REE 20(1) Riobamba ene. - abr. 2026
cc
BY NC ND
130
ISSN-impreso 1390-7581
ISSN-digital 2661-6742
Relación entre dependencia a la inteligencia artificial, rendimiento académico y procrastinación
académica en universitarios
Relationship between dependence on artificial intelligence, academic performance, and academic
procrastination in university students
https://doi.org/10.37135/ee.04.25.08
Autores:
Hilda Sapillado Condori - https://orcid.org/0009-0002-7963-9896
Giuliana Nadyn Vilca Quispe - https://orcid.org/0009-0002-1329-0839
Alcides Quispe Mamani - https://orcid.org/0000-0002-7404-7464
Afiliación:
Universidad Peruana Unión
Autor de correspondencia: Giuliana Nadyn Vilca Quispe. Universidad Peruana Unión (UPeU), Carretera Salida
a Arequipa km. 6 Villa Chullunquiani, Juliaca, Perú. Tel: +51 940799733. E-mail: giuliana.vilca@upeu.edu.pe
Recibido: 21 de mayo de 2025 Aceptado: 11 de diciembre de 2025
RESUMEN
Esta investigación tuvo como objetivo determinar la relación existente entre dependencia de la inteligencia
artificial, rendimiento y procrastinación académica en estudiantes universitarios de la región Puno. Así se
aplicó un diseño no experimental, de corte transversal y tipo correlacional, en una muestra de 492 universitarios
de distintas universidades, con edades entre 18 y 35 años. Se utilizaron las escalas de dependencia hacia la
inteligencia artificial DAI, rendimiento académico universitario RAU y procrastinación académica EPA. Los
resultados, el 53 % de los participantes fueron de sexo masculino, el 92,1 % tenían edades entre 18 y 25 años,
el 51,4 % provenían de una universidad nacional de Juliaca, matriculados entre el primer y tercer ciclo
(51,8 %), destacándose el área de ingenierías con el 49,4 % de participación. El 63,41 % de los participantes
indicaron tener mayor inclinación hacia el uso de ChatGPT. Los valores globales indicaron una correlación
inversa significativa, (r = -0,122; p = <0,007) entre dependencia a la IA y rendimiento académico; no existe
correlación significativa entre dependencia a la IA y procrastinación académica (r = 0,022, p = < 0,627),
demostrando que los universitarios que no presentan altos niveles de dependencia de la inteligencia artificial
mantienen niveles de rendimiento académico adecuados y no tienden a procrastinar. Se identificó relación
inversa significativa entre dependencia de IA y la falta de organización de material didáctico (r = -0,225, p = <0,000),
evidenciando que la desorganización de materiales de estudio podría activar la necesidad de recurrir a la IA
como una solución rápida.
Palabras clave: inteligencia artificial, rendimiento académico, educación.
ABSTRACT
This research aimed to determine the relationship between dependence on artificial intelligence, academic
performance, and procrastination among university students in the Puno region. A non-experimental,
cross-sectional, correlational study was conducted with a sample of 492 university students from different
universities, aged 18-35 years. The scales of dependence on artificial intelligence (DAI), university academic
performance (RAU), and academic procrastination (EPA) were used as measurement instruments. The
results showed that 53 % of the participants were male, 92.1 % were between 18 and 25 years old, 51.4 %
came from a national university in Juliaca, enrolled between the first and third cycles (51.8 %), with the
engineering field standing out with 49.4 % participation. Sixty-three point four one percent of participants
indicated a greater inclination toward using ChatGPT. The overall values showed a significant inverse correlation
(r = -0.122; p = <0.007) between AI dependence and academic performance; there is no significant correlation
between AI dependence and academic procrastination (r = 0.022, p = <0.627), demonstrating that university
students who do not have high levels of dependence on artificial intelligence maintain adequate academic
performance levels and do not tend to procrastinate. A significant inverse relationship was found between AI
dependence and the lack of organization of teaching materials (r = -0.225, p = <0.000), suggesting that
disorganized study materials can prompt the need to resort to AI as a quick fix.
Keywords: Artificial Intelligence, Academic Performance, Education.
INTRODUCCIÓN
La inteligencia artificial (IA) es una herramienta tecnológica cuyo uso se está expandiendo rápidamente en
la educación universitaria,
(1)
siendo los estudiantes quienes tienen una interacción con la IA al menos
semanalmente.
(2)
Según Tyton Partners,
(3)
el 59 % son estudiantes y el 40 % docentes. La IA fue desarrollada
como una herramienta para optimizar experiencias de aprendizaje, con el fin de fortalecer el rendimiento
académico del estudiante
(4)
a través del apoyo en la ejecución de tareas y trabajos, y incrementar las calificaciones
(5)
a través del acceso rápido, a recursos y asistencia personalizada,
(6)
siendo útil también para facilitar la
investigación académica.
(7)
En Perú, se halló que el 73,2 % de universitarios utilizan la IA para hacer sus
tareas e investigaciones,
(5)
Turnitin
(8)
sostiene que un 3 % de los trabajos examinados presentan un 80 % o
más de texto generado por IA. Dentro del mundo académico, el ChatGPT es la herramienta de IA más usada,
debido a su uso dinámico y versátil.
(9)
A pesar de las ventajas de esta tecnología, su aceptación sin control podría generar dependencia por parte de
los estudiantes y educadores
(10)
, provocar la pérdida de habilidades cognitivas,
(11)
la capacidad de pensar de
manera independiente y desarrollar habilidades esenciales como la investigación y análisis,
(6)
impulsando a
pensar como los algoritmos sin comprender,
(12, 13)
asimismo, incentivar la pereza y dificultades en la toma de
decisiones,
(11)
reduciendo la motivación para esforzarse intelectualmente,
(6)
poniendo en riesgo el rendimiento
académico, incluso llevándolo a manifestar comportamientos de procrastinación académica, como retrasos
en la finalización de tareas, retrasos en las clases y retrasos en eventos competitivos hasta el último
día, entre otros.
(14,15)
En un futuro, esto significaría que los egresados universitarios sean de baja calidad
(16)
y con habilidades profesionales deficientes.
(17)
Estudios previos evidenciaron que el uso de la IA afecta negativamente el rendimiento académico de los
estudiantes universitarios y está relacionado positivamente con la procrastinación donde, a mayor uso de la
IA menor rendimiento académico y mayor probabilidad de procrastinar,
(15)
asimismo, se encontró que la
dependencia de la IA afecta el rendimiento académico de los estudiantes conllevando a la pérdida de habilidades
de investigación y aprendizaje autónomo,
(13)
y que su uso excesivo puede contribuir inadvertidamente a
retrasos en las tareas académicas, también se reveló que el uso excesivo de ChatGPT puede provocar la
postergación de tareas y un menor rendimiento y desarrollo académico.
(18)
La intención de uso de la inteligencia
artificial por parte de los estudiantes está basada en la ética, la autoeficacia, la motivación y las expectativas de
resultados, los cuales influyen en el rendimiento académico ya sea favorable o desfavorable.
(19)
En Perú, se demostró que la IA afecta positivamente el rendimiento académico de los estudiantes de pregrado
y postgrado en un 48,1 %.
(5)
Asimismo, se destaca que los estudiantes con una actitud más favorable hacia la
IA tienen una clara comprensión y entendimiento de la IA, tienen confianza en su educación y experimentan
efectos positivos en su rendimiento académico.
La IA está transformando el ámbito educativo y los hábitos de estudio, por lo que es necesario investigar su
impacto en los estudiantes universitarios. En este contexto, se planteó la presente invetsigación con la finalidad
de determinar la relación existente entre dependencia de la inteligencia artificial, percepción del rendimiento
académico y procrastinación académica en estudiantes universitarios de la región Puno, en el segundo periodo
académico de 2024.
MATERIAL Y MÉTODOS
Diseño y contexto
Este estudio se llevó a cabo con un enfoque cuantitativo, diseño no experimental, de corte transeccional o
transversal y de tipo correlacional, con el objetivo de analizar la relación entre dos o más variables.
(20)
Participantes
Este estudio se realizó en la región Puno, Perú, con una población compuesta por estudiantes de diversas
universidades de la región, tanto instituciones públicas como privadas, matriculados en el segundo periodo
académico del 2024, se seleccionó una muestra de 492 estudiantes universitarios de distintas carreras,
diferenciadas en 3 grupos (Ingenierías, Biomédicas y Sociales), con edades comprendidas entre 18 y 35
años, pertenecían a ambos sexos y contaban con conocimientos previos sobre inteligencia artificial. Se
emplearon criterios de muestreo no probabilístico por conveniencia intencional
(21, 22)
seleccionando participantes
con disponibilidad para formar parte de la muestra.
(23)
Instrumentos
Escala de Dependencia hacia la Inteligencia Artificial (DAI), desarrollada en Perú por Morales-García et al.
(24)
La escala es unidimensional y consta de 5 ítems medidos a través de una escala tipo Likert: Completamente
falso para mí, Mayormente falso para mí, Ni verdadero ni falso para mí, Mayormente verdadero para mí y
Me describe perfectamente, con un puntaje máximo de 25 puntos dirigidos a estudiantes universitarios. Los
valores de alfa de Cronbach y el coeficiente omega de McDonald muestran una adecuada consistencia interna
La escala de rendimiento académico universitario (RAU) fue desarrollada por Preciado-Serrano et al
(25)
y validada por Remaycuna-Vásquez et al.
(26)
consta de 18 ítems y tres dimensiones: aportación en las
actividades académicas, dedicación al estudio y falta de organización de los recursos didácticos, se
miden mediante una escala de tipo Likert con 7 alternativas de respuesta: nunca, casi nunca, algunas
veces, regularmente, a menudo, casi siempre y siempre. El índice de confiabilidad del alfa de Cronbach
y omega de McDonald, a nivel general se evidencia que la fiabilidad es de 0.843 y 0.865 respectivamente,
la cual tiene valores aceptables.
Escala de Procrastinación Académica (EPA), creada por Busko
(27)
y validada para Perú por Domínguez et al.
(28)
esta adaptación consta de 12 ítems, divididos en 2 dimensiones autorregulación académica y postergación de
actividades. Los ítems son medidos según la escala de Likert: nunca, casi nunca, a veces, casi siempre y
siempre. Se obtuvieron umbrales de confianza a través del alfa de Cronbach, obteniéndose un indicador de
0,821 (IC al 95 %: 0,793; 0,847) para el factor autorregulación académica, y de 0,752 (IC al 95 %: 0,705;
0,792) para el factor postergación de actividades. El coeficiente omega estimó la confiabilidad de los factores,
logrando un indicador de 0,829 para el factor autorregulación académica y de 0,794 para el factor postergación
de actividades.
Análisis de datos
La recolección de datos se realizó mediante la aplicación de los instrumentos posteriormente se estructuraron
y procesaron utilizando Statistical Package for the Social Sciences (SPSS) versión 27 y Jamovi 2.3.28.0,
donde se empleó la estadística descriptiva e inferencial para la obtención de datos de frecuencia y correlación
de variables, así como la verificación de la distribución normal o anormal de las variables.
Aspectos éticos
El estudio fue aprobado por el comité de ética de la Universidad Peruana Unión, con número de aprobación
2024-CEB-FCS - UPeU-270 la cual se adhirió a los principios éticos del código de ética de investigación
establecidos por la misma institución. Asimismo, se puso en consideración las directrices del Código de
Ética del Colegio de Psicólogos del Perú aplicables a la investigación. Todos los participantes procedieron a
la firma del consentimiento informado, manifestando su aceptación para participar en el estudio y autorizan-
do el uso de los datos exclusivamente para fines académicos e investigativos.
(29, 30)
RESULTADOS
Para el análisis inferencial se empleó la prueba de correlación de Pearson, dado que las variables presentaron
distribución normal. En los casos en los que la normalidad no fue determinada, se complementó con la
verificación mediante coeficientes y valores p correspondientes.
Los resultados muestran que, del total de participantes, el 53, 9 % correspondió al sexo masculino y el 92,1%
presentaban edades entre 18 y 25 años. El 51,4 % fueron procedentes de la UNAJ, destacándose el área de
Ingeniería con participación del 49,4 %. Por otro lado, se muestra que la mayoría se encontraban matriculados
entre el I a III ciclo (51, 8 %). La información de los tipos de IAs que más utilizan como apoyo para su jornada
académica más relevantes fue: el ChatGPT con un 63,41 %, Canva (51,83 %), Meta.IA (40,65 %), Gemini
(26.42%) y Mendeley (24,39 %) como las IAs de mayor aceptación, además de otras IAs que son de baja
preferencia (Tabla 1).
Datos sociodemográficos
Tabla 1. Características de los participantes
Nota: *UNAP “Universidad Nacional del Altiplano”, UNAJ “Universidad Nacional de Juliaca”, UPEU “Universidad Peruana
Unión”
Los estudiantes universitarios de la región Puno son dependientes de la IA en un nivel “leve” (50,61 %), con
un rendimiento académico percibido de nivel “medio”, a excepción de la dimensión dedicación al estudio,
en donde el 40,9 % se percibe en un nivel “alto” y así mismo son procrastinadores en un nivel “promedio”
(57,3 %). (Tabla 2)
Tabla 2. Análisis descriptivo de dependencia a la IA, percepción de rendimiento académico y procrastina-
ción académica
Se detectó una relación inversa significativa entre dependencia a la inteligencia artificial y rendimiento
académico, con una intensidad de relación débil (r= -0,122, p=< 0,007) lo que señala que, a mayor rendimiento
académico de los estudiantes universitarios, menor dependencia de la IA. No se encontró una correlación con
la procrastinación (r= 0,022, p=< 0,627) lo que sugiere que ambas variables son independientes y no se afectan
entre sí. En cambio, se observa una correlación inversa y altamente significativa, con una intensidad de
relación moderada (r = -0,333, p =< 0,000) entre rendimiento académico y procrastinación académica, lo que
evidencia que a menor procrastinación académica, mayor rendimiento académico (Tabla 3).
Tabla 3. Correlación entre dependencia de la IA, percepción de rendimiento académico y procrastinación
académica y sus dimensiones.
Nota: * p < .05, ** p < .01, *** p < .001. Prueba estadística utilizada: Coeficiente de correlación de Pearson
Las aportaciones a las actividades académicas no se relacionan con dependencia de la IA (r= - 0,040,
p = 0,371), sin embargo, presenta una relación directa altamente significativa con una intensidad fuerte
con rendimiento académico (r = 0.884, p = < 0.000) y una relación inversa con la procrastinación
académica (r = -0.296, p = < 0.000) lo que indica que, a mayor aportación a las actividades académicas,
mayor rendimiento académico y menor tendencia a procrastinar. La dedicación al estudio es independiente y
no se relaciona con dependencia de la IA (r = -0,053, p = < 0,237), pero tiene una fuerte relación positiva con
el rendimiento académico (r,= 0,835, p = < 0,000) y una relación inversa con la procrastinación académica
(r= -0,323; p = <0,000) que indica que, a mayor compromiso con el estudio, mejor desempeño académico y
menos propenso a procrastinar. La falta de organización de los recursos didácticos tiene una relación inversamente
significativa con la dependencia de la IA con una intensidad leve (r =-0,225, p = <0.000), lo que sugiere que una
organización más eficiente implica una dependencia menor de la IA; no se relaciona con la procrastinación
académica, pero sí con el rendimiento académico (r = 0,371, p = < 0.000), ya que una falta de organización
no necesariamente afecta negativamente el desempeño académico. La autorregulación académica no está
relacionada con la dependencia a la inteligencia artificial, sino que mantiene una relación inversa con el
rendimiento académico (r = -0,327, p = < 0.000) y una relación directa de gran relevancia con intensidad
fuerte con procrastinación académica (r = 0.952, p = < 0,000), indicando que en ciertos contextos los alumnos
con menos control o regulación sobre su propio proceso de aprendizaje suelen lograr mejores resultados
académicos y que a mayor capacidad de control del aprendizaje, mayor es la predisposición a procrastinar.
Finalmente, la postergación de actividades no se relaciona con la dependencia a la IA, sin embargo, tiene una
relación inversa débil con el rendimiento académico (r = -0,163, p = < 0,000) y una correlación positiva con
procrastinación académica (r = 0,576, p = < 0,000) lo que indica que una mayor postergación se asocia con
un menor rendimiento académico y una mayor tendencia a procrastinar. (Tabla 4)
Tabla 4. Correlación entre dependencia de la IA, rendimiento académico, procrastinación académica y sus
dimensiones.
DISCUSIÓN
El objetivo general del estudio fue determinar la relación entre la dependencia de la inteligencia artificial
(IA), la percepción del rendimiento académico y la procrastinación académica en estudiantes universitarios
de la región Puno durante el segundo periodo del 2024. Los resultados obtenidos permiten discutir los hallazgos
desde una perspectiva comparativa con investigaciones previas y en función de los objetivos planteados.
En relación con el primer objetivo, se identificó una correlación inversa significativa entre la dependencia a
la IA y el rendimiento académico (r = -0,122; p < 0,007), lo que indica que los estudiantes con menor depen-
dencia de la IA presentan un mejor desempeño académico. Este hallazgo coincide con lo reportado por Del
Cisne et al.
(13)
y Avendaño,
(31)
quienes evidenciaron que una alta dependencia tecnológica puede afectar nega-
tivamente el rendimiento académico hasta en un 65 %, debido a la pérdida de autonomía cognitiva y de habi-
lidades analíticas. Sin embargo, cuando la IA se utiliza como herramienta de apoyo complementario, puede
potenciar la productividad y mejorar la comprensión de los contenidos.
(19)
Por consiguiente, el estudio reafirma
la necesidad de fomentar un uso responsable y pedagógico de la IA en el entorno universitario, donde el criterio
humano y el pensamiento crítico sigan siendo fundamentales para la formación académica.
Respecto al segundo objetivo, orientado a analizar la relación entre la dependencia a la IA y la procrastinación
académica, no se identificó una correlación significativa (r = 0.022; p < 0.627). Este resultado sugiere que el
uso de herramientas de IA no influye directamente en los niveles de procrastinación. A diferencia de lo
planteado por Abbas et al.
(15)
quienes encontraron una relación positiva entre el uso excesivo de ChatGPT y
la postergación de actividades, los datos de este estudio muestran que la procrastinación puede estar determinada
por otros factores personales, como la autoeficacia, la motivación intrínseca y la capacidad de autorregulación.
(32)
Por tanto, la dependencia tecnológica no sería el principal factor desencadenante de la procrastinación,
aunque un uso desmedido de la IA podría, en algunos casos, reforzar hábitos de postergación si no se acompaña
de un control adecuado del tiempo y la planificación.
En cuanto al tercer objetivo, se identificó una relación inversa y altamente significativa entre el rendimiento
académico y la procrastinación académica (r = -0,333; p < 0,000). Este resultado confirma lo encontrado por
Zumárraga y Cevallos
(33)
y Kim y Seo,
(34)
quienes sostienen que la procrastinación afecta negativamente el
rendimiento académico al reducir la dedicación al estudio y la organización del tiempo. Los estudiantes con
altos niveles de rendimiento académico tienden a postergar menos sus actividades, muestran mayor motivación
y presentan una gestión más eficiente de sus recursos y objetivos
(35,36)
Este hallazgo respalda la importancia de
promover estrategias de autorregulación y gestión del tiempo en el ámbito universitario, como medios efectivos
para contrarrestar los efectos negativos de la procrastinación.
Por otra parte, el análisis de las dimensiones específicas aporta evidencia adicional. Se halló una relación
inversa significativa entre la dependencia de la IA y la falta de organización de los recursos didácticos
(r = -0,225; p < 0,000),
lo que sugiere que los estudiantes con menor organización tienden a recurrir más a
la IA como solución inmediata ante la demanda académica. Este resultado se alinea con los hallazgos de
Cosme Garate et al.
(37)
y Zhang et al.,
(38)
quienes señalan que una deficiente gestión de materiales de estudio
puede incrementar el estrés y la dependencia de herramientas tecnológicas. Además, Granda Aguilera et
al.
(39)
y Ahmad et al.,
(11)
advierten que la dependencia excesiva de la IA puede debilitar la organización, el
pensamiento crítico y la autonomía académica, fomentando hábitos de dependencia cognitiva. Por tanto,
fortalecer las competencias de planificación y organización se vuelve esencial para evitar la sobreutilización
de la IA.
Asimismo, los resultados indican que la autorregulación académica no se relaciona significativamente con la
dependencia de la IA, lo cual demuestra que los estudiantes conservan su capacidad de control y gestión del
aprendizaje.
(25)
Este hallazgo es positivo, pues refleja que la mayoría utiliza la IA como una herramienta de
apoyo y no como un sustituto de sus procesos de trabajo académico. No obstante, es necesario enfatizar la
formación ética y digital para garantizar un equilibrio entre el uso tecnológico y el desarrollo de habilidades
de razonamiento, análisis y creatividad.
Finalmente, el hecho de no haber identificado una correlación estadísticamente significativa entre la depen-
dencia de la IA y la postergación de actividades (r = 0.02; p < 0.647) confirma que la procrastinación no
depende exclusivamente del uso de la IA, sino que responde a una interacción compleja de factores psicológicos,
académicos y sociales. Sin embargo, como sostienen Abbas et al.
(15)
el uso inadecuado o desmedido de
herramientas como ChatGPT puede inducir conductas de procrastinación cuando reemplaza la reflexión
personal o el esfuerzo intelectual, en lugar de servir como un medio de aprendizaje activo.
CONCLUSIONES
Los resultados evidencian que una menor dependencia de la IA se asocia con un mejor rendimiento académico
y que, a su vez, un mayor rendimiento académico se relaciona con menores niveles de procrastinación. Por
otro lado, no se identificó una relación significativa entre la dependencia de la IA y la procrastinación; sin
embargo, sí se encontró una asociación con la dimensión referida a la falta de organización de los recursos
didácticos. Los hallazgos destacan la importancia de promover un uso responsable de la IA en estudiantes.
Limitaciones del estudio: Entre las principales limitaciones se encuentra el uso de un muestreo no probabilístico
por conveniencia, lo que restringe la generalización de los resultados a otras poblaciones universitarias.
Asimismo, el estudio se basó en instrumentos de autoinforme, los cuales pueden estar sujetos a sesgos de
percepción y deseabilidad social. Finalmente, al tratarse de un diseño transversal, no es posible establecer
relaciones causales entre las variables analizadas. Se recomienda que futuras investigaciones incorporen
diseños longitudinales y muestras más diversas para profundizar en estos hallazgos.
Financiamiento: Investigación financiada por los autores.
Agradecimientos: A los directivos del vicerrectorado de investigación de la Universidad Peruana Unión.
Conflictos de intereses: Los autores no tienen intereses en competencia.
Declaración de contribución:
Hilda Sapillado Condori y Giuliana Nadyn Vilca Quispe participaron en todo el proceso integral de la inves-
tigación y la redacción del artículo.
Alcides Quispe Mamani participó como asesor del estudio, revisión y aprobación de la versión final
REFERENCIAS BIBLIOGRÁFICAS
1. Acosta P. El impacto de la inteligencia artificial en la educación superior. Informe del Consejo de
Europa - ES de ES: Aprendemos entre todos [Internet]. 2022 [citado 8 Nov 2025]. Disponible en:
https://www.espaciosdeeducacionsuperior.es/07/12/2022/__trashed-2__trashed/.
2. Digital Education Council global AI student survey 2024. Encuesta mundial sobre inteligencia artificial
a estudiantes del Consejo de Educación Digital 2024 [Internet]. [cited 5 Mar 2025]. Disponible en:
https://www.digitaleducationcouncil.com/post/digital-education-council-global-ai-student-survey-2024.
3. Tyton Partners. Time for Class 2024: Unlocking access to effective digital teaching and learning
[Internet]. 2024 [citado 10 Nov 2024]. Disponible en: https://4213961.fs1.hubspotusercontent-na1.net/
hubfs/4213961/Publications/Time%20for%20Class%202024.pdf.
4. Rojas Marín F de los Á, Espinoza Padilla JG, Mendoza Pacheco MF. Inteligencia Artificial: Dependencia
y la Afección del Pensamiento Crítico. Cienc Lat Rev Científica Multidiscip. [Internet]. 2024 [citado
7 Mar 2025]; 8(4):12590–608. Disponible en: https://ciencialatina.org/index.php/cienciala/article/
view/13462.
5. Espinoza Vidaurre SM, Velásquez Rodríguez NC, Gambetta Quelopana RL, Martínez Valdivia AN,
Leo Rossi EA, Laura de la Cruz KM, et al. Influencia de la inteligencia artificial en la eficiencia del
rendimiento académico: un análisis de determinantes. RISTI - Rev Ibér Sist Tecnol Inf [Internet].
2024 [citado 9 Mar 2025]; E70:399–418. disponible en: https://dialnet.unirioja.es/servlet/articulo?
codigo=9886376.
6. Mukhtar M, Firdos SS, Zaka I, Naeem S. Impact of AI dependence on procrastination among university
students. Research Journal of Psychology [Internet]. 2025 [citado 4 Oct 2025];3(1):246–57. Disponible
en: https://ctrjournal.com/index.php/19/article/view/62 Int J Educ Innov Res. 2025;3(1):11–22.
7. Gavilanes Vásquez PG, Adum Ruiz JH, García Ruiz GS, Ruíz Ortega MG. Impacto de la inteligencia
artificial en la educación superior: una mirada hacia el futuro. RECIAMUC [Internet]. 2024 [citado
6 Oct 2025];8(2):213–21. Disponible en: https://www.reciamuc.com/index.php/RECIAMUC/article/
view/1371 DOI: http://dx.doi.org/10.26820/reciamuc/8.(2).abril.2024.213-221.
8. Turnitin. Estudio Time for Class: ¿Cuál ha sido el impacto de la IA en el aprendizaje de los estudiantes
en la era digital? [Internet]. Turnitin.com. 2024. [citado 13 Mar 2025]. Disponible en: https://www.
turnitin.com/press/turnitin-estudio-time-for-class.
9. Sabzalieva E, Valentini A. ChatGPT e inteligencia artificial en la educación superior: Guía de inicio
rápido. [Internet]. París: UNESCO IESALC;2023;1–16. [citado 15 Mar 2025]. Disponible en:
https://unesdoc.unesco.org/ark:/48223/pf0000385146_spa/PDF/385146spa.pdf.multi.
10. Seo K, Tang J, Roll I, Fels S, Yoon D. The impact of artificial intelligence on learner–instructor
interaction in online learning. Int J Educ Technol High Educ [Internet]. 2021 [citado 17 Mar 2025];
18(1):1–14. Disponible en: https://link.springer.com/article/10.1186/s41239-021-00292-9 DOI:
https://doi.org/10.1186/s41239-021-00292-9.
11. Ahmad SF, Han H, Alam MM, Rehmat MK, Irshad M, Arraño-Muñoz M, et al. Impact of artificial
intelligence on human loss in decision-making, laziness and safety in education. Humanit Soc Sci
Commun [Internet]. 2023 [citado 19 Mar 2025];10(1):311. Disponible en: https://www.nature.com/
articles/s41599-023-01787-8 DOI:10.1057/s41599 023 017878.
12.
[citado 8 May 2025]; 20. Disponible en: https://www.khaleejtimes.com/nation/dubai/Is-AI-makin
ghumans-lazy-Here-what-UAE-residents-say.
13. Del Cisne Loján M, Antonio Romero J, Sancho Aguilera D, Yajaira Romero A. Consecuencias de la
Dependencia de la Inteligencia Artificial en Habilidades Críticas y Aprendizaje Autónomo en los
Estudiantes. Cienc Lat Rev Científica Multidiscip. [Internet]. 2024 [citado 15 May 2025];8(2):
2368–2382. Disponible en: https://ciencialatina.org/index.php/cienciala/article/view/10678 DOI:
http://dx.doi.org/10.37811/cl_rcm.v8i2.10678.
14. Longoni C, Cian L. Artificial Intelligence in Utilitarian vs. Hedonic Contexts: The “Word-of-Machine”
Effect. J Mark [Internet]. 2022 [citado 19 May 2025];86(1):91–108. Disponible en: https://journals.sagepub.
com/doi/10.1177/0022242920957347.
15. Abbas M, Jam FA, Khan TI. Is it harmful or helpful? Examining the causes and consequences of
generative AI usage among university students. Int J Educ Technol High Educ [Internet]. 2024 [citado
9 Jan 2025];21(1). Disponible en: https://link.springer.com/article/10.1186/s41239-024-00444-7
DOI: https://doi.org/10.1186/s41239-024-00444-7.
16. Malinka K, Peresíni M, Firc A, Hujnák O, Janus F. On the Educational Impact of ChatGPT: Is Artificial
Intelligence Ready to Obtain a University Degree? In: Proceedings of the 2023 Conference on
Innovation and Technology in Computer Science Education (ITiCSE); 2023 [citado 15 Jan 2025].
3587102.3588827.
17. Gocen A, Aydemir F. Artificial Intelligence in Education and Schools. Res Educ Media. [Internet].
2020 [citado 20 May 2025];12(1):13–21. Disponible en: https://sciendo.com/2/v2/download/article/
10.2478/rem-2020-0003.pdf DOI: http://dx.doi.org/10.2478/rem-2020-0003.
18. Daha ES, Altelwany AA. Exploring the impact of using - ChatGPT in light of goal orientations and
academic self-efficacy. Int J Instr [Internet]. 2025 [citado 25 May 2025];18(2):167–84. Disponible
en: https://e-iji.net/ats/index.php/pub/article/view/730 DOI: http://dx.doi.org/10.29333/iji.2025.18210a.
19. Ortega Azurduy M, Machaca Mamani J, Daza Morales J. El efecto de la Inteligencia Artificial en el
rendimiento académico de estudiantes de ciencias administrativas en la Universidad Católica
Boliviana. Rev Educ Super [Internet]. 2023 [citado 1 Jun 2025];10(3):13–22. Disponible en:
http://www.scielo.org.bo/scielo.php?pid=S2518-82832023000300013&script=sci_arttext DOI:
https://doi.org/ 10.53287/mzkv9068uw14f.
20. Hernández-Sampieri R, Mendoza Torres CP. Metodología de la investigación: las rutas cuantitativa,
cualitativa y mixta. México: McGraw-Hill Education; 2018.
21. Hernández-Sampieri R, Fernández Collado C, Baptista Lucio M del P. Metodología de la investigación.
6ª ed. México: McGraw-Hill; 2014.
22. Carrazco Díaz S. Metodología de la investigación científica. 2ª ed. Lima: Editorial San Marcos; 2019.
23. Ortega C. ¿Qué es el muestreo por conveniencia? [Internet]. 2024 [citado 22 Nov 2024]. Disponible
en: https://www.questionpro.com/blog/es/muestreo-por-conveniencia/.
24. Morales-García WC, Sairitupa-Sánchez LZ, Morales-García SB, Morales-García M. Development
and validation of a scale for dependence on artificial intelligence in university students. Frontiers in
Education. [Internet]. 2024 [citado 4 Jun 2025];9:1323898. Disponible en: https://www.frontiersin.org/
journals/education/articles/10.3389/feduc.2024.1323898/full DOI: 10.3389/feduc.2024.1323898.
25. Preciado-Serrano M de L, Ángel-González M, Colunga-Rodríguez C, Vázquez-Colunga JC,
Rendimiento Académico Universitario (Construction and Validation of the University Academic
[Internet]. 2021 [citado 6 Jun 2025];3(60):5 14. Disponible en: https://go.gale.com/ps/i.do?id=GA
LE%7CA758446785&sid=googleScholar&v=2.1&it=r&linkaccess=abs&issn=11353848&p=
AONE&sw=w&userGroupName=anon%7E40c47079&aty=open-web-entry DOI:10.21865/RIDEP
60.3.01.
26. Remaycuna-Vásquez A, Carrión-Barco G, Espinoza-Porras FR, Maquen Niño GLE. Validez y
confiabilidad de la escala de rendimiento académico desde la percepción del alumno. Revista de
https://dialnet.unirioja.es/servlet/articulo?codigo=9034432 DOI: 10.31876/rcs.v29i.40458.
27. Busko DA. Causes and consequences of perfectionism and procrastination: A structural equation
28. Domínguez Lara S, Villegas García G, Centeno Leyva S. Procrastinación académica: validación de
una escala en una muestra de estudiantes de una universidad privada. Liberabit [Internet]. 2014 [citado
12 Jun 2025];20(2):293–304. Disponible en: http://www.scielo.org.pe/pdf/liber/v20n2/a10v20n2.
29. Colegio de Psicólogos del Perú. Código de ética profesional. Lima: Colegio de Psicólogos del Perú;
2017.
30. Universidad Peruana Unión. Código de ética para la investigación (CoEIn). Lima: UPeU; 2016.
31. Avendaño Porras VC. La adicción a la inteligencia artificial: evaluación de prevalencia y factores de
riesgo en estudiantes de posgrado. Rev Enfoques [Internet]. 2024 Jun 30 [citado 16 Apr 2025];5:
66–88. Disponible en: https://revistasdigitales.uniboyaca.edu.co/index.php/EFQ/article/view/1405.
32. Steel P. The nature of procrastination: a meta-analytic and theoretical review of quintessential
self-regulatory failure. Psychological Bulletin, 2025 [citado 13 Apr 2025];133(1), 65–94. Disponible
en: https://psycnet.apa.org/buy/2006-23058-004 DOI: https://doi.org/10.1037/0033-2909.133.1.65.
33. Zumárraga-Espinosa M, Cevallos-Pozo G. Autoeficacia, procrastinación y rendimiento académico en
estudiantes universitarios de Ecuador. Alteridad [Internet]. 2022 [citado 18 Apr 2025];17(2):277–90.
Disponible en: https://revistas.ups.edu.ec/index.php/alteridad/article/view/5516.
34. Kim KR, Seo EH. The relationship between procrastination and academic performance: a meta-analysis.
Pers Individ Dif [Internet]. 2015 [citado 19 Apr 2025];82:26–33. Disponible en: https://www.sciencedirect.
com/science/article/abs/pii/S0191886915001610 DOI: https://doi.org/10.1016/j.paid.2015.02.038.
35. Rodríguez A, Clariana M. Procrastinación en Estudiantes Universitarios: Su Relación con la Edad y el
Curso Académico. Rev Colomb Psicol. [Internet]. 2017 [citado 20 Apr 2025];26(1):45–60. Disponible
en: http://www.scielo.org.co/pdf/rcps/v26n1/0121-5469-rcps-26-01-00045.pdf.
36. Honicke T, Broadbent J. The influence of academic self-efficacy on academic performance: a systematic
review. Educ Res Rev [Internet]. 2016 [citado 21 Apr 2025];17:63–84. Disponible en: https://www.sciencedirect.
com/science/article/abs/pii/S1747938X15000639 DOI: https://doi.org/10.1016/j.edurev.2015.11.002.
37. Cosme Garate GA, Cornejo Zúñiga AG, Chumacero Acosta JS, Ruiz Rios A, Tuesta Casique A, Alvarez
Arista Y. Enseñanza universitaria y recursos didácticos en el nivel de rendimiento de los estudiantes de
pregrado. Rev Científica Episteme y Tekne. [Internet]. 2022 [citado 23 Apr 2025];1(2):e380. Disponible
en: https://revistas.unsm.edu.pe/index.php/rceyt/article/view/380 DOI: 10.51252/rceyt.v1i2.380.
38. Zhang S, Zhao X, Zhou T, Kim JH. Do you have AI dependency? The roles of academic self-efficacy,
academic stress, and performance expectations on problematic AI usage behavior. Int J Educ Technol
High Educ. [Internet]. 2024 [citado 29 Apr 2025];21(1):1-15. Disponible en: http://dx.doi.org/10.1186/
s41239-024-00467-0.
39. Granda Aguilera DR, Lema Mullo L, Gallegos Gallegos AR. La dependencia de la inteligencia artificial
en los estudiantes de bachillerato: implicaciones y recomendaciones para un aprendizaje equilibrado.
Polo del Conoc. [Internet]. 2024 [citado 20 may 2025];9(7):2109–30. Disponible en: https://polodel
conocimiento.com/ojs/index.php/es/article/view/7618/html?utm_source=chatgpt.com.
Relación entre dependencia a la inteligencia artificial, rendimiento académico y procrastinación
académica en universitarios
Relationship between dependence on artificial intelligence, academic performance, and academic
procrastination in university students
https://doi.org/10.37135/ee.04.25.08
Autores:
Hilda Sapillado Condori - https://orcid.org/0009-0002-7963-9896
Giuliana Nadyn Vilca Quispe - https://orcid.org/0009-0002-1329-0839
Alcides Quispe Mamani - https://orcid.org/0000-0002-7404-7464
Afiliación:
Universidad Peruana Unión
Autor de correspondencia: Giuliana Nadyn Vilca Quispe. Universidad Peruana Unión (UPeU), Carretera Salida
a Arequipa km. 6 Villa Chullunquiani, Juliaca, Perú. Tel: +51 940799733. E-mail: giuliana.vilca@upeu.edu.pe
Recibido: 21 de mayo de 2025 Aceptado: 11 de diciembre de 2025
RESUMEN
Esta investigación tuvo como objetivo determinar la relación existente entre dependencia de la inteligencia
artificial, rendimiento y procrastinación académica en estudiantes universitarios de la región Puno. Así se
aplicó un diseño no experimental, de corte transversal y tipo correlacional, en una muestra de 492 universitarios
de distintas universidades, con edades entre 18 y 35 años. Se utilizaron las escalas de dependencia hacia la
inteligencia artificial DAI, rendimiento académico universitario RAU y procrastinación académica EPA. Los
resultados, el 53 % de los participantes fueron de sexo masculino, el 92,1 % tenían edades entre 18 y 25 años,
el 51,4 % provenían de una universidad nacional de Juliaca, matriculados entre el primer y tercer ciclo
(51,8 %), destacándose el área de ingenierías con el 49,4 % de participación. El 63,41 % de los participantes
indicaron tener mayor inclinación hacia el uso de ChatGPT. Los valores globales indicaron una correlación
inversa significativa, (r = -0,122; p = <0,007) entre dependencia a la IA y rendimiento académico; no existe
correlación significativa entre dependencia a la IA y procrastinación académica (r = 0,022, p = < 0,627),
demostrando que los universitarios que no presentan altos niveles de dependencia de la inteligencia artificial
mantienen niveles de rendimiento académico adecuados y no tienden a procrastinar. Se identificó relación
inversa significativa entre dependencia de IA y la falta de organización de material didáctico (r = -0,225, p = <0,000),
REE 20(1) Riobamba ene. - abr. 2026
cc
BY NC ND
131
ISSN-impreso 1390-7581
ISSN-digital 2661-6742
evidenciando que la desorganización de materiales de estudio podría activar la necesidad de recurrir a la IA
como una solución rápida.
Palabras clave: inteligencia artificial, rendimiento académico, educación.
ABSTRACT
This research aimed to determine the relationship between dependence on artificial intelligence, academic
performance, and procrastination among university students in the Puno region. A non-experimental,
cross-sectional, correlational study was conducted with a sample of 492 university students from different
universities, aged 18-35 years. The scales of dependence on artificial intelligence (DAI), university academic
performance (RAU), and academic procrastination (EPA) were used as measurement instruments. The
results showed that 53 % of the participants were male, 92.1 % were between 18 and 25 years old, 51.4 %
came from a national university in Juliaca, enrolled between the first and third cycles (51.8 %), with the
engineering field standing out with 49.4 % participation. Sixty-three point four one percent of participants
indicated a greater inclination toward using ChatGPT. The overall values showed a significant inverse correlation
(r = -0.122; p = <0.007) between AI dependence and academic performance; there is no significant correlation
between AI dependence and academic procrastination (r = 0.022, p = <0.627), demonstrating that university
students who do not have high levels of dependence on artificial intelligence maintain adequate academic
performance levels and do not tend to procrastinate. A significant inverse relationship was found between AI
dependence and the lack of organization of teaching materials (r = -0.225, p = <0.000), suggesting that
disorganized study materials can prompt the need to resort to AI as a quick fix.
Keywords: Artificial Intelligence, Academic Performance, Education.
INTRODUCCIÓN
La inteligencia artificial (IA) es una herramienta tecnológica cuyo uso se está expandiendo rápidamente en
la educación universitaria,
(1)
siendo los estudiantes quienes tienen una interacción con la IA al menos
semanalmente.
(2)
Según Tyton Partners,
(3)
el 59 % son estudiantes y el 40 % docentes. La IA fue desarrollada
como una herramienta para optimizar experiencias de aprendizaje, con el fin de fortalecer el rendimiento
académico del estudiante
(4)
a través del apoyo en la ejecución de tareas y trabajos, y incrementar las calificaciones
(5)
a través del acceso rápido, a recursos y asistencia personalizada,
(6)
siendo útil también para facilitar la
investigación académica.
(7)
En Perú, se halló que el 73,2 % de universitarios utilizan la IA para hacer sus
tareas e investigaciones,
(5)
Turnitin
(8)
sostiene que un 3 % de los trabajos examinados presentan un 80 % o
más de texto generado por IA. Dentro del mundo académico, el ChatGPT es la herramienta de IA más usada,
debido a su uso dinámico y versátil.
(9)
A pesar de las ventajas de esta tecnología, su aceptación sin control podría generar dependencia por parte de
los estudiantes y educadores
(10)
, provocar la pérdida de habilidades cognitivas,
(11)
la capacidad de pensar de
manera independiente y desarrollar habilidades esenciales como la investigación y análisis,
(6)
impulsando a
pensar como los algoritmos sin comprender,
(12, 13)
asimismo, incentivar la pereza y dificultades en la toma de
decisiones,
(11)
reduciendo la motivación para esforzarse intelectualmente,
(6)
poniendo en riesgo el rendimiento
académico, incluso llevándolo a manifestar comportamientos de procrastinación académica, como retrasos
en la finalización de tareas, retrasos en las clases y retrasos en eventos competitivos hasta el último
día, entre otros.
(14,15)
En un futuro, esto significaría que los egresados universitarios sean de baja calidad
(16)
y con habilidades profesionales deficientes.
(17)
Estudios previos evidenciaron que el uso de la IA afecta negativamente el rendimiento académico de los
estudiantes universitarios y está relacionado positivamente con la procrastinación donde, a mayor uso de la
IA menor rendimiento académico y mayor probabilidad de procrastinar,
(15)
asimismo, se encontró que la
dependencia de la IA afecta el rendimiento académico de los estudiantes conllevando a la pérdida de habilidades
de investigación y aprendizaje autónomo,
(13)
y que su uso excesivo puede contribuir inadvertidamente a
retrasos en las tareas académicas, también se reveló que el uso excesivo de ChatGPT puede provocar la
postergación de tareas y un menor rendimiento y desarrollo académico.
(18)
La intención de uso de la inteligencia
artificial por parte de los estudiantes está basada en la ética, la autoeficacia, la motivación y las expectativas de
resultados, los cuales influyen en el rendimiento académico ya sea favorable o desfavorable.
(19)
En Perú, se demostró que la IA afecta positivamente el rendimiento académico de los estudiantes de pregrado
y postgrado en un 48,1 %.
(5)
Asimismo, se destaca que los estudiantes con una actitud más favorable hacia la
IA tienen una clara comprensión y entendimiento de la IA, tienen confianza en su educación y experimentan
efectos positivos en su rendimiento académico.
La IA está transformando el ámbito educativo y los hábitos de estudio, por lo que es necesario investigar su
impacto en los estudiantes universitarios. En este contexto, se planteó la presente invetsigación con la finalidad
de determinar la relación existente entre dependencia de la inteligencia artificial, percepción del rendimiento
académico y procrastinación académica en estudiantes universitarios de la región Puno, en el segundo periodo
académico de 2024.
MATERIAL Y MÉTODOS
Diseño y contexto
Este estudio se llevó a cabo con un enfoque cuantitativo, diseño no experimental, de corte transeccional o
transversal y de tipo correlacional, con el objetivo de analizar la relación entre dos o más variables.
