Alteridad, 2025, 20(2), 190-202

julio-diciembre 2025

Vol. 20, No. 2, 190-202

https://doi.org/10.17163/alt.v20n2.2025.03

Forma sugerida de citar (APA): Pereira-González, L. M., Basantes-Andrade, A., Mora-Grijalva, M. y Galárraga-Andrade A. (2025).

Dimensiones latentes en la adopción de ChatGPT en la universidad: modelo CHASSIS. Alteridad, 20(2), 190-202.

https://doi.org/10.17163/alt.v20n2.2025.03

p-ISSN:1390-325X / e-ISSN:1390-8642

http://alteridad.ups.edu.ec

Dimensiones latentes en la adopción de ChatGPT en la

universidad: modelo CHASSIS

Latent dimensions in the adoption of ChatGPT

at the University: CHASSIS model

Dra. Luz Marina Pereira-González es docente investigadora en la Universidad Técnica del Norte, Grupo de

Investigación de Ciencias en Red (eCIER), (Ecuador) (lmpereira@utn.edu.ec) (https://orcid.org/0000-0002-7796-9819)

Dra. Andrea Basantes-Andrade es docente investigadora en la Universidad Técnica del Norte, Grupo de

Investigación de Ciencias en Red (eCIER), (Ecuador) (avbasantes@utn.edu.ec) (https://orcid.org/0000-0003-1045-2126)

Milton Mora-Grijalva es docente en la Universidad Técnica del Norte (Ecuador) (mmmora@utn.edu.ec)

(https://orcid.org/0000-0001-7362-1164)

Anabela Galárraga-Andrade es docente en la Universidad Técnica del Norte (Ecuador) (asgalarraga@utn.edu.ec)

(https://orcid.org/0000-0002-2323-1253)

Recibido: 2025-03-04 / Revisado: 2025-06-10 / Aceptado: 2025-06-16 / Publicado: 2025-07-01

Resumen

Se analizan las dimensiones determinantes del uso de ChatGPT

entre estudiantes universitarios, tema impulsado por la creciente

expansión que ha tenido el uso de las inteligencias artificiales

generativas en todos los ámbitos. Sobre la base de un muestreo

probabilístico bietápico, se aplicó un cuestionario a 509 estu-

diantes de la Facultad de Educación, Ciencia y Tecnología de

una universidad pública de Ecuador, en el que se integran teorías

consolidadas de la adopción de tecnologías e incluye la adapta-

ción de factores pertinentes al uso de ChatGPT en contextos for-

mativos. Aplicando un Análisis Factorial Exploratorio, se extra-

jeron siete factores: preocupaciones éticas y académicas (PEA),

expectativa de desempeño (ED), costo y accesibilidad financiera

(CAF) intención de uso (IU), influencia/ansiedad social (IAS),

confiabilidad y fiabilidad percibidas (CFP) y condiciones facili-

tadoras (CF). Las variables latentes tienen un poder explicativo

del 68,6 % de la varianza y presentan índices altos de consistencia

interna (alfa de Cronbach de 0.859 a 0.945) lo cual confiere alta

fiabilidad al instrumento. Como factor principal destaca (PEA),

poniendo en evidencia la relevancia de la integridad académica

y la autoría; mientras que ED y CF revelan la importancia de la

eficacia académica y el apoyo institucional. El modelo propuesto,

CHASSIS, contribuye a una mejor comprensión de los elementos

que influyen en la intención de uso de ChatGPT constituyendo

una base teórica para futuras investigaciones.

Palabras clave: ChatGPT, inteligencia artificial, análisis facto-

rial exploratorio, intención de uso, variables latentes, educación

superior.

Abstract

The key dimensions influencing the use of ChatGPT among

university students are analyzed, a topic driven by the growing

expansion of generative artificial intelligence across all domains.

Based on a two-stage probabilistic sampling method, a ques-

tionnaire was administered to 509 students from the Faculty

of Education, Science, and Technology at a public university in

Ecuador. The instrument integrates well-established theories

of technology adoption and includes the adaptation of relevant

factors for the use of ChatGPT in educational contexts. Through

Exploratory Factor Analysis, seven factors were extracted: eth-

ical and academic concerns (PEA), performance expectancy

(ED), cost and financial accessibility (CAF), intention to use

(IU), social influence/social anxiety (IAS), perceived credibil-

ity and reliability (CFP), and facilitating conditions (CF). The

latent variables explain 68.6 % of the variance and show high

internal consistency (Cronbach’s alpha ranging from 0.859 to

0.945), which confers strong reliability to the instrument. The

main factor, PEA, highlights the relevance of academic integrity

and authorship, while ED and CF underscore the importance of

academic effectiveness and institutional support. The proposed

model, CHASSIS, contributes to a deeper understanding of the

elements influencing the intention to use ChatGPT, providing a

theoretical foundation for future research.

Keywords: ChatGPT, artificial intelligence, exploratory factor

analysis, behavioral intention to use, latent variables, higher

education.

Dra. Luz Marina Pereira-González, Dra. Andrea Basantes-Andrade, Milton Mora-Grijalva y Anabela Galárraga-Andrade

Alteridad, 2025, 20(2), 190-202 191

1. Introducción

Desde su lanzamiento, ChatGPT ha evolucio-

nado notablemente en el procesamiento del lenguaje

natural. Basado inicialmente en modelos GPT que

utilizaban patrones estadísticos para generar texto

(Roumeliotis y Tselikas, 2023), ha incorporado téc-

nicas de ajuste fino y feedback humano para ofrecer

respuestas más coherentes y precisas (Latif y Zhai,

2024; Ray, 2023). Esta evolución se debe a mejoras en

arquitecturas de redes neuronales y al uso de gran-

des volúmenes de datos, permitiéndole adaptarse a

diversos contextos. GPT-3 se apoyó en una arquitec-

tura de aprendizaje profundo con aproximadamente

175 mil millones de parámetros ajustables (Gupta et

al., 2023), lo que le permite captar matices complejos

del lenguaje y mejorar significativamente la genera-

ción y comprensión de textos.

Entre las ventajas que diferencian a ChatGPT

de otras inteligencias artificiales generativas se desta-

can su capacidad para sostener comunicación bidirec-

cional, su interfaz intuitiva y su rápida capacidad de

respuesta (Gupta, 2024), características especialmente

valoradas en el ámbito universitario. Estas cualidades

facilitan la exploración de ideas, la clarificación de

conceptos y la asistencia en la redacción académica,

aspectos críticos en el proceso de aprendizaje. Además,

investigaciones recientes han evidenciado que el uso

de modelos conversacionales como ChatGPT puede

potenciar el compromiso y la eficiencia en la búsque-

da de información, inclinando la preferencia de los

estudiantes hacia esta herramienta (Bettayeb et al.,

2024; Klimova y de Campos, 2024).

Desde que ChatGPT estuvo disponible, en

noviembre de 2022, experimentó una expansión

extraordinaria, llegando a ser usado por 100 millo-

nes de personas en un par de meses (Leng, 2024).

Esta tecnología ha sido rápidamente adoptada en

entornos académicos, aunque su integración plantea

desafíos que trascienden las dimensiones tradiciona-

les de las tecnologías de información, requiriendo un

análisis profundo de sus implicaciones educativas y

de investigación.

