Zhao, X., et al. (2025). Factors influencing medical students’ adoption of AI educational agents. BMC Medical Education, 25, 1678. https://doi.org/10.1186/s12909-025-08234-z
Resumen del artículo
Estudio transversal que extiende el modelo UTAUT con cuatro variables propias del contexto médico (confianza en la IA, riesgo percibido, motivación hedónica y posibilidad de prueba) para explicar la intención de adoptar agentes educativos con IA. Tras interactuar con un agente desarrollado por los autores, 200 estudiantes de medicina clínica respondieron un cuestionario; 155 respuestas válidas se analizaron con PLS-SEM.
El modelo explicó el 85.3 % de la varianza de la intención conductual. La expectativa de esfuerzo (β = 0.362) y la expectativa de desempeño (β = 0.297) fueron los predictores más fuertes, seguidas de las condiciones facilitadoras (β = 0.258). La influencia social no fue significativa, hallazgo que los autores interpretan como señal de autonomía en aprendices profesionales. La motivación hedónica influyó de manera indirecta a través de ambas expectativas, y la confianza en la IA, la posibilidad de prueba y un menor riesgo percibido elevaron la expectativa de desempeño.
Ideas clave
- Utilidad y facilidad mandan: la adopción responde a un cálculo racional de costo-beneficio, no a la presión de pares o autoridades (p. 2, p. 12).
- Condición de frontera para la influencia social: en aprendices profesionales autónomos el constructo pierde poder explicativo (p. 14).
- Confianza y riesgo como antecedentes: para tecnologías de IA con autonomía, el UTAUT clásico se queda corto sin estas variables (p. 3).
- Diseño para la aceptación: priorizar usabilidad, construir confianza y ofrecer experiencia inmersiva y agradable (p. 15).
- Limitaciones: muestra unicéntrica, transversal y de estudiantes, sin medida de uso real (p. 1).
Citas textuales relevantes
“The constructed model demonstrated strong explanatory power, successfully accounting for 85.3% of the variance in students’ behavioral intention (R² = 0.853).” (Zhao et al., 2025, p. 1)
“The findings indicate that for medical students, who are highly autonomous professional learners, the intrinsic value of an AI educational tool (i.e., its utility and ease of use) is the dominant factor in their adoption decisions, far outweighing the social influence of peers or authorities.” (Zhao et al., 2025, p. 2)
“Ultimately, successful integration of AI in medical education depends not only on technological innovation, but on alignment with the needs, values, and autonomy of learners themselves.” (Zhao et al., 2025, p. 15)
Conexión con la tesis de Sandra
Aporte del autor: un modelo UTAUT extendido y validado con PLS-SEM para agentes educativos de IA, con evidencia de que confianza, riesgo percibido y motivación hedónica importan. Lectura propia para la tesis: este estudio ayuda a decidir qué versión del modelo de aceptación tecnológica usar como covariable en el Cap 3. Si Sandra adopta UTAUT, los hallazgos sugieren incluir confianza en la IA y riesgo percibido, especialmente relevantes en perfusionistas que operan una tecnología de alto riesgo como la CEC, y sugieren que la influencia social podría no aportar en profesionales en ejercicio. Además, el resultado sobre expectativa de esfuerzo refuerza la necesidad de que la simulación virtual sea fácil de usar para que la aceptación no contamine el efecto sobre el PINTS. Conecta con n-5-7 (UTAUT en CDSS), n-5-8 y n-5-9 (TAM y VR), y con n-3-2, donde la usabilidad cayó en clínicos experimentados.
Preguntas orientadoras
- ¿Sandra medirá aceptación con TAM o con UTAUT extendido, y qué variables (confianza en la IA, riesgo percibido) añadirá pensando en perfusionistas en ejercicio de varios países?
- Si la influencia social no predice la adopción en estudiantes autónomos, ¿ocurrirá lo mismo en perfusionistas donde la cultura del servicio de cirugía cardíaca pesa tanto?
- ¿Cómo se validará en español el cuestionario de aceptación elegido para una muestra de n = 150 de América Latina, y se aplicará antes o después de la intervención?
Conexiones
- Subárea: 3-Simulación virtual IA
- Notas relacionadas: n-5-7, n-5-8, n-5-9, n-3-2
- Autores: Xiaotian Xia, Keshan Wang
Ir más a fondo
- Nota subatómica: Zhao (2025), 14 pasajes subrayados
- Pregúntale a los documentos: cuaderno de NotebookLM con los PDF del corpus (acceso restringido)
Mi reflexión
Graba tu reflexión de voz o escríbela usando los controles que aparecen abajo.