(20)
Participantes
Este estudio se realizó en la región Puno, Perú, con una población compuesta por estudiantes de diversas
universidades de la región, tanto instituciones públicas como privadas, matriculados en el segundo periodo
académico del 2024, se seleccionó una muestra de 492 estudiantes universitarios de distintas carreras,
diferenciadas en 3 grupos (Ingenierías, Biomédicas y Sociales), con edades comprendidas entre 18 y 35
años, pertenecían a ambos sexos y contaban con conocimientos previos sobre inteligencia artificial. Se
emplearon criterios de muestreo no probabilístico por conveniencia intencional
(21, 22)
seleccionando participantes
con disponibilidad para formar parte de la muestra.
(23)
Instrumentos
Escala de Dependencia hacia la Inteligencia Artificial (DAI), desarrollada en Perú por Morales-García et al.
(24)
La escala es unidimensional y consta de 5 ítems medidos a través de una escala tipo Likert: Completamente
falso para mí, Mayormente falso para mí, Ni verdadero ni falso para mí, Mayormente verdadero para mí y
Me describe perfectamente, con un puntaje máximo de 25 puntos dirigidos a estudiantes universitarios. Los
valores de alfa de Cronbach y el coeficiente omega de McDonald muestran una adecuada consistencia interna
La escala de rendimiento académico universitario (RAU) fue desarrollada por Preciado-Serrano et al
(25)
y validada por Remaycuna-Vásquez et al.
(26)
consta de 18 ítems y tres dimensiones: aportación en las
actividades académicas, dedicación al estudio y falta de organización de los recursos didácticos, se
miden mediante una escala de tipo Likert con 7 alternativas de respuesta: nunca, casi nunca, algunas
veces, regularmente, a menudo, casi siempre y siempre. El índice de confiabilidad del alfa de Cronbach
y omega de McDonald, a nivel general se evidencia que la fiabilidad es de 0.843 y 0.865 respectivamente,
la cual tiene valores aceptables.
Escala de Procrastinación Académica (EPA), creada por Busko
(27)
y validada para Perú por Domínguez et al.
(28)
esta adaptación consta de 12 ítems, divididos en 2 dimensiones autorregulación académica y postergación de
actividades. Los ítems son medidos según la escala de Likert: nunca, casi nunca, a veces, casi siempre y
siempre. Se obtuvieron umbrales de confianza a través del alfa de Cronbach, obteniéndose un indicador de
0,821 (IC al 95 %: 0,793; 0,847) para el factor autorregulación académica, y de 0,752 (IC al 95 %: 0,705;
0,792) para el factor postergación de actividades. El coeficiente omega estimó la confiabilidad de los factores,
logrando un indicador de 0,829 para el factor autorregulación académica y de 0,794 para el factor postergación
de actividades.
Análisis de datos
La recolección de datos se realizó mediante la aplicación de los instrumentos posteriormente se estructuraron
y procesaron utilizando Statistical Package for the Social Sciences (SPSS) versión 27 y Jamovi 2.3.28.0,
donde se empleó la estadística descriptiva e inferencial para la obtención de datos de frecuencia y correlación
de variables, así como la verificación de la distribución normal o anormal de las variables.
Aspectos éticos
El estudio fue aprobado por el comité de ética de la Universidad Peruana Unión, con número de aprobación
2024-CEB-FCS - UPeU-270 la cual se adhirió a los principios éticos del código de ética de investigación
establecidos por la misma institución. Asimismo, se puso en consideración las directrices del Código de
Ética del Colegio de Psicólogos del Perú aplicables a la investigación. Todos los participantes procedieron a
la firma del consentimiento informado, manifestando su aceptación para participar en el estudio y autorizan-
do el uso de los datos exclusivamente para fines académicos e investigativos.
(29, 30)
RESULTADOS
Para el análisis inferencial se empleó la prueba de correlación de Pearson, dado que las variables presentaron
distribución normal. En los casos en los que la normalidad no fue determinada, se complementó con la
verificación mediante coeficientes y valores p correspondientes.
Los resultados muestran que, del total de participantes, el 53, 9 % correspondió al sexo masculino y el 92,1%
presentaban edades entre 18 y 25 años. El 51,4 % fueron procedentes de la UNAJ, destacándose el área de
Ingeniería con participación del 49,4 %. Por otro lado, se muestra que la mayoría se encontraban matriculados
entre el I a III ciclo (51, 8 %). La información de los tipos de IAs que más utilizan como apoyo para su jornada
académica más relevantes fue: el ChatGPT con un 63,41 %, Canva (51,83 %), Meta.IA (40,65 %), Gemini
(26.42%) y Mendeley (24,39 %) como las IAs de mayor aceptación, además de otras IAs que son de baja
preferencia (Tabla 1).
Datos sociodemográficos
Tabla 1. Características de los participantes
Nota: *UNAP “Universidad Nacional del Altiplano”, UNAJ “Universidad Nacional de Juliaca”, UPEU “Universidad Peruana
Unión”
Los estudiantes universitarios de la región Puno son dependientes de la IA en un nivel “leve” (50,61 %), con
un rendimiento académico percibido de nivel “medio”, a excepción de la dimensión dedicación al estudio,
en donde el 40,9 % se percibe en un nivel “alto” y así mismo son procrastinadores en un nivel “promedio”
(57,3 %). (Tabla 2)
Tabla 2. Análisis descriptivo de dependencia a la IA, percepción de rendimiento académico y procrastina-
ción académica
Se detectó una relación inversa significativa entre dependencia a la inteligencia artificial y rendimiento
académico, con una intensidad de relación débil (r= -0,122, p=< 0,007) lo que señala que, a mayor rendimiento
académico de los estudiantes universitarios, menor dependencia de la IA. No se encontró una correlación con
la procrastinación (r= 0,022, p=< 0,627) lo que sugiere que ambas variables son independientes y no se afectan
entre sí. En cambio, se observa una correlación inversa y altamente significativa, con una intensidad de
relación moderada (r = -0,333, p =< 0,000) entre rendimiento académico y procrastinación académica, lo que
evidencia que a menor procrastinación académica, mayor rendimiento académico (Tabla 3).
Tabla 3. Correlación entre dependencia de la IA, percepción de rendimiento académico y procrastinación
académica y sus dimensiones.
Nota: * p < .05, ** p < .01, *** p < .001. Prueba estadística utilizada: Coeficiente de correlación de Pearson
Las aportaciones a las actividades académicas no se relacionan con dependencia de la IA (r= - 0,040,
p = 0,371), sin embargo, presenta una relación directa altamente significativa con una intensidad fuerte
con rendimiento académico (r = 0.884, p = < 0.000) y una relación inversa con la procrastinación
académica (r = -0.296, p = < 0.000) lo que indica que, a mayor aportación a las actividades académicas,
mayor rendimiento académico y menor tendencia a procrastinar. La dedicación al estudio es independiente y
no se relaciona con dependencia de la IA (r = -0,053, p = < 0,237), pero tiene una fuerte relación positiva con
el rendimiento académico (r,= 0,835, p = < 0,000) y una relación inversa con la procrastinación académica
(r= -0,323; p = <0,000) que indica que, a mayor compromiso con el estudio, mejor desempeño académico y
menos propenso a procrastinar. La falta de organización de los recursos didácticos tiene una relación inversamente
significativa con la dependencia de la IA con una intensidad leve (r =-0,225, p = <0.000), lo que sugiere que una
organización más eficiente implica una dependencia menor de la IA; no se relaciona con la procrastinación
académica, pero sí con el rendimiento académico (r = 0,371, p = < 0.000), ya que una falta de organización
no necesariamente afecta negativamente el desempeño académico. La autorregulación académica no está
relacionada con la dependencia a la inteligencia artificial, sino que mantiene una relación inversa con el
rendimiento académico (r = -0,327, p = < 0.000) y una relación directa de gran relevancia con intensidad
fuerte con procrastinación académica (r = 0.952, p = < 0,000), indicando que en ciertos contextos los alumnos
con menos control o regulación sobre su propio proceso de aprendizaje suelen lograr mejores resultados
académicos y que a mayor capacidad de control del aprendizaje, mayor es la predisposición a procrastinar.
Finalmente, la postergación de actividades no se relaciona con la dependencia a la IA, sin embargo, tiene una
relación inversa débil con el rendimiento académico (r = -0,163, p = < 0,000) y una correlación positiva con
procrastinación académica (r = 0,576, p = < 0,000) lo que indica que una mayor postergación se asocia con
un menor rendimiento académico y una mayor tendencia a procrastinar. (Tabla 4)
Tabla 4. Correlación entre dependencia de la IA, rendimiento académico, procrastinación académica y sus
dimensiones.
DISCUSIÓN
El objetivo general del estudio fue determinar la relación entre la dependencia de la inteligencia artificial
(IA), la percepción del rendimiento académico y la procrastinación académica en estudiantes universitarios
de la región Puno durante el segundo periodo del 2024. Los resultados obtenidos permiten discutir los hallazgos
desde una perspectiva comparativa con investigaciones previas y en función de los objetivos planteados.
En relación con el primer objetivo, se identificó una correlación inversa significativa entre la dependencia a
la IA y el rendimiento académico (r = -0,122; p < 0,007), lo que indica que los estudiantes con menor depen-
dencia de la IA presentan un mejor desempeño académico. Este hallazgo coincide con lo reportado por Del
Cisne et al.
(13)
y Avendaño,
(31)
quienes evidenciaron que una alta dependencia tecnológica puede afectar nega-
tivamente el rendimiento académico hasta en un 65 %, debido a la pérdida de autonomía cognitiva y de habi-
lidades analíticas. Sin embargo, cuando la IA se utiliza como herramienta de apoyo complementario, puede
potenciar la productividad y mejorar la comprensión de los contenidos.
(19)
Por consiguiente, el estudio reafirma
la necesidad de fomentar un uso responsable y pedagógico de la IA en el entorno universitario, donde el criterio
humano y el pensamiento crítico sigan siendo fundamentales para la formación académica.
Respecto al segundo objetivo, orientado a analizar la relación entre la dependencia a la IA y la procrastinación
académica, no se identificó una correlación significativa (r = 0.022; p < 0.627). Este resultado sugiere que el
uso de herramientas de IA no influye directamente en los niveles de procrastinación. A diferencia de lo
planteado por Abbas et al.
(15)
quienes encontraron una relación positiva entre el uso excesivo de ChatGPT y
la postergación de actividades, los datos de este estudio muestran que la procrastinación puede estar determinada
por otros factores personales, como la autoeficacia, la motivación intrínseca y la capacidad de autorregulación.
(32)
Por tanto, la dependencia tecnológica no sería el principal factor desencadenante de la procrastinación,
aunque un uso desmedido de la IA podría, en algunos casos, reforzar hábitos de postergación si no se acompaña
de un control adecuado del tiempo y la planificación.
En cuanto al tercer objetivo, se identificó una relación inversa y altamente significativa entre el rendimiento
académico y la procrastinación académica (r = -0,333; p < 0,000). Este resultado confirma lo encontrado por
Zumárraga y Cevallos
(33)
y Kim y Seo,
(34)
quienes sostienen que la procrastinación afecta negativamente el
rendimiento académico al reducir la dedicación al estudio y la organización del tiempo. Los estudiantes con
altos niveles de rendimiento académico tienden a postergar menos sus actividades, muestran mayor motivación
y presentan una gestión más eficiente de sus recursos y objetivos
(35,36)
Este hallazgo respalda la importancia de
promover estrategias de autorregulación y gestión del tiempo en el ámbito universitario, como medios efectivos
para contrarrestar los efectos negativos de la procrastinación.
Por otra parte, el análisis de las dimensiones específicas aporta evidencia adicional. Se halló una relación
inversa significativa entre la dependencia de la IA y la falta de organización de los recursos didácticos
(r = -0,225; p < 0,000),
lo que sugiere que los estudiantes con menor organización tienden a recurrir más a
la IA como solución inmediata ante la demanda académica. Este resultado se alinea con los hallazgos de
Cosme Garate et al.
(37)
y Zhang et al.,
(38)
quienes señalan que una deficiente gestión de materiales de estudio
puede incrementar el estrés y la dependencia de herramientas tecnológicas. Además, Granda Aguilera et
al.
(39)
y Ahmad et al.,
(11)
advierten que la dependencia excesiva de la IA puede debilitar la organización, el
pensamiento crítico y la autonomía académica, fomentando hábitos de dependencia cognitiva. Por tanto,
fortalecer las competencias de planificación y organización se vuelve esencial para evitar la sobreutilización
de la IA.
Asimismo, los resultados indican que la autorregulación académica no se relaciona significativamente con la
dependencia de la IA, lo cual demuestra que los estudiantes conservan su capacidad de control y gestión del
aprendizaje.
(25)
Este hallazgo es positivo, pues refleja que la mayoría utiliza la IA como una herramienta de
apoyo y no como un sustituto de sus procesos de trabajo académico. No obstante, es necesario enfatizar la
formación ética y digital para garantizar un equilibrio entre el uso tecnológico y el desarrollo de habilidades
de razonamiento, análisis y creatividad.
Finalmente, el hecho de no haber identificado una correlación estadísticamente significativa entre la depen-
dencia de la IA y la postergación de actividades (r = 0.02; p < 0.647) confirma que la procrastinación no
depende exclusivamente del uso de la IA, sino que responde a una interacción compleja de factores psicológicos,
académicos y sociales. Sin embargo, como sostienen Abbas et al.
(15)
el uso inadecuado o desmedido de
herramientas como ChatGPT puede inducir conductas de procrastinación cuando reemplaza la reflexión
personal o el esfuerzo intelectual, en lugar de servir como un medio de aprendizaje activo.
CONCLUSIONES
Los resultados evidencian que una menor dependencia de la IA se asocia con un mejor rendimiento académico
y que, a su vez, un mayor rendimiento académico se relaciona con menores niveles de procrastinación. Por
otro lado, no se identificó una relación significativa entre la dependencia de la IA y la procrastinación; sin
embargo, sí se encontró una asociación con la dimensión referida a la falta de organización de los recursos
didácticos. Los hallazgos destacan la importancia de promover un uso responsable de la IA en estudiantes.
Limitaciones del estudio: Entre las principales limitaciones se encuentra el uso de un muestreo no probabilístico
por conveniencia, lo que restringe la generalización de los resultados a otras poblaciones universitarias.
Asimismo, el estudio se basó en instrumentos de autoinforme, los cuales pueden estar sujetos a sesgos de
percepción y deseabilidad social. Finalmente, al tratarse de un diseño transversal, no es posible establecer
relaciones causales entre las variables analizadas. Se recomienda que futuras investigaciones incorporen
diseños longitudinales y muestras más diversas para profundizar en estos hallazgos.
Financiamiento: Investigación financiada por los autores.
Agradecimientos: A los directivos del vicerrectorado de investigación de la Universidad Peruana Unión.
Conflictos de intereses: Los autores no tienen intereses en competencia.
Declaración de contribución:
Hilda Sapillado Condori y Giuliana Nadyn Vilca Quispe participaron en todo el proceso integral de la inves-
tigación y la redacción del artículo.
Alcides Quispe Mamani participó como asesor del estudio, revisión y aprobación de la versión final
REFERENCIAS BIBLIOGRÁFICAS
1. Acosta P. El impacto de la inteligencia artificial en la educación superior. Informe del Consejo de
Europa - ES de ES: Aprendemos entre todos [Internet]. 2022 [citado 8 Nov 2025]. Disponible en:
https://www.espaciosdeeducacionsuperior.es/07/12/2022/__trashed-2__trashed/.
2. Digital Education Council global AI student survey 2024. Encuesta mundial sobre inteligencia artificial
a estudiantes del Consejo de Educación Digital 2024 [Internet]. [cited 5 Mar 2025]. Disponible en:
https://www.digitaleducationcouncil.com/post/digital-education-council-global-ai-student-survey-2024.
3. Tyton Partners. Time for Class 2024: Unlocking access to effective digital teaching and learning
[Internet]. 2024 [citado 10 Nov 2024]. Disponible en: https://4213961.fs1.hubspotusercontent-na1.net/
hubfs/4213961/Publications/Time%20for%20Class%202024.pdf.
4. Rojas Marín F de los Á, Espinoza Padilla JG, Mendoza Pacheco MF. Inteligencia Artificial: Dependencia
y la Afección del Pensamiento Crítico. Cienc Lat Rev Científica Multidiscip. [Internet]. 2024 [citado
7 Mar 2025]; 8(4):12590–608. Disponible en: https://ciencialatina.org/index.php/cienciala/article/
view/13462.
5. Espinoza Vidaurre SM, Velásquez Rodríguez NC, Gambetta Quelopana RL, Martínez Valdivia AN,
Leo Rossi EA, Laura de la Cruz KM, et al. Influencia de la inteligencia artificial en la eficiencia del
rendimiento académico: un análisis de determinantes. RISTI - Rev Ibér Sist Tecnol Inf [Internet].
2024 [citado 9 Mar 2025]; E70:399–418. disponible en: https://dialnet.unirioja.es/servlet/articulo?
codigo=9886376.
6. Mukhtar M, Firdos SS, Zaka I, Naeem S. Impact of AI dependence on procrastination among university
students. Research Journal of Psychology [Internet]. 2025 [citado 4 Oct 2025];3(1):246–57. Disponible
en: https://ctrjournal.com/index.php/19/article/view/62 Int J Educ Innov Res. 2025;3(1):11–22.
7. Gavilanes Vásquez PG, Adum Ruiz JH, García Ruiz GS, Ruíz Ortega MG. Impacto de la inteligencia
artificial en la educación superior: una mirada hacia el futuro. RECIAMUC [Internet]. 2024 [citado
6 Oct 2025];8(2):213–21. Disponible en: https://www.reciamuc.com/index.php/RECIAMUC/article/
view/1371 DOI: http://dx.doi.org/10.26820/reciamuc/8.(2).abril.2024.213-221.
8. Turnitin. Estudio Time for Class: ¿Cuál ha sido el impacto de la IA en el aprendizaje de los estudiantes
en la era digital? [Internet]. Turnitin.com. 2024. [citado 13 Mar 2025]. Disponible en: https://www.
turnitin.com/press/turnitin-estudio-time-for-class.
9. Sabzalieva E, Valentini A. ChatGPT e inteligencia artificial en la educación superior: Guía de inicio
rápido. [Internet]. París: UNESCO IESALC;2023;1–16. [citado 15 Mar 2025]. Disponible en:
https://unesdoc.unesco.org/ark:/48223/pf0000385146_spa/PDF/385146spa.pdf.multi.
10. Seo K, Tang J, Roll I, Fels S, Yoon D. The impact of artificial intelligence on learner–instructor
interaction in online learning. Int J Educ Technol High Educ [Internet]. 2021 [citado 17 Mar 2025];
18(1):1–14. Disponible en: https://link.springer.com/article/10.1186/s41239-021-00292-9 DOI:
https://doi.org/10.1186/s41239-021-00292-9.
11. Ahmad SF, Han H, Alam MM, Rehmat MK, Irshad M, Arraño-Muñoz M, et al. Impact of artificial
intelligence on human loss in decision-making, laziness and safety in education. Humanit Soc Sci
Commun [Internet]. 2023 [citado 19 Mar 2025];10(1):311. Disponible en: https://www.nature.com/
articles/s41599-023-01787-8 DOI:10.1057/s41599 023 017878.
12.
[citado 8 May 2025]; 20. Disponible en: https://www.khaleejtimes.com/nation/dubai/Is-AI-makin
ghumans-lazy-Here-what-UAE-residents-say.
13. Del Cisne Loján M, Antonio Romero J, Sancho Aguilera D, Yajaira Romero A. Consecuencias de la
Dependencia de la Inteligencia Artificial en Habilidades Críticas y Aprendizaje Autónomo en los
Estudiantes. Cienc Lat Rev Científica Multidiscip. [Internet]. 2024 [citado 15 May 2025];8(2):
2368–2382. Disponible en: https://ciencialatina.org/index.php/cienciala/article/view/10678 DOI:
http://dx.doi.org/10.37811/cl_rcm.v8i2.10678.
14. Longoni C, Cian L. Artificial Intelligence in Utilitarian vs. Hedonic Contexts: The “Word-of-Machine”
Effect. J Mark [Internet]. 2022 [citado 19 May 2025];86(1):91–108. Disponible en: https://journals.sagepub.
com/doi/10.1177/0022242920957347.
15. Abbas M, Jam FA, Khan TI. Is it harmful or helpful? Examining the causes and consequences of
generative AI usage among university students. Int J Educ Technol High Educ [Internet]. 2024 [citado
9 Jan 2025];21(1). Disponible en: https://link.springer.com/article/10.1186/s41239-024-00444-7
DOI: https://doi.org/10.1186/s41239-024-00444-7.
16. Malinka K, Peresíni M, Firc A, Hujnák O, Janus F. On the Educational Impact of ChatGPT: Is Artificial
Intelligence Ready to Obtain a University Degree? In: Proceedings of the 2023 Conference on
Innovation and Technology in Computer Science Education (ITiCSE); 2023 [citado 15 Jan 2025].
3587102.3588827.
17. Gocen A, Aydemir F. Artificial Intelligence in Education and Schools. Res Educ Media. [Internet].
2020 [citado 20 May 2025];12(1):13–21. Disponible en: https://sciendo.com/2/v2/download/article/
10.2478/rem-2020-0003.pdf DOI: http://dx.doi.org/10.2478/rem-2020-0003.
18. Daha ES, Altelwany AA. Exploring the impact of using - ChatGPT in light of goal orientations and
academic self-efficacy. Int J Instr [Internet]. 2025 [citado 25 May 2025];18(2):167–84. Disponible
en: https://e-iji.net/ats/index.php/pub/article/view/730 DOI: http://dx.doi.org/10.29333/iji.2025.18210a.
19. Ortega Azurduy M, Machaca Mamani J, Daza Morales J. El efecto de la Inteligencia Artificial en el
rendimiento académico de estudiantes de ciencias administrativas en la Universidad Católica
Boliviana. Rev Educ Super [Internet]. 2023 [citado 1 Jun 2025];10(3):13–22. Disponible en:
http://www.scielo.org.bo/scielo.php?pid=S2518-82832023000300013&script=sci_arttext DOI:
https://doi.org/ 10.53287/mzkv9068uw14f.
20. Hernández-Sampieri R, Mendoza Torres CP. Metodología de la investigación: las rutas cuantitativa,
cualitativa y mixta. México: McGraw-Hill Education; 2018.
21. Hernández-Sampieri R, Fernández Collado C, Baptista Lucio M del P. Metodología de la investigación.
6ª ed. México: McGraw-Hill; 2014.
22. Carrazco Díaz S. Metodología de la investigación científica. 2ª ed. Lima: Editorial San Marcos; 2019.
23. Ortega C. ¿Qué es el muestreo por conveniencia? [Internet]. 2024 [citado 22 Nov 2024]. Disponible
en: https://www.questionpro.com/blog/es/muestreo-por-conveniencia/.
24. Morales-García WC, Sairitupa-Sánchez LZ, Morales-García SB, Morales-García M. Development
and validation of a scale for dependence on artificial intelligence in university students. Frontiers in
Education. [Internet]. 2024 [citado 4 Jun 2025];9:1323898. Disponible en: https://www.frontiersin.org/
journals/education/articles/10.3389/feduc.2024.1323898/full DOI: 10.3389/feduc.2024.1323898.
25. Preciado-Serrano M de L, Ángel-González M, Colunga-Rodríguez C, Vázquez-Colunga JC,
Rendimiento Académico Universitario (Construction and Validation of the University Academic
[Internet]. 2021 [citado 6 Jun 2025];3(60):5 14. Disponible en: https://go.gale.com/ps/i.do?id=GA
LE%7CA758446785&sid=googleScholar&v=2.1&it=r&linkaccess=abs&issn=11353848&p=
AONE&sw=w&userGroupName=anon%7E40c47079&aty=open-web-entry DOI:10.21865/RIDEP
60.3.01.
26. Remaycuna-Vásquez A, Carrión-Barco G, Espinoza-Porras FR, Maquen Niño GLE. Validez y
confiabilidad de la escala de rendimiento académico desde la percepción del alumno. Revista de
https://dialnet.unirioja.es/servlet/articulo?codigo=9034432 DOI: 10.31876/rcs.v29i.40458.
27. Busko DA. Causes and consequences of perfectionism and procrastination: A structural equation
28. Domínguez Lara S, Villegas García G, Centeno Leyva S. Procrastinación académica: validación de
una escala en una muestra de estudiantes de una universidad privada. Liberabit [Internet]. 2014 [citado
12 Jun 2025];20(2):293–304. Disponible en: http://www.scielo.org.pe/pdf/liber/v20n2/a10v20n2.
29. Colegio de Psicólogos del Perú. Código de ética profesional. Lima: Colegio de Psicólogos del Perú;
2017.
30. Universidad Peruana Unión. Código de ética para la investigación (CoEIn). Lima: UPeU; 2016.
31. Avendaño Porras VC. La adicción a la inteligencia artificial: evaluación de prevalencia y factores de
riesgo en estudiantes de posgrado. Rev Enfoques [Internet]. 2024 Jun 30 [citado 16 Apr 2025];5:
66–88. Disponible en: https://revistasdigitales.uniboyaca.edu.co/index.php/EFQ/article/view/1405.
32. Steel P. The nature of procrastination: a meta-analytic and theoretical review of quintessential
self-regulatory failure. Psychological Bulletin, 2025 [citado 13 Apr 2025];133(1), 65–94. Disponible
en: https://psycnet.apa.org/buy/2006-23058-004 DOI: https://doi.org/10.1037/0033-2909.133.1.65.
33. Zumárraga-Espinosa M, Cevallos-Pozo G. Autoeficacia, procrastinación y rendimiento académico en
estudiantes universitarios de Ecuador. Alteridad [Internet]. 2022 [citado 18 Apr 2025];17(2):277–90.
Disponible en: https://revistas.ups.edu.ec/index.php/alteridad/article/view/5516.
34. Kim KR, Seo EH. The relationship between procrastination and academic performance: a meta-analysis.
Pers Individ Dif [Internet]. 2015 [citado 19 Apr 2025];82:26–33. Disponible en: https://www.sciencedirect.
com/science/article/abs/pii/S0191886915001610 DOI: https://doi.org/10.1016/j.paid.2015.02.038.
35. Rodríguez A, Clariana M. Procrastinación en Estudiantes Universitarios: Su Relación con la Edad y el
Curso Académico. Rev Colomb Psicol. [Internet]. 2017 [citado 20 Apr 2025];26(1):45–60. Disponible
en: http://www.scielo.org.co/pdf/rcps/v26n1/0121-5469-rcps-26-01-00045.pdf.
36. Honicke T, Broadbent J. The influence of academic self-efficacy on academic performance: a systematic
review. Educ Res Rev [Internet]. 2016 [citado 21 Apr 2025];17:63–84. Disponible en: https://www.sciencedirect.
com/science/article/abs/pii/S1747938X15000639 DOI: https://doi.org/10.1016/j.edurev.2015.11.002.
37. Cosme Garate GA, Cornejo Zúñiga AG, Chumacero Acosta JS, Ruiz Rios A, Tuesta Casique A, Alvarez
Arista Y. Enseñanza universitaria y recursos didácticos en el nivel de rendimiento de los estudiantes de
pregrado. Rev Científica Episteme y Tekne. [Internet]. 2022 [citado 23 Apr 2025];1(2):e380. Disponible
en: https://revistas.unsm.edu.pe/index.php/rceyt/article/view/380 DOI: 10.51252/rceyt.v1i2.380.
38. Zhang S, Zhao X, Zhou T, Kim JH. Do you have AI dependency? The roles of academic self-efficacy,
academic stress, and performance expectations on problematic AI usage behavior. Int J Educ Technol
High Educ. [Internet]. 2024 [citado 29 Apr 2025];21(1):1-15. Disponible en: http://dx.doi.org/10.1186/
s41239-024-00467-0.
39. Granda Aguilera DR, Lema Mullo L, Gallegos Gallegos AR. La dependencia de la inteligencia artificial
en los estudiantes de bachillerato: implicaciones y recomendaciones para un aprendizaje equilibrado.
Polo del Conoc. [Internet]. 2024 [citado 20 may 2025];9(7):2109–30. Disponible en: https://polodel
conocimiento.com/ojs/index.php/es/article/view/7618/html?utm_source=chatgpt.com.
Relación entre dependencia a la inteligencia artificial, rendimiento académico y procrastinación
académica en universitarios
Relationship between dependence on artificial intelligence, academic performance, and academic
procrastination in university students
https://doi.org/10.37135/ee.04.25.08
Autores:
Hilda Sapillado Condori - https://orcid.org/0009-0002-7963-9896
Giuliana Nadyn Vilca Quispe - https://orcid.org/0009-0002-1329-0839
Alcides Quispe Mamani - https://orcid.org/0000-0002-7404-7464
Afiliación:
Universidad Peruana Unión
Autor de correspondencia: Giuliana Nadyn Vilca Quispe. Universidad Peruana Unión (UPeU), Carretera Salida
a Arequipa km. 6 Villa Chullunquiani, Juliaca, Perú. Tel: +51 940799733. E-mail: giuliana.vilca@upeu.edu.pe
Recibido: 21 de mayo de 2025 Aceptado: 11 de diciembre de 2025
RESUMEN
Esta investigación tuvo como objetivo determinar la relación existente entre dependencia de la inteligencia
artificial, rendimiento y procrastinación académica en estudiantes universitarios de la región Puno. Así se
aplicó un diseño no experimental, de corte transversal y tipo correlacional, en una muestra de 492 universitarios
de distintas universidades, con edades entre 18 y 35 años. Se utilizaron las escalas de dependencia hacia la
inteligencia artificial DAI, rendimiento académico universitario RAU y procrastinación académica EPA. Los
resultados, el 53 % de los participantes fueron de sexo masculino, el 92,1 % tenían edades entre 18 y 25 años,
el 51,4 % provenían de una universidad nacional de Juliaca, matriculados entre el primer y tercer ciclo
(51,8 %), destacándose el área de ingenierías con el 49,4 % de participación. El 63,41 % de los participantes
indicaron tener mayor inclinación hacia el uso de ChatGPT. Los valores globales indicaron una correlación
inversa significativa, (r = -0,122; p = <0,007) entre dependencia a la IA y rendimiento académico; no existe
correlación significativa entre dependencia a la IA y procrastinación académica (r = 0,022, p = < 0,627),
demostrando que los universitarios que no presentan altos niveles de dependencia de la inteligencia artificial
mantienen niveles de rendimiento académico adecuados y no tienden a procrastinar. Se identificó relación
inversa significativa entre dependencia de IA y la falta de organización de material didáctico (r = -0,225, p = <0,000),
evidenciando que la desorganización de materiales de estudio podría activar la necesidad de recurrir a la IA
como una solución rápida.
Palabras clave: inteligencia artificial, rendimiento académico, educación.
ABSTRACT
This research aimed to determine the relationship between dependence on artificial intelligence, academic
performance, and procrastination among university students in the Puno region. A non-experimental,
cross-sectional, correlational study was conducted with a sample of 492 university students from different
universities, aged 18-35 years. The scales of dependence on artificial intelligence (DAI), university academic
performance (RAU), and academic procrastination (EPA) were used as measurement instruments. The
results showed that 53 % of the participants were male, 92.1 % were between 18 and 25 years old, 51.4 %
came from a national university in Juliaca, enrolled between the first and third cycles (51.8 %), with the
engineering field standing out with 49.4 % participation. Sixty-three point four one percent of participants
indicated a greater inclination toward using ChatGPT. The overall values showed a significant inverse correlation
(r = -0.122; p = <0.007) between AI dependence and academic performance; there is no significant correlation
between AI dependence and academic procrastination (r = 0.022, p = <0.627), demonstrating that university
students who do not have high levels of dependence on artificial intelligence maintain adequate academic
performance levels and do not tend to procrastinate. A significant inverse relationship was found between AI
dependence and the lack of organization of teaching materials (r = -0.225, p = <0.000), suggesting that
disorganized study materials can prompt the need to resort to AI as a quick fix.
Keywords: Artificial Intelligence, Academic Performance, Education.
INTRODUCCIÓN
La inteligencia artificial (IA) es una herramienta tecnológica cuyo uso se está expandiendo rápidamente en
la educación universitaria,
(1)
siendo los estudiantes quienes tienen una interacción con la IA al menos
semanalmente.
(2)
Según Tyton Partners,
(3)
el 59 % son estudiantes y el 40 % docentes. La IA fue desarrollada
como una herramienta para optimizar experiencias de aprendizaje, con el fin de fortalecer el rendimiento
académico del estudiante
(4)
a través del apoyo en la ejecución de tareas y trabajos, y incrementar las calificaciones
(5)
a través del acceso rápido, a recursos y asistencia personalizada,
(6)
siendo útil también para facilitar la
investigación académica.
(7)
En Perú, se halló que el 73,2 % de universitarios utilizan la IA para hacer sus
tareas e investigaciones,
(5)
Turnitin
(8)
sostiene que un 3 % de los trabajos examinados presentan un 80 % o
más de texto generado por IA. Dentro del mundo académico, el ChatGPT es la herramienta de IA más usada,
debido a su uso dinámico y versátil.
(9)
REE 20(1) Riobamba ene. - abr. 2026
cc
BY NC ND
132
ISSN-impreso 1390-7581
ISSN-digital 2661-6742
A pesar de las ventajas de esta tecnología, su aceptación sin control podría generar dependencia por parte de
los estudiantes y educadores
(10)
, provocar la pérdida de habilidades cognitivas,
(11)
la capacidad de pensar de
manera independiente y desarrollar habilidades esenciales como la investigación y análisis,
(6)
impulsando a
pensar como los algoritmos sin comprender,
(12, 13)
asimismo, incentivar la pereza y dificultades en la toma de
decisiones,
(11)
reduciendo la motivación para esforzarse intelectualmente,
(6)
poniendo en riesgo el rendimiento
académico, incluso llevándolo a manifestar comportamientos de procrastinación académica, como retrasos
en la finalización de tareas, retrasos en las clases y retrasos en eventos competitivos hasta el último
día, entre otros.
(14,15)
En un futuro, esto significaría que los egresados universitarios sean de baja calidad
(16)
y con habilidades profesionales deficientes.
(17)
Estudios previos evidenciaron que el uso de la IA afecta negativamente el rendimiento académico de los
estudiantes universitarios y está relacionado positivamente con la procrastinación donde, a mayor uso de la
IA menor rendimiento académico y mayor probabilidad de procrastinar,
(15)
asimismo, se encontró que la
dependencia de la IA afecta el rendimiento académico de los estudiantes conllevando a la pérdida de habilidades
de investigación y aprendizaje autónomo,
(13)
y que su uso excesivo puede contribuir inadvertidamente a
retrasos en las tareas académicas, también se reveló que el uso excesivo de ChatGPT puede provocar la
postergación de tareas y un menor rendimiento y desarrollo académico.
(18)
La intención de uso de la inteligencia
artificial por parte de los estudiantes está basada en la ética, la autoeficacia, la motivación y las expectativas de
resultados, los cuales influyen en el rendimiento académico ya sea favorable o desfavorable.
(19)
En Perú, se demostró que la IA afecta positivamente el rendimiento académico de los estudiantes de pregrado
y postgrado en un 48,1 %.
(5)
Asimismo, se destaca que los estudiantes con una actitud más favorable hacia la
IA tienen una clara comprensión y entendimiento de la IA, tienen confianza en su educación y experimentan
efectos positivos en su rendimiento académico.
La IA está transformando el ámbito educativo y los hábitos de estudio, por lo que es necesario investigar su
impacto en los estudiantes universitarios. En este contexto, se planteó la presente invetsigación con la finalidad
de determinar la relación existente entre dependencia de la inteligencia artificial, percepción del rendimiento
académico y procrastinación académica en estudiantes universitarios de la región Puno, en el segundo periodo
académico de 2024.
MATERIAL Y MÉTODOS
Diseño y contexto
Este estudio se llevó a cabo con un enfoque cuantitativo, diseño no experimental, de corte transeccional o
transversal y de tipo correlacional, con el objetivo de analizar la relación entre dos o más variables.
(20)
Participantes
Este estudio se realizó en la región Puno, Perú, con una población compuesta por estudiantes de diversas
universidades de la región, tanto instituciones públicas como privadas, matriculados en el segundo periodo
académico del 2024, se seleccionó una muestra de 492 estudiantes universitarios de distintas carreras,
diferenciadas en 3 grupos (Ingenierías, Biomédicas y Sociales), con edades comprendidas entre 18 y 35
años, pertenecían a ambos sexos y contaban con conocimientos previos sobre inteligencia artificial. Se
emplearon criterios de muestreo no probabilístico por conveniencia intencional
(21, 22)
seleccionando participantes
con disponibilidad para formar parte de la muestra.
(23)
Instrumentos
Escala de Dependencia hacia la Inteligencia Artificial (DAI), desarrollada en Perú por Morales-García et al.
(24)
La escala es unidimensional y consta de 5 ítems medidos a través de una escala tipo Likert: Completamente
falso para mí, Mayormente falso para mí, Ni verdadero ni falso para mí, Mayormente verdadero para mí y
Me describe perfectamente, con un puntaje máximo de 25 puntos dirigidos a estudiantes universitarios. Los
valores de alfa de Cronbach y el coeficiente omega de McDonald muestran una adecuada consistencia interna
La escala de rendimiento académico universitario (RAU) fue desarrollada por Preciado-Serrano et al
(25)
y validada por Remaycuna-Vásquez et al.
(26)
consta de 18 ítems y tres dimensiones: aportación en las
actividades académicas, dedicación al estudio y falta de organización de los recursos didácticos, se
miden mediante una escala de tipo Likert con 7 alternativas de respuesta: nunca, casi nunca, algunas
veces, regularmente, a menudo, casi siempre y siempre. El índice de confiabilidad del alfa de Cronbach
y omega de McDonald, a nivel general se evidencia que la fiabilidad es de 0.843 y 0.865 respectivamente,
la cual tiene valores aceptables.
Escala de Procrastinación Académica (EPA), creada por Busko
(27)
y validada para Perú por Domínguez et al.
(28)
esta adaptación consta de 12 ítems, divididos en 2 dimensiones autorregulación académica y postergación de
actividades. Los ítems son medidos según la escala de Likert: nunca, casi nunca, a veces, casi siempre y
siempre. Se obtuvieron umbrales de confianza a través del alfa de Cronbach, obteniéndose un indicador de
0,821 (IC al 95 %: 0,793; 0,847) para el factor autorregulación académica, y de 0,752 (IC al 95 %: 0,705;
0,792) para el factor postergación de actividades. El coeficiente omega estimó la confiabilidad de los factores,
logrando un indicador de 0,829 para el factor autorregulación académica y de 0,794 para el factor postergación
de actividades.
Análisis de datos
La recolección de datos se realizó mediante la aplicación de los instrumentos posteriormente se estructuraron
y procesaron utilizando Statistical Package for the Social Sciences (SPSS) versión 27 y Jamovi 2.3.28.0,
donde se empleó la estadística descriptiva e inferencial para la obtención de datos de frecuencia y correlación
de variables, así como la verificación de la distribución normal o anormal de las variables.
Aspectos éticos
El estudio fue aprobado por el comité de ética de la Universidad Peruana Unión, con número de aprobación
2024-CEB-FCS - UPeU-270 la cual se adhirió a los principios éticos del código de ética de investigación
establecidos por la misma institución. Asimismo, se puso en consideración las directrices del Código de
Ética del Colegio de Psicólogos del Perú aplicables a la investigación. Todos los participantes procedieron a
la firma del consentimiento informado, manifestando su aceptación para participar en el estudio y autorizan-
do el uso de los datos exclusivamente para fines académicos e investigativos.
(29, 30)
RESULTADOS
Para el análisis inferencial se empleó la prueba de correlación de Pearson, dado que las variables presentaron
distribución normal. En los casos en los que la normalidad no fue determinada, se complementó con la
verificación mediante coeficientes y valores p correspondientes.
Los resultados muestran que, del total de participantes, el 53, 9 % correspondió al sexo masculino y el 92,1%
presentaban edades entre 18 y 25 años. El 51,4 % fueron procedentes de la UNAJ, destacándose el área de
Ingeniería con participación del 49,4 %. Por otro lado, se muestra que la mayoría se encontraban matriculados
entre el I a III ciclo (51, 8 %). La información de los tipos de IAs que más utilizan como apoyo para su jornada
académica más relevantes fue: el ChatGPT con un 63,41 %, Canva (51,83 %), Meta.IA (40,65 %), Gemini
(26.42%) y Mendeley (24,39 %) como las IAs de mayor aceptación, además de otras IAs que son de baja
preferencia (Tabla 1).
Datos sociodemográficos
Tabla 1. Características de los participantes
Nota: *UNAP “Universidad Nacional del Altiplano”, UNAJ “Universidad Nacional de Juliaca”, UPEU “Universidad Peruana
Unión”
Los estudiantes universitarios de la región Puno son dependientes de la IA en un nivel “leve” (50,61 %), con
un rendimiento académico percibido de nivel “medio”, a excepción de la dimensión dedicación al estudio,
en donde el 40,9 % se percibe en un nivel “alto” y así mismo son procrastinadores en un nivel “promedio”
(57,3 %). (Tabla 2)
Tabla 2. Análisis descriptivo de dependencia a la IA, percepción de rendimiento académico y procrastina-
ción académica
Se detectó una relación inversa significativa entre dependencia a la inteligencia artificial y rendimiento
académico, con una intensidad de relación débil (r= -0,122, p=< 0,007) lo que señala que, a mayor rendimiento
académico de los estudiantes universitarios, menor dependencia de la IA. No se encontró una correlación con
la procrastinación (r= 0,022, p=< 0,627) lo que sugiere que ambas variables son independientes y no se afectan
entre sí. En cambio, se observa una correlación inversa y altamente significativa, con una intensidad de
relación moderada (r = -0,333, p =< 0,000) entre rendimiento académico y procrastinación académica, lo que
evidencia que a menor procrastinación académica, mayor rendimiento académico (Tabla 3).
Tabla 3. Correlación entre dependencia de la IA, percepción de rendimiento académico y procrastinación
académica y sus dimensiones.
Nota: * p < .05, ** p < .01, *** p < .001. Prueba estadística utilizada: Coeficiente de correlación de Pearson
Las aportaciones a las actividades académicas no se relacionan con dependencia de la IA (r= - 0,040,
p = 0,371), sin embargo, presenta una relación directa altamente significativa con una intensidad fuerte
con rendimiento académico (r = 0.884, p = < 0.000) y una relación inversa con la procrastinación
académica (r = -0.296, p = < 0.000) lo que indica que, a mayor aportación a las actividades académicas,
mayor rendimiento académico y menor tendencia a procrastinar. La dedicación al estudio es independiente y
no se relaciona con dependencia de la IA (r = -0,053, p = < 0,237), pero tiene una fuerte relación positiva con
el rendimiento académico (r,= 0,835, p = < 0,000) y una relación inversa con la procrastinación académica
(r= -0,323; p = <0,000) que indica que, a mayor compromiso con el estudio, mejor desempeño académico y
menos propenso a procrastinar. La falta de organización de los recursos didácticos tiene una relación inversamente
significativa con la dependencia de la IA con una intensidad leve (r =-0,225, p = <0.000), lo que sugiere que una
organización más eficiente implica una dependencia menor de la IA; no se relaciona con la procrastinación
académica, pero sí con el rendimiento académico (r = 0,371, p = < 0.000), ya que una falta de organización
no necesariamente afecta negativamente el desempeño académico. La autorregulación académica no está
relacionada con la dependencia a la inteligencia artificial, sino que mantiene una relación inversa con el
rendimiento académico (r = -0,327, p = < 0.000) y una relación directa de gran relevancia con intensidad
fuerte con procrastinación académica (r = 0.952, p = < 0,000), indicando que en ciertos contextos los alumnos
con menos control o regulación sobre su propio proceso de aprendizaje suelen lograr mejores resultados
académicos y que a mayor capacidad de control del aprendizaje, mayor es la predisposición a procrastinar.