Actualmente, ChatGPT se caracteriza por la

diversificación de sus versiones, que incluyen GPT-

4, GPT-4o (con voz sintetizada), GPT-4o-mini, 4o

con tareas programadas (beta), o1 (modelo de razo-

namiento), o3-mini (versión eficiente del segundo

modelo de razonamiento) y o3-mini-high (opti-

mizada para programación y lógica). Esta variedad

satisface las necesidades específicas de usuarios cada

vez más exigentes en diversos contextos.

Paralelamente, esta rápida evolución exige el

desarrollo de teorías adaptadas tanto al avance de

ChatGPT como a sus diversos contextos de uso. Es

fundamental crear modelos conceptuales que expli-

quen la adopción de esta inteligencia artificial gene-

rativa en universidades, donde docentes y estudiantes

se integran crecientemente como usuarios frecuentes.

En este escenario, la Teoría de la Acción

Razonada (TAR) de Fishbein y Ajzen (1975) propor-

ciona un marco teórico sólido para comprender la

intención conductual en la adopción de ChatGPT en

entornos universitarios. Como uno de los modelos

con mayor pertinencia para predecir el compor-

tamiento de las personas, la TAR establece que las

acciones están determinadas por la intención con-

ductual, antecedente directo del comportamiento

observable (Bosnjak et al., 2020). Esta intención se

configura mediante dos componentes clave: las acti-

tudes individuales hacia la conducta específica y las

normas subjetivas percibidas del entorno social.

El componente actitudinal representa la eva-

luación personal que el individuo hace sobre un

comportamiento específico, basándose en creencias

sobre sus posibles consecuencias y la valoración

de estos resultados (Din Bandhu et al., 2024). Las

normas subjetivas, por su parte, reflejan la presión

social que puede ser percibida para efectuar o evitar

cierta conducta, incluyendo las expectativas de refe-

rentes importantes y la motivación para cumplirlas

(Heredia-Carroza et al., 2024). Sin embargo, la TAR

asume que la forma en que se comporta una persona

está completamente bajo su control voluntario.

Para superar esta limitación, Ajzen (1985)

desarrolló la Teoría del Comportamiento Planificado

(TPB), agregando un tercer factor: el control con-

ductual percibido, que representa cómo el individuo

percibe las facilidades o dificultades para ejecutar

el comportamiento. En el ámbito educativo, la TAR

explica cómo las actitudes positivas hacia herra-

mientas como ChatGPT, junto con la percepción de

aprobación social, aumentan la probabilidad de uso,

siempre que exista control sobre su acceso.

El Modelo de Aceptación de la Tecnología

(TAM) propuesto por Davis (1989) se basa en dos

dimensiones: la utilidad percibida —creencia de que

la tecnología mejorará el rendimiento— y la facilidad

Dra. Luz Marina Pereira-González, Dra. Andrea Basantes-Andrade, Milton Mora-Grijalva y Anabela Galárraga-Andrade

Alteridad, 2025, 20(2), 190-202© Universidad Politécnica Salesiana, Ecuador

192

de uso percibida —grado en que adaptarse a la tec-

nología no representará un obstáculo.

Venkatesh y Davis (2000) extendieron este

modelo con TAM2, incorporando la Influencia

social —impacto de creencias y expectativas de per-

sonas significativas— y los procesos cognitivos ins-

trumentales —evaluaciones racionales sobre caracte-

rísticas y desempeño del sistema que determinan su

contribución al desempeño laboral o personal.

Como antecedente adicional, el modelo

UTAUT de Venkatesh et al. (2003) integra ocho

modelos previos para explicar la intención y uso real

de sistemas tecnológicos mediante cuatro dimen-

siones: expectativa de desempeño —convicción de

que la tecnología aumentará la eficacia—, expecta-

tiva de esfuerzo —percepción de facilidad de uso—,

influencia social —presión o apoyo social— y condi-

ciones facilitadoras —recursos y circunstancias que

facilitan la adopción tecnológica. Posteriormente,

Venkatesh et al. (2012) ampliaron este marco teórico

con el modelo UTAUT2, incorporando constructos

adicionales que permiten capturar mejor la dinámica

de la aceptación en contextos de consumo: la moti-

vación hedónica —conceptualizada como el disfrute

o la satisfacción personal que produce el uso de la

tecnología—, el precio/valor —que representa la eva-

luación del costo de la tecnología en relación con los

beneficios que brinda —y el hábito, que se identifica

con la tendencia a usar la tecnología de manera auto-

mática, basada en la experiencia previa. En ambos

modelos (UTAUT y UTAUT2), la intención de uso

se considera la variable dependiente.

En el contexto de ChatGPT, Sallam et al.

(2023) proponen el TAME-ChatGPT, “Modelo de

Aceptación de Tecnología Editado para Evaluar la

Adopción de ChatGPT”, basado en el TAM de Davis

(1989). Este incluye: riesgo percibido —probabilidad

de consecuencias negativas como problemas de priva-

cidad—, utilidad percibida —consistente con TAM—

e influencia social, coherente con TAM2 y UTAUT.

Por su parte, Menon y Shilpa (2023) corro-

boraron los factores del modelo UTAUT, añadiendo

la interactividad percibida —capacidad del sistema

para facilitar comunicación bidireccional con res-

puestas adaptativas— y preocupaciones sobre priva-

cidad, similar al riesgo percibido.

La influencia social también aparece en estu-

dios de Bilquise et al. (2023) y Abdaljaleel et al. (2024),

que consideran además la expectativa de desempeño

(o utilidad percibida). Los primeros proponen un

modelo conceptual basado en TAM y UTAUT.

Bolívar-Cruz y Verano-Tacoronte (2025)

hallaron que la percepción de utilidad y las condi-

ciones facilitadoras son determinantes comunes en

ambos sexos.

Por su parte, Choudhury y Shamszare (2023)

condujeron una investigación en la que demostraron

que la confianza —entendida como la credibilidad

en la exactitud, veracidad y confiabilidad de la infor-

mación que provee ChatGPT —resulta determinante

para la intención de uso. Similarmente, Shahzad

et al. (2024) incluyen la confianza percibida como

moderadora entre facilidad de uso, utilidad e inteli-

gencia percibida.

Romero-Rodríguez et al. (2023) hallaron que

experiencia, expectativa de desempeño, motivación

hedónica, precio/valor y hábito, influyen de manera

directa en la intención de uso de ChatGPT; en tanto

que que Strzelecki (2024) encontró que las variables

determinantes fueron hábito, expectativa de rendi-

miento y motivación hedónica.

Por su parte, Almogren et al. (2024), utilizan-

do análisis de modelos estructurales (SEM), corro-

boraron que la percepción de la facilidad de uso y la

actitud hacia la tecnología predicen la intención de

uso conductual de ChatGPT.

En su estudio sobre la aceptación de ChatGPT

en estudiantes universitarios de ciencias sociales,

García-Alonso et al. (2024) encontró que las varia-

bles latentes determinantes de la intención de uso

fueron: la utilidad percibida y la credibilidad; en con-

traste, el impacto social no resultó relevante. Estos

factores se integran en el modelo que propusieron los

autores para explicar de manera conjunta la adop-

ción de ChatGPT en el ámbito académico.

