactivos no sacrificó la precisión métrica del instrumento, sino que eliminó el ruido espurio y la fatiga del respondiente.

9. Análisis factorial

La estructura latente de la Escala de Uso de ChatGPT se definió a través de un procedimiento factorial secuencial y riguroso en dos etapas metodológicas independientes: un Análisis Factorial Exploratorio (AFE) seguido de un Análisis Factorial Confirmatorio (AFC).

Análisis Factorial Exploratorio (AFE)

El análisis exploratorio se aplicó sobre el banco inicial de 39 reactivos empleando el método de extracción de Componentes Principales con rotación ortogonal Varimax. Los índices de adecuación muestral preliminares confirmaron la idoneidad absoluta de la matriz de correlaciones (con una prueba de esfericidad de Bartlett estadísticamente significativa y un índice de Kaiser-Meyer-Olkin superior a 0.80).

A través de la inspección del gráfico de sedimentación (scree plot), los criterios de autovalores superiores a la unidad (criterio de Kaiser) y la eliminación iterativa de aquellos reactivos con cargas cruzadas sustanciales o comunalidades bajas (< 0.40), la estructura se destiló exitosamente en un modelo parsimonioso de 15 ítems distribuidos en 3 factores. Esta configuración reducida explicó de manera conjunta aproximadamente el 49% de la varianza total explicada, optimizando la economía temporal de aplicación sin menoscabar la amplitud del constructo.

Análisis Factorial Confirmatorio (AFC)

Para someter a prueba la plausibilidad empírica de la estructura tridimensional identificada, se implementó un Análisis Factorial Confirmatorio mediante el modelado de ecuaciones estructurales (SEM), siguiendo las pautas de ajuste recomendadas por Hu y Bentler (1999) y Hooper, Coughlan y Mullen (2008).

Los resultados revelaron un ajuste psicométrico satisfactorio a los datos observados:

• Índice de Ajuste Comparativo (CFI): 0.917. Al ubicarse por encima del umbral convencional de 0.90, evidencia que el modelo propuesto es sensiblemente superior al modelo de independencia o nulo.
• Índice de Tucker-Lewis (TLI): 0.900. Satisface el estándar mínimo de parsimonia fijado en 0.90, penalizando adecuadamente la complejidad innecesaria en la parametrización del modelo.
• Error Cuadrático Medio de Aproximación (RMSEA): 0.060. Un valor de RMSEA ≤ 0.060 es ampliamente catalogado en la literatura metodológica contemporánea como representativo de un ajuste estrecho y excelente entre el modelo hipotetizado y la matriz de covarianza poblacional.

En virtud de estos parámetros, se confirmó la superioridad explicativa de un modelo jerárquico tridimensional en el que los reactivos convergen de forma limpia en tres factores primarios subordinados a un factor general de uso.

10. Instrumento de medición

A continuación se detallan las especificaciones técnicas del instrumento para su implementación en contextos de investigación y evaluación:

• Tipo de prueba: Cuestionario psicométrico estandarizado de autoinforme (self-report questionnaire).
• Población diana: Estudiantes de posgrado (diplomados de especialización, maestría y doctorado) y estudiantes universitarios avanzados de educación superior.
• Rango de edad validado: 21 a 48 años (media muestral = 27.4 años; DE = 4.8).
• Número de ítems: 15 ítems en su modelo definitivo.
• Formato y opciones de respuesta: Escala Likert de 5 puntos clasificada con las siguientes opciones cuantitativas y cualitativas:
  • 1 = Totalmente en desacuerdo (Strongly disagree)
  • 2 = En desacuerdo (Disagree)
  • 3 = Neutral / Indiferente (Neutral)
  • 4 = De acuerdo (Agree)
  • 5 = Totalmente de acuerdo (Strongly agree)
• Modalidad de administración: Individual o colectiva; administrable tanto en entornos presenciales en formato de lápiz y papel como en plataformas electrónicas y encuestas en línea (online surveys).
• Tiempo estimado de aplicación: Entre 5 y 8 minutos.
• Composición de las subescalas:
  • Ayuda en la Escritura Académica (Academic Writing Aid): Comprende los ítems 1 al 7 (códigos de origen en el banco inicial: 34, 38, 13, 5, 18, 23, 8).
  • Apoyo en Tareas Académicas (Academic Task Support): Comprende los ítems 8 al 11 (códigos de origen en el banco inicial: 30, 14, 3, 10).
  • Confianza y Dependencia (Reliance and Trust): Comprende los ítems 12 al 15 (códigos de origen en el banco inicial: 12, 2, 16, 22).
• Puntuación e interpretación:
  • Regla de inversión: En la versión final de 15 ítems, todos los reactivos están redactados en sentido positivo directo; por lo tanto, no se requiere inversión de puntuaciones (a diferencia del banco original de 39 ítems donde se incluían reactivos inversos sobre ética e integridad).
  • Cálculo: Las puntuaciones se calculan sumando las respuestas (puntuación directa bruta) o promediando los reactivos de cada subescala (rango 1.0 a 5.0) y de la escala total (rango 1.0 a 5.0).
  • Interpretación de medias: Valores cercanos a 1.00 – 2.33 indican baja utilización o escepticismo pronunciado; valores entre 2.34 y 3.66 reflejan una adopción moderada o selectiva; puntuaciones entre 3.67 y 5.00 señalan una integración intensiva y una alta dependencia del modelo generativo.

11. Permisos, Tarifas y Año del test

La Escala de Uso de ChatGPT fue publicada originalmente en el año 2024 a través de la revista internacional arbitrada BMC Psychology (editorial Springer Nature), bajo la política de acceso abierto. En concordancia con los preceptos de la ciencia abierta y la licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0), el instrumento puede ser utilizado con fines de investigación científica académica, evaluación pedagógica no lucrativa y docencia universitaria de manera totalmente gratuita y sin pago de tarifas o regalías.

Se estipula como requisito ético ineludible otorgar el correspondiente crédito y cita bibliográfica formal al estudio primario de Nemt-Allah y colaboradores (2024). Asimismo, aquellos equipos de investigación que deseen realizar adaptaciones transculturales, traducciones a otras lenguas o aplicaciones comerciales deben contactar previamente a los autores originales (específicamente al autor para correspondencia, Dr. Mohamed Nemt-Allah: [email protected]) para asegurar la fidelidad conceptual del instrumento y coordinar los lineamientos de derechos intelectuales.

12. Referencias

Abdaljaleel, M., Barakat, M., Alsanafi, M., Salim, N., Abazid, H., Malaeb, D., & Sallam, M. (2023). Factors influencing attitudes of university students towards ChatGPT and its usage: A multi-national study validating the TAME-ChatGPT survey instrument. Preprints, 2023091541. https://doi.org/10.20944/preprints202309.1541.v1

Aydin, Ö., & Karaarslan, E. (2023). Is ChatGPT leading generative AI? What is beyond expectations? Academic Platform Journal of Engineering and Smart Systems, 11(3), 118–134. https://doi.org/10.21541/apjess.1293702

Bin-Nashwan, S. A., Sadallah, M., & Bouteraa, M. (2023). Use of ChatGPT in academia: Academic integrity hangs in the balance. Technology in Society, 75, 102370. https://doi.org/10.1016/j.techsoc.2023.102370

Chen, O., Kalyuga, S., & Sweller, J. (2015). The worked example effect, the generation effect, and element interactivity. Journal of Educational Psychology, 107(3), 689–704. https://doi.org/10.1037/edu0000018

Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319–340. https://doi.org/10.2307/249008

Deci, E. L., & Ryan, R. M. (1985). The general causality orientations scale: Self-determination in personality. Journal of Research in Personality, 19(2), 109–134. https://doi.org/10.1016/0092-6566(85)90023-6

Elbably, Y., & Nemt-Allah, M. (2024). Grand challenges for ChatGPT usage in education: Psychological theories, perspectives and opportunities. Psychological Research in Education and Social Sciences, 5(2), 31–36.