Finalmente, la postergación de actividades no se relaciona con la dependencia a la IA, sin embargo, tiene una
relación inversa débil con el rendimiento académico (r = -0,163, p = < 0,000) y una correlación positiva con
procrastinación académica (r = 0,576, p = < 0,000) lo que indica que una mayor postergación se asocia con
un menor rendimiento académico y una mayor tendencia a procrastinar. (Tabla 4)
Tabla 4. Correlación entre dependencia de la IA, rendimiento académico, procrastinación académica y sus
dimensiones.
DISCUSIÓN
El objetivo general del estudio fue determinar la relación entre la dependencia de la inteligencia artificial
(IA), la percepción del rendimiento académico y la procrastinación académica en estudiantes universitarios
de la región Puno durante el segundo periodo del 2024. Los resultados obtenidos permiten discutir los hallazgos
desde una perspectiva comparativa con investigaciones previas y en función de los objetivos planteados.
En relación con el primer objetivo, se identificó una correlación inversa significativa entre la dependencia a
la IA y el rendimiento académico (r = -0,122; p < 0,007), lo que indica que los estudiantes con menor depen-
dencia de la IA presentan un mejor desempeño académico. Este hallazgo coincide con lo reportado por Del
Cisne et al.
(13)
y Avendaño,
(31)
quienes evidenciaron que una alta dependencia tecnológica puede afectar nega-
tivamente el rendimiento académico hasta en un 65 %, debido a la pérdida de autonomía cognitiva y de habi-
lidades analíticas. Sin embargo, cuando la IA se utiliza como herramienta de apoyo complementario, puede
potenciar la productividad y mejorar la comprensión de los contenidos.
(19)
Por consiguiente, el estudio reafirma
la necesidad de fomentar un uso responsable y pedagógico de la IA en el entorno universitario, donde el criterio
humano y el pensamiento crítico sigan siendo fundamentales para la formación académica.
Respecto al segundo objetivo, orientado a analizar la relación entre la dependencia a la IA y la procrastinación
académica, no se identificó una correlación significativa (r = 0.022; p < 0.627). Este resultado sugiere que el
uso de herramientas de IA no influye directamente en los niveles de procrastinación. A diferencia de lo
planteado por Abbas et al.
(15)
quienes encontraron una relación positiva entre el uso excesivo de ChatGPT y
la postergación de actividades, los datos de este estudio muestran que la procrastinación puede estar determinada
por otros factores personales, como la autoeficacia, la motivación intrínseca y la capacidad de autorregulación.
(32)
Por tanto, la dependencia tecnológica no sería el principal factor desencadenante de la procrastinación,
aunque un uso desmedido de la IA podría, en algunos casos, reforzar hábitos de postergación si no se acompaña
de un control adecuado del tiempo y la planificación.
En cuanto al tercer objetivo, se identificó una relación inversa y altamente significativa entre el rendimiento
académico y la procrastinación académica (r = -0,333; p < 0,000). Este resultado confirma lo encontrado por
Zumárraga y Cevallos
(33)
y Kim y Seo,
(34)
quienes sostienen que la procrastinación afecta negativamente el
rendimiento académico al reducir la dedicación al estudio y la organización del tiempo. Los estudiantes con
altos niveles de rendimiento académico tienden a postergar menos sus actividades, muestran mayor motivación
y presentan una gestión más eficiente de sus recursos y objetivos
(35,36)
Este hallazgo respalda la importancia de
promover estrategias de autorregulación y gestión del tiempo en el ámbito universitario, como medios efectivos
para contrarrestar los efectos negativos de la procrastinación.
Por otra parte, el análisis de las dimensiones específicas aporta evidencia adicional. Se halló una relación
inversa significativa entre la dependencia de la IA y la falta de organización de los recursos didácticos
(r = -0,225; p < 0,000),
lo que sugiere que los estudiantes con menor organización tienden a recurrir más a
la IA como solución inmediata ante la demanda académica. Este resultado se alinea con los hallazgos de
Cosme Garate et al.
(37)
y Zhang et al.,
(38)
quienes señalan que una deficiente gestión de materiales de estudio
puede incrementar el estrés y la dependencia de herramientas tecnológicas. Además, Granda Aguilera et
al.
(39)
y Ahmad et al.,
(11)
advierten que la dependencia excesiva de la IA puede debilitar la organización, el
pensamiento crítico y la autonomía académica, fomentando hábitos de dependencia cognitiva. Por tanto,
fortalecer las competencias de planificación y organización se vuelve esencial para evitar la sobreutilización
de la IA.
Asimismo, los resultados indican que la autorregulación académica no se relaciona significativamente con la
dependencia de la IA, lo cual demuestra que los estudiantes conservan su capacidad de control y gestión del
aprendizaje.
(25)
Este hallazgo es positivo, pues refleja que la mayoría utiliza la IA como una herramienta de
apoyo y no como un sustituto de sus procesos de trabajo académico. No obstante, es necesario enfatizar la
formación ética y digital para garantizar un equilibrio entre el uso tecnológico y el desarrollo de habilidades
de razonamiento, análisis y creatividad.
Finalmente, el hecho de no haber identificado una correlación estadísticamente significativa entre la depen-
dencia de la IA y la postergación de actividades (r = 0.02; p < 0.647) confirma que la procrastinación no
depende exclusivamente del uso de la IA, sino que responde a una interacción compleja de factores psicológicos,
académicos y sociales. Sin embargo, como sostienen Abbas et al.
(15)
el uso inadecuado o desmedido de
herramientas como ChatGPT puede inducir conductas de procrastinación cuando reemplaza la reflexión
personal o el esfuerzo intelectual, en lugar de servir como un medio de aprendizaje activo.
CONCLUSIONES
Los resultados evidencian que una menor dependencia de la IA se asocia con un mejor rendimiento académico
y que, a su vez, un mayor rendimiento académico se relaciona con menores niveles de procrastinación. Por
otro lado, no se identificó una relación significativa entre la dependencia de la IA y la procrastinación; sin
embargo, sí se encontró una asociación con la dimensión referida a la falta de organización de los recursos
didácticos. Los hallazgos destacan la importancia de promover un uso responsable de la IA en estudiantes.
Limitaciones del estudio: Entre las principales limitaciones se encuentra el uso de un muestreo no probabilístico
por conveniencia, lo que restringe la generalización de los resultados a otras poblaciones universitarias.
Asimismo, el estudio se basó en instrumentos de autoinforme, los cuales pueden estar sujetos a sesgos de
percepción y deseabilidad social. Finalmente, al tratarse de un diseño transversal, no es posible establecer
relaciones causales entre las variables analizadas. Se recomienda que futuras investigaciones incorporen
diseños longitudinales y muestras más diversas para profundizar en estos hallazgos.
Financiamiento: Investigación financiada por los autores.
Agradecimientos: A los directivos del vicerrectorado de investigación de la Universidad Peruana Unión.
Conflictos de intereses: Los autores no tienen intereses en competencia.
Declaración de contribución:
Hilda Sapillado Condori y Giuliana Nadyn Vilca Quispe participaron en todo el proceso integral de la inves-
tigación y la redacción del artículo.
Alcides Quispe Mamani participó como asesor del estudio, revisión y aprobación de la versión final
REFERENCIAS BIBLIOGRÁFICAS
1. Acosta P. El impacto de la inteligencia artificial en la educación superior. Informe del Consejo de
Europa - ES de ES: Aprendemos entre todos [Internet]. 2022 [citado 8 Nov 2025]. Disponible en:
https://www.espaciosdeeducacionsuperior.es/07/12/2022/__trashed-2__trashed/.
2. Digital Education Council global AI student survey 2024. Encuesta mundial sobre inteligencia artificial
a estudiantes del Consejo de Educación Digital 2024 [Internet]. [cited 5 Mar 2025]. Disponible en:
https://www.digitaleducationcouncil.com/post/digital-education-council-global-ai-student-survey-2024.
3. Tyton Partners. Time for Class 2024: Unlocking access to effective digital teaching and learning
[Internet]. 2024 [citado 10 Nov 2024]. Disponible en: https://4213961.fs1.hubspotusercontent-na1.net/
hubfs/4213961/Publications/Time%20for%20Class%202024.pdf.
4. Rojas Marín F de los Á, Espinoza Padilla JG, Mendoza Pacheco MF. Inteligencia Artificial: Dependencia
y la Afección del Pensamiento Crítico. Cienc Lat Rev Científica Multidiscip. [Internet]. 2024 [citado
7 Mar 2025]; 8(4):12590–608. Disponible en: https://ciencialatina.org/index.php/cienciala/article/
view/13462.
5. Espinoza Vidaurre SM, Velásquez Rodríguez NC, Gambetta Quelopana RL, Martínez Valdivia AN,
Leo Rossi EA, Laura de la Cruz KM, et al. Influencia de la inteligencia artificial en la eficiencia del
rendimiento académico: un análisis de determinantes. RISTI - Rev Ibér Sist Tecnol Inf [Internet].
2024 [citado 9 Mar 2025]; E70:399–418. disponible en: https://dialnet.unirioja.es/servlet/articulo?
codigo=9886376.
6. Mukhtar M, Firdos SS, Zaka I, Naeem S. Impact of AI dependence on procrastination among university
students. Research Journal of Psychology [Internet]. 2025 [citado 4 Oct 2025];3(1):246–57. Disponible
en: https://ctrjournal.com/index.php/19/article/view/62 Int J Educ Innov Res. 2025;3(1):11–22.
7. Gavilanes Vásquez PG, Adum Ruiz JH, García Ruiz GS, Ruíz Ortega MG. Impacto de la inteligencia
artificial en la educación superior: una mirada hacia el futuro. RECIAMUC [Internet]. 2024 [citado
6 Oct 2025];8(2):213–21. Disponible en: https://www.reciamuc.com/index.php/RECIAMUC/article/
view/1371 DOI: http://dx.doi.org/10.26820/reciamuc/8.(2).abril.2024.213-221.
8. Turnitin. Estudio Time for Class: ¿Cuál ha sido el impacto de la IA en el aprendizaje de los estudiantes
en la era digital? [Internet]. Turnitin.com. 2024. [citado 13 Mar 2025]. Disponible en: https://www.
turnitin.com/press/turnitin-estudio-time-for-class.
9. Sabzalieva E, Valentini A. ChatGPT e inteligencia artificial en la educación superior: Guía de inicio
rápido. [Internet]. París: UNESCO IESALC;2023;1–16. [citado 15 Mar 2025]. Disponible en:
https://unesdoc.unesco.org/ark:/48223/pf0000385146_spa/PDF/385146spa.pdf.multi.
10. Seo K, Tang J, Roll I, Fels S, Yoon D. The impact of artificial intelligence on learner–instructor
interaction in online learning. Int J Educ Technol High Educ [Internet]. 2021 [citado 17 Mar 2025];
18(1):1–14. Disponible en: https://link.springer.com/article/10.1186/s41239-021-00292-9 DOI:
https://doi.org/10.1186/s41239-021-00292-9.
11. Ahmad SF, Han H, Alam MM, Rehmat MK, Irshad M, Arraño-Muñoz M, et al. Impact of artificial
intelligence on human loss in decision-making, laziness and safety in education. Humanit Soc Sci
Commun [Internet]. 2023 [citado 19 Mar 2025];10(1):311. Disponible en: https://www.nature.com/
articles/s41599-023-01787-8 DOI:10.1057/s41599 023 017878.
12.
[citado 8 May 2025]; 20. Disponible en: https://www.khaleejtimes.com/nation/dubai/Is-AI-makin
ghumans-lazy-Here-what-UAE-residents-say.
13. Del Cisne Loján M, Antonio Romero J, Sancho Aguilera D, Yajaira Romero A. Consecuencias de la
Dependencia de la Inteligencia Artificial en Habilidades Críticas y Aprendizaje Autónomo en los
Estudiantes. Cienc Lat Rev Científica Multidiscip. [Internet]. 2024 [citado 15 May 2025];8(2):
2368–2382. Disponible en: https://ciencialatina.org/index.php/cienciala/article/view/10678 DOI:
http://dx.doi.org/10.37811/cl_rcm.v8i2.10678.
14. Longoni C, Cian L. Artificial Intelligence in Utilitarian vs. Hedonic Contexts: The “Word-of-Machine”
Effect. J Mark [Internet]. 2022 [citado 19 May 2025];86(1):91–108. Disponible en: https://journals.sagepub.
com/doi/10.1177/0022242920957347.
15. Abbas M, Jam FA, Khan TI. Is it harmful or helpful? Examining the causes and consequences of
generative AI usage among university students. Int J Educ Technol High Educ [Internet]. 2024 [citado
9 Jan 2025];21(1). Disponible en: https://link.springer.com/article/10.1186/s41239-024-00444-7
DOI: https://doi.org/10.1186/s41239-024-00444-7.
16. Malinka K, Peresíni M, Firc A, Hujnák O, Janus F. On the Educational Impact of ChatGPT: Is Artificial
Intelligence Ready to Obtain a University Degree? In: Proceedings of the 2023 Conference on
Innovation and Technology in Computer Science Education (ITiCSE); 2023 [citado 15 Jan 2025].
3587102.3588827.
17. Gocen A, Aydemir F. Artificial Intelligence in Education and Schools. Res Educ Media. [Internet].
2020 [citado 20 May 2025];12(1):13–21. Disponible en: https://sciendo.com/2/v2/download/article/
10.2478/rem-2020-0003.pdf DOI: http://dx.doi.org/10.2478/rem-2020-0003.
18. Daha ES, Altelwany AA. Exploring the impact of using - ChatGPT in light of goal orientations and
academic self-efficacy. Int J Instr [Internet]. 2025 [citado 25 May 2025];18(2):167–84. Disponible
en: https://e-iji.net/ats/index.php/pub/article/view/730 DOI: http://dx.doi.org/10.29333/iji.2025.18210a.
19. Ortega Azurduy M, Machaca Mamani J, Daza Morales J. El efecto de la Inteligencia Artificial en el
rendimiento académico de estudiantes de ciencias administrativas en la Universidad Católica
Boliviana. Rev Educ Super [Internet]. 2023 [citado 1 Jun 2025];10(3):13–22. Disponible en:
http://www.scielo.org.bo/scielo.php?pid=S2518-82832023000300013&script=sci_arttext DOI:
https://doi.org/ 10.53287/mzkv9068uw14f.
20. Hernández-Sampieri R, Mendoza Torres CP. Metodología de la investigación: las rutas cuantitativa,
cualitativa y mixta. México: McGraw-Hill Education; 2018.
21. Hernández-Sampieri R, Fernández Collado C, Baptista Lucio M del P. Metodología de la investigación.
6ª ed. México: McGraw-Hill; 2014.
22. Carrazco Díaz S. Metodología de la investigación científica. 2ª ed. Lima: Editorial San Marcos; 2019.
23. Ortega C. ¿Qué es el muestreo por conveniencia? [Internet]. 2024 [citado 22 Nov 2024]. Disponible
en: https://www.questionpro.com/blog/es/muestreo-por-conveniencia/.
24. Morales-García WC, Sairitupa-Sánchez LZ, Morales-García SB, Morales-García M. Development
and validation of a scale for dependence on artificial intelligence in university students. Frontiers in
Education. [Internet]. 2024 [citado 4 Jun 2025];9:1323898. Disponible en: https://www.frontiersin.org/
journals/education/articles/10.3389/feduc.2024.1323898/full DOI: 10.3389/feduc.2024.1323898.
25. Preciado-Serrano M de L, Ángel-González M, Colunga-Rodríguez C, Vázquez-Colunga JC,
Rendimiento Académico Universitario (Construction and Validation of the University Academic
[Internet]. 2021 [citado 6 Jun 2025];3(60):5 14. Disponible en: https://go.gale.com/ps/i.do?id=GA
LE%7CA758446785&sid=googleScholar&v=2.1&it=r&linkaccess=abs&issn=11353848&p=
AONE&sw=w&userGroupName=anon%7E40c47079&aty=open-web-entry DOI:10.21865/RIDEP
60.3.01.
26. Remaycuna-Vásquez A, Carrión-Barco G, Espinoza-Porras FR, Maquen Niño GLE. Validez y
confiabilidad de la escala de rendimiento académico desde la percepción del alumno. Revista de
https://dialnet.unirioja.es/servlet/articulo?codigo=9034432 DOI: 10.31876/rcs.v29i.40458.
27. Busko DA. Causes and consequences of perfectionism and procrastination: A structural equation
28. Domínguez Lara S, Villegas García G, Centeno Leyva S. Procrastinación académica: validación de
una escala en una muestra de estudiantes de una universidad privada. Liberabit [Internet]. 2014 [citado
12 Jun 2025];20(2):293–304. Disponible en: http://www.scielo.org.pe/pdf/liber/v20n2/a10v20n2.
29. Colegio de Psicólogos del Perú. Código de ética profesional. Lima: Colegio de Psicólogos del Perú;
2017.
30. Universidad Peruana Unión. Código de ética para la investigación (CoEIn). Lima: UPeU; 2016.
31. Avendaño Porras VC. La adicción a la inteligencia artificial: evaluación de prevalencia y factores de
riesgo en estudiantes de posgrado. Rev Enfoques [Internet]. 2024 Jun 30 [citado 16 Apr 2025];5:
66–88. Disponible en: https://revistasdigitales.uniboyaca.edu.co/index.php/EFQ/article/view/1405.
32. Steel P. The nature of procrastination: a meta-analytic and theoretical review of quintessential
self-regulatory failure. Psychological Bulletin, 2025 [citado 13 Apr 2025];133(1), 65–94. Disponible
en: https://psycnet.apa.org/buy/2006-23058-004 DOI: https://doi.org/10.1037/0033-2909.133.1.65.
33. Zumárraga-Espinosa M, Cevallos-Pozo G. Autoeficacia, procrastinación y rendimiento académico en
estudiantes universitarios de Ecuador. Alteridad [Internet]. 2022 [citado 18 Apr 2025];17(2):277–90.
Disponible en: https://revistas.ups.edu.ec/index.php/alteridad/article/view/5516.
34. Kim KR, Seo EH. The relationship between procrastination and academic performance: a meta-analysis.
Pers Individ Dif [Internet]. 2015 [citado 19 Apr 2025];82:26–33. Disponible en: https://www.sciencedirect.
com/science/article/abs/pii/S0191886915001610 DOI: https://doi.org/10.1016/j.paid.2015.02.038.
35. Rodríguez A, Clariana M. Procrastinación en Estudiantes Universitarios: Su Relación con la Edad y el
Curso Académico. Rev Colomb Psicol. [Internet]. 2017 [citado 20 Apr 2025];26(1):45–60. Disponible
en: http://www.scielo.org.co/pdf/rcps/v26n1/0121-5469-rcps-26-01-00045.pdf.
36. Honicke T, Broadbent J. The influence of academic self-efficacy on academic performance: a systematic
review. Educ Res Rev [Internet]. 2016 [citado 21 Apr 2025];17:63–84. Disponible en: https://www.sciencedirect.
com/science/article/abs/pii/S1747938X15000639 DOI: https://doi.org/10.1016/j.edurev.2015.11.002.
37. Cosme Garate GA, Cornejo Zúñiga AG, Chumacero Acosta JS, Ruiz Rios A, Tuesta Casique A, Alvarez
Arista Y. Enseñanza universitaria y recursos didácticos en el nivel de rendimiento de los estudiantes de
pregrado. Rev Científica Episteme y Tekne. [Internet]. 2022 [citado 23 Apr 2025];1(2):e380. Disponible
en: https://revistas.unsm.edu.pe/index.php/rceyt/article/view/380 DOI: 10.51252/rceyt.v1i2.380.
38. Zhang S, Zhao X, Zhou T, Kim JH. Do you have AI dependency? The roles of academic self-efficacy,
academic stress, and performance expectations on problematic AI usage behavior. Int J Educ Technol
High Educ. [Internet]. 2024 [citado 29 Apr 2025];21(1):1-15. Disponible en: http://dx.doi.org/10.1186/
s41239-024-00467-0.
39. Granda Aguilera DR, Lema Mullo L, Gallegos Gallegos AR. La dependencia de la inteligencia artificial
en los estudiantes de bachillerato: implicaciones y recomendaciones para un aprendizaje equilibrado.
Polo del Conoc. [Internet]. 2024 [citado 20 may 2025];9(7):2109–30. Disponible en: https://polodel
conocimiento.com/ojs/index.php/es/article/view/7618/html?utm_source=chatgpt.com.
Relación entre dependencia a la inteligencia artificial, rendimiento académico y procrastinación
académica en universitarios
Relationship between dependence on artificial intelligence, academic performance, and academic
procrastination in university students
https://doi.org/10.37135/ee.04.25.08
Autores:
Hilda Sapillado Condori - https://orcid.org/0009-0002-7963-9896
Giuliana Nadyn Vilca Quispe - https://orcid.org/0009-0002-1329-0839
Alcides Quispe Mamani - https://orcid.org/0000-0002-7404-7464
Afiliación:
Universidad Peruana Unión
Autor de correspondencia: Giuliana Nadyn Vilca Quispe. Universidad Peruana Unión (UPeU), Carretera Salida
a Arequipa km. 6 Villa Chullunquiani, Juliaca, Perú. Tel: +51 940799733. E-mail: giuliana.vilca@upeu.edu.pe
Recibido: 21 de mayo de 2025 Aceptado: 11 de diciembre de 2025
RESUMEN
Esta investigación tuvo como objetivo determinar la relación existente entre dependencia de la inteligencia
artificial, rendimiento y procrastinación académica en estudiantes universitarios de la región Puno. Así se
aplicó un diseño no experimental, de corte transversal y tipo correlacional, en una muestra de 492 universitarios
de distintas universidades, con edades entre 18 y 35 años. Se utilizaron las escalas de dependencia hacia la
inteligencia artificial DAI, rendimiento académico universitario RAU y procrastinación académica EPA. Los
resultados, el 53 % de los participantes fueron de sexo masculino, el 92,1 % tenían edades entre 18 y 25 años,
el 51,4 % provenían de una universidad nacional de Juliaca, matriculados entre el primer y tercer ciclo
(51,8 %), destacándose el área de ingenierías con el 49,4 % de participación. El 63,41 % de los participantes
indicaron tener mayor inclinación hacia el uso de ChatGPT. Los valores globales indicaron una correlación
inversa significativa, (r = -0,122; p = <0,007) entre dependencia a la IA y rendimiento académico; no existe
correlación significativa entre dependencia a la IA y procrastinación académica (r = 0,022, p = < 0,627),
demostrando que los universitarios que no presentan altos niveles de dependencia de la inteligencia artificial
mantienen niveles de rendimiento académico adecuados y no tienden a procrastinar. Se identificó relación
inversa significativa entre dependencia de IA y la falta de organización de material didáctico (r = -0,225, p = <0,000),
evidenciando que la desorganización de materiales de estudio podría activar la necesidad de recurrir a la IA
como una solución rápida.
Palabras clave: inteligencia artificial, rendimiento académico, educación.
ABSTRACT
This research aimed to determine the relationship between dependence on artificial intelligence, academic
performance, and procrastination among university students in the Puno region. A non-experimental,
cross-sectional, correlational study was conducted with a sample of 492 university students from different
universities, aged 18-35 years. The scales of dependence on artificial intelligence (DAI), university academic
performance (RAU), and academic procrastination (EPA) were used as measurement instruments. The
results showed that 53 % of the participants were male, 92.1 % were between 18 and 25 years old, 51.4 %
came from a national university in Juliaca, enrolled between the first and third cycles (51.8 %), with the
engineering field standing out with 49.4 % participation. Sixty-three point four one percent of participants
indicated a greater inclination toward using ChatGPT. The overall values showed a significant inverse correlation
(r = -0.122; p = <0.007) between AI dependence and academic performance; there is no significant correlation
between AI dependence and academic procrastination (r = 0.022, p = <0.627), demonstrating that university
students who do not have high levels of dependence on artificial intelligence maintain adequate academic
performance levels and do not tend to procrastinate. A significant inverse relationship was found between AI
dependence and the lack of organization of teaching materials (r = -0.225, p = <0.000), suggesting that
disorganized study materials can prompt the need to resort to AI as a quick fix.
Keywords: Artificial Intelligence, Academic Performance, Education.
INTRODUCCIÓN
La inteligencia artificial (IA) es una herramienta tecnológica cuyo uso se está expandiendo rápidamente en
la educación universitaria,
(1)
siendo los estudiantes quienes tienen una interacción con la IA al menos
semanalmente.
(2)
Según Tyton Partners,
(3)
el 59 % son estudiantes y el 40 % docentes. La IA fue desarrollada
como una herramienta para optimizar experiencias de aprendizaje, con el fin de fortalecer el rendimiento
académico del estudiante
(4)
a través del apoyo en la ejecución de tareas y trabajos, y incrementar las calificaciones
(5)
a través del acceso rápido, a recursos y asistencia personalizada,
(6)
siendo útil también para facilitar la
investigación académica.
(7)
En Perú, se halló que el 73,2 % de universitarios utilizan la IA para hacer sus
tareas e investigaciones,
(5)
Turnitin
(8)
sostiene que un 3 % de los trabajos examinados presentan un 80 % o
más de texto generado por IA. Dentro del mundo académico, el ChatGPT es la herramienta de IA más usada,
debido a su uso dinámico y versátil.
(9)
A pesar de las ventajas de esta tecnología, su aceptación sin control podría generar dependencia por parte de
los estudiantes y educadores
(10)
, provocar la pérdida de habilidades cognitivas,
(11)
la capacidad de pensar de
manera independiente y desarrollar habilidades esenciales como la investigación y análisis,
(6)
impulsando a
pensar como los algoritmos sin comprender,
(12, 13)
asimismo, incentivar la pereza y dificultades en la toma de
decisiones,
(11)
reduciendo la motivación para esforzarse intelectualmente,
(6)
poniendo en riesgo el rendimiento
académico, incluso llevándolo a manifestar comportamientos de procrastinación académica, como retrasos
en la finalización de tareas, retrasos en las clases y retrasos en eventos competitivos hasta el último
día, entre otros.
(14,15)
En un futuro, esto significaría que los egresados universitarios sean de baja calidad
(16)
y con habilidades profesionales deficientes.
(17)
Estudios previos evidenciaron que el uso de la IA afecta negativamente el rendimiento académico de los
estudiantes universitarios y está relacionado positivamente con la procrastinación donde, a mayor uso de la
IA menor rendimiento académico y mayor probabilidad de procrastinar,
(15)
asimismo, se encontró que la
dependencia de la IA afecta el rendimiento académico de los estudiantes conllevando a la pérdida de habilidades
de investigación y aprendizaje autónomo,
(13)
y que su uso excesivo puede contribuir inadvertidamente a
retrasos en las tareas académicas, también se reveló que el uso excesivo de ChatGPT puede provocar la
postergación de tareas y un menor rendimiento y desarrollo académico.
(18)
La intención de uso de la inteligencia
artificial por parte de los estudiantes está basada en la ética, la autoeficacia, la motivación y las expectativas de
resultados, los cuales influyen en el rendimiento académico ya sea favorable o desfavorable.
(19)
En Perú, se demostró que la IA afecta positivamente el rendimiento académico de los estudiantes de pregrado
y postgrado en un 48,1 %.
(5)
Asimismo, se destaca que los estudiantes con una actitud más favorable hacia la
IA tienen una clara comprensión y entendimiento de la IA, tienen confianza en su educación y experimentan
efectos positivos en su rendimiento académico.
La IA está transformando el ámbito educativo y los hábitos de estudio, por lo que es necesario investigar su
impacto en los estudiantes universitarios. En este contexto, se planteó la presente invetsigación con la finalidad
de determinar la relación existente entre dependencia de la inteligencia artificial, percepción del rendimiento
académico y procrastinación académica en estudiantes universitarios de la región Puno, en el segundo periodo
académico de 2024.
MATERIAL Y MÉTODOS
Diseño y contexto
Este estudio se llevó a cabo con un enfoque cuantitativo, diseño no experimental, de corte transeccional o
transversal y de tipo correlacional, con el objetivo de analizar la relación entre dos o más variables.
(20)
REE 20(1) Riobamba ene. - abr. 2026
cc
BY NC ND
133
ISSN-impreso 1390-7581
ISSN-digital 2661-6742
Participantes
Este estudio se realizó en la región Puno, Perú, con una población compuesta por estudiantes de diversas
universidades de la región, tanto instituciones públicas como privadas, matriculados en el segundo periodo
académico del 2024, se seleccionó una muestra de 492 estudiantes universitarios de distintas carreras,
diferenciadas en 3 grupos (Ingenierías, Biomédicas y Sociales), con edades comprendidas entre 18 y 35
años, pertenecían a ambos sexos y contaban con conocimientos previos sobre inteligencia artificial. Se
emplearon criterios de muestreo no probabilístico por conveniencia intencional
(21, 22)
seleccionando participantes
con disponibilidad para formar parte de la muestra.
(23)
Instrumentos
Escala de Dependencia hacia la Inteligencia Artificial (DAI), desarrollada en Perú por Morales-García et al.
(24)
La escala es unidimensional y consta de 5 ítems medidos a través de una escala tipo Likert: Completamente
falso para mí, Mayormente falso para mí, Ni verdadero ni falso para mí, Mayormente verdadero para mí y
Me describe perfectamente, con un puntaje máximo de 25 puntos dirigidos a estudiantes universitarios. Los
valores de alfa de Cronbach y el coeficiente omega de McDonald muestran una adecuada consistencia interna
La escala de rendimiento académico universitario (RAU) fue desarrollada por Preciado-Serrano et al
(25)
y validada por Remaycuna-Vásquez et al.
(26)
consta de 18 ítems y tres dimensiones: aportación en las
actividades académicas, dedicación al estudio y falta de organización de los recursos didácticos, se
miden mediante una escala de tipo Likert con 7 alternativas de respuesta: nunca, casi nunca, algunas
veces, regularmente, a menudo, casi siempre y siempre. El índice de confiabilidad del alfa de Cronbach
y omega de McDonald, a nivel general se evidencia que la fiabilidad es de 0.843 y 0.865 respectivamente,
la cual tiene valores aceptables.
Escala de Procrastinación Académica (EPA), creada por Busko
(27)
y validada para Perú por Domínguez et al.
(28)
esta adaptación consta de 12 ítems, divididos en 2 dimensiones autorregulación académica y postergación de
actividades. Los ítems son medidos según la escala de Likert: nunca, casi nunca, a veces, casi siempre y
siempre. Se obtuvieron umbrales de confianza a través del alfa de Cronbach, obteniéndose un indicador de
0,821 (IC al 95 %: 0,793; 0,847) para el factor autorregulación académica, y de 0,752 (IC al 95 %: 0,705;
0,792) para el factor postergación de actividades. El coeficiente omega estimó la confiabilidad de los factores,
logrando un indicador de 0,829 para el factor autorregulación académica y de 0,794 para el factor postergación
de actividades.
Análisis de datos
La recolección de datos se realizó mediante la aplicación de los instrumentos posteriormente se estructuraron
y procesaron utilizando Statistical Package for the Social Sciences (SPSS) versión 27 y Jamovi 2.3.28.0,
donde se empleó la estadística descriptiva e inferencial para la obtención de datos de frecuencia y correlación
de variables, así como la verificación de la distribución normal o anormal de las variables.
Aspectos éticos
El estudio fue aprobado por el comité de ética de la Universidad Peruana Unión, con número de aprobación
2024-CEB-FCS - UPeU-270 la cual se adhirió a los principios éticos del código de ética de investigación
establecidos por la misma institución. Asimismo, se puso en consideración las directrices del Código de
Ética del Colegio de Psicólogos del Perú aplicables a la investigación. Todos los participantes procedieron a
la firma del consentimiento informado, manifestando su aceptación para participar en el estudio y autorizan-
do el uso de los datos exclusivamente para fines académicos e investigativos.
(29, 30)
RESULTADOS
Para el análisis inferencial se empleó la prueba de correlación de Pearson, dado que las variables presentaron
distribución normal. En los casos en los que la normalidad no fue determinada, se complementó con la
verificación mediante coeficientes y valores p correspondientes.
Los resultados muestran que, del total de participantes, el 53, 9 % correspondió al sexo masculino y el 92,1%
presentaban edades entre 18 y 25 años. El 51,4 % fueron procedentes de la UNAJ, destacándose el área de
Ingeniería con participación del 49,4 %. Por otro lado, se muestra que la mayoría se encontraban matriculados
entre el I a III ciclo (51, 8 %). La información de los tipos de IAs que más utilizan como apoyo para su jornada
académica más relevantes fue: el ChatGPT con un 63,41 %, Canva (51,83 %), Meta.IA (40,65 %), Gemini
(26.42%) y Mendeley (24,39 %) como las IAs de mayor aceptación, además de otras IAs que son de baja
preferencia (Tabla 1).
Datos sociodemográficos
Tabla 1. Características de los participantes
Nota: *UNAP “Universidad Nacional del Altiplano”, UNAJ “Universidad Nacional de Juliaca”, UPEU “Universidad Peruana
Unión”
Los estudiantes universitarios de la región Puno son dependientes de la IA en un nivel “leve” (50,61 %), con
un rendimiento académico percibido de nivel “medio”, a excepción de la dimensión dedicación al estudio,
en donde el 40,9 % se percibe en un nivel “alto” y así mismo son procrastinadores en un nivel “promedio”
(57,3 %). (Tabla 2)
Tabla 2. Análisis descriptivo de dependencia a la IA, percepción de rendimiento académico y procrastina-
ción académica
Se detectó una relación inversa significativa entre dependencia a la inteligencia artificial y rendimiento
académico, con una intensidad de relación débil (r= -0,122, p=< 0,007) lo que señala que, a mayor rendimiento
académico de los estudiantes universitarios, menor dependencia de la IA. No se encontró una correlación con
la procrastinación (r= 0,022, p=< 0,627) lo que sugiere que ambas variables son independientes y no se afectan
entre sí. En cambio, se observa una correlación inversa y altamente significativa, con una intensidad de
relación moderada (r = -0,333, p =< 0,000) entre rendimiento académico y procrastinación académica, lo que
evidencia que a menor procrastinación académica, mayor rendimiento académico (Tabla 3).
Tabla 3. Correlación entre dependencia de la IA, percepción de rendimiento académico y procrastinación
académica y sus dimensiones.
Nota: * p < .05, ** p < .01, *** p < .001. Prueba estadística utilizada: Coeficiente de correlación de Pearson
Las aportaciones a las actividades académicas no se relacionan con dependencia de la IA (r= - 0,040,
p = 0,371), sin embargo, presenta una relación directa altamente significativa con una intensidad fuerte
con rendimiento académico (r = 0.884, p = < 0.000) y una relación inversa con la procrastinación
académica (r = -0.296, p = < 0.000) lo que indica que, a mayor aportación a las actividades académicas,
mayor rendimiento académico y menor tendencia a procrastinar. La dedicación al estudio es independiente y
no se relaciona con dependencia de la IA (r = -0,053, p = < 0,237), pero tiene una fuerte relación positiva con
el rendimiento académico (r,= 0,835, p = < 0,000) y una relación inversa con la procrastinación académica
(r= -0,323; p = <0,000) que indica que, a mayor compromiso con el estudio, mejor desempeño académico y
menos propenso a procrastinar. La falta de organización de los recursos didácticos tiene una relación inversamente
significativa con la dependencia de la IA con una intensidad leve (r =-0,225, p = <0.000), lo que sugiere que una
organización más eficiente implica una dependencia menor de la IA; no se relaciona con la procrastinación
académica, pero sí con el rendimiento académico (r = 0,371, p = < 0.000), ya que una falta de organización
no necesariamente afecta negativamente el desempeño académico. La autorregulación académica no está
relacionada con la dependencia a la inteligencia artificial, sino que mantiene una relación inversa con el
rendimiento académico (r = -0,327, p = < 0.000) y una relación directa de gran relevancia con intensidad
fuerte con procrastinación académica (r = 0.952, p = < 0,000), indicando que en ciertos contextos los alumnos
con menos control o regulación sobre su propio proceso de aprendizaje suelen lograr mejores resultados
académicos y que a mayor capacidad de control del aprendizaje, mayor es la predisposición a procrastinar.
Finalmente, la postergación de actividades no se relaciona con la dependencia a la IA, sin embargo, tiene una
relación inversa débil con el rendimiento académico (r = -0,163, p = < 0,000) y una correlación positiva con
procrastinación académica (r = 0,576, p = < 0,000) lo que indica que una mayor postergación se asocia con
un menor rendimiento académico y una mayor tendencia a procrastinar. (Tabla 4)
Tabla 4. Correlación entre dependencia de la IA, rendimiento académico, procrastinación académica y sus
dimensiones.
DISCUSIÓN
El objetivo general del estudio fue determinar la relación entre la dependencia de la inteligencia artificial
(IA), la percepción del rendimiento académico y la procrastinación académica en estudiantes universitarios
de la región Puno durante el segundo periodo del 2024. Los resultados obtenidos permiten discutir los hallazgos
desde una perspectiva comparativa con investigaciones previas y en función de los objetivos planteados.
En relación con el primer objetivo, se identificó una correlación inversa significativa entre la dependencia a
la IA y el rendimiento académico (r = -0,122; p < 0,007), lo que indica que los estudiantes con menor depen-
dencia de la IA presentan un mejor desempeño académico. Este hallazgo coincide con lo reportado por Del
Cisne et al.
(13)
y Avendaño,
(31)
quienes evidenciaron que una alta dependencia tecnológica puede afectar nega-
tivamente el rendimiento académico hasta en un 65 %, debido a la pérdida de autonomía cognitiva y de habi-
lidades analíticas. Sin embargo, cuando la IA se utiliza como herramienta de apoyo complementario, puede
potenciar la productividad y mejorar la comprensión de los contenidos.
(19)
Por consiguiente, el estudio reafirma
la necesidad de fomentar un uso responsable y pedagógico de la IA en el entorno universitario, donde el criterio
humano y el pensamiento crítico sigan siendo fundamentales para la formación académica.
Respecto al segundo objetivo, orientado a analizar la relación entre la dependencia a la IA y la procrastinación
académica, no se identificó una correlación significativa (r = 0.022; p < 0.627). Este resultado sugiere que el
uso de herramientas de IA no influye directamente en los niveles de procrastinación. A diferencia de lo
planteado por Abbas et al.
(15)
quienes encontraron una relación positiva entre el uso excesivo de ChatGPT y
la postergación de actividades, los datos de este estudio muestran que la procrastinación puede estar determinada
por otros factores personales, como la autoeficacia, la motivación intrínseca y la capacidad de autorregulación.
(32)
Por tanto, la dependencia tecnológica no sería el principal factor desencadenante de la procrastinación,
aunque un uso desmedido de la IA podría, en algunos casos, reforzar hábitos de postergación si no se acompaña
de un control adecuado del tiempo y la planificación.
En cuanto al tercer objetivo, se identificó una relación inversa y altamente significativa entre el rendimiento
académico y la procrastinación académica (r = -0,333; p < 0,000). Este resultado confirma lo encontrado por
Zumárraga y Cevallos
(33)
y Kim y Seo,
(34)
quienes sostienen que la procrastinación afecta negativamente el
rendimiento académico al reducir la dedicación al estudio y la organización del tiempo. Los estudiantes con
altos niveles de rendimiento académico tienden a postergar menos sus actividades, muestran mayor motivación
y presentan una gestión más eficiente de sus recursos y objetivos
(35,36)
Este hallazgo respalda la importancia de
promover estrategias de autorregulación y gestión del tiempo en el ámbito universitario, como medios efectivos
para contrarrestar los efectos negativos de la procrastinación.
Por otra parte, el análisis de las dimensiones específicas aporta evidencia adicional. Se halló una relación
inversa significativa entre la dependencia de la IA y la falta de organización de los recursos didácticos
(r = -0,225; p < 0,000),
lo que sugiere que los estudiantes con menor organización tienden a recurrir más a
la IA como solución inmediata ante la demanda académica. Este resultado se alinea con los hallazgos de
Cosme Garate et al.
(37)
y Zhang et al.,
(38)
quienes señalan que una deficiente gestión de materiales de estudio
puede incrementar el estrés y la dependencia de herramientas tecnológicas. Además, Granda Aguilera et
al.
(39)
y Ahmad et al.,
(11)
advierten que la dependencia excesiva de la IA puede debilitar la organización, el
pensamiento crítico y la autonomía académica, fomentando hábitos de dependencia cognitiva. Por tanto,
fortalecer las competencias de planificación y organización se vuelve esencial para evitar la sobreutilización
de la IA.
Asimismo, los resultados indican que la autorregulación académica no se relaciona significativamente con la
dependencia de la IA, lo cual demuestra que los estudiantes conservan su capacidad de control y gestión del
aprendizaje.
(25)
Este hallazgo es positivo, pues refleja que la mayoría utiliza la IA como una herramienta de
apoyo y no como un sustituto de sus procesos de trabajo académico. No obstante, es necesario enfatizar la
formación ética y digital para garantizar un equilibrio entre el uso tecnológico y el desarrollo de habilidades
de razonamiento, análisis y creatividad.
Finalmente, el hecho de no haber identificado una correlación estadísticamente significativa entre la depen-
dencia de la IA y la postergación de actividades (r = 0.02; p < 0.647) confirma que la procrastinación no
depende exclusivamente del uso de la IA, sino que responde a una interacción compleja de factores psicológicos,
académicos y sociales. Sin embargo, como sostienen Abbas et al.
(15)
el uso inadecuado o desmedido de
herramientas como ChatGPT puede inducir conductas de procrastinación cuando reemplaza la reflexión
personal o el esfuerzo intelectual, en lugar de servir como un medio de aprendizaje activo.
CONCLUSIONES
Los resultados evidencian que una menor dependencia de la IA se asocia con un mejor rendimiento académico
y que, a su vez, un mayor rendimiento académico se relaciona con menores niveles de procrastinación. Por
otro lado, no se identificó una relación significativa entre la dependencia de la IA y la procrastinación; sin
embargo, sí se encontró una asociación con la dimensión referida a la falta de organización de los recursos
didácticos. Los hallazgos destacan la importancia de promover un uso responsable de la IA en estudiantes.
Limitaciones del estudio: Entre las principales limitaciones se encuentra el uso de un muestreo no probabilístico
por conveniencia, lo que restringe la generalización de los resultados a otras poblaciones universitarias.
Asimismo, el estudio se basó en instrumentos de autoinforme, los cuales pueden estar sujetos a sesgos de
percepción y deseabilidad social. Finalmente, al tratarse de un diseño transversal, no es posible establecer
relaciones causales entre las variables analizadas. Se recomienda que futuras investigaciones incorporen
diseños longitudinales y muestras más diversas para profundizar en estos hallazgos.
Financiamiento: Investigación financiada por los autores.
Agradecimientos: A los directivos del vicerrectorado de investigación de la Universidad Peruana Unión.
Conflictos de intereses: Los autores no tienen intereses en competencia.
Declaración de contribución:
Hilda Sapillado Condori y Giuliana Nadyn Vilca Quispe participaron en todo el proceso integral de la inves-
tigación y la redacción del artículo.
Alcides Quispe Mamani participó como asesor del estudio, revisión y aprobación de la versión final
REFERENCIAS BIBLIOGRÁFICAS
1. Acosta P. El impacto de la inteligencia artificial en la educación superior. Informe del Consejo de
Europa - ES de ES: Aprendemos entre todos [Internet]. 2022 [citado 8 Nov 2025]. Disponible en:
https://www.espaciosdeeducacionsuperior.es/07/12/2022/__trashed-2__trashed/.
2. Digital Education Council global AI student survey 2024. Encuesta mundial sobre inteligencia artificial
a estudiantes del Consejo de Educación Digital 2024 [Internet]. [cited 5 Mar 2025]. Disponible en:
https://www.digitaleducationcouncil.com/post/digital-education-council-global-ai-student-survey-2024.
3. Tyton Partners. Time for Class 2024: Unlocking access to effective digital teaching and learning
[Internet]. 2024 [citado 10 Nov 2024]. Disponible en: https://4213961.fs1.hubspotusercontent-na1.net/
hubfs/4213961/Publications/Time%20for%20Class%202024.pdf.