Finalmente, Surya Bahadur et al. (2024), usan-

do PLS-SEM, evidenciaron que el hábito, el valor del

aprendizaje (concepto asimilable a la utilidad perci-

bida en el contexto de habilidades académicas) y la

influencia social ejercen una influencia positiva en

la intención de uso de ChatGPT, mientras que otras

variables latentes —como la motivación hedónica, la

expectativa de esfuerzo, las condiciones facilitadoras

o la expectativa de rendimiento —no mostraron

efectos significativos en su estudio.

Es importante señalar que, aunque estos

modelos han sido fundamentales para comprender

la adopción tecnológica en general, resulta necesario

Dra. Luz Marina Pereira-González, Dra. Andrea Basantes-Andrade, Milton Mora-Grijalva y Anabela Galárraga-Andrade

Alteridad, 2025, 20(2), 190-202© Universidad Politécnica Salesiana, Ecuador 193

adaptarlos mediante la revisión de variables latentes

para abordar de forma específica el uso de la IA

generativa en la educación superior en el contexto

latinoamericano. La emergencia de ChatGPT como

herramienta en entornos universitarios no puede

comprenderse únicamente desde una lógica funcio-

nal o instrumental, sino como parte de un ecosiste-

ma cultural más amplio marcado por la cibercultura,

donde las prácticas educativas, los vínculos con el

saber y las nociones de autoría se transforman pro-

fundamente (Vieira Neto y Rocha Bruno, 2025).

En este sentido, el propósito de esta investiga-

ción fue proponer, a partir de un Análisis Factorial

Exploratorio, un modelo contextualizado al ámbito

académico, partiendo de la base conceptual del

UTAUT+UTAUT2, que explique las expectativas de

uso de ChatGPT con fines académicos en estudiantes

de la Facultad de Educación, Ciencia y Tecnología de

una universidad pública del Ecuador.

Atendiendo la rápida expansión del uso de

inteligencias artificiales generativas y su uso entre

estudiantes de educación superior, específicamente

en contextos latinoamericanos, esta investigación

propone el modelo CHASSIS (CHatGPT Adoption

and Sustained usage among Students in Institutional

Settings), modelo conceptual en el que se integran

fundamentos de teorías de adopción del uso de

tecnologías TAM, TPB y UTAUT/UTAUT2, adap-

tando al fenómeno de uso de ChatGPT que está

emergiendo con gran fuerza en contextos formati-

vos. Aplicando un Análisis Factorial Exploratorio a

una muestra probabilística, estratificada y bietápica,

se identificaron siete dimensiones determinantes

que explican la intención de uso de ChatGPT por

parte de estudiantes universitarios: preocupaciones

éticas y académicas (PEA), expectativa de desem-

peño (ED), costo y accesibilidad financiera (CAF),

intención de uso (IU), influencia/ansiedad social

(IAS), confiabilidad y fiabilidad percibidas (CFP), y

condiciones facilitadoras (CF). Estas variables laten-

tes además de recoger las principales dimensiones

clásicas de las teorías de aceptación de tecnologías

incorporan componentes atinentes al sistema de

educación superior contemporáneo, como la autoría,

el riesgo percibido y el respaldo institucional.

El modelo propuesto, CHASSIS, también se

destaca porque al capturar las complejidades de la

intención de los estudiantes frente al uso de ChatGPT

integra, por una parte, los elementos motivacionales y,

por la otra, las barreras contextuales que pueden llegar

a configurar su adopción en esta población específica.

CHASSIS da cuenta de una estructura que ha sido

empíricamente validada y adaptada a las particulari-

dades del entorno universitario ecuatoriano. Posee un

poder explicativo del 68,6 % de la varianza y exhibe

altos índices de consistencia interna en todos sus

factores (α > 0.85), este modelo representa un aporte

teórico sólido para futuras investigaciones que bus-

quen comprender y promover un uso ético, eficiente y

sostenido de ChatGPT en la educación superior.

2. Metodología

El enfoque de esta investigación fue cuantitati-

vo, con un alcance exploratorio, ya que el objetivo de

la técnica estadística empleada —el análisis factorial

exploratorio— es identificar patrones subyacentes, es

decir, descubrir factores que permitan interpretar la

estructura de relaciones entre las variables, sin esta-

blecer relaciones de causalidad definitivas. La pobla-

ción objetivo estuvo constituida por 2955 estudiantes

matriculados en el período octubre 2024-febre-

ro 2025, en la Facultad de Educación, Ciencia y

Tecnología de una Universidad pública de Ecuador.

Para obtener el tamaño de la muestra se usó la

fórmula correspondiente a una población finita con

variable categórica (1), considerando p = q = 0.5, que

representa la condición más desfavorable. Se consi-

deró un valor de Z igual a 1.96, que corresponde a

un nivel de significación, de 5 % y un error muestral,

e, de 5 %.

(1)

El tamaño mínimo requerido en la muestra

fue de 341 y, por efectos prácticos de aplicación del

instrumento, se tomó un tamaño final de la muestra

de 509 estudiantes.

Se utilizó un muestreo probabilístico estra-

tificado bietápico, con elementos seleccionados

mediante SPSS 29.0.2.0, con base en los datos de

estudiantes matriculados en las 13 carreras de la

facultad. En la primera etapa, se consideraron las

carreras como estratos y los semestres como clúste-

res, asignando peso unitario a todos los elementos.

Se aplicó un muestreo aleatorio simple sin sustitu-

ción, considerando valores proporcionales según el

Dra. Luz Marina Pereira-González, Dra. Andrea Basantes-Andrade, Milton Mora-Grijalva y Anabela Galárraga-Andrade

Alteridad, 2025, 20(2), 190-202© Universidad Politécnica Salesiana, Ecuador

194

número de estudiantes por carrera. En la segunda

etapa, se estratificó por sexo mediante muestreo

aleatorio simple sin sustitución, con valores ajusta-

dos según las proporciones por carrera, nivel y sexo.

Tras seleccionar la muestra, se aplicó el cuestionario

a los estudiantes que proporcionaron su consen-

timiento informado por escrito. Los participantes

fueron informados sobre el uso académico de los

datos para publicación de resultados, garantizando

su anonimato y la confidencialidad en el manejo de

la información.

En la tabla 1 se presentan las edades de los

estudiantes de la muestra, por carrera y sexo.

La técnica utilizada en la investigación fue

la encuesta, y el instrumento el cuestionario, con

preguntas cerradas y abiertas, estas últimas para

recabar el consentimiento informado en el que se

pidió el nombre del estudiante (anonimizado poste-

riormente), sector, ciudad y provincia del domicilio.

Con el ánimo de comprender mejor el contexto de

la aplicación, se les preguntó sobre la nacionalidad,

autorreconocimiento étnico y promedio de notas.

El cuestionario fue colocado en línea en Microsoft

Office 360. Se designaron dos encuestadores por

cada nivel de cada carrera, los cuales, en forma pre-

sencial, explicaron a los estudiantes los objetivos y

alcance del proyecto, proporcionaron información

adicional sobre el tratamiento anónimo de los datos

y dieron las instrucciones generales para el llenado

del formulario.

Sobre la revisión previa de teorías y mode-

los encontrados en los antecedentes, se construyó

una matriz de estrategia para la elaboración del

cuestionario que fue validado por dos expertos.