Floridi, L., & Chiriatti, M. (2020). GPT-3: Its nature, scope, limits, and consequences. Minds and Machines, 30(4), 681–694. https://doi.org/10.1007/s11023-020-09548-1

Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50. https://doi.org/10.1177/002224378101800104

Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2014). Multivariate data analysis (7th ed.). Pearson Education Limited.

Hartley, K., Hayak, M., & Ko, U. (2024). Artificial intelligence supporting independent student learning: An evaluative case study of ChatGPT and learning to code. Education Sciences, 14(2), 120. https://doi.org/10.3390/educsci14020120

Henderson, M., Finger, G., & Selwyn, N. (2016). What’s used and what’s useful? Exploring digital technology use(s) among taught postgraduate students. Active Learning in Higher Education, 17(3), 235–247. https://doi.org/10.1177/1469787416654798

Hooper, D., Coughlan, J., & Mullen, M. (2008). Structural equation modelling: Guidelines for determining model fit. Electronic Journal of Business Research Methods, 6(1), 53–60.

Hu, L., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling: A Multidisciplinary Journal, 6(1), 1–55. https://doi.org/10.1080/10705519909540118

Huallpa, J. (2023). Exploring the ethical considerations of using ChatGPT in university education. Periodicals of Engineering and Natural Sciences, 11(4), 105–115.

İpek, Z., Gözüm, A., Papadakis, S., & Kalogiannakis, M. (2023). Educational applications of the ChatGPT AI system: A systematic review research. Educational Process: International Journal, 12(3), 26–55. https://doi.org/10.22521/edupij.2023.123.2

Nemt-Allah, M., Khalifa, W., Badawy, M., Elbably, Y., & Ibrahim, A. (2024). ChatGPT Usage Scale. BMC Psychology, 12, Article 398. https://doi.org/10.1186/s40359-024-01983-4

Ng, J. Y., Ntoumanis, N., Thøgersen-Ntoumani, C., Deci, E. L., Ryan, R. M., Duda, J. L., & Williams, G. C. (2012). Self-determination theory applied to health contexts: A meta-analysis. Perspectives on Psychological Science, 7(4), 325–340. https://doi.org/10.1177/1745691612447309

Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). McGraw-Hill.

Sain, Z. H., & Hebebci, M. T. (2023). ChatGPT and beyond: The rise of AI assistants and chatbots in higher education. En S. M. Curle & M. T. Hebebci (Eds.), Proceedings of International Conference on Academic Studies in Technology and Education 2023 (pp. 1–12). ARSTE Organization.

Sallam, M., Salim, N., Barakat, M., Al-Mahzoum, K., Ala’a, B., Malaeb, D., & Hallit, S. (2023). Assessing health students’ attitudes and usage of ChatGPT in Jordan: Validation study. JMIR Medical Education, 9(1), e48254. https://doi.org/10.2196/48254

Schön, E. M., Neumann, M., Hofmann-Stölting, C., Baeza-Yates, R., & Rauschenberger, M. (2023). How are AI assistants changing higher education? Frontiers in Computer Science, 5, 1208550. https://doi.org/10.3389/fcomp.2023.1208550

Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. Cognitive Science, 12(2), 257–285. https://doi.org/10.1207/s15516709cog1202_4

Venkatesh, V., & Davis, F. D. (2000). A theoretical extension of the Technology Acceptance Model: Four longitudinal field studies. Management Science, 46(2), 186–204. https://doi.org/10.1287/mnsc.46.2.186.11926

Wang, T., Díaz, D. V., Brown, C., & Chen, Y. (2023). Exploring the role of AI assistants in computer science education: Methods, implications, and instructor perspectives. En 2023 IEEE Symposium on Visual Languages and Human-Centric Computing (VL/HCC) (pp. 92–102). IEEE. https://doi.org/10.1109/VL-HCC57772.2023.00018

Worthington, R. L., & Whittaker, T. A. (2006). Scale development research: A content analysis and recommendations for best practices. The Counseling Psychologist, 34(6), 806–838. https://doi.org/10.1177/0011000006288127

Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education – Where are the educators? International Journal of Educational Technology in Higher Education, 16(1), 1–27. https://doi.org/10.1186/s41239-019-0171-0

13. Ítems de la escala