4. Rojas Marín F de los Á, Espinoza Padilla JG, Mendoza Pacheco MF. Inteligencia Artificial: Dependencia
y la Afección del Pensamiento Crítico. Cienc Lat Rev Científica Multidiscip. [Internet]. 2024 [citado
7 Mar 2025]; 8(4):12590–608. Disponible en: https://ciencialatina.org/index.php/cienciala/article/
view/13462.
5. Espinoza Vidaurre SM, Velásquez Rodríguez NC, Gambetta Quelopana RL, Martínez Valdivia AN,
Leo Rossi EA, Laura de la Cruz KM, et al. Influencia de la inteligencia artificial en la eficiencia del
rendimiento académico: un análisis de determinantes. RISTI - Rev Ibér Sist Tecnol Inf [Internet].
2024 [citado 9 Mar 2025]; E70:399–418. disponible en: https://dialnet.unirioja.es/servlet/articulo?
codigo=9886376.
6. Mukhtar M, Firdos SS, Zaka I, Naeem S. Impact of AI dependence on procrastination among university
students. Research Journal of Psychology [Internet]. 2025 [citado 4 Oct 2025];3(1):246–57. Disponible
en: https://ctrjournal.com/index.php/19/article/view/62 Int J Educ Innov Res. 2025;3(1):11–22.
7. Gavilanes Vásquez PG, Adum Ruiz JH, García Ruiz GS, Ruíz Ortega MG. Impacto de la inteligencia
artificial en la educación superior: una mirada hacia el futuro. RECIAMUC [Internet]. 2024 [citado
6 Oct 2025];8(2):213–21. Disponible en: https://www.reciamuc.com/index.php/RECIAMUC/article/
view/1371 DOI: http://dx.doi.org/10.26820/reciamuc/8.(2).abril.2024.213-221.
8. Turnitin. Estudio Time for Class: ¿Cuál ha sido el impacto de la IA en el aprendizaje de los estudiantes
en la era digital? [Internet]. Turnitin.com. 2024. [citado 13 Mar 2025]. Disponible en: https://www.
turnitin.com/press/turnitin-estudio-time-for-class.
9. Sabzalieva E, Valentini A. ChatGPT e inteligencia artificial en la educación superior: Guía de inicio
rápido. [Internet]. París: UNESCO IESALC;2023;1–16. [citado 15 Mar 2025]. Disponible en:
https://unesdoc.unesco.org/ark:/48223/pf0000385146_spa/PDF/385146spa.pdf.multi.
10. Seo K, Tang J, Roll I, Fels S, Yoon D. The impact of artificial intelligence on learner–instructor
interaction in online learning. Int J Educ Technol High Educ [Internet]. 2021 [citado 17 Mar 2025];
18(1):1–14. Disponible en: https://link.springer.com/article/10.1186/s41239-021-00292-9 DOI:
https://doi.org/10.1186/s41239-021-00292-9.
11. Ahmad SF, Han H, Alam MM, Rehmat MK, Irshad M, Arraño-Muñoz M, et al. Impact of artificial
intelligence on human loss in decision-making, laziness and safety in education. Humanit Soc Sci
Commun [Internet]. 2023 [citado 19 Mar 2025];10(1):311. Disponible en: https://www.nature.com/
articles/s41599-023-01787-8 DOI:10.1057/s41599 023 017878.
12.
[citado 8 May 2025]; 20. Disponible en: https://www.khaleejtimes.com/nation/dubai/Is-AI-makin
ghumans-lazy-Here-what-UAE-residents-say.
13. Del Cisne Loján M, Antonio Romero J, Sancho Aguilera D, Yajaira Romero A. Consecuencias de la
Dependencia de la Inteligencia Artificial en Habilidades Críticas y Aprendizaje Autónomo en los
Estudiantes. Cienc Lat Rev Científica Multidiscip. [Internet]. 2024 [citado 15 May 2025];8(2):
2368–2382. Disponible en: https://ciencialatina.org/index.php/cienciala/article/view/10678 DOI:
http://dx.doi.org/10.37811/cl_rcm.v8i2.10678.
14. Longoni C, Cian L. Artificial Intelligence in Utilitarian vs. Hedonic Contexts: The “Word-of-Machine”
Effect. J Mark [Internet]. 2022 [citado 19 May 2025];86(1):91–108. Disponible en: https://journals.sagepub.
com/doi/10.1177/0022242920957347.
15. Abbas M, Jam FA, Khan TI. Is it harmful or helpful? Examining the causes and consequences of
generative AI usage among university students. Int J Educ Technol High Educ [Internet]. 2024 [citado
9 Jan 2025];21(1). Disponible en: https://link.springer.com/article/10.1186/s41239-024-00444-7
DOI: https://doi.org/10.1186/s41239-024-00444-7.
16. Malinka K, Peresíni M, Firc A, Hujnák O, Janus F. On the Educational Impact of ChatGPT: Is Artificial
Intelligence Ready to Obtain a University Degree? In: Proceedings of the 2023 Conference on
Innovation and Technology in Computer Science Education (ITiCSE); 2023 [citado 15 Jan 2025].
3587102.3588827.
17. Gocen A, Aydemir F. Artificial Intelligence in Education and Schools. Res Educ Media. [Internet].
2020 [citado 20 May 2025];12(1):13–21. Disponible en: https://sciendo.com/2/v2/download/article/
10.2478/rem-2020-0003.pdf DOI: http://dx.doi.org/10.2478/rem-2020-0003.
18. Daha ES, Altelwany AA. Exploring the impact of using - ChatGPT in light of goal orientations and
academic self-efficacy. Int J Instr [Internet]. 2025 [citado 25 May 2025];18(2):167–84. Disponible
en: https://e-iji.net/ats/index.php/pub/article/view/730 DOI: http://dx.doi.org/10.29333/iji.2025.18210a.
19. Ortega Azurduy M, Machaca Mamani J, Daza Morales J. El efecto de la Inteligencia Artificial en el
rendimiento académico de estudiantes de ciencias administrativas en la Universidad Católica
Boliviana. Rev Educ Super [Internet]. 2023 [citado 1 Jun 2025];10(3):13–22. Disponible en:
http://www.scielo.org.bo/scielo.php?pid=S2518-82832023000300013&script=sci_arttext DOI:
https://doi.org/ 10.53287/mzkv9068uw14f.
20. Hernández-Sampieri R, Mendoza Torres CP. Metodología de la investigación: las rutas cuantitativa,
cualitativa y mixta. México: McGraw-Hill Education; 2018.
21. Hernández-Sampieri R, Fernández Collado C, Baptista Lucio M del P. Metodología de la investigación.
6ª ed. México: McGraw-Hill; 2014.
22. Carrazco Díaz S. Metodología de la investigación científica. 2ª ed. Lima: Editorial San Marcos; 2019.
23. Ortega C. ¿Qué es el muestreo por conveniencia? [Internet]. 2024 [citado 22 Nov 2024]. Disponible
en: https://www.questionpro.com/blog/es/muestreo-por-conveniencia/.
24. Morales-García WC, Sairitupa-Sánchez LZ, Morales-García SB, Morales-García M. Development
and validation of a scale for dependence on artificial intelligence in university students. Frontiers in
Education. [Internet]. 2024 [citado 4 Jun 2025];9:1323898. Disponible en: https://www.frontiersin.org/
journals/education/articles/10.3389/feduc.2024.1323898/full DOI: 10.3389/feduc.2024.1323898.
25. Preciado-Serrano M de L, Ángel-González M, Colunga-Rodríguez C, Vázquez-Colunga JC,
Rendimiento Académico Universitario (Construction and Validation of the University Academic
[Internet]. 2021 [citado 6 Jun 2025];3(60):5 14. Disponible en: https://go.gale.com/ps/i.do?id=GA
LE%7CA758446785&sid=googleScholar&v=2.1&it=r&linkaccess=abs&issn=11353848&p=
AONE&sw=w&userGroupName=anon%7E40c47079&aty=open-web-entry DOI:10.21865/RIDEP
60.3.01.
26. Remaycuna-Vásquez A, Carrión-Barco G, Espinoza-Porras FR, Maquen Niño GLE. Validez y
confiabilidad de la escala de rendimiento académico desde la percepción del alumno. Revista de
https://dialnet.unirioja.es/servlet/articulo?codigo=9034432 DOI: 10.31876/rcs.v29i.40458.
27. Busko DA. Causes and consequences of perfectionism and procrastination: A structural equation
28. Domínguez Lara S, Villegas García G, Centeno Leyva S. Procrastinación académica: validación de
una escala en una muestra de estudiantes de una universidad privada. Liberabit [Internet]. 2014 [citado
12 Jun 2025];20(2):293–304. Disponible en: http://www.scielo.org.pe/pdf/liber/v20n2/a10v20n2.
29. Colegio de Psicólogos del Perú. Código de ética profesional. Lima: Colegio de Psicólogos del Perú;
2017.
30. Universidad Peruana Unión. Código de ética para la investigación (CoEIn). Lima: UPeU; 2016.
31. Avendaño Porras VC. La adicción a la inteligencia artificial: evaluación de prevalencia y factores de
riesgo en estudiantes de posgrado. Rev Enfoques [Internet]. 2024 Jun 30 [citado 16 Apr 2025];5:
66–88. Disponible en: https://revistasdigitales.uniboyaca.edu.co/index.php/EFQ/article/view/1405.
32. Steel P. The nature of procrastination: a meta-analytic and theoretical review of quintessential
self-regulatory failure. Psychological Bulletin, 2025 [citado 13 Apr 2025];133(1), 65–94. Disponible
en: https://psycnet.apa.org/buy/2006-23058-004 DOI: https://doi.org/10.1037/0033-2909.133.1.65.
33. Zumárraga-Espinosa M, Cevallos-Pozo G. Autoeficacia, procrastinación y rendimiento académico en
estudiantes universitarios de Ecuador. Alteridad [Internet]. 2022 [citado 18 Apr 2025];17(2):277–90.
Disponible en: https://revistas.ups.edu.ec/index.php/alteridad/article/view/5516.
34. Kim KR, Seo EH. The relationship between procrastination and academic performance: a meta-analysis.
Pers Individ Dif [Internet]. 2015 [citado 19 Apr 2025];82:26–33. Disponible en: https://www.sciencedirect.
com/science/article/abs/pii/S0191886915001610 DOI: https://doi.org/10.1016/j.paid.2015.02.038.
35. Rodríguez A, Clariana M. Procrastinación en Estudiantes Universitarios: Su Relación con la Edad y el
Curso Académico. Rev Colomb Psicol. [Internet]. 2017 [citado 20 Apr 2025];26(1):45–60. Disponible
en: http://www.scielo.org.co/pdf/rcps/v26n1/0121-5469-rcps-26-01-00045.pdf.
36. Honicke T, Broadbent J. The influence of academic self-efficacy on academic performance: a systematic
review. Educ Res Rev [Internet]. 2016 [citado 21 Apr 2025];17:63–84. Disponible en: https://www.sciencedirect.
com/science/article/abs/pii/S1747938X15000639 DOI: https://doi.org/10.1016/j.edurev.2015.11.002.
37. Cosme Garate GA, Cornejo Zúñiga AG, Chumacero Acosta JS, Ruiz Rios A, Tuesta Casique A, Alvarez
Arista Y. Enseñanza universitaria y recursos didácticos en el nivel de rendimiento de los estudiantes de
pregrado. Rev Científica Episteme y Tekne. [Internet]. 2022 [citado 23 Apr 2025];1(2):e380. Disponible
en: https://revistas.unsm.edu.pe/index.php/rceyt/article/view/380 DOI: 10.51252/rceyt.v1i2.380.
38. Zhang S, Zhao X, Zhou T, Kim JH. Do you have AI dependency? The roles of academic self-efficacy,
academic stress, and performance expectations on problematic AI usage behavior. Int J Educ Technol
High Educ. [Internet]. 2024 [citado 29 Apr 2025];21(1):1-15. Disponible en: http://dx.doi.org/10.1186/
s41239-024-00467-0.
39. Granda Aguilera DR, Lema Mullo L, Gallegos Gallegos AR. La dependencia de la inteligencia artificial
en los estudiantes de bachillerato: implicaciones y recomendaciones para un aprendizaje equilibrado.
Polo del Conoc. [Internet]. 2024 [citado 20 may 2025];9(7):2109–30. Disponible en: https://polodel
conocimiento.com/ojs/index.php/es/article/view/7618/html?utm_source=chatgpt.com.
Relación entre dependencia a la inteligencia artificial, rendimiento académico y procrastinación
académica en universitarios
Relationship between dependence on artificial intelligence, academic performance, and academic
procrastination in university students
https://doi.org/10.37135/ee.04.25.08
Autores:
Hilda Sapillado Condori - https://orcid.org/0009-0002-7963-9896
Giuliana Nadyn Vilca Quispe - https://orcid.org/0009-0002-1329-0839
Alcides Quispe Mamani - https://orcid.org/0000-0002-7404-7464
Afiliación:
Universidad Peruana Unión
Autor de correspondencia: Giuliana Nadyn Vilca Quispe. Universidad Peruana Unión (UPeU), Carretera Salida
a Arequipa km. 6 Villa Chullunquiani, Juliaca, Perú. Tel: +51 940799733. E-mail: giuliana.vilca@upeu.edu.pe
Recibido: 21 de mayo de 2025 Aceptado: 11 de diciembre de 2025
RESUMEN
Esta investigación tuvo como objetivo determinar la relación existente entre dependencia de la inteligencia
artificial, rendimiento y procrastinación académica en estudiantes universitarios de la región Puno. Así se
aplicó un diseño no experimental, de corte transversal y tipo correlacional, en una muestra de 492 universitarios
de distintas universidades, con edades entre 18 y 35 años. Se utilizaron las escalas de dependencia hacia la
inteligencia artificial DAI, rendimiento académico universitario RAU y procrastinación académica EPA. Los
resultados, el 53 % de los participantes fueron de sexo masculino, el 92,1 % tenían edades entre 18 y 25 años,
el 51,4 % provenían de una universidad nacional de Juliaca, matriculados entre el primer y tercer ciclo
(51,8 %), destacándose el área de ingenierías con el 49,4 % de participación. El 63,41 % de los participantes
indicaron tener mayor inclinación hacia el uso de ChatGPT. Los valores globales indicaron una correlación
inversa significativa, (r = -0,122; p = <0,007) entre dependencia a la IA y rendimiento académico; no existe
correlación significativa entre dependencia a la IA y procrastinación académica (r = 0,022, p = < 0,627),
demostrando que los universitarios que no presentan altos niveles de dependencia de la inteligencia artificial
mantienen niveles de rendimiento académico adecuados y no tienden a procrastinar. Se identificó relación
inversa significativa entre dependencia de IA y la falta de organización de material didáctico (r = -0,225, p = <0,000),
evidenciando que la desorganización de materiales de estudio podría activar la necesidad de recurrir a la IA
como una solución rápida.
Palabras clave: inteligencia artificial, rendimiento académico, educación.
ABSTRACT
This research aimed to determine the relationship between dependence on artificial intelligence, academic
performance, and procrastination among university students in the Puno region. A non-experimental,
cross-sectional, correlational study was conducted with a sample of 492 university students from different
universities, aged 18-35 years. The scales of dependence on artificial intelligence (DAI), university academic
performance (RAU), and academic procrastination (EPA) were used as measurement instruments. The
results showed that 53 % of the participants were male, 92.1 % were between 18 and 25 years old, 51.4 %
came from a national university in Juliaca, enrolled between the first and third cycles (51.8 %), with the
engineering field standing out with 49.4 % participation. Sixty-three point four one percent of participants
indicated a greater inclination toward using ChatGPT. The overall values showed a significant inverse correlation
(r = -0.122; p = <0.007) between AI dependence and academic performance; there is no significant correlation
between AI dependence and academic procrastination (r = 0.022, p = <0.627), demonstrating that university
students who do not have high levels of dependence on artificial intelligence maintain adequate academic
performance levels and do not tend to procrastinate. A significant inverse relationship was found between AI
dependence and the lack of organization of teaching materials (r = -0.225, p = <0.000), suggesting that
disorganized study materials can prompt the need to resort to AI as a quick fix.
Keywords: Artificial Intelligence, Academic Performance, Education.
INTRODUCCIÓN
La inteligencia artificial (IA) es una herramienta tecnológica cuyo uso se está expandiendo rápidamente en
la educación universitaria,
(1)
siendo los estudiantes quienes tienen una interacción con la IA al menos
semanalmente.
(2)
Según Tyton Partners,
(3)
el 59 % son estudiantes y el 40 % docentes. La IA fue desarrollada
como una herramienta para optimizar experiencias de aprendizaje, con el fin de fortalecer el rendimiento
académico del estudiante
(4)
a través del apoyo en la ejecución de tareas y trabajos, y incrementar las calificaciones
(5)
a través del acceso rápido, a recursos y asistencia personalizada,
(6)
siendo útil también para facilitar la
investigación académica.
(7)
En Perú, se halló que el 73,2 % de universitarios utilizan la IA para hacer sus
tareas e investigaciones,
(5)
Turnitin
(8)
sostiene que un 3 % de los trabajos examinados presentan un 80 % o
más de texto generado por IA. Dentro del mundo académico, el ChatGPT es la herramienta de IA más usada,
debido a su uso dinámico y versátil.
(9)
A pesar de las ventajas de esta tecnología, su aceptación sin control podría generar dependencia por parte de
los estudiantes y educadores
(10)
, provocar la pérdida de habilidades cognitivas,
(11)
la capacidad de pensar de
manera independiente y desarrollar habilidades esenciales como la investigación y análisis,
(6)
impulsando a
pensar como los algoritmos sin comprender,
(12, 13)
asimismo, incentivar la pereza y dificultades en la toma de
decisiones,
(11)
reduciendo la motivación para esforzarse intelectualmente,
(6)
poniendo en riesgo el rendimiento
académico, incluso llevándolo a manifestar comportamientos de procrastinación académica, como retrasos
en la finalización de tareas, retrasos en las clases y retrasos en eventos competitivos hasta el último
día, entre otros.
(14,15)
En un futuro, esto significaría que los egresados universitarios sean de baja calidad
(16)
y con habilidades profesionales deficientes.
(17)
Estudios previos evidenciaron que el uso de la IA afecta negativamente el rendimiento académico de los
estudiantes universitarios y está relacionado positivamente con la procrastinación donde, a mayor uso de la
IA menor rendimiento académico y mayor probabilidad de procrastinar,
(15)
asimismo, se encontró que la
dependencia de la IA afecta el rendimiento académico de los estudiantes conllevando a la pérdida de habilidades
de investigación y aprendizaje autónomo,
(13)
y que su uso excesivo puede contribuir inadvertidamente a
retrasos en las tareas académicas, también se reveló que el uso excesivo de ChatGPT puede provocar la
postergación de tareas y un menor rendimiento y desarrollo académico.
(18)
La intención de uso de la inteligencia
artificial por parte de los estudiantes está basada en la ética, la autoeficacia, la motivación y las expectativas de
resultados, los cuales influyen en el rendimiento académico ya sea favorable o desfavorable.
(19)
En Perú, se demostró que la IA afecta positivamente el rendimiento académico de los estudiantes de pregrado
y postgrado en un 48,1 %.
(5)
Asimismo, se destaca que los estudiantes con una actitud más favorable hacia la
IA tienen una clara comprensión y entendimiento de la IA, tienen confianza en su educación y experimentan
efectos positivos en su rendimiento académico.
La IA está transformando el ámbito educativo y los hábitos de estudio, por lo que es necesario investigar su
impacto en los estudiantes universitarios. En este contexto, se planteó la presente invetsigación con la finalidad
de determinar la relación existente entre dependencia de la inteligencia artificial, percepción del rendimiento
académico y procrastinación académica en estudiantes universitarios de la región Puno, en el segundo periodo
académico de 2024.
MATERIAL Y MÉTODOS
Diseño y contexto
Este estudio se llevó a cabo con un enfoque cuantitativo, diseño no experimental, de corte transeccional o
transversal y de tipo correlacional, con el objetivo de analizar la relación entre dos o más variables.
(20)
Participantes
Este estudio se realizó en la región Puno, Perú, con una población compuesta por estudiantes de diversas
universidades de la región, tanto instituciones públicas como privadas, matriculados en el segundo periodo
académico del 2024, se seleccionó una muestra de 492 estudiantes universitarios de distintas carreras,
diferenciadas en 3 grupos (Ingenierías, Biomédicas y Sociales), con edades comprendidas entre 18 y 35
años, pertenecían a ambos sexos y contaban con conocimientos previos sobre inteligencia artificial. Se
emplearon criterios de muestreo no probabilístico por conveniencia intencional
(21, 22)
seleccionando participantes
con disponibilidad para formar parte de la muestra.
(23)
Instrumentos
Escala de Dependencia hacia la Inteligencia Artificial (DAI), desarrollada en Perú por Morales-García et al.
(24)
La escala es unidimensional y consta de 5 ítems medidos a través de una escala tipo Likert: Completamente
falso para mí, Mayormente falso para mí, Ni verdadero ni falso para mí, Mayormente verdadero para mí y
Me describe perfectamente, con un puntaje máximo de 25 puntos dirigidos a estudiantes universitarios. Los
valores de alfa de Cronbach y el coeficiente omega de McDonald muestran una adecuada consistencia interna
La escala de rendimiento académico universitario (RAU) fue desarrollada por Preciado-Serrano et al
(25)
y validada por Remaycuna-Vásquez et al.
(26)
consta de 18 ítems y tres dimensiones: aportación en las
actividades académicas, dedicación al estudio y falta de organización de los recursos didácticos, se
miden mediante una escala de tipo Likert con 7 alternativas de respuesta: nunca, casi nunca, algunas
veces, regularmente, a menudo, casi siempre y siempre. El índice de confiabilidad del alfa de Cronbach
y omega de McDonald, a nivel general se evidencia que la fiabilidad es de 0.843 y 0.865 respectivamente,
la cual tiene valores aceptables.
Escala de Procrastinación Académica (EPA), creada por Busko
(27)
y validada para Perú por Domínguez et al.
(28)
esta adaptación consta de 12 ítems, divididos en 2 dimensiones autorregulación académica y postergación de
actividades. Los ítems son medidos según la escala de Likert: nunca, casi nunca, a veces, casi siempre y
siempre. Se obtuvieron umbrales de confianza a través del alfa de Cronbach, obteniéndose un indicador de
0,821 (IC al 95 %: 0,793; 0,847) para el factor autorregulación académica, y de 0,752 (IC al 95 %: 0,705;
0,792) para el factor postergación de actividades. El coeficiente omega estimó la confiabilidad de los factores,
logrando un indicador de 0,829 para el factor autorregulación académica y de 0,794 para el factor postergación
de actividades.
REE 20(1) Riobamba ene. - abr. 2026
cc
BY NC ND
134
ISSN-impreso 1390-7581
ISSN-digital 2661-6742
Análisis de datos
La recolección de datos se realizó mediante la aplicación de los instrumentos posteriormente se estructuraron
y procesaron utilizando Statistical Package for the Social Sciences (SPSS) versión 27 y Jamovi 2.3.28.0,
donde se empleó la estadística descriptiva e inferencial para la obtención de datos de frecuencia y correlación
de variables, así como la verificación de la distribución normal o anormal de las variables.
Aspectos éticos
El estudio fue aprobado por el comité de ética de la Universidad Peruana Unión, con número de aprobación
2024-CEB-FCS - UPeU-270 la cual se adhirió a los principios éticos del código de ética de investigación
establecidos por la misma institución. Asimismo, se puso en consideración las directrices del Código de
Ética del Colegio de Psicólogos del Perú aplicables a la investigación. Todos los participantes procedieron a
la firma del consentimiento informado, manifestando su aceptación para participar en el estudio y autorizan-
do el uso de los datos exclusivamente para fines académicos e investigativos.
(29, 30)
RESULTADOS
Para el análisis inferencial se empleó la prueba de correlación de Pearson, dado que las variables presentaron
distribución normal. En los casos en los que la normalidad no fue determinada, se complementó con la
verificación mediante coeficientes y valores p correspondientes.
Los resultados muestran que, del total de participantes, el 53, 9 % correspondió al sexo masculino y el 92,1%
presentaban edades entre 18 y 25 años. El 51,4 % fueron procedentes de la UNAJ, destacándose el área de
Ingeniería con participación del 49,4 %. Por otro lado, se muestra que la mayoría se encontraban matriculados
entre el I a III ciclo (51, 8 %). La información de los tipos de IAs que más utilizan como apoyo para su jornada
académica más relevantes fue: el ChatGPT con un 63,41 %, Canva (51,83 %), Meta.IA (40,65 %), Gemini
(26.42%) y Mendeley (24,39 %) como las IAs de mayor aceptación, además de otras IAs que son de baja
preferencia (Tabla 1).
Datos sociodemográficos
Tabla 1. Características de los participantes
Nota: *UNAP “Universidad Nacional del Altiplano”, UNAJ “Universidad Nacional de Juliaca”, UPEU “Universidad Peruana
Unión”
Los estudiantes universitarios de la región Puno son dependientes de la IA en un nivel “leve” (50,61 %), con
un rendimiento académico percibido de nivel “medio”, a excepción de la dimensión dedicación al estudio,
en donde el 40,9 % se percibe en un nivel “alto” y así mismo son procrastinadores en un nivel “promedio”
(57,3 %). (Tabla 2)
Tabla 2. Análisis descriptivo de dependencia a la IA, percepción de rendimiento académico y procrastina-
ción académica
Se detectó una relación inversa significativa entre dependencia a la inteligencia artificial y rendimiento
académico, con una intensidad de relación débil (r= -0,122, p=< 0,007) lo que señala que, a mayor rendimiento
académico de los estudiantes universitarios, menor dependencia de la IA. No se encontró una correlación con
la procrastinación (r= 0,022, p=< 0,627) lo que sugiere que ambas variables son independientes y no se afectan
entre sí. En cambio, se observa una correlación inversa y altamente significativa, con una intensidad de
relación moderada (r = -0,333, p =< 0,000) entre rendimiento académico y procrastinación académica, lo que
evidencia que a menor procrastinación académica, mayor rendimiento académico (Tabla 3).
Tabla 3. Correlación entre dependencia de la IA, percepción de rendimiento académico y procrastinación
académica y sus dimensiones.
Nota: * p < .05, ** p < .01, *** p < .001. Prueba estadística utilizada: Coeficiente de correlación de Pearson
Las aportaciones a las actividades académicas no se relacionan con dependencia de la IA (r= - 0,040,
p = 0,371), sin embargo, presenta una relación directa altamente significativa con una intensidad fuerte
con rendimiento académico (r = 0.884, p = < 0.000) y una relación inversa con la procrastinación
académica (r = -0.296, p = < 0.000) lo que indica que, a mayor aportación a las actividades académicas,
mayor rendimiento académico y menor tendencia a procrastinar. La dedicación al estudio es independiente y
no se relaciona con dependencia de la IA (r = -0,053, p = < 0,237), pero tiene una fuerte relación positiva con
el rendimiento académico (r,= 0,835, p = < 0,000) y una relación inversa con la procrastinación académica
(r= -0,323; p = <0,000) que indica que, a mayor compromiso con el estudio, mejor desempeño académico y
menos propenso a procrastinar. La falta de organización de los recursos didácticos tiene una relación inversamente
significativa con la dependencia de la IA con una intensidad leve (r =-0,225, p = <0.000), lo que sugiere que una
organización más eficiente implica una dependencia menor de la IA; no se relaciona con la procrastinación
académica, pero sí con el rendimiento académico (r = 0,371, p = < 0.000), ya que una falta de organización
no necesariamente afecta negativamente el desempeño académico. La autorregulación académica no está
relacionada con la dependencia a la inteligencia artificial, sino que mantiene una relación inversa con el
rendimiento académico (r = -0,327, p = < 0.000) y una relación directa de gran relevancia con intensidad
fuerte con procrastinación académica (r = 0.952, p = < 0,000), indicando que en ciertos contextos los alumnos
con menos control o regulación sobre su propio proceso de aprendizaje suelen lograr mejores resultados
académicos y que a mayor capacidad de control del aprendizaje, mayor es la predisposición a procrastinar.
Finalmente, la postergación de actividades no se relaciona con la dependencia a la IA, sin embargo, tiene una
relación inversa débil con el rendimiento académico (r = -0,163, p = < 0,000) y una correlación positiva con
procrastinación académica (r = 0,576, p = < 0,000) lo que indica que una mayor postergación se asocia con
un menor rendimiento académico y una mayor tendencia a procrastinar. (Tabla 4)
Tabla 4. Correlación entre dependencia de la IA, rendimiento académico, procrastinación académica y sus
dimensiones.
DISCUSIÓN
El objetivo general del estudio fue determinar la relación entre la dependencia de la inteligencia artificial
(IA), la percepción del rendimiento académico y la procrastinación académica en estudiantes universitarios
de la región Puno durante el segundo periodo del 2024. Los resultados obtenidos permiten discutir los hallazgos
desde una perspectiva comparativa con investigaciones previas y en función de los objetivos planteados.
En relación con el primer objetivo, se identificó una correlación inversa significativa entre la dependencia a
la IA y el rendimiento académico (r = -0,122; p < 0,007), lo que indica que los estudiantes con menor depen-
dencia de la IA presentan un mejor desempeño académico. Este hallazgo coincide con lo reportado por Del
Cisne et al.
(13)
y Avendaño,
(31)
quienes evidenciaron que una alta dependencia tecnológica puede afectar nega-
tivamente el rendimiento académico hasta en un 65 %, debido a la pérdida de autonomía cognitiva y de habi-
lidades analíticas. Sin embargo, cuando la IA se utiliza como herramienta de apoyo complementario, puede
potenciar la productividad y mejorar la comprensión de los contenidos.
(19)
Por consiguiente, el estudio reafirma
la necesidad de fomentar un uso responsable y pedagógico de la IA en el entorno universitario, donde el criterio
humano y el pensamiento crítico sigan siendo fundamentales para la formación académica.
Respecto al segundo objetivo, orientado a analizar la relación entre la dependencia a la IA y la procrastinación
académica, no se identificó una correlación significativa (r = 0.022; p < 0.627). Este resultado sugiere que el
uso de herramientas de IA no influye directamente en los niveles de procrastinación. A diferencia de lo
planteado por Abbas et al.
(15)
quienes encontraron una relación positiva entre el uso excesivo de ChatGPT y
la postergación de actividades, los datos de este estudio muestran que la procrastinación puede estar determinada
por otros factores personales, como la autoeficacia, la motivación intrínseca y la capacidad de autorregulación.
(32)
Por tanto, la dependencia tecnológica no sería el principal factor desencadenante de la procrastinación,
aunque un uso desmedido de la IA podría, en algunos casos, reforzar hábitos de postergación si no se acompaña
de un control adecuado del tiempo y la planificación.
En cuanto al tercer objetivo, se identificó una relación inversa y altamente significativa entre el rendimiento
académico y la procrastinación académica (r = -0,333; p < 0,000). Este resultado confirma lo encontrado por
Zumárraga y Cevallos
(33)
y Kim y Seo,
(34)
quienes sostienen que la procrastinación afecta negativamente el
rendimiento académico al reducir la dedicación al estudio y la organización del tiempo. Los estudiantes con
altos niveles de rendimiento académico tienden a postergar menos sus actividades, muestran mayor motivación
y presentan una gestión más eficiente de sus recursos y objetivos
(35,36)
Este hallazgo respalda la importancia de
promover estrategias de autorregulación y gestión del tiempo en el ámbito universitario, como medios efectivos
para contrarrestar los efectos negativos de la procrastinación.
Por otra parte, el análisis de las dimensiones específicas aporta evidencia adicional. Se halló una relación
inversa significativa entre la dependencia de la IA y la falta de organización de los recursos didácticos
(r = -0,225; p < 0,000),
lo que sugiere que los estudiantes con menor organización tienden a recurrir más a
la IA como solución inmediata ante la demanda académica. Este resultado se alinea con los hallazgos de
Cosme Garate et al.
(37)
y Zhang et al.,
(38)
quienes señalan que una deficiente gestión de materiales de estudio
puede incrementar el estrés y la dependencia de herramientas tecnológicas. Además, Granda Aguilera et
al.
(39)
y Ahmad et al.,
(11)
advierten que la dependencia excesiva de la IA puede debilitar la organización, el
pensamiento crítico y la autonomía académica, fomentando hábitos de dependencia cognitiva. Por tanto,
fortalecer las competencias de planificación y organización se vuelve esencial para evitar la sobreutilización
de la IA.
Asimismo, los resultados indican que la autorregulación académica no se relaciona significativamente con la
dependencia de la IA, lo cual demuestra que los estudiantes conservan su capacidad de control y gestión del
aprendizaje.
(25)
Este hallazgo es positivo, pues refleja que la mayoría utiliza la IA como una herramienta de
apoyo y no como un sustituto de sus procesos de trabajo académico. No obstante, es necesario enfatizar la
formación ética y digital para garantizar un equilibrio entre el uso tecnológico y el desarrollo de habilidades
de razonamiento, análisis y creatividad.
Finalmente, el hecho de no haber identificado una correlación estadísticamente significativa entre la depen-
dencia de la IA y la postergación de actividades (r = 0.02; p < 0.647) confirma que la procrastinación no
depende exclusivamente del uso de la IA, sino que responde a una interacción compleja de factores psicológicos,
académicos y sociales. Sin embargo, como sostienen Abbas et al.
(15)
el uso inadecuado o desmedido de
herramientas como ChatGPT puede inducir conductas de procrastinación cuando reemplaza la reflexión
personal o el esfuerzo intelectual, en lugar de servir como un medio de aprendizaje activo.
CONCLUSIONES
Los resultados evidencian que una menor dependencia de la IA se asocia con un mejor rendimiento académico
y que, a su vez, un mayor rendimiento académico se relaciona con menores niveles de procrastinación. Por
otro lado, no se identificó una relación significativa entre la dependencia de la IA y la procrastinación; sin
embargo, sí se encontró una asociación con la dimensión referida a la falta de organización de los recursos
didácticos. Los hallazgos destacan la importancia de promover un uso responsable de la IA en estudiantes.
Limitaciones del estudio: Entre las principales limitaciones se encuentra el uso de un muestreo no probabilístico
por conveniencia, lo que restringe la generalización de los resultados a otras poblaciones universitarias.
Asimismo, el estudio se basó en instrumentos de autoinforme, los cuales pueden estar sujetos a sesgos de
percepción y deseabilidad social. Finalmente, al tratarse de un diseño transversal, no es posible establecer
relaciones causales entre las variables analizadas. Se recomienda que futuras investigaciones incorporen
diseños longitudinales y muestras más diversas para profundizar en estos hallazgos.
Financiamiento: Investigación financiada por los autores.
Agradecimientos: A los directivos del vicerrectorado de investigación de la Universidad Peruana Unión.
Conflictos de intereses: Los autores no tienen intereses en competencia.
Declaración de contribución:
Hilda Sapillado Condori y Giuliana Nadyn Vilca Quispe participaron en todo el proceso integral de la inves-
tigación y la redacción del artículo.
Alcides Quispe Mamani participó como asesor del estudio, revisión y aprobación de la versión final
REFERENCIAS BIBLIOGRÁFICAS
1. Acosta P. El impacto de la inteligencia artificial en la educación superior. Informe del Consejo de
Europa - ES de ES: Aprendemos entre todos [Internet]. 2022 [citado 8 Nov 2025]. Disponible en:
https://www.espaciosdeeducacionsuperior.es/07/12/2022/__trashed-2__trashed/.
2. Digital Education Council global AI student survey 2024. Encuesta mundial sobre inteligencia artificial
a estudiantes del Consejo de Educación Digital 2024 [Internet]. [cited 5 Mar 2025]. Disponible en:
https://www.digitaleducationcouncil.com/post/digital-education-council-global-ai-student-survey-2024.
3. Tyton Partners. Time for Class 2024: Unlocking access to effective digital teaching and learning
[Internet]. 2024 [citado 10 Nov 2024]. Disponible en: https://4213961.fs1.hubspotusercontent-na1.net/
hubfs/4213961/Publications/Time%20for%20Class%202024.pdf.
4. Rojas Marín F de los Á, Espinoza Padilla JG, Mendoza Pacheco MF. Inteligencia Artificial: Dependencia
y la Afección del Pensamiento Crítico. Cienc Lat Rev Científica Multidiscip. [Internet]. 2024 [citado
7 Mar 2025]; 8(4):12590–608. Disponible en: https://ciencialatina.org/index.php/cienciala/article/
view/13462.
5. Espinoza Vidaurre SM, Velásquez Rodríguez NC, Gambetta Quelopana RL, Martínez Valdivia AN,
Leo Rossi EA, Laura de la Cruz KM, et al. Influencia de la inteligencia artificial en la eficiencia del
rendimiento académico: un análisis de determinantes. RISTI - Rev Ibér Sist Tecnol Inf [Internet].
2024 [citado 9 Mar 2025]; E70:399–418. disponible en: https://dialnet.unirioja.es/servlet/articulo?
codigo=9886376.
6. Mukhtar M, Firdos SS, Zaka I, Naeem S. Impact of AI dependence on procrastination among university
students. Research Journal of Psychology [Internet]. 2025 [citado 4 Oct 2025];3(1):246–57. Disponible
en: https://ctrjournal.com/index.php/19/article/view/62 Int J Educ Innov Res. 2025;3(1):11–22.
7. Gavilanes Vásquez PG, Adum Ruiz JH, García Ruiz GS, Ruíz Ortega MG. Impacto de la inteligencia
artificial en la educación superior: una mirada hacia el futuro. RECIAMUC [Internet]. 2024 [citado
6 Oct 2025];8(2):213–21. Disponible en: https://www.reciamuc.com/index.php/RECIAMUC/article/
view/1371 DOI: http://dx.doi.org/10.26820/reciamuc/8.(2).abril.2024.213-221.
8. Turnitin. Estudio Time for Class: ¿Cuál ha sido el impacto de la IA en el aprendizaje de los estudiantes
en la era digital? [Internet]. Turnitin.com. 2024. [citado 13 Mar 2025]. Disponible en: https://www.
turnitin.com/press/turnitin-estudio-time-for-class.
9. Sabzalieva E, Valentini A. ChatGPT e inteligencia artificial en la educación superior: Guía de inicio
rápido. [Internet]. París: UNESCO IESALC;2023;1–16. [citado 15 Mar 2025]. Disponible en:
https://unesdoc.unesco.org/ark:/48223/pf0000385146_spa/PDF/385146spa.pdf.multi.
10. Seo K, Tang J, Roll I, Fels S, Yoon D. The impact of artificial intelligence on learner–instructor
interaction in online learning. Int J Educ Technol High Educ [Internet]. 2021 [citado 17 Mar 2025];
18(1):1–14. Disponible en: https://link.springer.com/article/10.1186/s41239-021-00292-9 DOI:
https://doi.org/10.1186/s41239-021-00292-9.
11. Ahmad SF, Han H, Alam MM, Rehmat MK, Irshad M, Arraño-Muñoz M, et al. Impact of artificial
intelligence on human loss in decision-making, laziness and safety in education. Humanit Soc Sci
Commun [Internet]. 2023 [citado 19 Mar 2025];10(1):311. Disponible en: https://www.nature.com/
articles/s41599-023-01787-8 DOI:10.1057/s41599 023 017878.
12.
[citado 8 May 2025]; 20. Disponible en: https://www.khaleejtimes.com/nation/dubai/Is-AI-makin
ghumans-lazy-Here-what-UAE-residents-say.
13. Del Cisne Loján M, Antonio Romero J, Sancho Aguilera D, Yajaira Romero A. Consecuencias de la
Dependencia de la Inteligencia Artificial en Habilidades Críticas y Aprendizaje Autónomo en los
Estudiantes. Cienc Lat Rev Científica Multidiscip. [Internet]. 2024 [citado 15 May 2025];8(2):
2368–2382. Disponible en: https://ciencialatina.org/index.php/cienciala/article/view/10678 DOI:
http://dx.doi.org/10.37811/cl_rcm.v8i2.10678.
14. Longoni C, Cian L. Artificial Intelligence in Utilitarian vs. Hedonic Contexts: The “Word-of-Machine”
Effect. J Mark [Internet]. 2022 [citado 19 May 2025];86(1):91–108. Disponible en: https://journals.sagepub.
com/doi/10.1177/0022242920957347.
15. Abbas M, Jam FA, Khan TI. Is it harmful or helpful? Examining the causes and consequences of
generative AI usage among university students. Int J Educ Technol High Educ [Internet]. 2024 [citado
9 Jan 2025];21(1). Disponible en: https://link.springer.com/article/10.1186/s41239-024-00444-7
DOI: https://doi.org/10.1186/s41239-024-00444-7.
16. Malinka K, Peresíni M, Firc A, Hujnák O, Janus F. On the Educational Impact of ChatGPT: Is Artificial
Intelligence Ready to Obtain a University Degree? In: Proceedings of the 2023 Conference on
Innovation and Technology in Computer Science Education (ITiCSE); 2023 [citado 15 Jan 2025].
3587102.3588827.
17. Gocen A, Aydemir F. Artificial Intelligence in Education and Schools. Res Educ Media. [Internet].
2020 [citado 20 May 2025];12(1):13–21. Disponible en: https://sciendo.com/2/v2/download/article/
10.2478/rem-2020-0003.pdf DOI: http://dx.doi.org/10.2478/rem-2020-0003.
18. Daha ES, Altelwany AA. Exploring the impact of using - ChatGPT in light of goal orientations and
academic self-efficacy. Int J Instr [Internet]. 2025 [citado 25 May 2025];18(2):167–84. Disponible
en: https://e-iji.net/ats/index.php/pub/article/view/730 DOI: http://dx.doi.org/10.29333/iji.2025.18210a.
19. Ortega Azurduy M, Machaca Mamani J, Daza Morales J. El efecto de la Inteligencia Artificial en el
rendimiento académico de estudiantes de ciencias administrativas en la Universidad Católica
Boliviana. Rev Educ Super [Internet]. 2023 [citado 1 Jun 2025];10(3):13–22. Disponible en:
http://www.scielo.org.bo/scielo.php?pid=S2518-82832023000300013&script=sci_arttext DOI:
https://doi.org/ 10.53287/mzkv9068uw14f.
20. Hernández-Sampieri R, Mendoza Torres CP. Metodología de la investigación: las rutas cuantitativa,
cualitativa y mixta. México: McGraw-Hill Education; 2018.
21. Hernández-Sampieri R, Fernández Collado C, Baptista Lucio M del P. Metodología de la investigación.
6ª ed. México: McGraw-Hill; 2014.
22. Carrazco Díaz S. Metodología de la investigación científica. 2ª ed. Lima: Editorial San Marcos; 2019.
23. Ortega C. ¿Qué es el muestreo por conveniencia? [Internet]. 2024 [citado 22 Nov 2024]. Disponible
en: https://www.questionpro.com/blog/es/muestreo-por-conveniencia/.
24. Morales-García WC, Sairitupa-Sánchez LZ, Morales-García SB, Morales-García M. Development
and validation of a scale for dependence on artificial intelligence in university students. Frontiers in
Education. [Internet]. 2024 [citado 4 Jun 2025];9:1323898. Disponible en: https://www.frontiersin.org/
journals/education/articles/10.3389/feduc.2024.1323898/full DOI: 10.3389/feduc.2024.1323898.
25. Preciado-Serrano M de L, Ángel-González M, Colunga-Rodríguez C, Vázquez-Colunga JC,
Rendimiento Académico Universitario (Construction and Validation of the University Academic
[Internet]. 2021 [citado 6 Jun 2025];3(60):5 14. Disponible en: https://go.gale.com/ps/i.do?id=GA
LE%7CA758446785&sid=googleScholar&v=2.1&it=r&linkaccess=abs&issn=11353848&p=
AONE&sw=w&userGroupName=anon%7E40c47079&aty=open-web-entry DOI:10.21865/RIDEP
60.3.01.
26. Remaycuna-Vásquez A, Carrión-Barco G, Espinoza-Porras FR, Maquen Niño GLE. Validez y
confiabilidad de la escala de rendimiento académico desde la percepción del alumno. Revista de
https://dialnet.unirioja.es/servlet/articulo?codigo=9034432 DOI: 10.31876/rcs.v29i.40458.