Posteriormente se realizó una prueba piloto a 30

estudiantes voluntarios de la Facultad y se aplicó el

instrumento refinado para cubrir los ocho factores

de interés en el estudio: 1) Percepción de Utilidad

y Eficacia Académica (expectativa de desempeño o

rendimiento), ED; 2) Motivación hedónica, MH; 3)

Influencia/ansiedad social, IAS; 4) Costo y accesibi-

lidad financiera, CAF; 5) Condiciones facilitadoras

(apoyo institucional y competencias tecnológicas),

CF; 6) Intención de uso (intención conductual de

usar, referida a la propensión a actuar, es decir, seguir

usando la herramienta), IU; 7) Preocupaciones éticas

y académicas, PEA; 8) Confiabilidad y fiabilidad per-

cibidas, CFP. Para la selección del número de factores

se utilizó tanto el criterio de Kaiser (1960) como el

gráfico de sedimentación.

Tabla 1. Estadísticas descriptivas de la edad de los estudiantes de la muestra por carrera y sexo

Edad

Carrera Mujeres Hombres Mínimo Máximo Media Desviación típica

Artes Plásticas 17 10 19 30 21.52 2.39

Comunicación 21 17 18 27 21.39 2.07

Diseño Gráfico 14 23 18 26 20.86 2.03

Educación Básica 35 9 18 29 21.32 1.99

Educación Inicial 40 3 19 28 21.47 1.94

Entrenamiento Deportivo 8 30 18 35 22.03 3.15

Pedagogía de la Actividad

Física y Deporte 10 31 18 33 21.27 2.65

Pedagogía de las Artes y

Humanidades 22 11 18 33 22.06 2.77

Pedagogía de las Ciencias

Experimentales 19 17 18 31 21.22 2.49

Pedagogía de los Idiomas

Nacionales y Extranjeros 33 12 18 31 21.31 2.33

Psicología 33 13 18 29 21.15 2.40

Psicopedagogía 38 9 19 33 21.47 2.67

Publicidad 15 19 19 38 22.09 3.31

509

Dra. Luz Marina Pereira-González, Dra. Andrea Basantes-Andrade, Milton Mora-Grijalva y Anabela Galárraga-Andrade

Alteridad, 2025, 20(2), 190-202© Universidad Politécnica Salesiana, Ecuador 195

Se decidió utilizar el criterio de Kaiser para

determinar cuántos factores debían extraerse en el

análisis factorial exploratorio debido a que se trata de

un método ampliamente reconocido por su eficacia

y uso frecuente en investigaciones del ámbito psico-

métrico y educativo. Según este criterio, solo se con-

servan aquellos factores cuyo eigenvalor es mayor

que 1.0, lo que implica que los factores involucrados

son capaces de explicar más varianza que una varia-

ble individual. El carácter exploratorio del estudio

hace que esté orientado a descubrir una estructura

latente clara que sirva de base para futuras valida-

ciones confirmatorias. Si bien existen otros enfoques

para determinar el número de factores a extraer en

un análisis factorial exploratorio, como el análisis

paralelo o el test MAP de Velicer, el criterio de Kaiser

ofreció resultados que fueron del todo coherentes

con el gráfico de sedimentación, reafirmando la

validez de los siete factores identificados. Además,

considerando la alta adecuación muestral (KMO =

0.939) y el número significativo de variables anali-

zadas, el número de factores extraídos sobre la base

del criterio de Kaiser permitió evitar la inclusión

de factores poco relevantes y asegurar un modelo

CHASSIS sólido y parsimonioso.

En este primer producto de la investigación,

los datos de la muestra fueron tratados con la técnica

para reducción de dimensiones del Análisis Factorial

Exploratorio, AFE. El software utilizado para el estu-

dio de los supuestos y del análisis factorial explora-

torio fue JASP 0.19.3.

3. Resultados

El instrumento aplicado en este estudio tuvo

por finalidad encontrar un modelo apropiado, adap-

tado al contexto de uso de ChatGPT en universida-

des, partiendo de teorías anteriores que fueron plan-

teadas para la investigación del uso de la tecnología.

Por tanto, se decidió proponer para este modelo el

nombre de “Adopción y Uso Sostenido de ChatGPT

entre Estudiantes en Entornos Institucionales”,

CHASSIS (CHatGPT Adoption and Sustained usage

among Students in Institutional Settings).

La aplicación del AFE en el modelo arrojó

que el factor motivación hedónica (Venkatesh et

al., 2012; Romero-Rodríguez et al., 2023; Strzelecki,

2024), no estaba presente entre estudiantes univer-

sitarios, quedando finalmente constituido por los

otros siete factores.

La revisión de supuestos previos para saber

si existía correlación suficiente entre los ítems, fue

establecida a través de la prueba de esfericidad de

Bartlett (1951) y la prueba de Kaiser-Meyer Olkin

(KMO), Kaiser (1970). El test de esfericidad evalúa

la hipótesis nula de que la matriz de correlaciones

es una matriz identidad. El resultado de la prueba

de esfericidad de Bartlett fue significativo, , lo que

sugiere que los datos presentan correlaciones sufi-

cientes para realizar un análisis factorial. Por su

parte, el índice de adecuación muestral de Kaiser-

Meyer-Olkin (KMO) fue de 0.939, con valores indi-

viduales que oscilaron entre 0.902 y 0.960, lo que

confirma la idoneidad de los datos para el análisis

factorial (Kaiser, 1974).

Los resultados del alfa de Cronbach (1951)

indicaron niveles de consistencia interna que van

desde 0.859 hasta 0.945, evidenciando una alta con-

fiabilidad de las escalas utilizadas (tabla 2).

En la tabla 3 se pueden observar los autovalo-

res y la varianza explicada en la solución sin rotar y

rotada del análisis factorial exploratorio. Se observa

que, con los siete factores extraídos, se logra explicar

el 68.6 % de la varianza.

En la tabla 4 se muestra la matriz de cargas fac-

toriales para el modelo CHASSIS. Intencionalmente

se han suprimido las cargas en otros factores para

una mejor visualización del comportamiento; pero

es importante señalar que las cargas factoriales

muestran una estructura bien definida, con cada

ítem cargando predominantemente en un solo fac-

tor. Las cargas en otros factores son inferiores a 0.18,

lo que indica una baja colinealidad y minimiza el

riesgo de solapamiento factorial. Esto sugiere que

los factores extraídos son claramente diferenciables

y que cada ítem contribuye de manera específica a

su respectivo constructo. Además, la baja magnitud

de las cargas cruzadas (< 0.18) indica que los ítems

no presentan ambigüedad en su asociación con los

factores, lo que refuerza la validez discriminante del

modelo factorial obtenido.

Dra. Luz Marina Pereira-González, Dra. Andrea Basantes-Andrade, Milton Mora-Grijalva y Anabela Galárraga-Andrade

Alteridad, 2025, 20(2), 190-202© Universidad Politécnica Salesiana, Ecuador

196

Tabla 2. Resultados del alfa de Cronbach e intervalos de confianza del 95 % para los factores evaluados.

Intervalo de confianza 95 %

Factor Alfa de

Cronbach Error estándar Límite inferior Límite superior

Preocupaciones éticas y académicas (PEA) 0.939 0.06 0.928 0.95

Expectativa de desempeño (ED) 0.930 0.05 0.921 0.94

Costo y accesibilidad financiera (CAF) 0.928 0.007 0.913 0.942

Intención de uso (IU) 0.912 0.010 0.892 0.932

Influencia/ansiedad social (IAS) 0.859 0.014 0.832 0.886

Confiabilidad y fiabilidad percibida (CFP) 0.904 0.012 0.880 0.928

Condiciones facilitadoras (CF) 0.889 0.014 0.862 0.917

Total 0.945 0.006 0.933 0.957

Tabla 3. Autovalores y varianza explicada en la solución no rotada y rotada del análisis factorial exploratorio

Solución sin rotar Solución rotada

Factor Eigenvalor

Suma de

cargas al

cuadrado

Proporción

de varianza Acumulada

Suma de

cargas al

cuadrado

Proporción de

varianza Acumulada

PEA 12.539 12.229 0.340 0.340 5.847 0.162 0.162

ED 4.549 4.243 0.118 0.458 4.782 0.133 0.295

CAF 4.174 3.858 0.107 0.565 4.167 0.116 0.411

IU 1.649 1.369 0.038 0.603 2.890 0.080 0.491

IAS 1.486 1.177 0.033 0.635 2.466 0.069 0.560

CFP 1.234 0.961 0.027 0.662 2.307 0.064 0.624

CF 1.128 0.855 0.024 0.686 2.235 0.062 0.686

En la tabla 4, la columna de unicidad repre-

senta la proporción de la varianza de cada ítem que

no es explicada por los factores comunes. Los valores

de unicidad obtenidos en el análisis factorial reflejan

que la mayoría de los ítems están bien representados

por los factores extraídos, con valores inferiores a

0.40. No obstante, algunos ítems presentan valores

más altos (≥ 0.45), lo que sugiere una mayor varian-

za específica no explicada por los factores comunes.

Estos ítems podrían analizarse en términos de su

redacción, pertinencia conceptual o incluso su rela-

ción con otros ítems, para poder determinar si su

integración en el modelo es adecuada o si requieren

ajustes. No obstante, en términos generales, la estruc-

tura factorial muestra una adecuada representación

de los ítems, con una distribución de la varianza que

respalda la validez del modelo.

Finalmente, en la tabla 5 se presenta la matriz

de correlaciones factoriales.

Tabla 4. Matriz de cargas factoriales del modelo CHASSIS

F1_PEA F2_ED F3_CAF F4_IU F5_IAS F6_CFP F7_CF Unicidad

PEA_I1 0.957 0.211

PEA_I2 0.924 0.270

PEA_I3 0.896 0.284

PEA_I4 0.888 0.242

PEA_I5 0.812 0.338

Dra. Luz Marina Pereira-González, Dra. Andrea Basantes-Andrade, Milton Mora-Grijalva y Anabela Galárraga-Andrade

Alteridad, 2025, 20(2), 190-202© Universidad Politécnica Salesiana, Ecuador 197

F1_PEA F2_ED F3_CAF F4_IU F5_IAS F6_CFP F7_CF Unicidad

PEA_I6 0.810 0.327

PEA_I7 0.675 0.466

PEA_I8 0.619 0.442

PEA_I9 0.549 0.549

ED_I1 0.897 0.277

ED_I2 0.893 0.269

ED_I3 0.869 0.292

ED_I4 0.835 0.357

ED_I5 0.732 0.367

ED_I6 0.720 0.389

ED_I7 0.661 0.354

CAF_I1 0.924 0.238

CAF_I2 0.918 0.211

CAF_I3 0.798 0.311

CAF_I4 0.784 0.311

CAF_I5 0.779 0.319

CAF_I6 0.701 0.414

IU_I1 0.885 0.223

IU_I2 0.841 0.238

IU_I3 0.827 0.251

IU_I4 0.712 0.348

IAS_I1 0.871 0.258

IAS_I2 0.779 0.418

IAS_I3 0.767 0.370

IAS_I4 0.650 0.459

CFP_I1 0.860 0.226

CFP_I2 0.854 0.208

CFP_I3 0.850 0.280

CF_I1 0.892 0.230

CF_I2 0.834 0.258

CF_I3 0.786 0.302

Tabla 5. Matriz de correlaciones factoriales

FACTOR PEA ED CAF IU IAS CFP CF

PEA 1.000 0.304 0.299 0.521 0.372 0.237 0.260

ED 0.304 1.000 0.346 0.644 0.192 0.558 0.355

CAF 0.299 0.346 1.000 0.376 0.603 0.463 0.554

IU 0.521 0.644 0.376 1.000 0.267 0.510 0.402

IAS 0.372 0.192 0.603 0.267 1.000 0.373 0.401

CFP 0.237 0.558 0.463 0.510 0.373 1.000 0.525

CF 0.260 0.355 0.554 0.402 0.401 0.525 1.000

Dra. Luz Marina Pereira-González, Dra. Andrea Basantes-Andrade, Milton Mora-Grijalva y Anabela Galárraga-Andrade

Alteridad, 2025, 20(2), 190-202© Universidad Politécnica Salesiana, Ecuador

198

4. Discusión y conclusiones

Los valores de alfa de Cronbach (1951) obteni-

dos en la tabla 2 indican que los ítems que conforman

cada factor presentan una alta consistencia interna, lo

que respalda la fiabilidad de las escalas que han sido

utilizadas en la medición de los constructos. Incluso

el factor con el valor más bajo (Influencia/ansiedad

social, 0.859) se sitúa en un rango aceptable y robusto

para fines de investigación (Tavakol y Dennick, 2011).

Aunque valores muy altos pueden ser indicativos de

redundancia entre los ítems, en este caso, al analizar

los subdominios o factores de forma individual, se

observa que cada uno aporta información específica

sobre dimensiones teóricas diferenciadas.

Con relación al porcentaje de varianza expli-

cada (tabla 3), el primer factor (PEA) concentra un

eigenvalor muy elevado (12.539), explicando cerca

del 34 % de la varianza. Esto es habitual en las solu-

ciones no rotadas, donde el primer factor tiende a

absorber gran parte de la varianza compartida debi-

do a la falta de ajuste en la estructura. Con la rota-

ción oblicua se aprecia un reparto más equilibrado

de la varianza entre los factores. Los resultados del

porcentaje de varianza explicada en la solución sin

rotar y en la rotada confirman la presencia de una

estructura factorial compleja y refuerzan la utilidad

de aplicar la rotación para obtener una solución más

interpretable. La tabla 5 de correlaciones entre facto-

res, confirma la adecuación de selección de la rota-

ción oblicua con el método promax (Akhtar-Danesh,

2023), ya que se encontró que los factores no son

completamente independientes, por ejemplo, entre

los factores 2 y 4 y entre el 3 y el 5, existen corre-

laciones superiores a 0.6, las cuales son toleradas

por el método promax. En el ámbito de las ciencias

sociales, se suele considerar que soluciones factoria-

les que explican en torno al 50 %-60 % de la varianza

total son aceptables (Hair et al., 2019). En este caso,

alcanzar casi el 69 % evidencia una estructura sólida.

En el análisis factorial realizado en esta inves-

tigación, se ha logrado establecer la pertinencia de

siete factores relacionados con la intención de uso de

ChatGPT en un entorno institucional. La mayoría de

los ítems presentan cargas altas, superiores a 0.70, lo

que indica una fuerte asociación entre cada ítem y su

factor (Hair et al., 2019). Se observa un reparto claro

de los ítems: cada uno se agrupa en un factor especí-

fico sin que aparezcan cargas cruzadas relevantes (no

hay por encima de 0.18), lo que sugiere buena validez

convergente (Brown, 2015). De forma general, tabla

4, se aprecia que la mayoría de los ítems tienen una

unicidad moderada-baja, lo cual confirma que cada

factor explica una parte relevante de la varianza de

sus ítems.