27. Busko DA. Causes and consequences of perfectionism and procrastination: A structural equation
28. Domínguez Lara S, Villegas García G, Centeno Leyva S. Procrastinación académica: validación de
una escala en una muestra de estudiantes de una universidad privada. Liberabit [Internet]. 2014 [citado
12 Jun 2025];20(2):293–304. Disponible en: http://www.scielo.org.pe/pdf/liber/v20n2/a10v20n2.
29. Colegio de Psicólogos del Perú. Código de ética profesional. Lima: Colegio de Psicólogos del Perú;
2017.
30. Universidad Peruana Unión. Código de ética para la investigación (CoEIn). Lima: UPeU; 2016.
31. Avendaño Porras VC. La adicción a la inteligencia artificial: evaluación de prevalencia y factores de
riesgo en estudiantes de posgrado. Rev Enfoques [Internet]. 2024 Jun 30 [citado 16 Apr 2025];5:
66–88. Disponible en: https://revistasdigitales.uniboyaca.edu.co/index.php/EFQ/article/view/1405.
32. Steel P. The nature of procrastination: a meta-analytic and theoretical review of quintessential
self-regulatory failure. Psychological Bulletin, 2025 [citado 13 Apr 2025];133(1), 65–94. Disponible
en: https://psycnet.apa.org/buy/2006-23058-004 DOI: https://doi.org/10.1037/0033-2909.133.1.65.
33. Zumárraga-Espinosa M, Cevallos-Pozo G. Autoeficacia, procrastinación y rendimiento académico en
estudiantes universitarios de Ecuador. Alteridad [Internet]. 2022 [citado 18 Apr 2025];17(2):277–90.
Disponible en: https://revistas.ups.edu.ec/index.php/alteridad/article/view/5516.
34. Kim KR, Seo EH. The relationship between procrastination and academic performance: a meta-analysis.
Pers Individ Dif [Internet]. 2015 [citado 19 Apr 2025];82:26–33. Disponible en: https://www.sciencedirect.
com/science/article/abs/pii/S0191886915001610 DOI: https://doi.org/10.1016/j.paid.2015.02.038.
35. Rodríguez A, Clariana M. Procrastinación en Estudiantes Universitarios: Su Relación con la Edad y el
Curso Académico. Rev Colomb Psicol. [Internet]. 2017 [citado 20 Apr 2025];26(1):45–60. Disponible
en: http://www.scielo.org.co/pdf/rcps/v26n1/0121-5469-rcps-26-01-00045.pdf.
36. Honicke T, Broadbent J. The influence of academic self-efficacy on academic performance: a systematic
review. Educ Res Rev [Internet]. 2016 [citado 21 Apr 2025];17:63–84. Disponible en: https://www.sciencedirect.
com/science/article/abs/pii/S1747938X15000639 DOI: https://doi.org/10.1016/j.edurev.2015.11.002.
37. Cosme Garate GA, Cornejo Zúñiga AG, Chumacero Acosta JS, Ruiz Rios A, Tuesta Casique A, Alvarez
Arista Y. Enseñanza universitaria y recursos didácticos en el nivel de rendimiento de los estudiantes de
pregrado. Rev Científica Episteme y Tekne. [Internet]. 2022 [citado 23 Apr 2025];1(2):e380. Disponible
en: https://revistas.unsm.edu.pe/index.php/rceyt/article/view/380 DOI: 10.51252/rceyt.v1i2.380.
38. Zhang S, Zhao X, Zhou T, Kim JH. Do you have AI dependency? The roles of academic self-efficacy,
academic stress, and performance expectations on problematic AI usage behavior. Int J Educ Technol
High Educ. [Internet]. 2024 [citado 29 Apr 2025];21(1):1-15. Disponible en: http://dx.doi.org/10.1186/
s41239-024-00467-0.
39. Granda Aguilera DR, Lema Mullo L, Gallegos Gallegos AR. La dependencia de la inteligencia artificial
en los estudiantes de bachillerato: implicaciones y recomendaciones para un aprendizaje equilibrado.
Polo del Conoc. [Internet]. 2024 [citado 20 may 2025];9(7):2109–30. Disponible en: https://polodel
conocimiento.com/ojs/index.php/es/article/view/7618/html?utm_source=chatgpt.com.
Relación entre dependencia a la inteligencia artificial, rendimiento académico y procrastinación
académica en universitarios
Relationship between dependence on artificial intelligence, academic performance, and academic
procrastination in university students
https://doi.org/10.37135/ee.04.25.08
Autores:
Hilda Sapillado Condori - https://orcid.org/0009-0002-7963-9896
Giuliana Nadyn Vilca Quispe - https://orcid.org/0009-0002-1329-0839
Alcides Quispe Mamani - https://orcid.org/0000-0002-7404-7464
Afiliación:
Universidad Peruana Unión
Autor de correspondencia: Giuliana Nadyn Vilca Quispe. Universidad Peruana Unión (UPeU), Carretera Salida
a Arequipa km. 6 Villa Chullunquiani, Juliaca, Perú. Tel: +51 940799733. E-mail: giuliana.vilca@upeu.edu.pe
Recibido: 21 de mayo de 2025 Aceptado: 11 de diciembre de 2025
RESUMEN
Esta investigación tuvo como objetivo determinar la relación existente entre dependencia de la inteligencia
artificial, rendimiento y procrastinación académica en estudiantes universitarios de la región Puno. Así se
aplicó un diseño no experimental, de corte transversal y tipo correlacional, en una muestra de 492 universitarios
de distintas universidades, con edades entre 18 y 35 años. Se utilizaron las escalas de dependencia hacia la
inteligencia artificial DAI, rendimiento académico universitario RAU y procrastinación académica EPA. Los
resultados, el 53 % de los participantes fueron de sexo masculino, el 92,1 % tenían edades entre 18 y 25 años,
el 51,4 % provenían de una universidad nacional de Juliaca, matriculados entre el primer y tercer ciclo
(51,8 %), destacándose el área de ingenierías con el 49,4 % de participación. El 63,41 % de los participantes
indicaron tener mayor inclinación hacia el uso de ChatGPT. Los valores globales indicaron una correlación
inversa significativa, (r = -0,122; p = <0,007) entre dependencia a la IA y rendimiento académico; no existe
correlación significativa entre dependencia a la IA y procrastinación académica (r = 0,022, p = < 0,627),
demostrando que los universitarios que no presentan altos niveles de dependencia de la inteligencia artificial
mantienen niveles de rendimiento académico adecuados y no tienden a procrastinar. Se identificó relación
inversa significativa entre dependencia de IA y la falta de organización de material didáctico (r = -0,225, p = <0,000),
evidenciando que la desorganización de materiales de estudio podría activar la necesidad de recurrir a la IA
como una solución rápida.
Palabras clave: inteligencia artificial, rendimiento académico, educación.
ABSTRACT
This research aimed to determine the relationship between dependence on artificial intelligence, academic
performance, and procrastination among university students in the Puno region. A non-experimental,
cross-sectional, correlational study was conducted with a sample of 492 university students from different
universities, aged 18-35 years. The scales of dependence on artificial intelligence (DAI), university academic
performance (RAU), and academic procrastination (EPA) were used as measurement instruments. The
results showed that 53 % of the participants were male, 92.1 % were between 18 and 25 years old, 51.4 %
came from a national university in Juliaca, enrolled between the first and third cycles (51.8 %), with the
engineering field standing out with 49.4 % participation. Sixty-three point four one percent of participants
indicated a greater inclination toward using ChatGPT. The overall values showed a significant inverse correlation
(r = -0.122; p = <0.007) between AI dependence and academic performance; there is no significant correlation
between AI dependence and academic procrastination (r = 0.022, p = <0.627), demonstrating that university
students who do not have high levels of dependence on artificial intelligence maintain adequate academic
performance levels and do not tend to procrastinate. A significant inverse relationship was found between AI
dependence and the lack of organization of teaching materials (r = -0.225, p = <0.000), suggesting that
disorganized study materials can prompt the need to resort to AI as a quick fix.
Keywords: Artificial Intelligence, Academic Performance, Education.
INTRODUCCIÓN
La inteligencia artificial (IA) es una herramienta tecnológica cuyo uso se está expandiendo rápidamente en
la educación universitaria,
(1)
siendo los estudiantes quienes tienen una interacción con la IA al menos
semanalmente.
(2)
Según Tyton Partners,
(3)
el 59 % son estudiantes y el 40 % docentes. La IA fue desarrollada
como una herramienta para optimizar experiencias de aprendizaje, con el fin de fortalecer el rendimiento
académico del estudiante
(4)
a través del apoyo en la ejecución de tareas y trabajos, y incrementar las calificaciones
(5)
a través del acceso rápido, a recursos y asistencia personalizada,
(6)
siendo útil también para facilitar la
investigación académica.
(7)
En Perú, se halló que el 73,2 % de universitarios utilizan la IA para hacer sus
tareas e investigaciones,
(5)
Turnitin
(8)
sostiene que un 3 % de los trabajos examinados presentan un 80 % o
más de texto generado por IA. Dentro del mundo académico, el ChatGPT es la herramienta de IA más usada,
debido a su uso dinámico y versátil.
(9)
A pesar de las ventajas de esta tecnología, su aceptación sin control podría generar dependencia por parte de
los estudiantes y educadores
(10)
, provocar la pérdida de habilidades cognitivas,
(11)
la capacidad de pensar de
manera independiente y desarrollar habilidades esenciales como la investigación y análisis,
(6)
impulsando a
pensar como los algoritmos sin comprender,
(12, 13)
asimismo, incentivar la pereza y dificultades en la toma de
decisiones,
(11)
reduciendo la motivación para esforzarse intelectualmente,
(6)
poniendo en riesgo el rendimiento
académico, incluso llevándolo a manifestar comportamientos de procrastinación académica, como retrasos
en la finalización de tareas, retrasos en las clases y retrasos en eventos competitivos hasta el último
día, entre otros.
(14,15)
En un futuro, esto significaría que los egresados universitarios sean de baja calidad
(16)
y con habilidades profesionales deficientes.
(17)
Estudios previos evidenciaron que el uso de la IA afecta negativamente el rendimiento académico de los
estudiantes universitarios y está relacionado positivamente con la procrastinación donde, a mayor uso de la
IA menor rendimiento académico y mayor probabilidad de procrastinar,
(15)
asimismo, se encontró que la
dependencia de la IA afecta el rendimiento académico de los estudiantes conllevando a la pérdida de habilidades
de investigación y aprendizaje autónomo,
(13)
y que su uso excesivo puede contribuir inadvertidamente a
retrasos en las tareas académicas, también se reveló que el uso excesivo de ChatGPT puede provocar la
postergación de tareas y un menor rendimiento y desarrollo académico.
(18)
La intención de uso de la inteligencia
artificial por parte de los estudiantes está basada en la ética, la autoeficacia, la motivación y las expectativas de
resultados, los cuales influyen en el rendimiento académico ya sea favorable o desfavorable.
(19)
En Perú, se demostró que la IA afecta positivamente el rendimiento académico de los estudiantes de pregrado
y postgrado en un 48,1 %.
(5)
Asimismo, se destaca que los estudiantes con una actitud más favorable hacia la
IA tienen una clara comprensión y entendimiento de la IA, tienen confianza en su educación y experimentan
efectos positivos en su rendimiento académico.
La IA está transformando el ámbito educativo y los hábitos de estudio, por lo que es necesario investigar su
impacto en los estudiantes universitarios. En este contexto, se planteó la presente invetsigación con la finalidad
de determinar la relación existente entre dependencia de la inteligencia artificial, percepción del rendimiento
académico y procrastinación académica en estudiantes universitarios de la región Puno, en el segundo periodo
académico de 2024.
MATERIAL Y MÉTODOS
Diseño y contexto
Este estudio se llevó a cabo con un enfoque cuantitativo, diseño no experimental, de corte transeccional o
transversal y de tipo correlacional, con el objetivo de analizar la relación entre dos o más variables.
(20)
Participantes
Este estudio se realizó en la región Puno, Perú, con una población compuesta por estudiantes de diversas
universidades de la región, tanto instituciones públicas como privadas, matriculados en el segundo periodo
académico del 2024, se seleccionó una muestra de 492 estudiantes universitarios de distintas carreras,
diferenciadas en 3 grupos (Ingenierías, Biomédicas y Sociales), con edades comprendidas entre 18 y 35
años, pertenecían a ambos sexos y contaban con conocimientos previos sobre inteligencia artificial. Se
emplearon criterios de muestreo no probabilístico por conveniencia intencional
(21, 22)
seleccionando participantes
con disponibilidad para formar parte de la muestra.
(23)
Instrumentos
Escala de Dependencia hacia la Inteligencia Artificial (DAI), desarrollada en Perú por Morales-García et al.
(24)
La escala es unidimensional y consta de 5 ítems medidos a través de una escala tipo Likert: Completamente
falso para mí, Mayormente falso para mí, Ni verdadero ni falso para mí, Mayormente verdadero para mí y
Me describe perfectamente, con un puntaje máximo de 25 puntos dirigidos a estudiantes universitarios. Los
valores de alfa de Cronbach y el coeficiente omega de McDonald muestran una adecuada consistencia interna
La escala de rendimiento académico universitario (RAU) fue desarrollada por Preciado-Serrano et al
(25)
y validada por Remaycuna-Vásquez et al.
(26)
consta de 18 ítems y tres dimensiones: aportación en las
actividades académicas, dedicación al estudio y falta de organización de los recursos didácticos, se
miden mediante una escala de tipo Likert con 7 alternativas de respuesta: nunca, casi nunca, algunas
veces, regularmente, a menudo, casi siempre y siempre. El índice de confiabilidad del alfa de Cronbach
y omega de McDonald, a nivel general se evidencia que la fiabilidad es de 0.843 y 0.865 respectivamente,
la cual tiene valores aceptables.
Escala de Procrastinación Académica (EPA), creada por Busko
(27)
y validada para Perú por Domínguez et al.
(28)
esta adaptación consta de 12 ítems, divididos en 2 dimensiones autorregulación académica y postergación de
actividades. Los ítems son medidos según la escala de Likert: nunca, casi nunca, a veces, casi siempre y
siempre. Se obtuvieron umbrales de confianza a través del alfa de Cronbach, obteniéndose un indicador de
0,821 (IC al 95 %: 0,793; 0,847) para el factor autorregulación académica, y de 0,752 (IC al 95 %: 0,705;
0,792) para el factor postergación de actividades. El coeficiente omega estimó la confiabilidad de los factores,
logrando un indicador de 0,829 para el factor autorregulación académica y de 0,794 para el factor postergación
de actividades.
Análisis de datos
La recolección de datos se realizó mediante la aplicación de los instrumentos posteriormente se estructuraron
y procesaron utilizando Statistical Package for the Social Sciences (SPSS) versión 27 y Jamovi 2.3.28.0,
donde se empleó la estadística descriptiva e inferencial para la obtención de datos de frecuencia y correlación
de variables, así como la verificación de la distribución normal o anormal de las variables.
Aspectos éticos
El estudio fue aprobado por el comité de ética de la Universidad Peruana Unión, con número de aprobación
2024-CEB-FCS - UPeU-270 la cual se adhirió a los principios éticos del código de ética de investigación
establecidos por la misma institución. Asimismo, se puso en consideración las directrices del Código de
Ética del Colegio de Psicólogos del Perú aplicables a la investigación. Todos los participantes procedieron a
la firma del consentimiento informado, manifestando su aceptación para participar en el estudio y autorizan-
do el uso de los datos exclusivamente para fines académicos e investigativos.
(29, 30)
RESULTADOS
Para el análisis inferencial se empleó la prueba de correlación de Pearson, dado que las variables presentaron
distribución normal. En los casos en los que la normalidad no fue determinada, se complementó con la
verificación mediante coeficientes y valores p correspondientes.
Los resultados muestran que, del total de participantes, el 53, 9 % correspondió al sexo masculino y el 92,1%
presentaban edades entre 18 y 25 años. El 51,4 % fueron procedentes de la UNAJ, destacándose el área de
Ingeniería con participación del 49,4 %. Por otro lado, se muestra que la mayoría se encontraban matriculados
entre el I a III ciclo (51, 8 %). La información de los tipos de IAs que más utilizan como apoyo para su jornada
académica más relevantes fue: el ChatGPT con un 63,41 %, Canva (51,83 %), Meta.IA (40,65 %), Gemini
(26.42%) y Mendeley (24,39 %) como las IAs de mayor aceptación, además de otras IAs que son de baja
preferencia (Tabla 1).
REE 20(1) Riobamba ene. - abr. 2026
cc
BY NC ND
135
ISSN-impreso 1390-7581
ISSN-digital 2661-6742
Datos sociodemográficos
Tabla 1. Características de los participantes
Nota: *UNAP “Universidad Nacional del Altiplano”, UNAJ “Universidad Nacional de Juliaca”, UPEU “Universidad Peruana
Unión”
Los estudiantes universitarios de la región Puno son dependientes de la IA en un nivel “leve” (50,61 %), con
un rendimiento académico percibido de nivel “medio”, a excepción de la dimensión dedicación al estudio,
en donde el 40,9 % se percibe en un nivel “alto” y así mismo son procrastinadores en un nivel “promedio”
(57,3 %). (Tabla 2)
Tabla 2. Análisis descriptivo de dependencia a la IA, percepción de rendimiento académico y procrastina-
ción académica
Se detectó una relación inversa significativa entre dependencia a la inteligencia artificial y rendimiento
académico, con una intensidad de relación débil (r= -0,122, p=< 0,007) lo que señala que, a mayor rendimiento
académico de los estudiantes universitarios, menor dependencia de la IA. No se encontró una correlación con
la procrastinación (r= 0,022, p=< 0,627) lo que sugiere que ambas variables son independientes y no se afectan
entre sí. En cambio, se observa una correlación inversa y altamente significativa, con una intensidad de
relación moderada (r = -0,333, p =< 0,000) entre rendimiento académico y procrastinación académica, lo que
evidencia que a menor procrastinación académica, mayor rendimiento académico (Tabla 3).
Tabla 3. Correlación entre dependencia de la IA, percepción de rendimiento académico y procrastinación
académica y sus dimensiones.
Nota: * p < .05, ** p < .01, *** p < .001. Prueba estadística utilizada: Coeficiente de correlación de Pearson
Las aportaciones a las actividades académicas no se relacionan con dependencia de la IA (r= - 0,040,
p = 0,371), sin embargo, presenta una relación directa altamente significativa con una intensidad fuerte
con rendimiento académico (r = 0.884, p = < 0.000) y una relación inversa con la procrastinación
académica (r = -0.296, p = < 0.000) lo que indica que, a mayor aportación a las actividades académicas,
mayor rendimiento académico y menor tendencia a procrastinar. La dedicación al estudio es independiente y
no se relaciona con dependencia de la IA (r = -0,053, p = < 0,237), pero tiene una fuerte relación positiva con
el rendimiento académico (r,= 0,835, p = < 0,000) y una relación inversa con la procrastinación académica
(r= -0,323; p = <0,000) que indica que, a mayor compromiso con el estudio, mejor desempeño académico y
menos propenso a procrastinar. La falta de organización de los recursos didácticos tiene una relación inversamente
significativa con la dependencia de la IA con una intensidad leve (r =-0,225, p = <0.000), lo que sugiere que una
organización más eficiente implica una dependencia menor de la IA; no se relaciona con la procrastinación
académica, pero sí con el rendimiento académico (r = 0,371, p = < 0.000), ya que una falta de organización
no necesariamente afecta negativamente el desempeño académico. La autorregulación académica no está
relacionada con la dependencia a la inteligencia artificial, sino que mantiene una relación inversa con el
rendimiento académico (r = -0,327, p = < 0.000) y una relación directa de gran relevancia con intensidad
fuerte con procrastinación académica (r = 0.952, p = < 0,000), indicando que en ciertos contextos los alumnos
con menos control o regulación sobre su propio proceso de aprendizaje suelen lograr mejores resultados
académicos y que a mayor capacidad de control del aprendizaje, mayor es la predisposición a procrastinar.
Finalmente, la postergación de actividades no se relaciona con la dependencia a la IA, sin embargo, tiene una
relación inversa débil con el rendimiento académico (r = -0,163, p = < 0,000) y una correlación positiva con
procrastinación académica (r = 0,576, p = < 0,000) lo que indica que una mayor postergación se asocia con
un menor rendimiento académico y una mayor tendencia a procrastinar. (Tabla 4)
Tabla 4. Correlación entre dependencia de la IA, rendimiento académico, procrastinación académica y sus
dimensiones.
DISCUSIÓN
El objetivo general del estudio fue determinar la relación entre la dependencia de la inteligencia artificial
(IA), la percepción del rendimiento académico y la procrastinación académica en estudiantes universitarios
de la región Puno durante el segundo periodo del 2024. Los resultados obtenidos permiten discutir los hallazgos
desde una perspectiva comparativa con investigaciones previas y en función de los objetivos planteados.
En relación con el primer objetivo, se identificó una correlación inversa significativa entre la dependencia a
la IA y el rendimiento académico (r = -0,122; p < 0,007), lo que indica que los estudiantes con menor depen-
dencia de la IA presentan un mejor desempeño académico. Este hallazgo coincide con lo reportado por Del
Cisne et al.
(13)
y Avendaño,
(31)
quienes evidenciaron que una alta dependencia tecnológica puede afectar nega-
tivamente el rendimiento académico hasta en un 65 %, debido a la pérdida de autonomía cognitiva y de habi-
lidades analíticas. Sin embargo, cuando la IA se utiliza como herramienta de apoyo complementario, puede
potenciar la productividad y mejorar la comprensión de los contenidos.
(19)
Por consiguiente, el estudio reafirma
la necesidad de fomentar un uso responsable y pedagógico de la IA en el entorno universitario, donde el criterio
humano y el pensamiento crítico sigan siendo fundamentales para la formación académica.
Respecto al segundo objetivo, orientado a analizar la relación entre la dependencia a la IA y la procrastinación
académica, no se identificó una correlación significativa (r = 0.022; p < 0.627). Este resultado sugiere que el
uso de herramientas de IA no influye directamente en los niveles de procrastinación. A diferencia de lo
planteado por Abbas et al.
(15)
quienes encontraron una relación positiva entre el uso excesivo de ChatGPT y
la postergación de actividades, los datos de este estudio muestran que la procrastinación puede estar determinada
por otros factores personales, como la autoeficacia, la motivación intrínseca y la capacidad de autorregulación.
(32)
Por tanto, la dependencia tecnológica no sería el principal factor desencadenante de la procrastinación,
aunque un uso desmedido de la IA podría, en algunos casos, reforzar hábitos de postergación si no se acompaña
de un control adecuado del tiempo y la planificación.
En cuanto al tercer objetivo, se identificó una relación inversa y altamente significativa entre el rendimiento
académico y la procrastinación académica (r = -0,333; p < 0,000). Este resultado confirma lo encontrado por
Zumárraga y Cevallos
(33)
y Kim y Seo,
(34)
quienes sostienen que la procrastinación afecta negativamente el
rendimiento académico al reducir la dedicación al estudio y la organización del tiempo. Los estudiantes con
altos niveles de rendimiento académico tienden a postergar menos sus actividades, muestran mayor motivación
y presentan una gestión más eficiente de sus recursos y objetivos
(35,36)
Este hallazgo respalda la importancia de
promover estrategias de autorregulación y gestión del tiempo en el ámbito universitario, como medios efectivos
para contrarrestar los efectos negativos de la procrastinación.
Por otra parte, el análisis de las dimensiones específicas aporta evidencia adicional. Se halló una relación
inversa significativa entre la dependencia de la IA y la falta de organización de los recursos didácticos
(r = -0,225; p < 0,000),
lo que sugiere que los estudiantes con menor organización tienden a recurrir más a
la IA como solución inmediata ante la demanda académica. Este resultado se alinea con los hallazgos de
Cosme Garate et al.
(37)
y Zhang et al.,
(38)
quienes señalan que una deficiente gestión de materiales de estudio
puede incrementar el estrés y la dependencia de herramientas tecnológicas. Además, Granda Aguilera et
al.
(39)
y Ahmad et al.,
(11)
advierten que la dependencia excesiva de la IA puede debilitar la organización, el
pensamiento crítico y la autonomía académica, fomentando hábitos de dependencia cognitiva. Por tanto,
fortalecer las competencias de planificación y organización se vuelve esencial para evitar la sobreutilización
de la IA.
Asimismo, los resultados indican que la autorregulación académica no se relaciona significativamente con la
dependencia de la IA, lo cual demuestra que los estudiantes conservan su capacidad de control y gestión del
aprendizaje.
(25)
Este hallazgo es positivo, pues refleja que la mayoría utiliza la IA como una herramienta de
apoyo y no como un sustituto de sus procesos de trabajo académico. No obstante, es necesario enfatizar la
formación ética y digital para garantizar un equilibrio entre el uso tecnológico y el desarrollo de habilidades
de razonamiento, análisis y creatividad.
Finalmente, el hecho de no haber identificado una correlación estadísticamente significativa entre la depen-
dencia de la IA y la postergación de actividades (r = 0.02; p < 0.647) confirma que la procrastinación no
depende exclusivamente del uso de la IA, sino que responde a una interacción compleja de factores psicológicos,
académicos y sociales. Sin embargo, como sostienen Abbas et al.
(15)
el uso inadecuado o desmedido de
herramientas como ChatGPT puede inducir conductas de procrastinación cuando reemplaza la reflexión
personal o el esfuerzo intelectual, en lugar de servir como un medio de aprendizaje activo.
CONCLUSIONES
Los resultados evidencian que una menor dependencia de la IA se asocia con un mejor rendimiento académico
y que, a su vez, un mayor rendimiento académico se relaciona con menores niveles de procrastinación. Por
otro lado, no se identificó una relación significativa entre la dependencia de la IA y la procrastinación; sin
embargo, sí se encontró una asociación con la dimensión referida a la falta de organización de los recursos
didácticos. Los hallazgos destacan la importancia de promover un uso responsable de la IA en estudiantes.
Limitaciones del estudio: Entre las principales limitaciones se encuentra el uso de un muestreo no probabilístico
por conveniencia, lo que restringe la generalización de los resultados a otras poblaciones universitarias.
Asimismo, el estudio se basó en instrumentos de autoinforme, los cuales pueden estar sujetos a sesgos de
percepción y deseabilidad social. Finalmente, al tratarse de un diseño transversal, no es posible establecer
relaciones causales entre las variables analizadas. Se recomienda que futuras investigaciones incorporen
diseños longitudinales y muestras más diversas para profundizar en estos hallazgos.
Financiamiento: Investigación financiada por los autores.
Agradecimientos: A los directivos del vicerrectorado de investigación de la Universidad Peruana Unión.
Conflictos de intereses: Los autores no tienen intereses en competencia.
Declaración de contribución:
Hilda Sapillado Condori y Giuliana Nadyn Vilca Quispe participaron en todo el proceso integral de la inves-
tigación y la redacción del artículo.
Alcides Quispe Mamani participó como asesor del estudio, revisión y aprobación de la versión final
REFERENCIAS BIBLIOGRÁFICAS
1. Acosta P. El impacto de la inteligencia artificial en la educación superior. Informe del Consejo de
Europa - ES de ES: Aprendemos entre todos [Internet]. 2022 [citado 8 Nov 2025]. Disponible en:
https://www.espaciosdeeducacionsuperior.es/07/12/2022/__trashed-2__trashed/.
2. Digital Education Council global AI student survey 2024. Encuesta mundial sobre inteligencia artificial
a estudiantes del Consejo de Educación Digital 2024 [Internet]. [cited 5 Mar 2025]. Disponible en:
https://www.digitaleducationcouncil.com/post/digital-education-council-global-ai-student-survey-2024.
3. Tyton Partners. Time for Class 2024: Unlocking access to effective digital teaching and learning
[Internet]. 2024 [citado 10 Nov 2024]. Disponible en: https://4213961.fs1.hubspotusercontent-na1.net/
hubfs/4213961/Publications/Time%20for%20Class%202024.pdf.
4. Rojas Marín F de los Á, Espinoza Padilla JG, Mendoza Pacheco MF. Inteligencia Artificial: Dependencia
y la Afección del Pensamiento Crítico. Cienc Lat Rev Científica Multidiscip. [Internet]. 2024 [citado
7 Mar 2025]; 8(4):12590–608. Disponible en: https://ciencialatina.org/index.php/cienciala/article/
view/13462.
5. Espinoza Vidaurre SM, Velásquez Rodríguez NC, Gambetta Quelopana RL, Martínez Valdivia AN,
Leo Rossi EA, Laura de la Cruz KM, et al. Influencia de la inteligencia artificial en la eficiencia del
rendimiento académico: un análisis de determinantes. RISTI - Rev Ibér Sist Tecnol Inf [Internet].
2024 [citado 9 Mar 2025]; E70:399–418. disponible en: https://dialnet.unirioja.es/servlet/articulo?
codigo=9886376.
6. Mukhtar M, Firdos SS, Zaka I, Naeem S. Impact of AI dependence on procrastination among university
students. Research Journal of Psychology [Internet]. 2025 [citado 4 Oct 2025];3(1):246–57. Disponible
en: https://ctrjournal.com/index.php/19/article/view/62 Int J Educ Innov Res. 2025;3(1):11–22.
7. Gavilanes Vásquez PG, Adum Ruiz JH, García Ruiz GS, Ruíz Ortega MG. Impacto de la inteligencia
artificial en la educación superior: una mirada hacia el futuro. RECIAMUC [Internet]. 2024 [citado
6 Oct 2025];8(2):213–21. Disponible en: https://www.reciamuc.com/index.php/RECIAMUC/article/
view/1371 DOI: http://dx.doi.org/10.26820/reciamuc/8.(2).abril.2024.213-221.
8. Turnitin. Estudio Time for Class: ¿Cuál ha sido el impacto de la IA en el aprendizaje de los estudiantes
en la era digital? [Internet]. Turnitin.com. 2024. [citado 13 Mar 2025]. Disponible en: https://www.
turnitin.com/press/turnitin-estudio-time-for-class.
9. Sabzalieva E, Valentini A. ChatGPT e inteligencia artificial en la educación superior: Guía de inicio
rápido. [Internet]. París: UNESCO IESALC;2023;1–16. [citado 15 Mar 2025]. Disponible en:
https://unesdoc.unesco.org/ark:/48223/pf0000385146_spa/PDF/385146spa.pdf.multi.
10. Seo K, Tang J, Roll I, Fels S, Yoon D. The impact of artificial intelligence on learner–instructor
interaction in online learning. Int J Educ Technol High Educ [Internet]. 2021 [citado 17 Mar 2025];
18(1):1–14. Disponible en: https://link.springer.com/article/10.1186/s41239-021-00292-9 DOI:
https://doi.org/10.1186/s41239-021-00292-9.
11. Ahmad SF, Han H, Alam MM, Rehmat MK, Irshad M, Arraño-Muñoz M, et al. Impact of artificial
intelligence on human loss in decision-making, laziness and safety in education. Humanit Soc Sci
Commun [Internet]. 2023 [citado 19 Mar 2025];10(1):311. Disponible en: https://www.nature.com/
articles/s41599-023-01787-8 DOI:10.1057/s41599 023 017878.
12.
[citado 8 May 2025]; 20. Disponible en: https://www.khaleejtimes.com/nation/dubai/Is-AI-makin
ghumans-lazy-Here-what-UAE-residents-say.
13. Del Cisne Loján M, Antonio Romero J, Sancho Aguilera D, Yajaira Romero A. Consecuencias de la
Dependencia de la Inteligencia Artificial en Habilidades Críticas y Aprendizaje Autónomo en los
Estudiantes. Cienc Lat Rev Científica Multidiscip. [Internet]. 2024 [citado 15 May 2025];8(2):
2368–2382. Disponible en: https://ciencialatina.org/index.php/cienciala/article/view/10678 DOI:
http://dx.doi.org/10.37811/cl_rcm.v8i2.10678.
14. Longoni C, Cian L. Artificial Intelligence in Utilitarian vs. Hedonic Contexts: The “Word-of-Machine”
Effect. J Mark [Internet]. 2022 [citado 19 May 2025];86(1):91–108. Disponible en: https://journals.sagepub.
com/doi/10.1177/0022242920957347.
15. Abbas M, Jam FA, Khan TI. Is it harmful or helpful? Examining the causes and consequences of
generative AI usage among university students. Int J Educ Technol High Educ [Internet]. 2024 [citado
9 Jan 2025];21(1). Disponible en: https://link.springer.com/article/10.1186/s41239-024-00444-7
DOI: https://doi.org/10.1186/s41239-024-00444-7.
16. Malinka K, Peresíni M, Firc A, Hujnák O, Janus F. On the Educational Impact of ChatGPT: Is Artificial
Intelligence Ready to Obtain a University Degree? In: Proceedings of the 2023 Conference on
Innovation and Technology in Computer Science Education (ITiCSE); 2023 [citado 15 Jan 2025].
3587102.3588827.
17. Gocen A, Aydemir F. Artificial Intelligence in Education and Schools. Res Educ Media. [Internet].
2020 [citado 20 May 2025];12(1):13–21. Disponible en: https://sciendo.com/2/v2/download/article/
10.2478/rem-2020-0003.pdf DOI: http://dx.doi.org/10.2478/rem-2020-0003.
18. Daha ES, Altelwany AA. Exploring the impact of using - ChatGPT in light of goal orientations and
academic self-efficacy. Int J Instr [Internet]. 2025 [citado 25 May 2025];18(2):167–84. Disponible
en: https://e-iji.net/ats/index.php/pub/article/view/730 DOI: http://dx.doi.org/10.29333/iji.2025.18210a.
19. Ortega Azurduy M, Machaca Mamani J, Daza Morales J. El efecto de la Inteligencia Artificial en el
rendimiento académico de estudiantes de ciencias administrativas en la Universidad Católica
Boliviana. Rev Educ Super [Internet]. 2023 [citado 1 Jun 2025];10(3):13–22. Disponible en:
http://www.scielo.org.bo/scielo.php?pid=S2518-82832023000300013&script=sci_arttext DOI:
https://doi.org/ 10.53287/mzkv9068uw14f.
20. Hernández-Sampieri R, Mendoza Torres CP. Metodología de la investigación: las rutas cuantitativa,
cualitativa y mixta. México: McGraw-Hill Education; 2018.
21. Hernández-Sampieri R, Fernández Collado C, Baptista Lucio M del P. Metodología de la investigación.
6ª ed. México: McGraw-Hill; 2014.
22. Carrazco Díaz S. Metodología de la investigación científica. 2ª ed. Lima: Editorial San Marcos; 2019.
23. Ortega C. ¿Qué es el muestreo por conveniencia? [Internet]. 2024 [citado 22 Nov 2024]. Disponible
en: https://www.questionpro.com/blog/es/muestreo-por-conveniencia/.
24. Morales-García WC, Sairitupa-Sánchez LZ, Morales-García SB, Morales-García M. Development
and validation of a scale for dependence on artificial intelligence in university students. Frontiers in
Education. [Internet]. 2024 [citado 4 Jun 2025];9:1323898. Disponible en: https://www.frontiersin.org/
journals/education/articles/10.3389/feduc.2024.1323898/full DOI: 10.3389/feduc.2024.1323898.
25. Preciado-Serrano M de L, Ángel-González M, Colunga-Rodríguez C, Vázquez-Colunga JC,
Rendimiento Académico Universitario (Construction and Validation of the University Academic
[Internet]. 2021 [citado 6 Jun 2025];3(60):5 14. Disponible en: https://go.gale.com/ps/i.do?id=GA
LE%7CA758446785&sid=googleScholar&v=2.1&it=r&linkaccess=abs&issn=11353848&p=
AONE&sw=w&userGroupName=anon%7E40c47079&aty=open-web-entry DOI:10.21865/RIDEP
60.3.01.
26. Remaycuna-Vásquez A, Carrión-Barco G, Espinoza-Porras FR, Maquen Niño GLE. Validez y
confiabilidad de la escala de rendimiento académico desde la percepción del alumno. Revista de
https://dialnet.unirioja.es/servlet/articulo?codigo=9034432 DOI: 10.31876/rcs.v29i.40458.
27. Busko DA. Causes and consequences of perfectionism and procrastination: A structural equation
28. Domínguez Lara S, Villegas García G, Centeno Leyva S. Procrastinación académica: validación de
una escala en una muestra de estudiantes de una universidad privada. Liberabit [Internet]. 2014 [citado
12 Jun 2025];20(2):293–304. Disponible en: http://www.scielo.org.pe/pdf/liber/v20n2/a10v20n2.
29. Colegio de Psicólogos del Perú. Código de ética profesional. Lima: Colegio de Psicólogos del Perú;
2017.
30. Universidad Peruana Unión. Código de ética para la investigación (CoEIn). Lima: UPeU; 2016.
31. Avendaño Porras VC. La adicción a la inteligencia artificial: evaluación de prevalencia y factores de
riesgo en estudiantes de posgrado. Rev Enfoques [Internet]. 2024 Jun 30 [citado 16 Apr 2025];5:
66–88. Disponible en: https://revistasdigitales.uniboyaca.edu.co/index.php/EFQ/article/view/1405.
n
%
Género
Masculino
265
53,9
Femenino
227
46,1
Edad
18 - 25
453
92,1
26 - 30
34
6,9
31 o más
5
1,0
Universidad
UNAP
162
32,9
UNAJ
253
51,4
UPEU
60
12,2
Otros
17
3,5
Escuelas
profesionales
Biomédicas
55
11,2
Ingenierías
243
49,4
Sociales
194
39,4
Ciclo
I - III
255
51,8
IV - VII
143
29,1
VIII - X
94
19,1
32. Steel P. The nature of procrastination: a meta-analytic and theoretical review of quintessential
self-regulatory failure. Psychological Bulletin, 2025 [citado 13 Apr 2025];133(1), 65–94. Disponible
en: https://psycnet.apa.org/buy/2006-23058-004 DOI: https://doi.org/10.1037/0033-2909.133.1.65.
33. Zumárraga-Espinosa M, Cevallos-Pozo G. Autoeficacia, procrastinación y rendimiento académico en
estudiantes universitarios de Ecuador. Alteridad [Internet]. 2022 [citado 18 Apr 2025];17(2):277–90.
Disponible en: https://revistas.ups.edu.ec/index.php/alteridad/article/view/5516.
34. Kim KR, Seo EH. The relationship between procrastination and academic performance: a meta-analysis.
Pers Individ Dif [Internet]. 2015 [citado 19 Apr 2025];82:26–33. Disponible en: https://www.sciencedirect.
com/science/article/abs/pii/S0191886915001610 DOI: https://doi.org/10.1016/j.paid.2015.02.038.
35. Rodríguez A, Clariana M. Procrastinación en Estudiantes Universitarios: Su Relación con la Edad y el
Curso Académico. Rev Colomb Psicol. [Internet]. 2017 [citado 20 Apr 2025];26(1):45–60. Disponible
en: http://www.scielo.org.co/pdf/rcps/v26n1/0121-5469-rcps-26-01-00045.pdf.
36. Honicke T, Broadbent J. The influence of academic self-efficacy on academic performance: a systematic
review. Educ Res Rev [Internet]. 2016 [citado 21 Apr 2025];17:63–84. Disponible en: https://www.sciencedirect.
com/science/article/abs/pii/S1747938X15000639 DOI: https://doi.org/10.1016/j.edurev.2015.11.002.
37. Cosme Garate GA, Cornejo Zúñiga AG, Chumacero Acosta JS, Ruiz Rios A, Tuesta Casique A, Alvarez
Arista Y. Enseñanza universitaria y recursos didácticos en el nivel de rendimiento de los estudiantes de
pregrado. Rev Científica Episteme y Tekne. [Internet]. 2022 [citado 23 Apr 2025];1(2):e380. Disponible
en: https://revistas.unsm.edu.pe/index.php/rceyt/article/view/380 DOI: 10.51252/rceyt.v1i2.380.
38. Zhang S, Zhao X, Zhou T, Kim JH. Do you have AI dependency? The roles of academic self-efficacy,
academic stress, and performance expectations on problematic AI usage behavior. Int J Educ Technol
High Educ. [Internet]. 2024 [citado 29 Apr 2025];21(1):1-15. Disponible en: http://dx.doi.org/10.1186/
s41239-024-00467-0.
39. Granda Aguilera DR, Lema Mullo L, Gallegos Gallegos AR. La dependencia de la inteligencia artificial
en los estudiantes de bachillerato: implicaciones y recomendaciones para un aprendizaje equilibrado.
Polo del Conoc. [Internet]. 2024 [citado 20 may 2025];9(7):2109–30. Disponible en: https://polodel
conocimiento.com/ojs/index.php/es/article/view/7618/html?utm_source=chatgpt.com.
Relación entre dependencia a la inteligencia artificial, rendimiento académico y procrastinación
académica en universitarios
Relationship between dependence on artificial intelligence, academic performance, and academic
procrastination in university students
https://doi.org/10.37135/ee.04.25.08
Autores:
Hilda Sapillado Condori - https://orcid.org/0009-0002-7963-9896
Giuliana Nadyn Vilca Quispe - https://orcid.org/0009-0002-1329-0839
Alcides Quispe Mamani - https://orcid.org/0000-0002-7404-7464
Afiliación:
Universidad Peruana Unión
Autor de correspondencia: Giuliana Nadyn Vilca Quispe. Universidad Peruana Unión (UPeU), Carretera Salida
a Arequipa km. 6 Villa Chullunquiani, Juliaca, Perú. Tel: +51 940799733. E-mail: giuliana.vilca@upeu.edu.pe
Recibido: 21 de mayo de 2025 Aceptado: 11 de diciembre de 2025
RESUMEN
Esta investigación tuvo como objetivo determinar la relación existente entre dependencia de la inteligencia
artificial, rendimiento y procrastinación académica en estudiantes universitarios de la región Puno. Así se
aplicó un diseño no experimental, de corte transversal y tipo correlacional, en una muestra de 492 universitarios
de distintas universidades, con edades entre 18 y 35 años. Se utilizaron las escalas de dependencia hacia la
inteligencia artificial DAI, rendimiento académico universitario RAU y procrastinación académica EPA. Los
resultados, el 53 % de los participantes fueron de sexo masculino, el 92,1 % tenían edades entre 18 y 25 años,
el 51,4 % provenían de una universidad nacional de Juliaca, matriculados entre el primer y tercer ciclo
(51,8 %), destacándose el área de ingenierías con el 49,4 % de participación. El 63,41 % de los participantes
indicaron tener mayor inclinación hacia el uso de ChatGPT. Los valores globales indicaron una correlación
inversa significativa, (r = -0,122; p = <0,007) entre dependencia a la IA y rendimiento académico; no existe
correlación significativa entre dependencia a la IA y procrastinación académica (r = 0,022, p = < 0,627),
demostrando que los universitarios que no presentan altos niveles de dependencia de la inteligencia artificial
mantienen niveles de rendimiento académico adecuados y no tienden a procrastinar. Se identificó relación
inversa significativa entre dependencia de IA y la falta de organización de material didáctico (r = -0,225, p = <0,000),
evidenciando que la desorganización de materiales de estudio podría activar la necesidad de recurrir a la IA
como una solución rápida.
Palabras clave: inteligencia artificial, rendimiento académico, educación.
ABSTRACT
This research aimed to determine the relationship between dependence on artificial intelligence, academic
performance, and procrastination among university students in the Puno region. A non-experimental,
cross-sectional, correlational study was conducted with a sample of 492 university students from different
universities, aged 18-35 years. The scales of dependence on artificial intelligence (DAI), university academic
performance (RAU), and academic procrastination (EPA) were used as measurement instruments. The
results showed that 53 % of the participants were male, 92.1 % were between 18 and 25 years old, 51.4 %
came from a national university in Juliaca, enrolled between the first and third cycles (51.8 %), with the
engineering field standing out with 49.4 % participation. Sixty-three point four one percent of participants
indicated a greater inclination toward using ChatGPT. The overall values showed a significant inverse correlation
(r = -0.122; p = <0.007) between AI dependence and academic performance; there is no significant correlation
between AI dependence and academic procrastination (r = 0.022, p = <0.627), demonstrating that university
students who do not have high levels of dependence on artificial intelligence maintain adequate academic
performance levels and do not tend to procrastinate. A significant inverse relationship was found between AI
dependence and the lack of organization of teaching materials (r = -0.225, p = <0.000), suggesting that
disorganized study materials can prompt the need to resort to AI as a quick fix.
Keywords: Artificial Intelligence, Academic Performance, Education.
INTRODUCCIÓN
La inteligencia artificial (IA) es una herramienta tecnológica cuyo uso se está expandiendo rápidamente en
la educación universitaria,
(1)
siendo los estudiantes quienes tienen una interacción con la IA al menos
semanalmente.
(2)
Según Tyton Partners,
(3)
el 59 % son estudiantes y el 40 % docentes. La IA fue desarrollada
como una herramienta para optimizar experiencias de aprendizaje, con el fin de fortalecer el rendimiento
académico del estudiante
(4)
a través del apoyo en la ejecución de tareas y trabajos, y incrementar las calificaciones
(5)
a través del acceso rápido, a recursos y asistencia personalizada,
(6)
siendo útil también para facilitar la
investigación académica.
(7)
En Perú, se halló que el 73,2 % de universitarios utilizan la IA para hacer sus
tareas e investigaciones,
(5)
Turnitin
(8)
sostiene que un 3 % de los trabajos examinados presentan un 80 % o
más de texto generado por IA. Dentro del mundo académico, el ChatGPT es la herramienta de IA más usada,
debido a su uso dinámico y versátil.
(9)
A pesar de las ventajas de esta tecnología, su aceptación sin control podría generar dependencia por parte de
los estudiantes y educadores
(10)
, provocar la pérdida de habilidades cognitivas,
(11)
la capacidad de pensar de
manera independiente y desarrollar habilidades esenciales como la investigación y análisis,
(6)
impulsando a
pensar como los algoritmos sin comprender,
(12, 13)
asimismo, incentivar la pereza y dificultades en la toma de
decisiones,
(11)
reduciendo la motivación para esforzarse intelectualmente,
(6)
poniendo en riesgo el rendimiento
académico, incluso llevándolo a manifestar comportamientos de procrastinación académica, como retrasos
en la finalización de tareas, retrasos en las clases y retrasos en eventos competitivos hasta el último
día, entre otros.
(14,15)
En un futuro, esto significaría que los egresados universitarios sean de baja calidad
(16)
y con habilidades profesionales deficientes.
(17)
Estudios previos evidenciaron que el uso de la IA afecta negativamente el rendimiento académico de los
estudiantes universitarios y está relacionado positivamente con la procrastinación donde, a mayor uso de la
IA menor rendimiento académico y mayor probabilidad de procrastinar,
(15)
asimismo, se encontró que la
dependencia de la IA afecta el rendimiento académico de los estudiantes conllevando a la pérdida de habilidades
de investigación y aprendizaje autónomo,
(13)
y que su uso excesivo puede contribuir inadvertidamente a
retrasos en las tareas académicas, también se reveló que el uso excesivo de ChatGPT puede provocar la
postergación de tareas y un menor rendimiento y desarrollo académico.
(18)
La intención de uso de la inteligencia
artificial por parte de los estudiantes está basada en la ética, la autoeficacia, la motivación y las expectativas de
resultados, los cuales influyen en el rendimiento académico ya sea favorable o desfavorable.
(19)
En Perú, se demostró que la IA afecta positivamente el rendimiento académico de los estudiantes de pregrado
y postgrado en un 48,1 %.
(5)
Asimismo, se destaca que los estudiantes con una actitud más favorable hacia la
IA tienen una clara comprensión y entendimiento de la IA, tienen confianza en su educación y experimentan
efectos positivos en su rendimiento académico.
La IA está transformando el ámbito educativo y los hábitos de estudio, por lo que es necesario investigar su
impacto en los estudiantes universitarios. En este contexto, se planteó la presente invetsigación con la finalidad
de determinar la relación existente entre dependencia de la inteligencia artificial, percepción del rendimiento
académico y procrastinación académica en estudiantes universitarios de la región Puno, en el segundo periodo
académico de 2024.
MATERIAL Y MÉTODOS
Diseño y contexto
Este estudio se llevó a cabo con un enfoque cuantitativo, diseño no experimental, de corte transeccional o
transversal y de tipo correlacional, con el objetivo de analizar la relación entre dos o más variables.
(20)
Participantes
Este estudio se realizó en la región Puno, Perú, con una población compuesta por estudiantes de diversas
universidades de la región, tanto instituciones públicas como privadas, matriculados en el segundo periodo
académico del 2024, se seleccionó una muestra de 492 estudiantes universitarios de distintas carreras,
diferenciadas en 3 grupos (Ingenierías, Biomédicas y Sociales), con edades comprendidas entre 18 y 35
años, pertenecían a ambos sexos y contaban con conocimientos previos sobre inteligencia artificial. Se
emplearon criterios de muestreo no probabilístico por conveniencia intencional
(21, 22)
seleccionando participantes
con disponibilidad para formar parte de la muestra.
(23)
Instrumentos
Escala de Dependencia hacia la Inteligencia Artificial (DAI), desarrollada en Perú por Morales-García et al.
(24)
La escala es unidimensional y consta de 5 ítems medidos a través de una escala tipo Likert: Completamente
falso para mí, Mayormente falso para mí, Ni verdadero ni falso para mí, Mayormente verdadero para mí y
Me describe perfectamente, con un puntaje máximo de 25 puntos dirigidos a estudiantes universitarios. Los
valores de alfa de Cronbach y el coeficiente omega de McDonald muestran una adecuada consistencia interna
La escala de rendimiento académico universitario (RAU) fue desarrollada por Preciado-Serrano et al
(25)
y validada por Remaycuna-Vásquez et al.
(26)
consta de 18 ítems y tres dimensiones: aportación en las
actividades académicas, dedicación al estudio y falta de organización de los recursos didácticos, se
miden mediante una escala de tipo Likert con 7 alternativas de respuesta: nunca, casi nunca, algunas
veces, regularmente, a menudo, casi siempre y siempre. El índice de confiabilidad del alfa de Cronbach
y omega de McDonald, a nivel general se evidencia que la fiabilidad es de 0.843 y 0.865 respectivamente,
la cual tiene valores aceptables.
Escala de Procrastinación Académica (EPA), creada por Busko
(27)
y validada para Perú por Domínguez et al.
(28)
esta adaptación consta de 12 ítems, divididos en 2 dimensiones autorregulación académica y postergación de
actividades. Los ítems son medidos según la escala de Likert: nunca, casi nunca, a veces, casi siempre y
siempre. Se obtuvieron umbrales de confianza a través del alfa de Cronbach, obteniéndose un indicador de
0,821 (IC al 95 %: 0,793; 0,847) para el factor autorregulación académica, y de 0,752 (IC al 95 %: 0,705;
0,792) para el factor postergación de actividades. El coeficiente omega estimó la confiabilidad de los factores,
logrando un indicador de 0,829 para el factor autorregulación académica y de 0,794 para el factor postergación
de actividades.
Análisis de datos
La recolección de datos se realizó mediante la aplicación de los instrumentos posteriormente se estructuraron
y procesaron utilizando Statistical Package for the Social Sciences (SPSS) versión 27 y Jamovi 2.3.28.0,
donde se empleó la estadística descriptiva e inferencial para la obtención de datos de frecuencia y correlación
de variables, así como la verificación de la distribución normal o anormal de las variables.
Aspectos éticos
El estudio fue aprobado por el comité de ética de la Universidad Peruana Unión, con número de aprobación
2024-CEB-FCS - UPeU-270 la cual se adhirió a los principios éticos del código de ética de investigación
establecidos por la misma institución. Asimismo, se puso en consideración las directrices del Código de
Ética del Colegio de Psicólogos del Perú aplicables a la investigación. Todos los participantes procedieron a
la firma del consentimiento informado, manifestando su aceptación para participar en el estudio y autorizan-
do el uso de los datos exclusivamente para fines académicos e investigativos.
(29, 30)
RESULTADOS
Para el análisis inferencial se empleó la prueba de correlación de Pearson, dado que las variables presentaron
distribución normal. En los casos en los que la normalidad no fue determinada, se complementó con la
verificación mediante coeficientes y valores p correspondientes.
Los resultados muestran que, del total de participantes, el 53, 9 % correspondió al sexo masculino y el 92,1%
presentaban edades entre 18 y 25 años. El 51,4 % fueron procedentes de la UNAJ, destacándose el área de
Ingeniería con participación del 49,4 %. Por otro lado, se muestra que la mayoría se encontraban matriculados
entre el I a III ciclo (51, 8 %). La información de los tipos de IAs que más utilizan como apoyo para su jornada
académica más relevantes fue: el ChatGPT con un 63,41 %, Canva (51,83 %), Meta.IA (40,65 %), Gemini
(26.42%) y Mendeley (24,39 %) como las IAs de mayor aceptación, además de otras IAs que son de baja
preferencia (Tabla 1).
Datos sociodemográficos
Tabla 1. Características de los participantes
Nota: *UNAP “Universidad Nacional del Altiplano”, UNAJ “Universidad Nacional de Juliaca”, UPEU “Universidad Peruana
Unión”
Los estudiantes universitarios de la región Puno son dependientes de la IA en un nivel “leve” (50,61 %), con
un rendimiento académico percibido de nivel “medio”, a excepción de la dimensión dedicación al estudio,
en donde el 40,9 % se percibe en un nivel “alto” y así mismo son procrastinadores en un nivel “promedio”
(57,3 %). (Tabla 2)
REE 20(1) Riobamba ene. - abr. 2026
cc
BY NC ND
136
ISSN-impreso 1390-7581
ISSN-digital 2661-6742
Tabla 2. Análisis descriptivo de dependencia a la IA, percepción de rendimiento académico y procrastina-
ción académica
Se detectó una relación inversa significativa entre dependencia a la inteligencia artificial y rendimiento
académico, con una intensidad de relación débil (r= -0,122, p=< 0,007) lo que señala que, a mayor rendimiento
académico de los estudiantes universitarios, menor dependencia de la IA. No se encontró una correlación con
la procrastinación (r= 0,022, p=< 0,627) lo que sugiere que ambas variables son independientes y no se afectan
entre sí. En cambio, se observa una correlación inversa y altamente significativa, con una intensidad de
relación moderada (r = -0,333, p =< 0,000) entre rendimiento académico y procrastinación académica, lo que
evidencia que a menor procrastinación académica, mayor rendimiento académico (Tabla 3).
Tabla 3. Correlación entre dependencia de la IA, percepción de rendimiento académico y procrastinación
académica y sus dimensiones.
Nota: * p < .05, ** p < .01, *** p < .001. Prueba estadística utilizada: Coeficiente de correlación de Pearson
Las aportaciones a las actividades académicas no se relacionan con dependencia de la IA (r= - 0,040,
p = 0,371), sin embargo, presenta una relación directa altamente significativa con una intensidad fuerte
con rendimiento académico (r = 0.884, p = < 0.000) y una relación inversa con la procrastinación
académica (r = -0.296, p = < 0.000) lo que indica que, a mayor aportación a las actividades académicas,
mayor rendimiento académico y menor tendencia a procrastinar. La dedicación al estudio es independiente y
no se relaciona con dependencia de la IA (r = -0,053, p = < 0,237), pero tiene una fuerte relación positiva con
el rendimiento académico (r,= 0,835, p = < 0,000) y una relación inversa con la procrastinación académica
(r= -0,323; p = <0,000) que indica que, a mayor compromiso con el estudio, mejor desempeño académico y
menos propenso a procrastinar. La falta de organización de los recursos didácticos tiene una relación inversamente
significativa con la dependencia de la IA con una intensidad leve (r =-0,225, p = <0.000), lo que sugiere que una
organización más eficiente implica una dependencia menor de la IA; no se relaciona con la procrastinación
académica, pero sí con el rendimiento académico (r = 0,371, p = < 0.000), ya que una falta de organización
no necesariamente afecta negativamente el desempeño académico. La autorregulación académica no está
relacionada con la dependencia a la inteligencia artificial, sino que mantiene una relación inversa con el
rendimiento académico (r = -0,327, p = < 0.000) y una relación directa de gran relevancia con intensidad
fuerte con procrastinación académica (r = 0.952, p = < 0,000), indicando que en ciertos contextos los alumnos
con menos control o regulación sobre su propio proceso de aprendizaje suelen lograr mejores resultados
académicos y que a mayor capacidad de control del aprendizaje, mayor es la predisposición a procrastinar.
Finalmente, la postergación de actividades no se relaciona con la dependencia a la IA, sin embargo, tiene una
relación inversa débil con el rendimiento académico (r = -0,163, p = < 0,000) y una correlación positiva con
procrastinación académica (r = 0,576, p = < 0,000) lo que indica que una mayor postergación se asocia con
un menor rendimiento académico y una mayor tendencia a procrastinar. (Tabla 4)
Tabla 4. Correlación entre dependencia de la IA, rendimiento académico, procrastinación académica y sus
dimensiones.
DISCUSIÓN
El objetivo general del estudio fue determinar la relación entre la dependencia de la inteligencia artificial
(IA), la percepción del rendimiento académico y la procrastinación académica en estudiantes universitarios
de la región Puno durante el segundo periodo del 2024. Los resultados obtenidos permiten discutir los hallazgos
desde una perspectiva comparativa con investigaciones previas y en función de los objetivos planteados.
En relación con el primer objetivo, se identificó una correlación inversa significativa entre la dependencia a
la IA y el rendimiento académico (r = -0,122; p < 0,007), lo que indica que los estudiantes con menor depen-
dencia de la IA presentan un mejor desempeño académico. Este hallazgo coincide con lo reportado por Del
Cisne et al.
(13)
y Avendaño,
(31)
quienes evidenciaron que una alta dependencia tecnológica puede afectar nega-
tivamente el rendimiento académico hasta en un 65 %, debido a la pérdida de autonomía cognitiva y de habi-
lidades analíticas. Sin embargo, cuando la IA se utiliza como herramienta de apoyo complementario, puede
potenciar la productividad y mejorar la comprensión de los contenidos.
(19)
Por consiguiente, el estudio reafirma
la necesidad de fomentar un uso responsable y pedagógico de la IA en el entorno universitario, donde el criterio
humano y el pensamiento crítico sigan siendo fundamentales para la formación académica.
Respecto al segundo objetivo, orientado a analizar la relación entre la dependencia a la IA y la procrastinación
académica, no se identificó una correlación significativa (r = 0.022; p < 0.627). Este resultado sugiere que el
uso de herramientas de IA no influye directamente en los niveles de procrastinación. A diferencia de lo
planteado por Abbas et al.
(15)
quienes encontraron una relación positiva entre el uso excesivo de ChatGPT y
la postergación de actividades, los datos de este estudio muestran que la procrastinación puede estar determinada
por otros factores personales, como la autoeficacia, la motivación intrínseca y la capacidad de autorregulación.
(32)
Por tanto, la dependencia tecnológica no sería el principal factor desencadenante de la procrastinación,
aunque un uso desmedido de la IA podría, en algunos casos, reforzar hábitos de postergación si no se acompaña
de un control adecuado del tiempo y la planificación.
En cuanto al tercer objetivo, se identificó una relación inversa y altamente significativa entre el rendimiento
académico y la procrastinación académica (r = -0,333; p < 0,000). Este resultado confirma lo encontrado por
Zumárraga y Cevallos
(33)
y Kim y Seo,
(34)
quienes sostienen que la procrastinación afecta negativamente el
rendimiento académico al reducir la dedicación al estudio y la organización del tiempo. Los estudiantes con
altos niveles de rendimiento académico tienden a postergar menos sus actividades, muestran mayor motivación
y presentan una gestión más eficiente de sus recursos y objetivos
(35,36)
Este hallazgo respalda la importancia de
promover estrategias de autorregulación y gestión del tiempo en el ámbito universitario, como medios efectivos
para contrarrestar los efectos negativos de la procrastinación.
Por otra parte, el análisis de las dimensiones específicas aporta evidencia adicional. Se halló una relación
inversa significativa entre la dependencia de la IA y la falta de organización de los recursos didácticos
(r = -0,225; p < 0,000),
lo que sugiere que los estudiantes con menor organización tienden a recurrir más a
la IA como solución inmediata ante la demanda académica. Este resultado se alinea con los hallazgos de
Cosme Garate et al.
(37)
y Zhang et al.,
(38)
quienes señalan que una deficiente gestión de materiales de estudio
puede incrementar el estrés y la dependencia de herramientas tecnológicas. Además, Granda Aguilera et
al.
(39)
y Ahmad et al.,
(11)
advierten que la dependencia excesiva de la IA puede debilitar la organización, el
pensamiento crítico y la autonomía académica, fomentando hábitos de dependencia cognitiva. Por tanto,
fortalecer las competencias de planificación y organización se vuelve esencial para evitar la sobreutilización
de la IA.
Asimismo, los resultados indican que la autorregulación académica no se relaciona significativamente con la
dependencia de la IA, lo cual demuestra que los estudiantes conservan su capacidad de control y gestión del
aprendizaje.
(25)
Este hallazgo es positivo, pues refleja que la mayoría utiliza la IA como una herramienta de
apoyo y no como un sustituto de sus procesos de trabajo académico. No obstante, es necesario enfatizar la
formación ética y digital para garantizar un equilibrio entre el uso tecnológico y el desarrollo de habilidades
de razonamiento, análisis y creatividad.
Finalmente, el hecho de no haber identificado una correlación estadísticamente significativa entre la depen-
dencia de la IA y la postergación de actividades (r = 0.02; p < 0.647) confirma que la procrastinación no
depende exclusivamente del uso de la IA, sino que responde a una interacción compleja de factores psicológicos,
académicos y sociales. Sin embargo, como sostienen Abbas et al.
(15)
el uso inadecuado o desmedido de
herramientas como ChatGPT puede inducir conductas de procrastinación cuando reemplaza la reflexión
personal o el esfuerzo intelectual, en lugar de servir como un medio de aprendizaje activo.
CONCLUSIONES
Los resultados evidencian que una menor dependencia de la IA se asocia con un mejor rendimiento académico
y que, a su vez, un mayor rendimiento académico se relaciona con menores niveles de procrastinación. Por
otro lado, no se identificó una relación significativa entre la dependencia de la IA y la procrastinación; sin
embargo, sí se encontró una asociación con la dimensión referida a la falta de organización de los recursos
didácticos. Los hallazgos destacan la importancia de promover un uso responsable de la IA en estudiantes.
Limitaciones del estudio: Entre las principales limitaciones se encuentra el uso de un muestreo no probabilístico
por conveniencia, lo que restringe la generalización de los resultados a otras poblaciones universitarias.
Asimismo, el estudio se basó en instrumentos de autoinforme, los cuales pueden estar sujetos a sesgos de
percepción y deseabilidad social. Finalmente, al tratarse de un diseño transversal, no es posible establecer
relaciones causales entre las variables analizadas. Se recomienda que futuras investigaciones incorporen
diseños longitudinales y muestras más diversas para profundizar en estos hallazgos.
Financiamiento: Investigación financiada por los autores.
Agradecimientos: A los directivos del vicerrectorado de investigación de la Universidad Peruana Unión.
Conflictos de intereses: Los autores no tienen intereses en competencia.
Declaración de contribución:
Hilda Sapillado Condori y Giuliana Nadyn Vilca Quispe participaron en todo el proceso integral de la inves-
tigación y la redacción del artículo.
Alcides Quispe Mamani participó como asesor del estudio, revisión y aprobación de la versión final
REFERENCIAS BIBLIOGRÁFICAS
1. Acosta P. El impacto de la inteligencia artificial en la educación superior. Informe del Consejo de
Europa - ES de ES: Aprendemos entre todos [Internet]. 2022 [citado 8 Nov 2025]. Disponible en:
https://www.espaciosdeeducacionsuperior.es/07/12/2022/__trashed-2__trashed/.
2. Digital Education Council global AI student survey 2024. Encuesta mundial sobre inteligencia artificial
a estudiantes del Consejo de Educación Digital 2024 [Internet]. [cited 5 Mar 2025]. Disponible en:
https://www.digitaleducationcouncil.com/post/digital-education-council-global-ai-student-survey-2024.
3. Tyton Partners. Time for Class 2024: Unlocking access to effective digital teaching and learning
[Internet]. 2024 [citado 10 Nov 2024]. Disponible en: https://4213961.fs1.hubspotusercontent-na1.net/
hubfs/4213961/Publications/Time%20for%20Class%202024.pdf.
4. Rojas Marín F de los Á, Espinoza Padilla JG, Mendoza Pacheco MF. Inteligencia Artificial: Dependencia
y la Afección del Pensamiento Crítico. Cienc Lat Rev Científica Multidiscip. [Internet]. 2024 [citado
7 Mar 2025]; 8(4):12590–608. Disponible en: https://ciencialatina.org/index.php/cienciala/article/
view/13462.
5. Espinoza Vidaurre SM, Velásquez Rodríguez NC, Gambetta Quelopana RL, Martínez Valdivia AN,
Leo Rossi EA, Laura de la Cruz KM, et al. Influencia de la inteligencia artificial en la eficiencia del
rendimiento académico: un análisis de determinantes. RISTI - Rev Ibér Sist Tecnol Inf [Internet].
2024 [citado 9 Mar 2025]; E70:399–418. disponible en: https://dialnet.unirioja.es/servlet/articulo?
codigo=9886376.
6. Mukhtar M, Firdos SS, Zaka I, Naeem S. Impact of AI dependence on procrastination among university
students. Research Journal of Psychology [Internet]. 2025 [citado 4 Oct 2025];3(1):246–57. Disponible
en: https://ctrjournal.com/index.php/19/article/view/62 Int J Educ Innov Res. 2025;3(1):11–22.
7. Gavilanes Vásquez PG, Adum Ruiz JH, García Ruiz GS, Ruíz Ortega MG. Impacto de la inteligencia
artificial en la educación superior: una mirada hacia el futuro. RECIAMUC [Internet]. 2024 [citado
6 Oct 2025];8(2):213–21. Disponible en: https://www.reciamuc.com/index.php/RECIAMUC/article/
view/1371 DOI: http://dx.doi.org/10.26820/reciamuc/8.(2).abril.2024.213-221.
8. Turnitin. Estudio Time for Class: ¿Cuál ha sido el impacto de la IA en el aprendizaje de los estudiantes
en la era digital? [Internet]. Turnitin.com. 2024. [citado 13 Mar 2025]. Disponible en: https://www.
turnitin.com/press/turnitin-estudio-time-for-class.
9. Sabzalieva E, Valentini A. ChatGPT e inteligencia artificial en la educación superior: Guía de inicio
rápido. [Internet]. París: UNESCO IESALC;2023;1–16. [citado 15 Mar 2025]. Disponible en:
https://unesdoc.unesco.org/ark:/48223/pf0000385146_spa/PDF/385146spa.pdf.multi.
10. Seo K, Tang J, Roll I, Fels S, Yoon D. The impact of artificial intelligence on learner–instructor
interaction in online learning. Int J Educ Technol High Educ [Internet]. 2021 [citado 17 Mar 2025];
18(1):1–14. Disponible en: https://link.springer.com/article/10.1186/s41239-021-00292-9 DOI:
https://doi.org/10.1186/s41239-021-00292-9.
11. Ahmad SF, Han H, Alam MM, Rehmat MK, Irshad M, Arraño-Muñoz M, et al. Impact of artificial
intelligence on human loss in decision-making, laziness and safety in education. Humanit Soc Sci
Commun [Internet]. 2023 [citado 19 Mar 2025];10(1):311. Disponible en: https://www.nature.com/
articles/s41599-023-01787-8 DOI:10.1057/s41599 023 017878.
12.
[citado 8 May 2025]; 20. Disponible en: https://www.khaleejtimes.com/nation/dubai/Is-AI-makin
ghumans-lazy-Here-what-UAE-residents-say.
13. Del Cisne Loján M, Antonio Romero J, Sancho Aguilera D, Yajaira Romero A. Consecuencias de la
Dependencia de la Inteligencia Artificial en Habilidades Críticas y Aprendizaje Autónomo en los
Estudiantes. Cienc Lat Rev Científica Multidiscip. [Internet]. 2024 [citado 15 May 2025];8(2):
2368–2382. Disponible en: https://ciencialatina.org/index.php/cienciala/article/view/10678 DOI:
http://dx.doi.org/10.37811/cl_rcm.v8i2.10678.
14. Longoni C, Cian L. Artificial Intelligence in Utilitarian vs. Hedonic Contexts: The “Word-of-Machine”
Effect. J Mark [Internet]. 2022 [citado 19 May 2025];86(1):91–108. Disponible en: https://journals.sagepub.
com/doi/10.1177/0022242920957347.
15. Abbas M, Jam FA, Khan TI. Is it harmful or helpful? Examining the causes and consequences of
generative AI usage among university students. Int J Educ Technol High Educ [Internet]. 2024 [citado
9 Jan 2025];21(1). Disponible en: https://link.springer.com/article/10.1186/s41239-024-00444-7
DOI: https://doi.org/10.1186/s41239-024-00444-7.
16. Malinka K, Peresíni M, Firc A, Hujnák O, Janus F. On the Educational Impact of ChatGPT: Is Artificial
Intelligence Ready to Obtain a University Degree? In: Proceedings of the 2023 Conference on
Innovation and Technology in Computer Science Education (ITiCSE); 2023 [citado 15 Jan 2025].
3587102.3588827.
17. Gocen A, Aydemir F. Artificial Intelligence in Education and Schools. Res Educ Media. [Internet].
2020 [citado 20 May 2025];12(1):13–21. Disponible en: https://sciendo.com/2/v2/download/article/
10.2478/rem-2020-0003.pdf DOI: http://dx.doi.org/10.2478/rem-2020-0003.
18. Daha ES, Altelwany AA. Exploring the impact of using - ChatGPT in light of goal orientations and
academic self-efficacy. Int J Instr [Internet]. 2025 [citado 25 May 2025];18(2):167–84. Disponible
en: https://e-iji.net/ats/index.php/pub/article/view/730 DOI: http://dx.doi.org/10.29333/iji.2025.18210a.
19. Ortega Azurduy M, Machaca Mamani J, Daza Morales J. El efecto de la Inteligencia Artificial en el
rendimiento académico de estudiantes de ciencias administrativas en la Universidad Católica
Boliviana. Rev Educ Super [Internet]. 2023 [citado 1 Jun 2025];10(3):13–22. Disponible en:
http://www.scielo.org.bo/scielo.php?pid=S2518-82832023000300013&script=sci_arttext DOI:
https://doi.org/ 10.53287/mzkv9068uw14f.
20. Hernández-Sampieri R, Mendoza Torres CP. Metodología de la investigación: las rutas cuantitativa,
cualitativa y mixta. México: McGraw-Hill Education; 2018.
21. Hernández-Sampieri R, Fernández Collado C, Baptista Lucio M del P. Metodología de la investigación.
6ª ed. México: McGraw-Hill; 2014.
22. Carrazco Díaz S. Metodología de la investigación científica. 2ª ed. Lima: Editorial San Marcos; 2019.
23. Ortega C. ¿Qué es el muestreo por conveniencia? [Internet]. 2024 [citado 22 Nov 2024]. Disponible
en: https://www.questionpro.com/blog/es/muestreo-por-conveniencia/.
24. Morales-García WC, Sairitupa-Sánchez LZ, Morales-García SB, Morales-García M. Development
and validation of a scale for dependence on artificial intelligence in university students. Frontiers in
Education. [Internet]. 2024 [citado 4 Jun 2025];9:1323898. Disponible en: https://www.frontiersin.org/
journals/education/articles/10.3389/feduc.2024.1323898/full DOI: 10.3389/feduc.2024.1323898.
25. Preciado-Serrano M de L, Ángel-González M, Colunga-Rodríguez C, Vázquez-Colunga JC,
Rendimiento Académico Universitario (Construction and Validation of the University Academic
[Internet]. 2021 [citado 6 Jun 2025];3(60):5 14. Disponible en: https://go.gale.com/ps/i.do?id=GA
LE%7CA758446785&sid=googleScholar&v=2.1&it=r&linkaccess=abs&issn=11353848&p=
AONE&sw=w&userGroupName=anon%7E40c47079&aty=open-web-entry DOI:10.21865/RIDEP
60.3.01.
26. Remaycuna-Vásquez A, Carrión-Barco G, Espinoza-Porras FR, Maquen Niño GLE. Validez y
confiabilidad de la escala de rendimiento académico desde la percepción del alumno. Revista de
https://dialnet.unirioja.es/servlet/articulo?codigo=9034432 DOI: 10.31876/rcs.v29i.40458.
27. Busko DA. Causes and consequences of perfectionism and procrastination: A structural equation
28. Domínguez Lara S, Villegas García G, Centeno Leyva S. Procrastinación académica: validación de
una escala en una muestra de estudiantes de una universidad privada. Liberabit [Internet]. 2014 [citado
12 Jun 2025];20(2):293–304. Disponible en: http://www.scielo.org.pe/pdf/liber/v20n2/a10v20n2.
29. Colegio de Psicólogos del Perú. Código de ética profesional. Lima: Colegio de Psicólogos del Perú;
2017.
30. Universidad Peruana Unión. Código de ética para la investigación (CoEIn). Lima: UPeU; 2016.
31. Avendaño Porras VC. La adicción a la inteligencia artificial: evaluación de prevalencia y factores de
riesgo en estudiantes de posgrado. Rev Enfoques [Internet]. 2024 Jun 30 [citado 16 Apr 2025];5:
66–88. Disponible en: https://revistasdigitales.uniboyaca.edu.co/index.php/EFQ/article/view/1405.
n
%
Dependencia de la inteligencia artificial
Leve
249
50,61
Moderado
215
43,70
Grave
28
5,70
Total
492
100
Rendimiento académico universitario
Bajo
33
6,70
Medio
270
54,90
Alto
163
33,10
Muy alto
26
3,50
Total
492
100
Aportación en las actividades académicas.
Muy bajo
6
1,20
Bajo
88
17,90
Medio
214
43,50
Alto
157
31,90
Muy alto
25
5,10
Total
492
100
Dedicación al estudio
Muy Bajo
7
1.4
Bajo
88
17.9
Medio
133
27
Alto
201
40.9
Muy alto
53
10.48
Total
492
100
Falta de organización
Muy bajo
17
3.5
Bajo
74
15
Medio
187
38
Alto
179
36.4
Muy alto
40
8.1
Total
492
100
Procrastinación Académica
Muy bajo
32
6.5
Bajo
142
28.9
Promedio
282
57.3
Alto
32
6.5
Muy alto
4
8
Total
492
100
32. Steel P. The nature of procrastination: a meta-analytic and theoretical review of quintessential
self-regulatory failure. Psychological Bulletin, 2025 [citado 13 Apr 2025];133(1), 65–94. Disponible
en: https://psycnet.apa.org/buy/2006-23058-004 DOI: https://doi.org/10.1037/0033-2909.133.1.65.
33. Zumárraga-Espinosa M, Cevallos-Pozo G. Autoeficacia, procrastinación y rendimiento académico en
estudiantes universitarios de Ecuador. Alteridad [Internet]. 2022 [citado 18 Apr 2025];17(2):277–90.
Disponible en: https://revistas.ups.edu.ec/index.php/alteridad/article/view/5516.
34. Kim KR, Seo EH. The relationship between procrastination and academic performance: a meta-analysis.
Pers Individ Dif [Internet]. 2015 [citado 19 Apr 2025];82:26–33. Disponible en: https://www.sciencedirect.
com/science/article/abs/pii/S0191886915001610 DOI: https://doi.org/10.1016/j.paid.2015.02.038.
35. Rodríguez A, Clariana M. Procrastinación en Estudiantes Universitarios: Su Relación con la Edad y el
Curso Académico. Rev Colomb Psicol. [Internet]. 2017 [citado 20 Apr 2025];26(1):45–60. Disponible
en: http://www.scielo.org.co/pdf/rcps/v26n1/0121-5469-rcps-26-01-00045.pdf.
36. Honicke T, Broadbent J. The influence of academic self-efficacy on academic performance: a systematic
review. Educ Res Rev [Internet]. 2016 [citado 21 Apr 2025];17:63–84. Disponible en: https://www.sciencedirect.
com/science/article/abs/pii/S1747938X15000639 DOI: https://doi.org/10.1016/j.edurev.2015.11.002.
37. Cosme Garate GA, Cornejo Zúñiga AG, Chumacero Acosta JS, Ruiz Rios A, Tuesta Casique A, Alvarez
Arista Y. Enseñanza universitaria y recursos didácticos en el nivel de rendimiento de los estudiantes de
pregrado. Rev Científica Episteme y Tekne. [Internet]. 2022 [citado 23 Apr 2025];1(2):e380. Disponible
en: https://revistas.unsm.edu.pe/index.php/rceyt/article/view/380 DOI: 10.51252/rceyt.v1i2.380.
38. Zhang S, Zhao X, Zhou T, Kim JH. Do you have AI dependency? The roles of academic self-efficacy,
academic stress, and performance expectations on problematic AI usage behavior. Int J Educ Technol
High Educ. [Internet]. 2024 [citado 29 Apr 2025];21(1):1-15. Disponible en: http://dx.doi.org/10.1186/
s41239-024-00467-0.
39. Granda Aguilera DR, Lema Mullo L, Gallegos Gallegos AR. La dependencia de la inteligencia artificial
en los estudiantes de bachillerato: implicaciones y recomendaciones para un aprendizaje equilibrado.
Polo del Conoc. [Internet]. 2024 [citado 20 may 2025];9(7):2109–30. Disponible en: https://polodel
conocimiento.com/ojs/index.php/es/article/view/7618/html?utm_source=chatgpt.com.
Relación entre dependencia a la inteligencia artificial, rendimiento académico y procrastinación
académica en universitarios
Relationship between dependence on artificial intelligence, academic performance, and academic
procrastination in university students
https://doi.org/10.37135/ee.04.25.08
Autores:
Hilda Sapillado Condori - https://orcid.org/0009-0002-7963-9896
Giuliana Nadyn Vilca Quispe - https://orcid.org/0009-0002-1329-0839
Alcides Quispe Mamani - https://orcid.org/0000-0002-7404-7464
Afiliación:
Universidad Peruana Unión
Autor de correspondencia: Giuliana Nadyn Vilca Quispe. Universidad Peruana Unión (UPeU), Carretera Salida
a Arequipa km. 6 Villa Chullunquiani, Juliaca, Perú. Tel: +51 940799733. E-mail: giuliana.vilca@upeu.edu.pe
Recibido: 21 de mayo de 2025 Aceptado: 11 de diciembre de 2025
RESUMEN
Esta investigación tuvo como objetivo determinar la relación existente entre dependencia de la inteligencia
artificial, rendimiento y procrastinación académica en estudiantes universitarios de la región Puno. Así se
aplicó un diseño no experimental, de corte transversal y tipo correlacional, en una muestra de 492 universitarios
de distintas universidades, con edades entre 18 y 35 años. Se utilizaron las escalas de dependencia hacia la
inteligencia artificial DAI, rendimiento académico universitario RAU y procrastinación académica EPA. Los
resultados, el 53 % de los participantes fueron de sexo masculino, el 92,1 % tenían edades entre 18 y 25 años,
el 51,4 % provenían de una universidad nacional de Juliaca, matriculados entre el primer y tercer ciclo
(51,8 %), destacándose el área de ingenierías con el 49,4 % de participación. El 63,41 % de los participantes
indicaron tener mayor inclinación hacia el uso de ChatGPT. Los valores globales indicaron una correlación
inversa significativa, (r = -0,122; p = <0,007) entre dependencia a la IA y rendimiento académico; no existe
correlación significativa entre dependencia a la IA y procrastinación académica (r = 0,022, p = < 0,627),
demostrando que los universitarios que no presentan altos niveles de dependencia de la inteligencia artificial
mantienen niveles de rendimiento académico adecuados y no tienden a procrastinar. Se identificó relación
inversa significativa entre dependencia de IA y la falta de organización de material didáctico (r = -0,225, p = <0,000),
evidenciando que la desorganización de materiales de estudio podría activar la necesidad de recurrir a la IA
como una solución rápida.
Palabras clave: inteligencia artificial, rendimiento académico, educación.
ABSTRACT
This research aimed to determine the relationship between dependence on artificial intelligence, academic
performance, and procrastination among university students in the Puno region. A non-experimental,
cross-sectional, correlational study was conducted with a sample of 492 university students from different
universities, aged 18-35 years. The scales of dependence on artificial intelligence (DAI), university academic
performance (RAU), and academic procrastination (EPA) were used as measurement instruments. The
results showed that 53 % of the participants were male, 92.1 % were between 18 and 25 years old, 51.4 %
came from a national university in Juliaca, enrolled between the first and third cycles (51.8 %), with the
engineering field standing out with 49.4 % participation. Sixty-three point four one percent of participants
indicated a greater inclination toward using ChatGPT. The overall values showed a significant inverse correlation
(r = -0.122; p = <0.007) between AI dependence and academic performance; there is no significant correlation
between AI dependence and academic procrastination (r = 0.022, p = <0.627), demonstrating that university
students who do not have high levels of dependence on artificial intelligence maintain adequate academic
performance levels and do not tend to procrastinate. A significant inverse relationship was found between AI
dependence and the lack of organization of teaching materials (r = -0.225, p = <0.000), suggesting that
disorganized study materials can prompt the need to resort to AI as a quick fix.
Keywords: Artificial Intelligence, Academic Performance, Education.
INTRODUCCIÓN
La inteligencia artificial (IA) es una herramienta tecnológica cuyo uso se está expandiendo rápidamente en
la educación universitaria,
(1)
siendo los estudiantes quienes tienen una interacción con la IA al menos
semanalmente.
(2)
Según Tyton Partners,
(3)
el 59 % son estudiantes y el 40 % docentes. La IA fue desarrollada
como una herramienta para optimizar experiencias de aprendizaje, con el fin de fortalecer el rendimiento
académico del estudiante
(4)
a través del apoyo en la ejecución de tareas y trabajos, y incrementar las calificaciones
(5)
a través del acceso rápido, a recursos y asistencia personalizada,
(6)
siendo útil también para facilitar la
investigación académica.
(7)
En Perú, se halló que el 73,2 % de universitarios utilizan la IA para hacer sus
tareas e investigaciones,
(5)
Turnitin
(8)
sostiene que un 3 % de los trabajos examinados presentan un 80 % o
más de texto generado por IA. Dentro del mundo académico, el ChatGPT es la herramienta de IA más usada,
debido a su uso dinámico y versátil.
(9)
A pesar de las ventajas de esta tecnología, su aceptación sin control podría generar dependencia por parte de
los estudiantes y educadores
(10)
, provocar la pérdida de habilidades cognitivas,
(11)
la capacidad de pensar de
manera independiente y desarrollar habilidades esenciales como la investigación y análisis,
(6)
impulsando a
pensar como los algoritmos sin comprender,
(12, 13)
asimismo, incentivar la pereza y dificultades en la toma de
decisiones,
(11)
reduciendo la motivación para esforzarse intelectualmente,
(6)
poniendo en riesgo el rendimiento
académico, incluso llevándolo a manifestar comportamientos de procrastinación académica, como retrasos
en la finalización de tareas, retrasos en las clases y retrasos en eventos competitivos hasta el último
día, entre otros.
(14,15)
En un futuro, esto significaría que los egresados universitarios sean de baja calidad
(16)
y con habilidades profesionales deficientes.
(17)
Estudios previos evidenciaron que el uso de la IA afecta negativamente el rendimiento académico de los
estudiantes universitarios y está relacionado positivamente con la procrastinación donde, a mayor uso de la
IA menor rendimiento académico y mayor probabilidad de procrastinar,
(15)
asimismo, se encontró que la
dependencia de la IA afecta el rendimiento académico de los estudiantes conllevando a la pérdida de habilidades
de investigación y aprendizaje autónomo,
(13)
y que su uso excesivo puede contribuir inadvertidamente a
retrasos en las tareas académicas, también se reveló que el uso excesivo de ChatGPT puede provocar la
postergación de tareas y un menor rendimiento y desarrollo académico.
(18)
La intención de uso de la inteligencia
artificial por parte de los estudiantes está basada en la ética, la autoeficacia, la motivación y las expectativas de
resultados, los cuales influyen en el rendimiento académico ya sea favorable o desfavorable.
(19)
En Perú, se demostró que la IA afecta positivamente el rendimiento académico de los estudiantes de pregrado
y postgrado en un 48,1 %.
(5)
Asimismo, se destaca que los estudiantes con una actitud más favorable hacia la
IA tienen una clara comprensión y entendimiento de la IA, tienen confianza en su educación y experimentan
efectos positivos en su rendimiento académico.
La IA está transformando el ámbito educativo y los hábitos de estudio, por lo que es necesario investigar su
impacto en los estudiantes universitarios. En este contexto, se planteó la presente invetsigación con la finalidad
de determinar la relación existente entre dependencia de la inteligencia artificial, percepción del rendimiento
académico y procrastinación académica en estudiantes universitarios de la región Puno, en el segundo periodo
académico de 2024.
MATERIAL Y MÉTODOS
Diseño y contexto
Este estudio se llevó a cabo con un enfoque cuantitativo, diseño no experimental, de corte transeccional o
transversal y de tipo correlacional, con el objetivo de analizar la relación entre dos o más variables.
(20)
Participantes
Este estudio se realizó en la región Puno, Perú, con una población compuesta por estudiantes de diversas
universidades de la región, tanto instituciones públicas como privadas, matriculados en el segundo periodo
académico del 2024, se seleccionó una muestra de 492 estudiantes universitarios de distintas carreras,
diferenciadas en 3 grupos (Ingenierías, Biomédicas y Sociales), con edades comprendidas entre 18 y 35
años, pertenecían a ambos sexos y contaban con conocimientos previos sobre inteligencia artificial. Se
emplearon criterios de muestreo no probabilístico por conveniencia intencional
(21, 22)
seleccionando participantes
con disponibilidad para formar parte de la muestra.
(23)
Instrumentos
Escala de Dependencia hacia la Inteligencia Artificial (DAI), desarrollada en Perú por Morales-García et al.
(24)
La escala es unidimensional y consta de 5 ítems medidos a través de una escala tipo Likert: Completamente
falso para mí, Mayormente falso para mí, Ni verdadero ni falso para mí, Mayormente verdadero para mí y
Me describe perfectamente, con un puntaje máximo de 25 puntos dirigidos a estudiantes universitarios. Los
valores de alfa de Cronbach y el coeficiente omega de McDonald muestran una adecuada consistencia interna
La escala de rendimiento académico universitario (RAU) fue desarrollada por Preciado-Serrano et al
(25)
y validada por Remaycuna-Vásquez et al.
(26)
consta de 18 ítems y tres dimensiones: aportación en las
actividades académicas, dedicación al estudio y falta de organización de los recursos didácticos, se
miden mediante una escala de tipo Likert con 7 alternativas de respuesta: nunca, casi nunca, algunas
veces, regularmente, a menudo, casi siempre y siempre. El índice de confiabilidad del alfa de Cronbach
y omega de McDonald, a nivel general se evidencia que la fiabilidad es de 0.843 y 0.865 respectivamente,
la cual tiene valores aceptables.
Escala de Procrastinación Académica (EPA), creada por Busko
(27)
y validada para Perú por Domínguez et al.
(28)
esta adaptación consta de 12 ítems, divididos en 2 dimensiones autorregulación académica y postergación de
actividades. Los ítems son medidos según la escala de Likert: nunca, casi nunca, a veces, casi siempre y
siempre. Se obtuvieron umbrales de confianza a través del alfa de Cronbach, obteniéndose un indicador de
0,821 (IC al 95 %: 0,793; 0,847) para el factor autorregulación académica, y de 0,752 (IC al 95 %: 0,705;
0,792) para el factor postergación de actividades. El coeficiente omega estimó la confiabilidad de los factores,
logrando un indicador de 0,829 para el factor autorregulación académica y de 0,794 para el factor postergación
de actividades.