Los resultados se compaginan con un modelo

híbrido de teorías precedentes relacionadas tanto con

la Acción Razonada y el comportamiento Planificado

(TAR y TBP) como con el Modelo de Aceptación de

Tecnología (TAM) y las teorías unificadas de acepta-

ción y uso de tecnologías en versión original y exten-

dida (UTAUT, UTAUT2); pero posee sus propias sin-

gularidades de uso de una inteligencia artificial gene-

rativa, específicamente en un contexto universitario.

De los siete factores, el que más contribuye a

explicar la varianza es el de las preocupaciones éticas

y académicas, PEA, que puede explicarse como el

riesgo percibido en relación con el desarrollo del

pensamiento crítico, la autoría, la originalidad, el

plagio involuntario, el reconocimiento adecuado de

la contribución de la herramienta y la importancia

de cuestionar aspectos éticos. Las cargas altas indi-

can que dichos ítems describen consistentemente

aspectos como la preocupación por el fraude o la

deshonestidad académica. El ítem que presenta la

carga más baja (0.549) sigue siendo relevante, apun-

ta a pequeños temores asociados con los aspectos

éticos en el uso de la herramienta. Este resultado se

encuentra en sintonía con los estudios de Sallam et

al. (2023), Menon y Shilpa (2023), Farhi et al. (2023),

Abdaljaleel et al. (2024) y Stahl y Eke (2024), quienes

encontraron que el uso de ChatGPT, en el estudian-

tado universitario, plantea inquietudes y preocupa-

ciones sobre la autoría, la integridad y la ética.

El segundo factor obtenido se relaciona con la

expectativa de desempeño o rendimiento, ED. Este

es el factor que es considerado con mayor frecuen-

cia en los modelos de uso de tecnologías (UTAUT,

TAM). Se encontró que los discentes perciben que

usar ChatGPT impacta de forma positiva el rendi-

miento académico y los hace ser más eficientes, prin-

cipalmente por los recursos que proporciona que

facilitan el aprendizaje y la comprensión de temas

académicos, por lo que manifiestan estar satisfechos

con la experiencia. Las cargas altas indican que los

estudiantes valoran positivamente la mejora en la

calidad de sus tareas y que el uso de ChatGPT les

permita obtener de forma rápida buenos resultados;

Dra. Luz Marina Pereira-González, Dra. Andrea Basantes-Andrade, Milton Mora-Grijalva y Anabela Galárraga-Andrade

Alteridad, 2025, 20(2), 190-202© Universidad Politécnica Salesiana, Ecuador 199

pero se muestran un poco menos satisfechos con

la experiencia general (0.661).Este resultado con-

cuerda con los estudios de Davis (1989), Venkatesh

y Davis (2000), Venkatesh et al. (2003), Bilquise

et al. (2023), Sallam et al. (2023), Abdaljaleel et al.

(2024), García-Alonso et al. (2024), Bolívar-Cruz

y Verano-Tacoronte (2025), Firat y Kuleli (2025),

Romero-Rodríguez et al. (2023), Menon y Shilpa

(2023), Strzelecki (2024), Surya Bahadur et al. (2024)

y Shahzad et al. (2024).

El tercer factor encontrado fue el de costo y

accesibilidad financiera, CAF, el cual es considerado

por Venkatesh et al. (2012) en UTAUT2, y se rela-

ciona con el impacto que la falta de recursos puede

tener en el uso de ChatGPT. Dado que el rango de

cargas es alto (mayormente por encima de 0.78), se

percibe que la dimensión de “accesibilidad financie-

ra” está muy presente y que los encuestados valoran

de forma consistente si el uso de ChatGPT conlleva

barreras o limitaciones económicas. También se han

encontrado efectos significativos de este factor en

los trabajos de Romero-Rodríguez et al. (2023) y de

Abdaljaleel et al. (2024).

El cuarto factor correspondió a la intención de

uso, IU, incluido en TAM y cónsono con los estudios

de Venkatesh et al. (2003), Venkatesh et al. (2012),

Bilquise et al. (2023) y Strzelecki (2024). Las altas

cargas indican que los participantes que puntúan alto

en estos ítems tienen una clara voluntad de emplear

la herramienta para sus estudios o investigaciones.

El quinto factor es relativo a la influencia/

ansiedad social, IAS, y se relaciona con que el uso de

ChatGPT ocasione cierto nerviosismo, estrés o ansie-

dad y con la influencia de la opinión de los pares en

la decisión de uso. El factor de influencia social

también ha resultado relevante en las investigaciones

de Bilquise et al. (2023), Choudhury y Shamszare

(2023), Shahzad et al. (2024) y García-Alonso et al.

(2024). En este estudio no se encontró una influencia

negativa entre la presencia de ansiedad y la intención

de uso de ChatGPT. Budhathoki et al. (2024) tam-

bién estudió la influencia de la ansiedad en Reino

Unido y en Nepal, encontrando una afectación nega-

tiva hacia la intención de comportamiento de uso

en Reino Unido, pero no en el comportamiento de

uso; mientras que en Nepal no tuvo afectación sobre

intención de uso.

El sexto factor fue la Confiabilidad y fiabilidad

percibida (CFP) en el que se encontró una percep-

ción positiva en relación con la precisión y confia-

bilidad de las respuestas emitidas por ChatGPT.

Este factor es considerado por Bilquise et al. (2023),

Choudhury y Shamszare (2023), Shahzad et al.

(2024), García-Alonso et al. (2024) y Lai et al. (2024).

Las cargas altas sugieren que los participantes distin-

guen claramente este factor y tienden a coincidir en

que ChatGPT les proporciona respuestas confiables.

Finalmente, el séptimo factor quedó consti-

tuido por las condiciones facilitadoras (CF) en las

cuales los estudiantes manifestaron su percepción

en relación con que la institución facilita el acceso y

apoyo al uso de herramientas de inteligencia artifi-

cial generativa. Este resultado está en concordancia

con el modelo UTAUT (Venkatesh et al., 2003),

Menon y Shilpa (2023) y Bolívar-Cruz y Verano-

Tacoronte (2025).

El modelo CHASSIS constituye una propuesta

contextualizada para el análisis de la adopción de

ChatGPT en el ámbito universitario, al integrar fac-

tores relevantes de teorías previas (UTAUT, TAM,

TPB, TAR) y adaptarlos al uso de una IA generativa.

Entre sus aportaciones destaca la identificación de

las preocupaciones éticas y académicas como prin-

cipal factor que explica la varianza, evidenciando la

importancia de atender temas como autoría, inte-

gridad y originalidad en este contexto, este factor es

crucial en el caso de investigaciones socioeducativas

(Pastor-Andrés et al., 2025). Además, la escala mues-

tra altos niveles de consistencia interna en la mayoría

de los factores, lo que refuerza su fiabilidad. No obs-

tante, las conclusiones deben interpretarse con cau-

tela, pues el hecho de que el estudio sea transversal

limita la posibilidad de inferir relaciones causales y,

dada la especificidad del entorno analizado, la gene-

ralización a otras universidades o regiones podría

requerir adaptaciones adicionales.