Análisis de datos
La recolección de datos se realizó mediante la aplicación de los instrumentos posteriormente se estructuraron
y procesaron utilizando Statistical Package for the Social Sciences (SPSS) versión 27 y Jamovi 2.3.28.0,
donde se empleó la estadística descriptiva e inferencial para la obtención de datos de frecuencia y correlación
de variables, así como la verificación de la distribución normal o anormal de las variables.
Aspectos éticos
El estudio fue aprobado por el comité de ética de la Universidad Peruana Unión, con número de aprobación
2024-CEB-FCS - UPeU-270 la cual se adhirió a los principios éticos del código de ética de investigación
establecidos por la misma institución. Asimismo, se puso en consideración las directrices del Código de
Ética del Colegio de Psicólogos del Perú aplicables a la investigación. Todos los participantes procedieron a
la firma del consentimiento informado, manifestando su aceptación para participar en el estudio y autorizan-
do el uso de los datos exclusivamente para fines académicos e investigativos.
(29, 30)
RESULTADOS
Para el análisis inferencial se empleó la prueba de correlación de Pearson, dado que las variables presentaron
distribución normal. En los casos en los que la normalidad no fue determinada, se complementó con la
verificación mediante coeficientes y valores p correspondientes.
Los resultados muestran que, del total de participantes, el 53, 9 % correspondió al sexo masculino y el 92,1%
presentaban edades entre 18 y 25 años. El 51,4 % fueron procedentes de la UNAJ, destacándose el área de
Ingeniería con participación del 49,4 %. Por otro lado, se muestra que la mayoría se encontraban matriculados
entre el I a III ciclo (51, 8 %). La información de los tipos de IAs que más utilizan como apoyo para su jornada
académica más relevantes fue: el ChatGPT con un 63,41 %, Canva (51,83 %), Meta.IA (40,65 %), Gemini
(26.42%) y Mendeley (24,39 %) como las IAs de mayor aceptación, además de otras IAs que son de baja
preferencia (Tabla 1).
Datos sociodemográficos
Tabla 1. Características de los participantes
Nota: *UNAP “Universidad Nacional del Altiplano”, UNAJ “Universidad Nacional de Juliaca”, UPEU “Universidad Peruana
Unión”
Los estudiantes universitarios de la región Puno son dependientes de la IA en un nivel “leve” (50,61 %), con
un rendimiento académico percibido de nivel “medio”, a excepción de la dimensión dedicación al estudio,
en donde el 40,9 % se percibe en un nivel “alto” y así mismo son procrastinadores en un nivel “promedio”
(57,3 %). (Tabla 2)
Tabla 2. Análisis descriptivo de dependencia a la IA, percepción de rendimiento académico y procrastina-
ción académica
REE 20(1) Riobamba ene. - abr. 2026
cc
BY NC ND
137
ISSN-impreso 1390-7581
ISSN-digital 2661-6742
Se detectó una relación inversa significativa entre dependencia a la inteligencia artificial y rendimiento
académico, con una intensidad de relación débil (r= -0,122, p=< 0,007) lo que señala que, a mayor rendimiento
académico de los estudiantes universitarios, menor dependencia de la IA. No se encontró una correlación con
la procrastinación (r= 0,022, p=< 0,627) lo que sugiere que ambas variables son independientes y no se afectan
entre sí. En cambio, se observa una correlación inversa y altamente significativa, con una intensidad de
relación moderada (r = -0,333, p =< 0,000) entre rendimiento académico y procrastinación académica, lo que
evidencia que a menor procrastinación académica, mayor rendimiento académico (Tabla 3).
Tabla 3. Correlación entre dependencia de la IA, percepción de rendimiento académico y procrastinación
académica y sus dimensiones.
Nota: * p < .05, ** p < .01, *** p < .001. Prueba estadística utilizada: Coeficiente de correlación de Pearson
Las aportaciones a las actividades académicas no se relacionan con dependencia de la IA (r= - 0,040,
p = 0,371), sin embargo, presenta una relación directa altamente significativa con una intensidad fuerte
con rendimiento académico (r = 0.884, p = < 0.000) y una relación inversa con la procrastinación
académica (r = -0.296, p = < 0.000) lo que indica que, a mayor aportación a las actividades académicas,
mayor rendimiento académico y menor tendencia a procrastinar. La dedicación al estudio es independiente y
no se relaciona con dependencia de la IA (r = -0,053, p = < 0,237), pero tiene una fuerte relación positiva con
el rendimiento académico (r,= 0,835, p = < 0,000) y una relación inversa con la procrastinación académica
(r= -0,323; p = <0,000) que indica que, a mayor compromiso con el estudio, mejor desempeño académico y
menos propenso a procrastinar. La falta de organización de los recursos didácticos tiene una relación inversamente
significativa con la dependencia de la IA con una intensidad leve (r =-0,225, p = <0.000), lo que sugiere que una
organización más eficiente implica una dependencia menor de la IA; no se relaciona con la procrastinación
académica, pero sí con el rendimiento académico (r = 0,371, p = < 0.000), ya que una falta de organización
no necesariamente afecta negativamente el desempeño académico. La autorregulación académica no está
relacionada con la dependencia a la inteligencia artificial, sino que mantiene una relación inversa con el
rendimiento académico (r = -0,327, p = < 0.000) y una relación directa de gran relevancia con intensidad
fuerte con procrastinación académica (r = 0.952, p = < 0,000), indicando que en ciertos contextos los alumnos
con menos control o regulación sobre su propio proceso de aprendizaje suelen lograr mejores resultados
académicos y que a mayor capacidad de control del aprendizaje, mayor es la predisposición a procrastinar.
Finalmente, la postergación de actividades no se relaciona con la dependencia a la IA, sin embargo, tiene una
relación inversa débil con el rendimiento académico (r = -0,163, p = < 0,000) y una correlación positiva con
procrastinación académica (r = 0,576, p = < 0,000) lo que indica que una mayor postergación se asocia con
un menor rendimiento académico y una mayor tendencia a procrastinar. (Tabla 4)
Tabla 4. Correlación entre dependencia de la IA, rendimiento académico, procrastinación académica y sus
dimensiones.
DISCUSIÓN
El objetivo general del estudio fue determinar la relación entre la dependencia de la inteligencia artificial
(IA), la percepción del rendimiento académico y la procrastinación académica en estudiantes universitarios
de la región Puno durante el segundo periodo del 2024. Los resultados obtenidos permiten discutir los hallazgos
desde una perspectiva comparativa con investigaciones previas y en función de los objetivos planteados.
En relación con el primer objetivo, se identificó una correlación inversa significativa entre la dependencia a
la IA y el rendimiento académico (r = -0,122; p < 0,007), lo que indica que los estudiantes con menor depen-
dencia de la IA presentan un mejor desempeño académico. Este hallazgo coincide con lo reportado por Del
Cisne et al.
(13)
y Avendaño,
(31)
quienes evidenciaron que una alta dependencia tecnológica puede afectar nega-
tivamente el rendimiento académico hasta en un 65 %, debido a la pérdida de autonomía cognitiva y de habi-
lidades analíticas. Sin embargo, cuando la IA se utiliza como herramienta de apoyo complementario, puede
potenciar la productividad y mejorar la comprensión de los contenidos.
(19)
Por consiguiente, el estudio reafirma
la necesidad de fomentar un uso responsable y pedagógico de la IA en el entorno universitario, donde el criterio
humano y el pensamiento crítico sigan siendo fundamentales para la formación académica.
Respecto al segundo objetivo, orientado a analizar la relación entre la dependencia a la IA y la procrastinación
académica, no se identificó una correlación significativa (r = 0.022; p < 0.627). Este resultado sugiere que el
uso de herramientas de IA no influye directamente en los niveles de procrastinación. A diferencia de lo
planteado por Abbas et al.
(15)
quienes encontraron una relación positiva entre el uso excesivo de ChatGPT y
la postergación de actividades, los datos de este estudio muestran que la procrastinación puede estar determinada
por otros factores personales, como la autoeficacia, la motivación intrínseca y la capacidad de autorregulación.
(32)
Por tanto, la dependencia tecnológica no sería el principal factor desencadenante de la procrastinación,
aunque un uso desmedido de la IA podría, en algunos casos, reforzar hábitos de postergación si no se acompaña
de un control adecuado del tiempo y la planificación.
En cuanto al tercer objetivo, se identificó una relación inversa y altamente significativa entre el rendimiento
académico y la procrastinación académica (r = -0,333; p < 0,000). Este resultado confirma lo encontrado por
Zumárraga y Cevallos
(33)
y Kim y Seo,
(34)
quienes sostienen que la procrastinación afecta negativamente el
rendimiento académico al reducir la dedicación al estudio y la organización del tiempo. Los estudiantes con
altos niveles de rendimiento académico tienden a postergar menos sus actividades, muestran mayor motivación
y presentan una gestión más eficiente de sus recursos y objetivos
(35,36)
Este hallazgo respalda la importancia de
promover estrategias de autorregulación y gestión del tiempo en el ámbito universitario, como medios efectivos
para contrarrestar los efectos negativos de la procrastinación.
Por otra parte, el análisis de las dimensiones específicas aporta evidencia adicional. Se halló una relación
inversa significativa entre la dependencia de la IA y la falta de organización de los recursos didácticos
(r = -0,225; p < 0,000),
lo que sugiere que los estudiantes con menor organización tienden a recurrir más a
la IA como solución inmediata ante la demanda académica. Este resultado se alinea con los hallazgos de
Cosme Garate et al.
(37)
y Zhang et al.,
(38)
quienes señalan que una deficiente gestión de materiales de estudio
puede incrementar el estrés y la dependencia de herramientas tecnológicas. Además, Granda Aguilera et
al.
(39)
y Ahmad et al.,
(11)
advierten que la dependencia excesiva de la IA puede debilitar la organización, el
pensamiento crítico y la autonomía académica, fomentando hábitos de dependencia cognitiva. Por tanto,
fortalecer las competencias de planificación y organización se vuelve esencial para evitar la sobreutilización
de la IA.
Asimismo, los resultados indican que la autorregulación académica no se relaciona significativamente con la
dependencia de la IA, lo cual demuestra que los estudiantes conservan su capacidad de control y gestión del
aprendizaje.
(25)
Este hallazgo es positivo, pues refleja que la mayoría utiliza la IA como una herramienta de
apoyo y no como un sustituto de sus procesos de trabajo académico. No obstante, es necesario enfatizar la
formación ética y digital para garantizar un equilibrio entre el uso tecnológico y el desarrollo de habilidades
de razonamiento, análisis y creatividad.
Finalmente, el hecho de no haber identificado una correlación estadísticamente significativa entre la depen-
dencia de la IA y la postergación de actividades (r = 0.02; p < 0.647) confirma que la procrastinación no
depende exclusivamente del uso de la IA, sino que responde a una interacción compleja de factores psicológicos,
académicos y sociales. Sin embargo, como sostienen Abbas et al.
(15)
el uso inadecuado o desmedido de
herramientas como ChatGPT puede inducir conductas de procrastinación cuando reemplaza la reflexión
personal o el esfuerzo intelectual, en lugar de servir como un medio de aprendizaje activo.
CONCLUSIONES
Los resultados evidencian que una menor dependencia de la IA se asocia con un mejor rendimiento académico
y que, a su vez, un mayor rendimiento académico se relaciona con menores niveles de procrastinación. Por
otro lado, no se identificó una relación significativa entre la dependencia de la IA y la procrastinación; sin
embargo, sí se encontró una asociación con la dimensión referida a la falta de organización de los recursos
didácticos. Los hallazgos destacan la importancia de promover un uso responsable de la IA en estudiantes.
Limitaciones del estudio: Entre las principales limitaciones se encuentra el uso de un muestreo no probabilístico
por conveniencia, lo que restringe la generalización de los resultados a otras poblaciones universitarias.
Asimismo, el estudio se basó en instrumentos de autoinforme, los cuales pueden estar sujetos a sesgos de
percepción y deseabilidad social. Finalmente, al tratarse de un diseño transversal, no es posible establecer
relaciones causales entre las variables analizadas. Se recomienda que futuras investigaciones incorporen
diseños longitudinales y muestras más diversas para profundizar en estos hallazgos.
Financiamiento: Investigación financiada por los autores.
Agradecimientos: A los directivos del vicerrectorado de investigación de la Universidad Peruana Unión.
Conflictos de intereses: Los autores no tienen intereses en competencia.
Declaración de contribución:
Hilda Sapillado Condori y Giuliana Nadyn Vilca Quispe participaron en todo el proceso integral de la inves-
tigación y la redacción del artículo.
Alcides Quispe Mamani participó como asesor del estudio, revisión y aprobación de la versión final
REFERENCIAS BIBLIOGRÁFICAS
1. Acosta P. El impacto de la inteligencia artificial en la educación superior. Informe del Consejo de
Europa - ES de ES: Aprendemos entre todos [Internet]. 2022 [citado 8 Nov 2025]. Disponible en:
https://www.espaciosdeeducacionsuperior.es/07/12/2022/__trashed-2__trashed/.
2. Digital Education Council global AI student survey 2024. Encuesta mundial sobre inteligencia artificial
a estudiantes del Consejo de Educación Digital 2024 [Internet]. [cited 5 Mar 2025]. Disponible en:
https://www.digitaleducationcouncil.com/post/digital-education-council-global-ai-student-survey-2024.
3. Tyton Partners. Time for Class 2024: Unlocking access to effective digital teaching and learning
[Internet]. 2024 [citado 10 Nov 2024]. Disponible en: https://4213961.fs1.hubspotusercontent-na1.net/
hubfs/4213961/Publications/Time%20for%20Class%202024.pdf.
4. Rojas Marín F de los Á, Espinoza Padilla JG, Mendoza Pacheco MF. Inteligencia Artificial: Dependencia
y la Afección del Pensamiento Crítico. Cienc Lat Rev Científica Multidiscip. [Internet]. 2024 [citado
7 Mar 2025]; 8(4):12590–608. Disponible en: https://ciencialatina.org/index.php/cienciala/article/
view/13462.
5. Espinoza Vidaurre SM, Velásquez Rodríguez NC, Gambetta Quelopana RL, Martínez Valdivia AN,
Leo Rossi EA, Laura de la Cruz KM, et al. Influencia de la inteligencia artificial en la eficiencia del
rendimiento académico: un análisis de determinantes. RISTI - Rev Ibér Sist Tecnol Inf [Internet].
2024 [citado 9 Mar 2025]; E70:399–418. disponible en: https://dialnet.unirioja.es/servlet/articulo?
codigo=9886376.
6. Mukhtar M, Firdos SS, Zaka I, Naeem S. Impact of AI dependence on procrastination among university
students. Research Journal of Psychology [Internet]. 2025 [citado 4 Oct 2025];3(1):246–57. Disponible
en: https://ctrjournal.com/index.php/19/article/view/62 Int J Educ Innov Res. 2025;3(1):11–22.
7. Gavilanes Vásquez PG, Adum Ruiz JH, García Ruiz GS, Ruíz Ortega MG. Impacto de la inteligencia
artificial en la educación superior: una mirada hacia el futuro. RECIAMUC [Internet]. 2024 [citado
6 Oct 2025];8(2):213–21. Disponible en: https://www.reciamuc.com/index.php/RECIAMUC/article/
view/1371 DOI: http://dx.doi.org/10.26820/reciamuc/8.(2).abril.2024.213-221.
8. Turnitin. Estudio Time for Class: ¿Cuál ha sido el impacto de la IA en el aprendizaje de los estudiantes
en la era digital? [Internet]. Turnitin.com. 2024. [citado 13 Mar 2025]. Disponible en: https://www.
turnitin.com/press/turnitin-estudio-time-for-class.
9. Sabzalieva E, Valentini A. ChatGPT e inteligencia artificial en la educación superior: Guía de inicio
rápido. [Internet]. París: UNESCO IESALC;2023;1–16. [citado 15 Mar 2025]. Disponible en:
https://unesdoc.unesco.org/ark:/48223/pf0000385146_spa/PDF/385146spa.pdf.multi.
10. Seo K, Tang J, Roll I, Fels S, Yoon D. The impact of artificial intelligence on learner–instructor
interaction in online learning. Int J Educ Technol High Educ [Internet]. 2021 [citado 17 Mar 2025];
18(1):1–14. Disponible en: https://link.springer.com/article/10.1186/s41239-021-00292-9 DOI:
https://doi.org/10.1186/s41239-021-00292-9.
11. Ahmad SF, Han H, Alam MM, Rehmat MK, Irshad M, Arraño-Muñoz M, et al. Impact of artificial
intelligence on human loss in decision-making, laziness and safety in education. Humanit Soc Sci
Commun [Internet]. 2023 [citado 19 Mar 2025];10(1):311. Disponible en: https://www.nature.com/
articles/s41599-023-01787-8 DOI:10.1057/s41599 023 017878.
12.
[citado 8 May 2025]; 20. Disponible en: https://www.khaleejtimes.com/nation/dubai/Is-AI-makin
ghumans-lazy-Here-what-UAE-residents-say.
13. Del Cisne Loján M, Antonio Romero J, Sancho Aguilera D, Yajaira Romero A. Consecuencias de la
Dependencia de la Inteligencia Artificial en Habilidades Críticas y Aprendizaje Autónomo en los
Estudiantes. Cienc Lat Rev Científica Multidiscip. [Internet]. 2024 [citado 15 May 2025];8(2):
2368–2382. Disponible en: https://ciencialatina.org/index.php/cienciala/article/view/10678 DOI:
http://dx.doi.org/10.37811/cl_rcm.v8i2.10678.
14. Longoni C, Cian L. Artificial Intelligence in Utilitarian vs. Hedonic Contexts: The “Word-of-Machine”
Effect. J Mark [Internet]. 2022 [citado 19 May 2025];86(1):91–108. Disponible en: https://journals.sagepub.
com/doi/10.1177/0022242920957347.
15. Abbas M, Jam FA, Khan TI. Is it harmful or helpful? Examining the causes and consequences of
generative AI usage among university students. Int J Educ Technol High Educ [Internet]. 2024 [citado
9 Jan 2025];21(1). Disponible en: https://link.springer.com/article/10.1186/s41239-024-00444-7
DOI: https://doi.org/10.1186/s41239-024-00444-7.
16. Malinka K, Peresíni M, Firc A, Hujnák O, Janus F. On the Educational Impact of ChatGPT: Is Artificial
Intelligence Ready to Obtain a University Degree? In: Proceedings of the 2023 Conference on
Innovation and Technology in Computer Science Education (ITiCSE); 2023 [citado 15 Jan 2025].
3587102.3588827.
17. Gocen A, Aydemir F. Artificial Intelligence in Education and Schools. Res Educ Media. [Internet].
2020 [citado 20 May 2025];12(1):13–21. Disponible en: https://sciendo.com/2/v2/download/article/
10.2478/rem-2020-0003.pdf DOI: http://dx.doi.org/10.2478/rem-2020-0003.
18. Daha ES, Altelwany AA. Exploring the impact of using - ChatGPT in light of goal orientations and
academic self-efficacy. Int J Instr [Internet]. 2025 [citado 25 May 2025];18(2):167–84. Disponible
en: https://e-iji.net/ats/index.php/pub/article/view/730 DOI: http://dx.doi.org/10.29333/iji.2025.18210a.
19. Ortega Azurduy M, Machaca Mamani J, Daza Morales J. El efecto de la Inteligencia Artificial en el
rendimiento académico de estudiantes de ciencias administrativas en la Universidad Católica
Boliviana. Rev Educ Super [Internet]. 2023 [citado 1 Jun 2025];10(3):13–22. Disponible en:
http://www.scielo.org.bo/scielo.php?pid=S2518-82832023000300013&script=sci_arttext DOI:
https://doi.org/ 10.53287/mzkv9068uw14f.
20. Hernández-Sampieri R, Mendoza Torres CP. Metodología de la investigación: las rutas cuantitativa,
cualitativa y mixta. México: McGraw-Hill Education; 2018.
21. Hernández-Sampieri R, Fernández Collado C, Baptista Lucio M del P. Metodología de la investigación.
6ª ed. México: McGraw-Hill; 2014.
22. Carrazco Díaz S. Metodología de la investigación científica. 2ª ed. Lima: Editorial San Marcos; 2019.
23. Ortega C. ¿Qué es el muestreo por conveniencia? [Internet]. 2024 [citado 22 Nov 2024]. Disponible
en: https://www.questionpro.com/blog/es/muestreo-por-conveniencia/.
24. Morales-García WC, Sairitupa-Sánchez LZ, Morales-García SB, Morales-García M. Development
and validation of a scale for dependence on artificial intelligence in university students. Frontiers in
Education. [Internet]. 2024 [citado 4 Jun 2025];9:1323898. Disponible en: https://www.frontiersin.org/
journals/education/articles/10.3389/feduc.2024.1323898/full DOI: 10.3389/feduc.2024.1323898.
25. Preciado-Serrano M de L, Ángel-González M, Colunga-Rodríguez C, Vázquez-Colunga JC,
Rendimiento Académico Universitario (Construction and Validation of the University Academic
[Internet]. 2021 [citado 6 Jun 2025];3(60):5 14. Disponible en: https://go.gale.com/ps/i.do?id=GA
LE%7CA758446785&sid=googleScholar&v=2.1&it=r&linkaccess=abs&issn=11353848&p=
AONE&sw=w&userGroupName=anon%7E40c47079&aty=open-web-entry DOI:10.21865/RIDEP
60.3.01.
26. Remaycuna-Vásquez A, Carrión-Barco G, Espinoza-Porras FR, Maquen Niño GLE. Validez y
confiabilidad de la escala de rendimiento académico desde la percepción del alumno. Revista de
https://dialnet.unirioja.es/servlet/articulo?codigo=9034432 DOI: 10.31876/rcs.v29i.40458.
27. Busko DA. Causes and consequences of perfectionism and procrastination: A structural equation
28. Domínguez Lara S, Villegas García G, Centeno Leyva S. Procrastinación académica: validación de
una escala en una muestra de estudiantes de una universidad privada. Liberabit [Internet]. 2014 [citado
12 Jun 2025];20(2):293–304. Disponible en: http://www.scielo.org.pe/pdf/liber/v20n2/a10v20n2.
29. Colegio de Psicólogos del Perú. Código de ética profesional. Lima: Colegio de Psicólogos del Perú;
2017.
30. Universidad Peruana Unión. Código de ética para la investigación (CoEIn). Lima: UPeU; 2016.
31. Avendaño Porras VC. La adicción a la inteligencia artificial: evaluación de prevalencia y factores de
riesgo en estudiantes de posgrado. Rev Enfoques [Internet]. 2024 Jun 30 [citado 16 Apr 2025];5:
66–88. Disponible en: https://revistasdigitales.uniboyaca.edu.co/index.php/EFQ/article/view/1405.
Autorregulación académica
Muy bajo
43
8,70
Bajo
167
33,90
Promedio
241
49,00
Alto
35
7,10
Muy alto
6
1,20
Total
492
100
Postergación de actividades
Muy bajo
30
6,10
Bajo
172
35,00
Promedio
195
39,60
Alto
86
17,50
Muy alto
9
1,80
Total
492
100
Dependencia a la
IA
Rendimiento
académico
Procrastinación
académica
Dependencia a la IA
r
1
-0,122**
0,022
p
0,007
0,627
Rendimiento
académico
r
-0,122**
1
-0,333**
p
0,007
0,000
Procrastinación
académica
r
0,022
-0,333**
1
p
0,627
0,000
32. Steel P. The nature of procrastination: a meta-analytic and theoretical review of quintessential
self-regulatory failure. Psychological Bulletin, 2025 [citado 13 Apr 2025];133(1), 65–94. Disponible
en: https://psycnet.apa.org/buy/2006-23058-004 DOI: https://doi.org/10.1037/0033-2909.133.1.65.
33. Zumárraga-Espinosa M, Cevallos-Pozo G. Autoeficacia, procrastinación y rendimiento académico en
estudiantes universitarios de Ecuador. Alteridad [Internet]. 2022 [citado 18 Apr 2025];17(2):277–90.
Disponible en: https://revistas.ups.edu.ec/index.php/alteridad/article/view/5516.
34. Kim KR, Seo EH. The relationship between procrastination and academic performance: a meta-analysis.
Pers Individ Dif [Internet]. 2015 [citado 19 Apr 2025];82:26–33. Disponible en: https://www.sciencedirect.
com/science/article/abs/pii/S0191886915001610 DOI: https://doi.org/10.1016/j.paid.2015.02.038.
35. Rodríguez A, Clariana M. Procrastinación en Estudiantes Universitarios: Su Relación con la Edad y el
Curso Académico. Rev Colomb Psicol. [Internet]. 2017 [citado 20 Apr 2025];26(1):45–60. Disponible
en: http://www.scielo.org.co/pdf/rcps/v26n1/0121-5469-rcps-26-01-00045.pdf.
36. Honicke T, Broadbent J. The influence of academic self-efficacy on academic performance: a systematic
review. Educ Res Rev [Internet]. 2016 [citado 21 Apr 2025];17:63–84. Disponible en: https://www.sciencedirect.
com/science/article/abs/pii/S1747938X15000639 DOI: https://doi.org/10.1016/j.edurev.2015.11.002.
37. Cosme Garate GA, Cornejo Zúñiga AG, Chumacero Acosta JS, Ruiz Rios A, Tuesta Casique A, Alvarez
Arista Y. Enseñanza universitaria y recursos didácticos en el nivel de rendimiento de los estudiantes de
pregrado. Rev Científica Episteme y Tekne. [Internet]. 2022 [citado 23 Apr 2025];1(2):e380. Disponible
en: https://revistas.unsm.edu.pe/index.php/rceyt/article/view/380 DOI: 10.51252/rceyt.v1i2.380.
38. Zhang S, Zhao X, Zhou T, Kim JH. Do you have AI dependency? The roles of academic self-efficacy,
academic stress, and performance expectations on problematic AI usage behavior. Int J Educ Technol
High Educ. [Internet]. 2024 [citado 29 Apr 2025];21(1):1-15. Disponible en: http://dx.doi.org/10.1186/
s41239-024-00467-0.
39. Granda Aguilera DR, Lema Mullo L, Gallegos Gallegos AR. La dependencia de la inteligencia artificial
en los estudiantes de bachillerato: implicaciones y recomendaciones para un aprendizaje equilibrado.
Polo del Conoc. [Internet]. 2024 [citado 20 may 2025];9(7):2109–30. Disponible en: https://polodel
conocimiento.com/ojs/index.php/es/article/view/7618/html?utm_source=chatgpt.com.
Relación entre dependencia a la inteligencia artificial, rendimiento académico y procrastinación
académica en universitarios
Relationship between dependence on artificial intelligence, academic performance, and academic
procrastination in university students
https://doi.org/10.37135/ee.04.25.08
Autores:
Hilda Sapillado Condori - https://orcid.org/0009-0002-7963-9896
Giuliana Nadyn Vilca Quispe - https://orcid.org/0009-0002-1329-0839
Alcides Quispe Mamani - https://orcid.org/0000-0002-7404-7464
Afiliación:
Universidad Peruana Unión
Autor de correspondencia: Giuliana Nadyn Vilca Quispe. Universidad Peruana Unión (UPeU), Carretera Salida
a Arequipa km. 6 Villa Chullunquiani, Juliaca, Perú. Tel: +51 940799733. E-mail: giuliana.vilca@upeu.edu.pe
Recibido: 21 de mayo de 2025 Aceptado: 11 de diciembre de 2025
RESUMEN
Esta investigación tuvo como objetivo determinar la relación existente entre dependencia de la inteligencia
artificial, rendimiento y procrastinación académica en estudiantes universitarios de la región Puno. Así se
aplicó un diseño no experimental, de corte transversal y tipo correlacional, en una muestra de 492 universitarios
de distintas universidades, con edades entre 18 y 35 años. Se utilizaron las escalas de dependencia hacia la
inteligencia artificial DAI, rendimiento académico universitario RAU y procrastinación académica EPA. Los
resultados, el 53 % de los participantes fueron de sexo masculino, el 92,1 % tenían edades entre 18 y 25 años,
el 51,4 % provenían de una universidad nacional de Juliaca, matriculados entre el primer y tercer ciclo
(51,8 %), destacándose el área de ingenierías con el 49,4 % de participación. El 63,41 % de los participantes
indicaron tener mayor inclinación hacia el uso de ChatGPT. Los valores globales indicaron una correlación
inversa significativa, (r = -0,122; p = <0,007) entre dependencia a la IA y rendimiento académico; no existe
correlación significativa entre dependencia a la IA y procrastinación académica (r = 0,022, p = < 0,627),
demostrando que los universitarios que no presentan altos niveles de dependencia de la inteligencia artificial
mantienen niveles de rendimiento académico adecuados y no tienden a procrastinar. Se identificó relación
inversa significativa entre dependencia de IA y la falta de organización de material didáctico (r = -0,225, p = <0,000),
evidenciando que la desorganización de materiales de estudio podría activar la necesidad de recurrir a la IA
como una solución rápida.
Palabras clave: inteligencia artificial, rendimiento académico, educación.
ABSTRACT
This research aimed to determine the relationship between dependence on artificial intelligence, academic
performance, and procrastination among university students in the Puno region. A non-experimental,
cross-sectional, correlational study was conducted with a sample of 492 university students from different
universities, aged 18-35 years. The scales of dependence on artificial intelligence (DAI), university academic
performance (RAU), and academic procrastination (EPA) were used as measurement instruments. The
results showed that 53 % of the participants were male, 92.1 % were between 18 and 25 years old, 51.4 %
came from a national university in Juliaca, enrolled between the first and third cycles (51.8 %), with the
engineering field standing out with 49.4 % participation. Sixty-three point four one percent of participants
indicated a greater inclination toward using ChatGPT. The overall values showed a significant inverse correlation
(r = -0.122; p = <0.007) between AI dependence and academic performance; there is no significant correlation
between AI dependence and academic procrastination (r = 0.022, p = <0.627), demonstrating that university
students who do not have high levels of dependence on artificial intelligence maintain adequate academic
performance levels and do not tend to procrastinate. A significant inverse relationship was found between AI
dependence and the lack of organization of teaching materials (r = -0.225, p = <0.000), suggesting that
disorganized study materials can prompt the need to resort to AI as a quick fix.
Keywords: Artificial Intelligence, Academic Performance, Education.
INTRODUCCIÓN
La inteligencia artificial (IA) es una herramienta tecnológica cuyo uso se está expandiendo rápidamente en
la educación universitaria,
(1)
siendo los estudiantes quienes tienen una interacción con la IA al menos
semanalmente.
(2)
Según Tyton Partners,
(3)
el 59 % son estudiantes y el 40 % docentes. La IA fue desarrollada
como una herramienta para optimizar experiencias de aprendizaje, con el fin de fortalecer el rendimiento
académico del estudiante
(4)
a través del apoyo en la ejecución de tareas y trabajos, y incrementar las calificaciones
(5)
a través del acceso rápido, a recursos y asistencia personalizada,
(6)
siendo útil también para facilitar la
investigación académica.
(7)
En Perú, se halló que el 73,2 % de universitarios utilizan la IA para hacer sus
tareas e investigaciones,
(5)
Turnitin
(8)
sostiene que un 3 % de los trabajos examinados presentan un 80 % o
más de texto generado por IA. Dentro del mundo académico, el ChatGPT es la herramienta de IA más usada,
debido a su uso dinámico y versátil.
(9)
A pesar de las ventajas de esta tecnología, su aceptación sin control podría generar dependencia por parte de
los estudiantes y educadores
(10)
, provocar la pérdida de habilidades cognitivas,
(11)
la capacidad de pensar de
manera independiente y desarrollar habilidades esenciales como la investigación y análisis,
(6)
impulsando a
pensar como los algoritmos sin comprender,
(12, 13)
asimismo, incentivar la pereza y dificultades en la toma de
decisiones,
(11)
reduciendo la motivación para esforzarse intelectualmente,
(6)
poniendo en riesgo el rendimiento
académico, incluso llevándolo a manifestar comportamientos de procrastinación académica, como retrasos
en la finalización de tareas, retrasos en las clases y retrasos en eventos competitivos hasta el último
día, entre otros.
(14,15)
En un futuro, esto significaría que los egresados universitarios sean de baja calidad
(16)
y con habilidades profesionales deficientes.
(17)
Estudios previos evidenciaron que el uso de la IA afecta negativamente el rendimiento académico de los
estudiantes universitarios y está relacionado positivamente con la procrastinación donde, a mayor uso de la
IA menor rendimiento académico y mayor probabilidad de procrastinar,
(15)
asimismo, se encontró que la
dependencia de la IA afecta el rendimiento académico de los estudiantes conllevando a la pérdida de habilidades
de investigación y aprendizaje autónomo,
(13)
y que su uso excesivo puede contribuir inadvertidamente a
retrasos en las tareas académicas, también se reveló que el uso excesivo de ChatGPT puede provocar la
postergación de tareas y un menor rendimiento y desarrollo académico.
(18)
La intención de uso de la inteligencia
artificial por parte de los estudiantes está basada en la ética, la autoeficacia, la motivación y las expectativas de
resultados, los cuales influyen en el rendimiento académico ya sea favorable o desfavorable.
(19)
En Perú, se demostró que la IA afecta positivamente el rendimiento académico de los estudiantes de pregrado
y postgrado en un 48,1 %.
(5)
Asimismo, se destaca que los estudiantes con una actitud más favorable hacia la
IA tienen una clara comprensión y entendimiento de la IA, tienen confianza en su educación y experimentan
efectos positivos en su rendimiento académico.
La IA está transformando el ámbito educativo y los hábitos de estudio, por lo que es necesario investigar su
impacto en los estudiantes universitarios. En este contexto, se planteó la presente invetsigación con la finalidad
de determinar la relación existente entre dependencia de la inteligencia artificial, percepción del rendimiento
académico y procrastinación académica en estudiantes universitarios de la región Puno, en el segundo periodo
académico de 2024.
MATERIAL Y MÉTODOS
Diseño y contexto
Este estudio se llevó a cabo con un enfoque cuantitativo, diseño no experimental, de corte transeccional o
transversal y de tipo correlacional, con el objetivo de analizar la relación entre dos o más variables.
(20)
Participantes
Este estudio se realizó en la región Puno, Perú, con una población compuesta por estudiantes de diversas
universidades de la región, tanto instituciones públicas como privadas, matriculados en el segundo periodo
académico del 2024, se seleccionó una muestra de 492 estudiantes universitarios de distintas carreras,
diferenciadas en 3 grupos (Ingenierías, Biomédicas y Sociales), con edades comprendidas entre 18 y 35
años, pertenecían a ambos sexos y contaban con conocimientos previos sobre inteligencia artificial. Se
emplearon criterios de muestreo no probabilístico por conveniencia intencional
(21, 22)
seleccionando participantes
con disponibilidad para formar parte de la muestra.
(23)
Instrumentos
Escala de Dependencia hacia la Inteligencia Artificial (DAI), desarrollada en Perú por Morales-García et al.
(24)
La escala es unidimensional y consta de 5 ítems medidos a través de una escala tipo Likert: Completamente
falso para mí, Mayormente falso para mí, Ni verdadero ni falso para mí, Mayormente verdadero para mí y
Me describe perfectamente, con un puntaje máximo de 25 puntos dirigidos a estudiantes universitarios. Los
valores de alfa de Cronbach y el coeficiente omega de McDonald muestran una adecuada consistencia interna
La escala de rendimiento académico universitario (RAU) fue desarrollada por Preciado-Serrano et al
(25)
y validada por Remaycuna-Vásquez et al.
(26)
consta de 18 ítems y tres dimensiones: aportación en las
actividades académicas, dedicación al estudio y falta de organización de los recursos didácticos, se
miden mediante una escala de tipo Likert con 7 alternativas de respuesta: nunca, casi nunca, algunas
veces, regularmente, a menudo, casi siempre y siempre. El índice de confiabilidad del alfa de Cronbach
y omega de McDonald, a nivel general se evidencia que la fiabilidad es de 0.843 y 0.865 respectivamente,
la cual tiene valores aceptables.
Escala de Procrastinación Académica (EPA), creada por Busko
(27)
y validada para Perú por Domínguez et al.
(28)
esta adaptación consta de 12 ítems, divididos en 2 dimensiones autorregulación académica y postergación de
actividades. Los ítems son medidos según la escala de Likert: nunca, casi nunca, a veces, casi siempre y
siempre. Se obtuvieron umbrales de confianza a través del alfa de Cronbach, obteniéndose un indicador de
0,821 (IC al 95 %: 0,793; 0,847) para el factor autorregulación académica, y de 0,752 (IC al 95 %: 0,705;
0,792) para el factor postergación de actividades. El coeficiente omega estimó la confiabilidad de los factores,
logrando un indicador de 0,829 para el factor autorregulación académica y de 0,794 para el factor postergación
de actividades.
Análisis de datos
La recolección de datos se realizó mediante la aplicación de los instrumentos posteriormente se estructuraron
y procesaron utilizando Statistical Package for the Social Sciences (SPSS) versión 27 y Jamovi 2.3.28.0,
donde se empleó la estadística descriptiva e inferencial para la obtención de datos de frecuencia y correlación
de variables, así como la verificación de la distribución normal o anormal de las variables.
Aspectos éticos
El estudio fue aprobado por el comité de ética de la Universidad Peruana Unión, con número de aprobación
2024-CEB-FCS - UPeU-270 la cual se adhirió a los principios éticos del código de ética de investigación
establecidos por la misma institución. Asimismo, se puso en consideración las directrices del Código de
Ética del Colegio de Psicólogos del Perú aplicables a la investigación. Todos los participantes procedieron a
la firma del consentimiento informado, manifestando su aceptación para participar en el estudio y autorizan-
do el uso de los datos exclusivamente para fines académicos e investigativos.
(29, 30)
RESULTADOS
Para el análisis inferencial se empleó la prueba de correlación de Pearson, dado que las variables presentaron
distribución normal. En los casos en los que la normalidad no fue determinada, se complementó con la
verificación mediante coeficientes y valores p correspondientes.
Los resultados muestran que, del total de participantes, el 53, 9 % correspondió al sexo masculino y el 92,1%
presentaban edades entre 18 y 25 años. El 51,4 % fueron procedentes de la UNAJ, destacándose el área de
Ingeniería con participación del 49,4 %. Por otro lado, se muestra que la mayoría se encontraban matriculados
entre el I a III ciclo (51, 8 %). La información de los tipos de IAs que más utilizan como apoyo para su jornada
académica más relevantes fue: el ChatGPT con un 63,41 %, Canva (51,83 %), Meta.IA (40,65 %), Gemini
(26.42%) y Mendeley (24,39 %) como las IAs de mayor aceptación, además de otras IAs que son de baja
preferencia (Tabla 1).
Datos sociodemográficos
Tabla 1. Características de los participantes
Nota: *UNAP “Universidad Nacional del Altiplano”, UNAJ “Universidad Nacional de Juliaca”, UPEU “Universidad Peruana
Unión”
Los estudiantes universitarios de la región Puno son dependientes de la IA en un nivel “leve” (50,61 %), con
un rendimiento académico percibido de nivel “medio”, a excepción de la dimensión dedicación al estudio,
en donde el 40,9 % se percibe en un nivel “alto” y así mismo son procrastinadores en un nivel “promedio”
(57,3 %). (Tabla 2)
Tabla 2. Análisis descriptivo de dependencia a la IA, percepción de rendimiento académico y procrastina-
ción académica
Se detectó una relación inversa significativa entre dependencia a la inteligencia artificial y rendimiento
académico, con una intensidad de relación débil (r= -0,122, p=< 0,007) lo que señala que, a mayor rendimiento
académico de los estudiantes universitarios, menor dependencia de la IA. No se encontró una correlación con
la procrastinación (r= 0,022, p=< 0,627) lo que sugiere que ambas variables son independientes y no se afectan
entre sí. En cambio, se observa una correlación inversa y altamente significativa, con una intensidad de
relación moderada (r = -0,333, p =< 0,000) entre rendimiento académico y procrastinación académica, lo que
evidencia que a menor procrastinación académica, mayor rendimiento académico (Tabla 3).
Tabla 3. Correlación entre dependencia de la IA, percepción de rendimiento académico y procrastinación
académica y sus dimensiones.
Nota: * p < .05, ** p < .01, *** p < .001. Prueba estadística utilizada: Coeficiente de correlación de Pearson
REE 20(1) Riobamba ene. - abr. 2026
cc
BY NC ND
138
ISSN-impreso 1390-7581
ISSN-digital 2661-6742
Las aportaciones a las actividades académicas no se relacionan con dependencia de la IA (r= - 0,040,
p = 0,371), sin embargo, presenta una relación directa altamente significativa con una intensidad fuerte
con rendimiento académico (r = 0.884, p = < 0.000) y una relación inversa con la procrastinación
académica (r = -0.296, p = < 0.000) lo que indica que, a mayor aportación a las actividades académicas,
mayor rendimiento académico y menor tendencia a procrastinar. La dedicación al estudio es independiente y
no se relaciona con dependencia de la IA (r = -0,053, p = < 0,237), pero tiene una fuerte relación positiva con
el rendimiento académico (r,= 0,835, p = < 0,000) y una relación inversa con la procrastinación académica
(r= -0,323; p = <0,000) que indica que, a mayor compromiso con el estudio, mejor desempeño académico y
menos propenso a procrastinar. La falta de organización de los recursos didácticos tiene una relación inversamente
significativa con la dependencia de la IA con una intensidad leve (r =-0,225, p = <0.000), lo que sugiere que una
organización más eficiente implica una dependencia menor de la IA; no se relaciona con la procrastinación
académica, pero sí con el rendimiento académico (r = 0,371, p = < 0.000), ya que una falta de organización
no necesariamente afecta negativamente el desempeño académico. La autorregulación académica no está
relacionada con la dependencia a la inteligencia artificial, sino que mantiene una relación inversa con el
rendimiento académico (r = -0,327, p = < 0.000) y una relación directa de gran relevancia con intensidad
fuerte con procrastinación académica (r = 0.952, p = < 0,000), indicando que en ciertos contextos los alumnos
con menos control o regulación sobre su propio proceso de aprendizaje suelen lograr mejores resultados
académicos y que a mayor capacidad de control del aprendizaje, mayor es la predisposición a procrastinar.
Finalmente, la postergación de actividades no se relaciona con la dependencia a la IA, sin embargo, tiene una
relación inversa débil con el rendimiento académico (r = -0,163, p = < 0,000) y una correlación positiva con
procrastinación académica (r = 0,576, p = < 0,000) lo que indica que una mayor postergación se asocia con
un menor rendimiento académico y una mayor tendencia a procrastinar. (Tabla 4)
Tabla 4. Correlación entre dependencia de la IA, rendimiento académico, procrastinación académica y sus
dimensiones.
DISCUSIÓN
El objetivo general del estudio fue determinar la relación entre la dependencia de la inteligencia artificial
(IA), la percepción del rendimiento académico y la procrastinación académica en estudiantes universitarios
de la región Puno durante el segundo periodo del 2024. Los resultados obtenidos permiten discutir los hallazgos
desde una perspectiva comparativa con investigaciones previas y en función de los objetivos planteados.
En relación con el primer objetivo, se identificó una correlación inversa significativa entre la dependencia a
la IA y el rendimiento académico (r = -0,122; p < 0,007), lo que indica que los estudiantes con menor depen-
dencia de la IA presentan un mejor desempeño académico. Este hallazgo coincide con lo reportado por Del
Cisne et al.
(13)
y Avendaño,
(31)
quienes evidenciaron que una alta dependencia tecnológica puede afectar nega-
tivamente el rendimiento académico hasta en un 65 %, debido a la pérdida de autonomía cognitiva y de habi-
lidades analíticas. Sin embargo, cuando la IA se utiliza como herramienta de apoyo complementario, puede
potenciar la productividad y mejorar la comprensión de los contenidos.
(19)
Por consiguiente, el estudio reafirma
la necesidad de fomentar un uso responsable y pedagógico de la IA en el entorno universitario, donde el criterio
humano y el pensamiento crítico sigan siendo fundamentales para la formación académica.