Se deduce que la adopción de ChatGPT no

solo depende de la expectativa de desempeño y la

intención de uso, sino también de la confianza en

la herramienta y la presencia de condiciones faci-

litadoras promovidas por la institución. La fuerte

correlación entre ciertos factores sugiere que el

apoyo institucional y la percepción de confiabilidad

pueden potenciar el uso responsable, pero a la vez la

influencia/ansiedad social y el costo pueden actuar

como barreras. Para futuros estudios, se recomienda

(a) realizar validaciones confirmatorias y análisis

longitudinales que exploren cómo evolucionan las

Dra. Luz Marina Pereira-González, Dra. Andrea Basantes-Andrade, Milton Mora-Grijalva y Anabela Galárraga-Andrade

200

percepciones y comportamientos, (b) contrastar este

modelo con otras tecnologías de IA, y (c) profundi-

zar en la incidencia de aspectos culturales y norma-

tivos en distintos contextos universitarios.

Como conclusión, el modelo CHASSIS ofre-

ce un marco robusto y pertinente para comprender

las dimensiones que influyen en la aceptación de

ChatGPT en un entorno académico, confirmando

la relevancia de factores éticos y académicos, de

desempeño, de confiabilidad, de influencia social,

financieros y de apoyo institucional. Los altos índi-

ces de consistencia interna (0.859-0.939), el elevado

porcentaje de varianza explicada, 68.6 %, y la clara

diferenciación de los constructos resaltan su potencial

para guiar intervenciones que busquen promover un

uso ético y eficiente de la IA generativa. Aunque se

requerirán más estudios que corroboren estos hallaz-

gos y analicen su aplicabilidad en diversos contextos,

la presente investigación establece un punto de parti-

da significativo para el desarrollo teórico y práctico de

la integración de ChatGPT en la educación superior.

Contribución de autores

Luz Marina Pereira-González: conceptualiza-

ción, curación de datos, análisis formal, investigación,

metodología, administración del proyecto, recursos,

supervisión, validación, visualización, escritura-bo-

rrador original, escritura-revisión y edición.

Andrea Basantes-Andrade: conceptualiza-

ción, análisis formal, investigación, metodología,

supervisión, validación, escritura-borrador original,

escritura-revisión y edición.

Milton Mora-Grijalva: conceptualización,

investigación, supervisión, validación, escritura-revi-

sión y edición.

Anabela Galárraga-Andrade: conceptualiza-

ción, investigación, supervisión, validación, escritu-

ra-revisión y edición.

Referencias bibliográficas

Abdaljaleel, M., Barakat, M., Alsanafi, M., Salim, N.

A., Abazid, H., Malaeb, D., Mohammed, A. H.,

Hassan, B. A. R., Wayyes, A. M., Farhan, S. S.,

Khatib, S. E., Rahal, M., Sahban, A., Abdelaziz,

D. H., Mansour, N. O., AlZayer, R., Khalil,

R., Fekih-Romdhane, F., Hallit, R., Hallit, S. y

Sallam, M. (2024). A multinational study on the

factors influencing university students’ attitudes

and usage of ChatGPT. Scientific Reports, 14(1),

Article 19831.

https://doi.org/10.1038/s41598-024-52549-8

Ajzen, I. (1985). From intentions to actions: A theory

of planned behavior. En J. Kuhl y J. Beckmann

(Eds.), Action-control: From cognition to behavior

(pp. 11-39). Springer.

Akhtar-Danesh, N. (2023). Impact of factor rotation

on Q-methodology analysis. PLOS ONE, 18(9),

Article e0290728.

https://doi.org/10.1371/journal.pone.0290728

Al-Abdullatif, A. M. y Alsubaie, M. A. (2024). ChatGPT

in learning: Assessing students’ use intentions

through the lens of perceived value and the

influence of AI literacy. Behavioral Sciences, 14(9),

Article 845. https://doi.org/10.3390/bs14090845

Bartlett, M. S. (1951). The effect of standardization on a

χ² approximation in factor analysis. Biometrika,

38(3/4), 337-344.

https://doi.org/10.2307/2332580

Bettayeb, A. M., Abu Talib, M., Sobhe Altayasinah, A.

Z. y Dakalbab, F. (2024). Exploring the impact

of ChatGPT: Conversational AI in education.

Frontiers in Education, 9, Article 1379796.

https://doi.org/10.3389/feduc.2024.1379796

Bilquise, G., Ibrahim, S. y Salhieh, S. M. (2023).

Investigación sobre la aceptación de un chatbot

de asesoramiento académico por parte de los

estudiantes en instituciones de educación supe-

rior. Educación y Tecnologías de la Información,

29(5), 6357-6382.

https://doi.org/10.1007/s10639-023-12076-x

Bolívar-Cruz, A. y Verano-Tacoronte, D. (2025). Is anxie-

ty affecting the adoption of ChatGPT in univer-

sity teaching? A gender perspective. Tech Know

Learn, 9(4), 1-20.

https://doi.org/10.1007/s10758-025-09830-0

Bosnjak, M., Ajzen, I. y Schmidt, P. (2020). The theory of

planned behavior: selected recent advances and

applications. Europe’s Journal of Psychology, 16(3),

352-356. https://doi.org/10.5964/ejop.v16i3.3107

Brown, T. A. (2015). Confirmatory factor analysis for

applied research (2nd ed.). The Guilford Press.

Budhathoki, T., Zirar, A., Njoya, E. T. y Timsina, A. (2024).

ChatGPT adoption and anxiety: a cross-country

analysis utilising the unified theory of acceptan-

ce and use of technology (UTAUT). Studies in

Higher Education, 49(5), 831-846.

https://doi.org/10.1080/03075079.2024.2333937

Choudhury, A. y Shamszare, H. (2023). Investigating the

impact of user trust on the adoption and use of

ChatGPT: Survey analysis. JMIR Human Factors,

25, Article e47184. https://doi.org/10.2196/47184

Dra. Luz Marina Pereira-González, Dra. Andrea Basantes-Andrade, Milton Mora-Grijalva y Anabela Galárraga-Andrade

Cronbach, L. J. (1951). Coefficient alpha and the internal

structure of tests. Psychometrika, 16, 297-334.

https://doi.org/10.1007/BF02310555

Davis, F. D. (1989). Perceived usefulness, perceived ease

of use, and user acceptance of information tech-

nology. MIS Quarterly, 13(3), 319-340.

https://doi.org/10.2307/249008

Din Bandhu, M., Murali Mohan, M., Nittala, N. A. P.,

Jadhav, P., Bhadauria, A. y Saxena, K. K. (2024).

Theories of motivation: A comprehensive analy-

sis of human behavior drivers. Acta Psychologica,

244, Article 104177.

https://doi.org/10.1016/j.actpsy.2024.104177

Farhi, F., Jeljeli, R., Aburezeq, I., Dweikat, F. F., Al-shami,

S. A. y Slamene, R. (2023). Analyzing the stu-

dents’ views, concerns, and perceived ethics

about ChatGPT usage. Computers and Education:

Artificial Intelligence, 5, Article 100180.

https://doi.org/10.1016/j.caeai.2023.100180

Firat, M. y Kuleli, S. (2024). Fronteras educativas con

ChatGPT / Educational frontiers with ChatGPT:

un análisis de redes sociales de tuits influyentes

/ a social network analysis of influential tweets.

Alteridad. Revista de Educación, 19(2), 224-235.

https://doi.org/10.17163/alt.v19n2.2024.06

Fishbein, M. y Ajzen, I. (1975). Belief, attitude, inten-

tion, and behavior: An introduction to theory and

research. Addison-Wesley.

García-Alonso, E. M., León-Mejía, A. C., Sánchez-

Cabrero, R. y Guzmán-Ordaz, R. (2024). Training

and technology acceptance of ChatGPT in uni-

versity students of social sciences: A netcoinci-

dental analysis. Behavioral Sciences, 14(7), Article

612. https://doi.org/10.3390/bs14070612

Gupta, B., Mufti, T., Sohail, SS y Madsen, D. Ø. (2023).

ChatGPT: una breve revisión narrativa. Cogent

Business & Management, 10 (3), Article 2275851.

https://doi.org/10.1080/23311975.2023.2275851

Gupta, V. (2024). An empirical evaluation of a Generative

Artificial Intelligence Technology Adoption

Model from entrepreneurs’ perspectives. Systems,

12(3), Article 103.

https://doi.org/10.3390/systems12030103

Hair, J. F., Black, W. C., Babin, B. J. y Anderson, R.

E. (2019). Multivariate Data Analysis (8th ed.).

Cengage Learning.

Heredia-Carroza, J., Chavarría-Ortiz, C., López-Estrada,

S. y Zacharewicz, T. (2024). How to enhance the

entrepreneurial intentions of the young popu-

lation in rural areas: An approach from perso-

nal values and the socioeconomic environment.

European Research on Management and Business

Economics, 30(3), Article 100261.

https://doi.org/10.1016/j.iedeen.2024.100261

Kaiser, H. F. (1960). The application of electronic

computers to factor analysis. Educational and

Psychological Measurement, 20(1), 141-151.

https://doi.org/10.1177/001316446002000116

Kaiser, H. F. (1970). A second generation little jiffy.

Psychometrika, 35(4), 401-415.

https://doi.org/10.1007/BF02291817

Kaiser, H. F. (1974). An index of factorial simplicity.

Psychometrika, 39(1), 31-36.

https://doi.org/10.1007/BF02291575

Klimova, B. y de Campos, V. P. L. (2024). University

undergraduates’ perceptions on the use of

ChatGPT for academic purposes: evidence from

a university in Czech Republic. Cogent Education,

11(1), Article 2373512.

https://doi.org/10.1080/2331186X.2024.2373512

Lai, C. Y., Cheung, K. Y., Chan, C. S. y Law, K. K. (2024).

Integrating the adapted UTAUT model with

moral obligation, trust and perceived risk to pre-

dict ChatGPT adoption for assessment support: A

survey with students. Computers and Education:

Artificial Intelligence, 6, Article 100246.

https://doi.org/10.1016/j.caeai.2024.100246

Latif, E. y Zhai, X. (2024). Fine-tuning ChatGPT for

automatic scoring. Computers and Education:

Artificial Intelligence, 6, Article 100210.

https://doi.org/10.1016/j.caeai.2024.100210

Leng, L. (2024). Challenge, integration, and change:

ChatGPT and future anatomical education.

Medical Education Online, 29, 2304973.

https://doi.org/10.1080/10872981.2024.2304973

Menon, D. y Shilpa, K. (2023). “Chatting with ChatGPT”:

Analyzing the factors influencing users’ intention

to use the OpenAI’s ChatGPT using the UTAUT

model. Heliyon, 9(11), Article e20962.

https://doi.org/10.1016/j.heliyon.2023.e20962

Pastor-Andrés, D., Gezuraga-Amundarain, M.,

Darretxe-Urrutxi, L. y Rodríguez-Torre, I.

(2025). Reflexiones y desafíos sobre la importan-

cia de la ética en la investigación socioeducativa.

Alteridad, 20(1), 74-83.

https://doi.org/10.17163/alt.v20n1.2025.06

Ray, P. P. (2023). ChatGPT: A comprehensive review on

background, applications, key challenges, bias,

ethics, limitations and future scope. Internet of

Things and Cyber-Physical Systems, 3, 121–154.

https://doi.org/10.1016/j.iotcps.2023.04.003

Romero Rodríguez, J. M., Ramírez Montoya, M. S.,

Buenestado Fernández, M. y Lara-Lara, F. (2023).

Uso de ChatGPT en la universidad como herra-

mienta para el pensamiento complejo: Utilidad

percibida por los estudiantes. Journal of New

Dra. Luz Marina Pereira-González, Dra. Andrea Basantes-Andrade, Milton Mora-Grijalva y Anabela Galárraga-Andrade

202

Approaches in Educational Research, 12, 323–339.

https://doi.org/10.7821/naer.2023.7.1458

Roumeliotis, K. I. y Tselikas, N. D. (2023). ChatGPT and

open-ai models: a preliminary review. Future

Internet, 15(6), Article 192.

https://doi.org/10.3390/fi15060192

Sallam, M., Salim, N., Barakat, M., Al-Mahzoum, K.,

Al-Tammemi, A., Malaeb, D., Hallit, R. y Hallit,

S. (2023). Assessing health students’ attitudes

and usage of ChatGPT in Jordan: Validation

study. JMIR Medical Education, 9, Article e48254.

https://doi.org/10.2196/48254

Shahzad, M.F., Xu, S. y Javed, I. (2024). ChatGPT aware-

ness, acceptance, and adoption in higher educa-

tion: the role of trust as a cornerstone. Int J Educ

Technol High Educ, 21(46), 1-23.

https://doi.org/10.1186/s41239-024-00478-x

Stahl, B. C. y Eke, D. (2024). The ethics of ChatGPT

– Exploring the ethical issues of an emerging

technology. International Journal of Information

Management, 74, Article 102700.

https://doi.org/10.1016/j.ijinfomgt.2023.102700

Strzelecki, A. (2024) Students’ Acceptance of ChatGPT in

Higher Education: An extended unified theory

of acceptance and use of technology. Innov High

Educ, 49, 223-245.

https://doi.org/10.1007/s10755-023-09686-1

Tavakol, M. y Dennick, R. (2011). Making sense of

Cronbach’s alpha. International Journal of Medical

Education, 2, 53-55.

http://doi.org.10.5116/ijme.4dfb.8dfd

Venkatesh, V. y Davis, F. D. (2000). A theoretical exten-

sion of the technology acceptance model: Four

longitudinal field studies. Management Science,

46(2), 186-204.

https://doi.org/10.1287/mnsc.46.2.186.11926

Venkatesh, V., Morris, M. G., Davis, G. B. y Davis, F. D.

(2003). User acceptance of information technolo-

gy: Toward a unified view. MIS Quarterly, 27(3),

425-478.

https://doi.org/10.2307/30036540

Venkatesh, V., Thong, J. Y. L. y Xu, X. (2012). Consumer

acceptance and use of information technology:

Extending the unified theory of acceptance and

use of technology. MIS Quarterly, 36(1), 157-178.

https://doi.org/10.2307/41410412

Vieira Neto, O. S. de S. y Rocha Bruno, A. (2025).

Ontología del presente del ser maestro y ciberfor-

mación en docencia universitaria / Ontology of

the present of being a teacher and cyberformation

in university teaching. Alteridad, 20(1), 99-112.

https://doi.org/10.17163/alt.v20n1.2025.08