Respecto al segundo objetivo, orientado a analizar la relación entre la dependencia a la IA y la procrastinación
académica, no se identificó una correlación significativa (r = 0.022; p < 0.627). Este resultado sugiere que el
uso de herramientas de IA no influye directamente en los niveles de procrastinación. A diferencia de lo
planteado por Abbas et al.
(15)
quienes encontraron una relación positiva entre el uso excesivo de ChatGPT y
la postergación de actividades, los datos de este estudio muestran que la procrastinación puede estar determinada
por otros factores personales, como la autoeficacia, la motivación intrínseca y la capacidad de autorregulación.
(32)
Por tanto, la dependencia tecnológica no sería el principal factor desencadenante de la procrastinación,
aunque un uso desmedido de la IA podría, en algunos casos, reforzar hábitos de postergación si no se acompaña
de un control adecuado del tiempo y la planificación.
En cuanto al tercer objetivo, se identificó una relación inversa y altamente significativa entre el rendimiento
académico y la procrastinación académica (r = -0,333; p < 0,000). Este resultado confirma lo encontrado por
Zumárraga y Cevallos
(33)
y Kim y Seo,
(34)
quienes sostienen que la procrastinación afecta negativamente el
rendimiento académico al reducir la dedicación al estudio y la organización del tiempo. Los estudiantes con
altos niveles de rendimiento académico tienden a postergar menos sus actividades, muestran mayor motivación
y presentan una gestión más eficiente de sus recursos y objetivos
(35,36)
Este hallazgo respalda la importancia de
promover estrategias de autorregulación y gestión del tiempo en el ámbito universitario, como medios efectivos
para contrarrestar los efectos negativos de la procrastinación.
Por otra parte, el análisis de las dimensiones específicas aporta evidencia adicional. Se halló una relación
inversa significativa entre la dependencia de la IA y la falta de organización de los recursos didácticos
(r = -0,225; p < 0,000),
lo que sugiere que los estudiantes con menor organización tienden a recurrir más a
la IA como solución inmediata ante la demanda académica. Este resultado se alinea con los hallazgos de
Cosme Garate et al.
(37)
y Zhang et al.,
(38)
quienes señalan que una deficiente gestión de materiales de estudio
puede incrementar el estrés y la dependencia de herramientas tecnológicas. Además, Granda Aguilera et
al.
(39)
y Ahmad et al.,
(11)
advierten que la dependencia excesiva de la IA puede debilitar la organización, el
pensamiento crítico y la autonomía académica, fomentando hábitos de dependencia cognitiva. Por tanto,
fortalecer las competencias de planificación y organización se vuelve esencial para evitar la sobreutilización
de la IA.
Asimismo, los resultados indican que la autorregulación académica no se relaciona significativamente con la
dependencia de la IA, lo cual demuestra que los estudiantes conservan su capacidad de control y gestión del
aprendizaje.
(25)
Este hallazgo es positivo, pues refleja que la mayoría utiliza la IA como una herramienta de
apoyo y no como un sustituto de sus procesos de trabajo académico. No obstante, es necesario enfatizar la
formación ética y digital para garantizar un equilibrio entre el uso tecnológico y el desarrollo de habilidades
de razonamiento, análisis y creatividad.
Finalmente, el hecho de no haber identificado una correlación estadísticamente significativa entre la depen-
dencia de la IA y la postergación de actividades (r = 0.02; p < 0.647) confirma que la procrastinación no
depende exclusivamente del uso de la IA, sino que responde a una interacción compleja de factores psicológicos,
académicos y sociales. Sin embargo, como sostienen Abbas et al.
(15)
el uso inadecuado o desmedido de
herramientas como ChatGPT puede inducir conductas de procrastinación cuando reemplaza la reflexión
personal o el esfuerzo intelectual, en lugar de servir como un medio de aprendizaje activo.
CONCLUSIONES
Los resultados evidencian que una menor dependencia de la IA se asocia con un mejor rendimiento académico
y que, a su vez, un mayor rendimiento académico se relaciona con menores niveles de procrastinación. Por
otro lado, no se identificó una relación significativa entre la dependencia de la IA y la procrastinación; sin
embargo, sí se encontró una asociación con la dimensión referida a la falta de organización de los recursos
didácticos. Los hallazgos destacan la importancia de promover un uso responsable de la IA en estudiantes.
Limitaciones del estudio: Entre las principales limitaciones se encuentra el uso de un muestreo no probabilístico
por conveniencia, lo que restringe la generalización de los resultados a otras poblaciones universitarias.
Asimismo, el estudio se basó en instrumentos de autoinforme, los cuales pueden estar sujetos a sesgos de
percepción y deseabilidad social. Finalmente, al tratarse de un diseño transversal, no es posible establecer
relaciones causales entre las variables analizadas. Se recomienda que futuras investigaciones incorporen
diseños longitudinales y muestras más diversas para profundizar en estos hallazgos.
Financiamiento: Investigación financiada por los autores.
Agradecimientos: A los directivos del vicerrectorado de investigación de la Universidad Peruana Unión.
Conflictos de intereses: Los autores no tienen intereses en competencia.
Declaración de contribución:
Hilda Sapillado Condori y Giuliana Nadyn Vilca Quispe participaron en todo el proceso integral de la inves-
tigación y la redacción del artículo.
Alcides Quispe Mamani participó como asesor del estudio, revisión y aprobación de la versión final
REFERENCIAS BIBLIOGRÁFICAS
1. Acosta P. El impacto de la inteligencia artificial en la educación superior. Informe del Consejo de
Europa - ES de ES: Aprendemos entre todos [Internet]. 2022 [citado 8 Nov 2025]. Disponible en:
https://www.espaciosdeeducacionsuperior.es/07/12/2022/__trashed-2__trashed/.
2. Digital Education Council global AI student survey 2024. Encuesta mundial sobre inteligencia artificial
a estudiantes del Consejo de Educación Digital 2024 [Internet]. [cited 5 Mar 2025]. Disponible en:
https://www.digitaleducationcouncil.com/post/digital-education-council-global-ai-student-survey-2024.
3. Tyton Partners. Time for Class 2024: Unlocking access to effective digital teaching and learning
[Internet]. 2024 [citado 10 Nov 2024]. Disponible en: https://4213961.fs1.hubspotusercontent-na1.net/
hubfs/4213961/Publications/Time%20for%20Class%202024.pdf.
4. Rojas Marín F de los Á, Espinoza Padilla JG, Mendoza Pacheco MF. Inteligencia Artificial: Dependencia
y la Afección del Pensamiento Crítico. Cienc Lat Rev Científica Multidiscip. [Internet]. 2024 [citado
7 Mar 2025]; 8(4):12590–608. Disponible en: https://ciencialatina.org/index.php/cienciala/article/
view/13462.
5. Espinoza Vidaurre SM, Velásquez Rodríguez NC, Gambetta Quelopana RL, Martínez Valdivia AN,
Leo Rossi EA, Laura de la Cruz KM, et al. Influencia de la inteligencia artificial en la eficiencia del
rendimiento académico: un análisis de determinantes. RISTI - Rev Ibér Sist Tecnol Inf [Internet].
2024 [citado 9 Mar 2025]; E70:399–418. disponible en: https://dialnet.unirioja.es/servlet/articulo?
codigo=9886376.
6. Mukhtar M, Firdos SS, Zaka I, Naeem S. Impact of AI dependence on procrastination among university
students. Research Journal of Psychology [Internet]. 2025 [citado 4 Oct 2025];3(1):246–57. Disponible
en: https://ctrjournal.com/index.php/19/article/view/62 Int J Educ Innov Res. 2025;3(1):11–22.
7. Gavilanes Vásquez PG, Adum Ruiz JH, García Ruiz GS, Ruíz Ortega MG. Impacto de la inteligencia
artificial en la educación superior: una mirada hacia el futuro. RECIAMUC [Internet]. 2024 [citado
6 Oct 2025];8(2):213–21. Disponible en: https://www.reciamuc.com/index.php/RECIAMUC/article/
view/1371 DOI: http://dx.doi.org/10.26820/reciamuc/8.(2).abril.2024.213-221.
8. Turnitin. Estudio Time for Class: ¿Cuál ha sido el impacto de la IA en el aprendizaje de los estudiantes
en la era digital? [Internet]. Turnitin.com. 2024. [citado 13 Mar 2025]. Disponible en: https://www.
turnitin.com/press/turnitin-estudio-time-for-class.
9. Sabzalieva E, Valentini A. ChatGPT e inteligencia artificial en la educación superior: Guía de inicio
rápido. [Internet]. París: UNESCO IESALC;2023;1–16. [citado 15 Mar 2025]. Disponible en:
https://unesdoc.unesco.org/ark:/48223/pf0000385146_spa/PDF/385146spa.pdf.multi.
10. Seo K, Tang J, Roll I, Fels S, Yoon D. The impact of artificial intelligence on learner–instructor
interaction in online learning. Int J Educ Technol High Educ [Internet]. 2021 [citado 17 Mar 2025];
18(1):1–14. Disponible en: https://link.springer.com/article/10.1186/s41239-021-00292-9 DOI:
https://doi.org/10.1186/s41239-021-00292-9.
11. Ahmad SF, Han H, Alam MM, Rehmat MK, Irshad M, Arraño-Muñoz M, et al. Impact of artificial
intelligence on human loss in decision-making, laziness and safety in education. Humanit Soc Sci
Commun [Internet]. 2023 [citado 19 Mar 2025];10(1):311. Disponible en: https://www.nature.com/
articles/s41599-023-01787-8 DOI:10.1057/s41599 023 017878.
12.
[citado 8 May 2025]; 20. Disponible en: https://www.khaleejtimes.com/nation/dubai/Is-AI-makin
ghumans-lazy-Here-what-UAE-residents-say.
13. Del Cisne Loján M, Antonio Romero J, Sancho Aguilera D, Yajaira Romero A. Consecuencias de la
Dependencia de la Inteligencia Artificial en Habilidades Críticas y Aprendizaje Autónomo en los
Estudiantes. Cienc Lat Rev Científica Multidiscip. [Internet]. 2024 [citado 15 May 2025];8(2):
2368–2382. Disponible en: https://ciencialatina.org/index.php/cienciala/article/view/10678 DOI:
http://dx.doi.org/10.37811/cl_rcm.v8i2.10678.
14. Longoni C, Cian L. Artificial Intelligence in Utilitarian vs. Hedonic Contexts: The “Word-of-Machine”
Effect. J Mark [Internet]. 2022 [citado 19 May 2025];86(1):91–108. Disponible en: https://journals.sagepub.
com/doi/10.1177/0022242920957347.
15. Abbas M, Jam FA, Khan TI. Is it harmful or helpful? Examining the causes and consequences of
generative AI usage among university students. Int J Educ Technol High Educ [Internet]. 2024 [citado
9 Jan 2025];21(1). Disponible en: https://link.springer.com/article/10.1186/s41239-024-00444-7
DOI: https://doi.org/10.1186/s41239-024-00444-7.
16. Malinka K, Peresíni M, Firc A, Hujnák O, Janus F. On the Educational Impact of ChatGPT: Is Artificial
Intelligence Ready to Obtain a University Degree? In: Proceedings of the 2023 Conference on
Innovation and Technology in Computer Science Education (ITiCSE); 2023 [citado 15 Jan 2025].
3587102.3588827.
17. Gocen A, Aydemir F. Artificial Intelligence in Education and Schools. Res Educ Media. [Internet].
2020 [citado 20 May 2025];12(1):13–21. Disponible en: https://sciendo.com/2/v2/download/article/
10.2478/rem-2020-0003.pdf DOI: http://dx.doi.org/10.2478/rem-2020-0003.
18. Daha ES, Altelwany AA. Exploring the impact of using - ChatGPT in light of goal orientations and
academic self-efficacy. Int J Instr [Internet]. 2025 [citado 25 May 2025];18(2):167–84. Disponible
en: https://e-iji.net/ats/index.php/pub/article/view/730 DOI: http://dx.doi.org/10.29333/iji.2025.18210a.
19. Ortega Azurduy M, Machaca Mamani J, Daza Morales J. El efecto de la Inteligencia Artificial en el
rendimiento académico de estudiantes de ciencias administrativas en la Universidad Católica
Boliviana. Rev Educ Super [Internet]. 2023 [citado 1 Jun 2025];10(3):13–22. Disponible en:
http://www.scielo.org.bo/scielo.php?pid=S2518-82832023000300013&script=sci_arttext DOI:
https://doi.org/ 10.53287/mzkv9068uw14f.
20. Hernández-Sampieri R, Mendoza Torres CP. Metodología de la investigación: las rutas cuantitativa,
cualitativa y mixta. México: McGraw-Hill Education; 2018.
21. Hernández-Sampieri R, Fernández Collado C, Baptista Lucio M del P. Metodología de la investigación.
6ª ed. México: McGraw-Hill; 2014.
22. Carrazco Díaz S. Metodología de la investigación científica. 2ª ed. Lima: Editorial San Marcos; 2019.
23. Ortega C. ¿Qué es el muestreo por conveniencia? [Internet]. 2024 [citado 22 Nov 2024]. Disponible
en: https://www.questionpro.com/blog/es/muestreo-por-conveniencia/.
24. Morales-García WC, Sairitupa-Sánchez LZ, Morales-García SB, Morales-García M. Development
and validation of a scale for dependence on artificial intelligence in university students. Frontiers in
Education. [Internet]. 2024 [citado 4 Jun 2025];9:1323898. Disponible en: https://www.frontiersin.org/
journals/education/articles/10.3389/feduc.2024.1323898/full DOI: 10.3389/feduc.2024.1323898.
25. Preciado-Serrano M de L, Ángel-González M, Colunga-Rodríguez C, Vázquez-Colunga JC,
Rendimiento Académico Universitario (Construction and Validation of the University Academic
[Internet]. 2021 [citado 6 Jun 2025];3(60):5 14. Disponible en: https://go.gale.com/ps/i.do?id=GA
LE%7CA758446785&sid=googleScholar&v=2.1&it=r&linkaccess=abs&issn=11353848&p=
AONE&sw=w&userGroupName=anon%7E40c47079&aty=open-web-entry DOI:10.21865/RIDEP
60.3.01.
26. Remaycuna-Vásquez A, Carrión-Barco G, Espinoza-Porras FR, Maquen Niño GLE. Validez y
confiabilidad de la escala de rendimiento académico desde la percepción del alumno. Revista de
https://dialnet.unirioja.es/servlet/articulo?codigo=9034432 DOI: 10.31876/rcs.v29i.40458.
27. Busko DA. Causes and consequences of perfectionism and procrastination: A structural equation
28. Domínguez Lara S, Villegas García G, Centeno Leyva S. Procrastinación académica: validación de
una escala en una muestra de estudiantes de una universidad privada. Liberabit [Internet]. 2014 [citado
12 Jun 2025];20(2):293–304. Disponible en: http://www.scielo.org.pe/pdf/liber/v20n2/a10v20n2.
29. Colegio de Psicólogos del Perú. Código de ética profesional. Lima: Colegio de Psicólogos del Perú;
2017.
30. Universidad Peruana Unión. Código de ética para la investigación (CoEIn). Lima: UPeU; 2016.
31. Avendaño Porras VC. La adicción a la inteligencia artificial: evaluación de prevalencia y factores de
riesgo en estudiantes de posgrado. Rev Enfoques [Internet]. 2024 Jun 30 [citado 16 Apr 2025];5:
66–88. Disponible en: https://revistasdigitales.uniboyaca.edu.co/index.php/EFQ/article/view/1405.
Inteligencia
artificial
Rendimiento
académico
Procrastinación
académica
Aportación en las
actividades
r
-0,040
0,884
**
-0,296
**
p
0,371
0,000
0,000
Dedicación al estudio
r
-0,053
0,835
**
-0,323
**
p
0,237
0,000
0,000
Falta de organización
r
-0,225
**
0,371
**
-0,068
p
0,000
0,000
0,134
Autorregulación académica
r
0,018
-0,327
**
0,952
**
p
0,692
0,000
0,000
Postergación de actividades
r
0,021
-0,163
**
0,576
**
p
0,647
0,000
0,000
Nota: * p < 0,05, ** p < 0,01, *** p < 0,001. Prueba estadística utilizada: Coeficiente de correlación de Pearson
32. Steel P. The nature of procrastination: a meta-analytic and theoretical review of quintessential
self-regulatory failure. Psychological Bulletin, 2025 [citado 13 Apr 2025];133(1), 65–94. Disponible
en: https://psycnet.apa.org/buy/2006-23058-004 DOI: https://doi.org/10.1037/0033-2909.133.1.65.
33. Zumárraga-Espinosa M, Cevallos-Pozo G. Autoeficacia, procrastinación y rendimiento académico en
estudiantes universitarios de Ecuador. Alteridad [Internet]. 2022 [citado 18 Apr 2025];17(2):277–90.
Disponible en: https://revistas.ups.edu.ec/index.php/alteridad/article/view/5516.
34. Kim KR, Seo EH. The relationship between procrastination and academic performance: a meta-analysis.
Pers Individ Dif [Internet]. 2015 [citado 19 Apr 2025];82:26–33. Disponible en: https://www.sciencedirect.
com/science/article/abs/pii/S0191886915001610 DOI: https://doi.org/10.1016/j.paid.2015.02.038.
35. Rodríguez A, Clariana M. Procrastinación en Estudiantes Universitarios: Su Relación con la Edad y el
Curso Académico. Rev Colomb Psicol. [Internet]. 2017 [citado 20 Apr 2025];26(1):45–60. Disponible
en: http://www.scielo.org.co/pdf/rcps/v26n1/0121-5469-rcps-26-01-00045.pdf.
36. Honicke T, Broadbent J. The influence of academic self-efficacy on academic performance: a systematic
review. Educ Res Rev [Internet]. 2016 [citado 21 Apr 2025];17:63–84. Disponible en: https://www.sciencedirect.
com/science/article/abs/pii/S1747938X15000639 DOI: https://doi.org/10.1016/j.edurev.2015.11.002.
37. Cosme Garate GA, Cornejo Zúñiga AG, Chumacero Acosta JS, Ruiz Rios A, Tuesta Casique A, Alvarez
Arista Y. Enseñanza universitaria y recursos didácticos en el nivel de rendimiento de los estudiantes de
pregrado. Rev Científica Episteme y Tekne. [Internet]. 2022 [citado 23 Apr 2025];1(2):e380. Disponible
en: https://revistas.unsm.edu.pe/index.php/rceyt/article/view/380 DOI: 10.51252/rceyt.v1i2.380.
38. Zhang S, Zhao X, Zhou T, Kim JH. Do you have AI dependency? The roles of academic self-efficacy,
academic stress, and performance expectations on problematic AI usage behavior. Int J Educ Technol
High Educ. [Internet]. 2024 [citado 29 Apr 2025];21(1):1-15. Disponible en: http://dx.doi.org/10.1186/
s41239-024-00467-0.
39. Granda Aguilera DR, Lema Mullo L, Gallegos Gallegos AR. La dependencia de la inteligencia artificial
en los estudiantes de bachillerato: implicaciones y recomendaciones para un aprendizaje equilibrado.
Polo del Conoc. [Internet]. 2024 [citado 20 may 2025];9(7):2109–30. Disponible en: https://polodel
conocimiento.com/ojs/index.php/es/article/view/7618/html?utm_source=chatgpt.com.
Relación entre dependencia a la inteligencia artificial, rendimiento académico y procrastinación
académica en universitarios
Relationship between dependence on artificial intelligence, academic performance, and academic
procrastination in university students
https://doi.org/10.37135/ee.04.25.08
Autores:
Hilda Sapillado Condori - https://orcid.org/0009-0002-7963-9896
Giuliana Nadyn Vilca Quispe - https://orcid.org/0009-0002-1329-0839
Alcides Quispe Mamani - https://orcid.org/0000-0002-7404-7464
Afiliación:
Universidad Peruana Unión
Autor de correspondencia: Giuliana Nadyn Vilca Quispe. Universidad Peruana Unión (UPeU), Carretera Salida
a Arequipa km. 6 Villa Chullunquiani, Juliaca, Perú. Tel: +51 940799733. E-mail: giuliana.vilca@upeu.edu.pe
Recibido: 21 de mayo de 2025 Aceptado: 11 de diciembre de 2025
RESUMEN
Esta investigación tuvo como objetivo determinar la relación existente entre dependencia de la inteligencia
artificial, rendimiento y procrastinación académica en estudiantes universitarios de la región Puno. Así se
aplicó un diseño no experimental, de corte transversal y tipo correlacional, en una muestra de 492 universitarios
de distintas universidades, con edades entre 18 y 35 años. Se utilizaron las escalas de dependencia hacia la
inteligencia artificial DAI, rendimiento académico universitario RAU y procrastinación académica EPA. Los
resultados, el 53 % de los participantes fueron de sexo masculino, el 92,1 % tenían edades entre 18 y 25 años,
el 51,4 % provenían de una universidad nacional de Juliaca, matriculados entre el primer y tercer ciclo
(51,8 %), destacándose el área de ingenierías con el 49,4 % de participación. El 63,41 % de los participantes
indicaron tener mayor inclinación hacia el uso de ChatGPT. Los valores globales indicaron una correlación
inversa significativa, (r = -0,122; p = <0,007) entre dependencia a la IA y rendimiento académico; no existe
correlación significativa entre dependencia a la IA y procrastinación académica (r = 0,022, p = < 0,627),
demostrando que los universitarios que no presentan altos niveles de dependencia de la inteligencia artificial
mantienen niveles de rendimiento académico adecuados y no tienden a procrastinar. Se identificó relación
inversa significativa entre dependencia de IA y la falta de organización de material didáctico (r = -0,225, p = <0,000),
evidenciando que la desorganización de materiales de estudio podría activar la necesidad de recurrir a la IA
como una solución rápida.
Palabras clave: inteligencia artificial, rendimiento académico, educación.
ABSTRACT
This research aimed to determine the relationship between dependence on artificial intelligence, academic
performance, and procrastination among university students in the Puno region. A non-experimental,
cross-sectional, correlational study was conducted with a sample of 492 university students from different
universities, aged 18-35 years. The scales of dependence on artificial intelligence (DAI), university academic
performance (RAU), and academic procrastination (EPA) were used as measurement instruments. The
results showed that 53 % of the participants were male, 92.1 % were between 18 and 25 years old, 51.4 %
came from a national university in Juliaca, enrolled between the first and third cycles (51.8 %), with the
engineering field standing out with 49.4 % participation. Sixty-three point four one percent of participants
indicated a greater inclination toward using ChatGPT. The overall values showed a significant inverse correlation
(r = -0.122; p = <0.007) between AI dependence and academic performance; there is no significant correlation
between AI dependence and academic procrastination (r = 0.022, p = <0.627), demonstrating that university
students who do not have high levels of dependence on artificial intelligence maintain adequate academic
performance levels and do not tend to procrastinate. A significant inverse relationship was found between AI
dependence and the lack of organization of teaching materials (r = -0.225, p = <0.000), suggesting that
disorganized study materials can prompt the need to resort to AI as a quick fix.
Keywords: Artificial Intelligence, Academic Performance, Education.
INTRODUCCIÓN
La inteligencia artificial (IA) es una herramienta tecnológica cuyo uso se está expandiendo rápidamente en
la educación universitaria,
(1)
siendo los estudiantes quienes tienen una interacción con la IA al menos
semanalmente.
(2)
Según Tyton Partners,
(3)
el 59 % son estudiantes y el 40 % docentes. La IA fue desarrollada
como una herramienta para optimizar experiencias de aprendizaje, con el fin de fortalecer el rendimiento
académico del estudiante
(4)
a través del apoyo en la ejecución de tareas y trabajos, y incrementar las calificaciones
(5)
a través del acceso rápido, a recursos y asistencia personalizada,
(6)
siendo útil también para facilitar la
investigación académica.
(7)
En Perú, se halló que el 73,2 % de universitarios utilizan la IA para hacer sus
tareas e investigaciones,
(5)
Turnitin
(8)
sostiene que un 3 % de los trabajos examinados presentan un 80 % o
más de texto generado por IA. Dentro del mundo académico, el ChatGPT es la herramienta de IA más usada,
debido a su uso dinámico y versátil.
(9)
A pesar de las ventajas de esta tecnología, su aceptación sin control podría generar dependencia por parte de
los estudiantes y educadores
(10)
, provocar la pérdida de habilidades cognitivas,
(11)
la capacidad de pensar de
manera independiente y desarrollar habilidades esenciales como la investigación y análisis,
(6)
impulsando a
pensar como los algoritmos sin comprender,
(12, 13)
asimismo, incentivar la pereza y dificultades en la toma de
decisiones,
(11)
reduciendo la motivación para esforzarse intelectualmente,
(6)
poniendo en riesgo el rendimiento
académico, incluso llevándolo a manifestar comportamientos de procrastinación académica, como retrasos
en la finalización de tareas, retrasos en las clases y retrasos en eventos competitivos hasta el último
día, entre otros.
(14,15)
En un futuro, esto significaría que los egresados universitarios sean de baja calidad
(16)
y con habilidades profesionales deficientes.
(17)
Estudios previos evidenciaron que el uso de la IA afecta negativamente el rendimiento académico de los
estudiantes universitarios y está relacionado positivamente con la procrastinación donde, a mayor uso de la
IA menor rendimiento académico y mayor probabilidad de procrastinar,
(15)
asimismo, se encontró que la
dependencia de la IA afecta el rendimiento académico de los estudiantes conllevando a la pérdida de habilidades
de investigación y aprendizaje autónomo,
(13)
y que su uso excesivo puede contribuir inadvertidamente a
retrasos en las tareas académicas, también se reveló que el uso excesivo de ChatGPT puede provocar la
postergación de tareas y un menor rendimiento y desarrollo académico.
(18)
La intención de uso de la inteligencia
artificial por parte de los estudiantes está basada en la ética, la autoeficacia, la motivación y las expectativas de
resultados, los cuales influyen en el rendimiento académico ya sea favorable o desfavorable.
(19)
En Perú, se demostró que la IA afecta positivamente el rendimiento académico de los estudiantes de pregrado
y postgrado en un 48,1 %.
(5)
Asimismo, se destaca que los estudiantes con una actitud más favorable hacia la
IA tienen una clara comprensión y entendimiento de la IA, tienen confianza en su educación y experimentan
efectos positivos en su rendimiento académico.
La IA está transformando el ámbito educativo y los hábitos de estudio, por lo que es necesario investigar su
impacto en los estudiantes universitarios. En este contexto, se planteó la presente invetsigación con la finalidad
de determinar la relación existente entre dependencia de la inteligencia artificial, percepción del rendimiento
académico y procrastinación académica en estudiantes universitarios de la región Puno, en el segundo periodo
académico de 2024.
MATERIAL Y MÉTODOS
Diseño y contexto
Este estudio se llevó a cabo con un enfoque cuantitativo, diseño no experimental, de corte transeccional o
transversal y de tipo correlacional, con el objetivo de analizar la relación entre dos o más variables.
(20)
Participantes
Este estudio se realizó en la región Puno, Perú, con una población compuesta por estudiantes de diversas
universidades de la región, tanto instituciones públicas como privadas, matriculados en el segundo periodo
académico del 2024, se seleccionó una muestra de 492 estudiantes universitarios de distintas carreras,
diferenciadas en 3 grupos (Ingenierías, Biomédicas y Sociales), con edades comprendidas entre 18 y 35
años, pertenecían a ambos sexos y contaban con conocimientos previos sobre inteligencia artificial. Se
emplearon criterios de muestreo no probabilístico por conveniencia intencional
(21, 22)
seleccionando participantes
con disponibilidad para formar parte de la muestra.
(23)
Instrumentos
Escala de Dependencia hacia la Inteligencia Artificial (DAI), desarrollada en Perú por Morales-García et al.
(24)
La escala es unidimensional y consta de 5 ítems medidos a través de una escala tipo Likert: Completamente
falso para mí, Mayormente falso para mí, Ni verdadero ni falso para mí, Mayormente verdadero para mí y
Me describe perfectamente, con un puntaje máximo de 25 puntos dirigidos a estudiantes universitarios. Los
valores de alfa de Cronbach y el coeficiente omega de McDonald muestran una adecuada consistencia interna
La escala de rendimiento académico universitario (RAU) fue desarrollada por Preciado-Serrano et al
(25)
y validada por Remaycuna-Vásquez et al.
(26)
consta de 18 ítems y tres dimensiones: aportación en las
actividades académicas, dedicación al estudio y falta de organización de los recursos didácticos, se
miden mediante una escala de tipo Likert con 7 alternativas de respuesta: nunca, casi nunca, algunas
veces, regularmente, a menudo, casi siempre y siempre. El índice de confiabilidad del alfa de Cronbach
y omega de McDonald, a nivel general se evidencia que la fiabilidad es de 0.843 y 0.865 respectivamente,
la cual tiene valores aceptables.
Escala de Procrastinación Académica (EPA), creada por Busko
(27)
y validada para Perú por Domínguez et al.
(28)
esta adaptación consta de 12 ítems, divididos en 2 dimensiones autorregulación académica y postergación de
actividades. Los ítems son medidos según la escala de Likert: nunca, casi nunca, a veces, casi siempre y
siempre. Se obtuvieron umbrales de confianza a través del alfa de Cronbach, obteniéndose un indicador de
0,821 (IC al 95 %: 0,793; 0,847) para el factor autorregulación académica, y de 0,752 (IC al 95 %: 0,705;
0,792) para el factor postergación de actividades. El coeficiente omega estimó la confiabilidad de los factores,
logrando un indicador de 0,829 para el factor autorregulación académica y de 0,794 para el factor postergación
de actividades.
Análisis de datos
La recolección de datos se realizó mediante la aplicación de los instrumentos posteriormente se estructuraron
y procesaron utilizando Statistical Package for the Social Sciences (SPSS) versión 27 y Jamovi 2.3.28.0,
donde se empleó la estadística descriptiva e inferencial para la obtención de datos de frecuencia y correlación
de variables, así como la verificación de la distribución normal o anormal de las variables.
Aspectos éticos
El estudio fue aprobado por el comité de ética de la Universidad Peruana Unión, con número de aprobación
2024-CEB-FCS - UPeU-270 la cual se adhirió a los principios éticos del código de ética de investigación
establecidos por la misma institución. Asimismo, se puso en consideración las directrices del Código de
Ética del Colegio de Psicólogos del Perú aplicables a la investigación. Todos los participantes procedieron a
la firma del consentimiento informado, manifestando su aceptación para participar en el estudio y autorizan-
do el uso de los datos exclusivamente para fines académicos e investigativos.
(29, 30)
RESULTADOS
Para el análisis inferencial se empleó la prueba de correlación de Pearson, dado que las variables presentaron
distribución normal. En los casos en los que la normalidad no fue determinada, se complementó con la
verificación mediante coeficientes y valores p correspondientes.
Los resultados muestran que, del total de participantes, el 53, 9 % correspondió al sexo masculino y el 92,1%
presentaban edades entre 18 y 25 años. El 51,4 % fueron procedentes de la UNAJ, destacándose el área de
Ingeniería con participación del 49,4 %. Por otro lado, se muestra que la mayoría se encontraban matriculados
entre el I a III ciclo (51, 8 %). La información de los tipos de IAs que más utilizan como apoyo para su jornada
académica más relevantes fue: el ChatGPT con un 63,41 %, Canva (51,83 %), Meta.IA (40,65 %), Gemini
(26.42%) y Mendeley (24,39 %) como las IAs de mayor aceptación, además de otras IAs que son de baja
preferencia (Tabla 1).
Datos sociodemográficos
Tabla 1. Características de los participantes
Nota: *UNAP “Universidad Nacional del Altiplano”, UNAJ “Universidad Nacional de Juliaca”, UPEU “Universidad Peruana
Unión”
Los estudiantes universitarios de la región Puno son dependientes de la IA en un nivel “leve” (50,61 %), con
un rendimiento académico percibido de nivel “medio”, a excepción de la dimensión dedicación al estudio,
en donde el 40,9 % se percibe en un nivel “alto” y así mismo son procrastinadores en un nivel “promedio”
(57,3 %). (Tabla 2)
Tabla 2. Análisis descriptivo de dependencia a la IA, percepción de rendimiento académico y procrastina-
ción académica
Se detectó una relación inversa significativa entre dependencia a la inteligencia artificial y rendimiento
académico, con una intensidad de relación débil (r= -0,122, p=< 0,007) lo que señala que, a mayor rendimiento
académico de los estudiantes universitarios, menor dependencia de la IA. No se encontró una correlación con
la procrastinación (r= 0,022, p=< 0,627) lo que sugiere que ambas variables son independientes y no se afectan
entre sí. En cambio, se observa una correlación inversa y altamente significativa, con una intensidad de
relación moderada (r = -0,333, p =< 0,000) entre rendimiento académico y procrastinación académica, lo que
evidencia que a menor procrastinación académica, mayor rendimiento académico (Tabla 3).
Tabla 3. Correlación entre dependencia de la IA, percepción de rendimiento académico y procrastinación
académica y sus dimensiones.
Nota: * p < .05, ** p < .01, *** p < .001. Prueba estadística utilizada: Coeficiente de correlación de Pearson
Las aportaciones a las actividades académicas no se relacionan con dependencia de la IA (r= - 0,040,
p = 0,371), sin embargo, presenta una relación directa altamente significativa con una intensidad fuerte
con rendimiento académico (r = 0.884, p = < 0.000) y una relación inversa con la procrastinación
académica (r = -0.296, p = < 0.000) lo que indica que, a mayor aportación a las actividades académicas,
mayor rendimiento académico y menor tendencia a procrastinar. La dedicación al estudio es independiente y
no se relaciona con dependencia de la IA (r = -0,053, p = < 0,237), pero tiene una fuerte relación positiva con
el rendimiento académico (r,= 0,835, p = < 0,000) y una relación inversa con la procrastinación académica
(r= -0,323; p = <0,000) que indica que, a mayor compromiso con el estudio, mejor desempeño académico y
menos propenso a procrastinar. La falta de organización de los recursos didácticos tiene una relación inversamente
significativa con la dependencia de la IA con una intensidad leve (r =-0,225, p = <0.000), lo que sugiere que una
organización más eficiente implica una dependencia menor de la IA; no se relaciona con la procrastinación
académica, pero sí con el rendimiento académico (r = 0,371, p = < 0.000), ya que una falta de organización
no necesariamente afecta negativamente el desempeño académico. La autorregulación académica no está
relacionada con la dependencia a la inteligencia artificial, sino que mantiene una relación inversa con el
rendimiento académico (r = -0,327, p = < 0.000) y una relación directa de gran relevancia con intensidad
fuerte con procrastinación académica (r = 0.952, p = < 0,000), indicando que en ciertos contextos los alumnos
con menos control o regulación sobre su propio proceso de aprendizaje suelen lograr mejores resultados
académicos y que a mayor capacidad de control del aprendizaje, mayor es la predisposición a procrastinar.
Finalmente, la postergación de actividades no se relaciona con la dependencia a la IA, sin embargo, tiene una
relación inversa débil con el rendimiento académico (r = -0,163, p = < 0,000) y una correlación positiva con
procrastinación académica (r = 0,576, p = < 0,000) lo que indica que una mayor postergación se asocia con
un menor rendimiento académico y una mayor tendencia a procrastinar. (Tabla 4)
Tabla 4. Correlación entre dependencia de la IA, rendimiento académico, procrastinación académica y sus
dimensiones.
REE 20(1) Riobamba ene. - abr. 2026
cc
BY NC ND
139
ISSN-impreso 1390-7581
ISSN-digital 2661-6742
DISCUSIÓN
El objetivo general del estudio fue determinar la relación entre la dependencia de la inteligencia artificial
(IA), la percepción del rendimiento académico y la procrastinación académica en estudiantes universitarios
de la región Puno durante el segundo periodo del 2024. Los resultados obtenidos permiten discutir los hallazgos
desde una perspectiva comparativa con investigaciones previas y en función de los objetivos planteados.
En relación con el primer objetivo, se identificó una correlación inversa significativa entre la dependencia a
la IA y el rendimiento académico (r = -0,122; p < 0,007), lo que indica que los estudiantes con menor depen-
dencia de la IA presentan un mejor desempeño académico. Este hallazgo coincide con lo reportado por Del
Cisne et al.
(13)
y Avendaño,
(31)
quienes evidenciaron que una alta dependencia tecnológica puede afectar nega-
tivamente el rendimiento académico hasta en un 65 %, debido a la pérdida de autonomía cognitiva y de habi-
lidades analíticas. Sin embargo, cuando la IA se utiliza como herramienta de apoyo complementario, puede
potenciar la productividad y mejorar la comprensión de los contenidos.
(19)
Por consiguiente, el estudio reafirma
la necesidad de fomentar un uso responsable y pedagógico de la IA en el entorno universitario, donde el criterio
humano y el pensamiento crítico sigan siendo fundamentales para la formación académica.
Respecto al segundo objetivo, orientado a analizar la relación entre la dependencia a la IA y la procrastinación
académica, no se identificó una correlación significativa (r = 0.022; p < 0.627). Este resultado sugiere que el
uso de herramientas de IA no influye directamente en los niveles de procrastinación. A diferencia de lo
planteado por Abbas et al.
(15)
quienes encontraron una relación positiva entre el uso excesivo de ChatGPT y
la postergación de actividades, los datos de este estudio muestran que la procrastinación puede estar determinada
por otros factores personales, como la autoeficacia, la motivación intrínseca y la capacidad de autorregulación.
(32)
Por tanto, la dependencia tecnológica no sería el principal factor desencadenante de la procrastinación,
aunque un uso desmedido de la IA podría, en algunos casos, reforzar hábitos de postergación si no se acompaña
de un control adecuado del tiempo y la planificación.
En cuanto al tercer objetivo, se identificó una relación inversa y altamente significativa entre el rendimiento
académico y la procrastinación académica (r = -0,333; p < 0,000). Este resultado confirma lo encontrado por
Zumárraga y Cevallos
(33)
y Kim y Seo,
(34)
quienes sostienen que la procrastinación afecta negativamente el
rendimiento académico al reducir la dedicación al estudio y la organización del tiempo. Los estudiantes con
altos niveles de rendimiento académico tienden a postergar menos sus actividades, muestran mayor motivación
y presentan una gestión más eficiente de sus recursos y objetivos
(35,36)
Este hallazgo respalda la importancia de
promover estrategias de autorregulación y gestión del tiempo en el ámbito universitario, como medios efectivos
para contrarrestar los efectos negativos de la procrastinación.
Por otra parte, el análisis de las dimensiones específicas aporta evidencia adicional. Se halló una relación
inversa significativa entre la dependencia de la IA y la falta de organización de los recursos didácticos
(r = -0,225; p < 0,000),
lo que sugiere que los estudiantes con menor organización tienden a recurrir más a
la IA como solución inmediata ante la demanda académica. Este resultado se alinea con los hallazgos de
Cosme Garate et al.
(37)
y Zhang et al.,
(38)
quienes señalan que una deficiente gestión de materiales de estudio
puede incrementar el estrés y la dependencia de herramientas tecnológicas. Además, Granda Aguilera et
al.
(39)
y Ahmad et al.,
(11)
advierten que la dependencia excesiva de la IA puede debilitar la organización, el
pensamiento crítico y la autonomía académica, fomentando hábitos de dependencia cognitiva. Por tanto,
fortalecer las competencias de planificación y organización se vuelve esencial para evitar la sobreutilización
de la IA.
Asimismo, los resultados indican que la autorregulación académica no se relaciona significativamente con la
dependencia de la IA, lo cual demuestra que los estudiantes conservan su capacidad de control y gestión del
aprendizaje.
(25)
Este hallazgo es positivo, pues refleja que la mayoría utiliza la IA como una herramienta de
apoyo y no como un sustituto de sus procesos de trabajo académico. No obstante, es necesario enfatizar la
formación ética y digital para garantizar un equilibrio entre el uso tecnológico y el desarrollo de habilidades
de razonamiento, análisis y creatividad.
Finalmente, el hecho de no haber identificado una correlación estadísticamente significativa entre la depen-
dencia de la IA y la postergación de actividades (r = 0.02; p < 0.647) confirma que la procrastinación no
depende exclusivamente del uso de la IA, sino que responde a una interacción compleja de factores psicológicos,
académicos y sociales. Sin embargo, como sostienen Abbas et al.
(15)
el uso inadecuado o desmedido de
herramientas como ChatGPT puede inducir conductas de procrastinación cuando reemplaza la reflexión
personal o el esfuerzo intelectual, en lugar de servir como un medio de aprendizaje activo.
CONCLUSIONES
Los resultados evidencian que una menor dependencia de la IA se asocia con un mejor rendimiento académico
y que, a su vez, un mayor rendimiento académico se relaciona con menores niveles de procrastinación. Por
otro lado, no se identificó una relación significativa entre la dependencia de la IA y la procrastinación; sin
embargo, sí se encontró una asociación con la dimensión referida a la falta de organización de los recursos
didácticos. Los hallazgos destacan la importancia de promover un uso responsable de la IA en estudiantes.
Limitaciones del estudio: Entre las principales limitaciones se encuentra el uso de un muestreo no probabilístico
por conveniencia, lo que restringe la generalización de los resultados a otras poblaciones universitarias.
Asimismo, el estudio se basó en instrumentos de autoinforme, los cuales pueden estar sujetos a sesgos de
percepción y deseabilidad social. Finalmente, al tratarse de un diseño transversal, no es posible establecer
relaciones causales entre las variables analizadas. Se recomienda que futuras investigaciones incorporen
diseños longitudinales y muestras más diversas para profundizar en estos hallazgos.
Financiamiento: Investigación financiada por los autores.
Agradecimientos: A los directivos del vicerrectorado de investigación de la Universidad Peruana Unión.
Conflictos de intereses: Los autores no tienen intereses en competencia.
Declaración de contribución:
Hilda Sapillado Condori y Giuliana Nadyn Vilca Quispe participaron en todo el proceso integral de la inves-
tigación y la redacción del artículo.
Alcides Quispe Mamani participó como asesor del estudio, revisión y aprobación de la versión final
REFERENCIAS BIBLIOGRÁFICAS
1. Acosta P. El impacto de la inteligencia artificial en la educación superior. Informe del Consejo de
Europa - ES de ES: Aprendemos entre todos [Internet]. 2022 [citado 8 Nov 2025]. Disponible en:
https://www.espaciosdeeducacionsuperior.es/07/12/2022/__trashed-2__trashed/.
2. Digital Education Council global AI student survey 2024. Encuesta mundial sobre inteligencia artificial
a estudiantes del Consejo de Educación Digital 2024 [Internet]. [cited 5 Mar 2025]. Disponible en:
https://www.digitaleducationcouncil.com/post/digital-education-council-global-ai-student-survey-2024.
3. Tyton Partners. Time for Class 2024: Unlocking access to effective digital teaching and learning
[Internet]. 2024 [citado 10 Nov 2024]. Disponible en: https://4213961.fs1.hubspotusercontent-na1.net/
hubfs/4213961/Publications/Time%20for%20Class%202024.pdf.
4. Rojas Marín F de los Á, Espinoza Padilla JG, Mendoza Pacheco MF. Inteligencia Artificial: Dependencia
y la Afección del Pensamiento Crítico. Cienc Lat Rev Científica Multidiscip. [Internet]. 2024 [citado
7 Mar 2025]; 8(4):12590–608. Disponible en: https://ciencialatina.org/index.php/cienciala/article/
view/13462.
5. Espinoza Vidaurre SM, Velásquez Rodríguez NC, Gambetta Quelopana RL, Martínez Valdivia AN,
Leo Rossi EA, Laura de la Cruz KM, et al. Influencia de la inteligencia artificial en la eficiencia del
rendimiento académico: un análisis de determinantes. RISTI - Rev Ibér Sist Tecnol Inf [Internet].
2024 [citado 9 Mar 2025]; E70:399–418. disponible en: https://dialnet.unirioja.es/servlet/articulo?
codigo=9886376.
6. Mukhtar M, Firdos SS, Zaka I, Naeem S. Impact of AI dependence on procrastination among university
students. Research Journal of Psychology [Internet]. 2025 [citado 4 Oct 2025];3(1):246–57. Disponible
en: https://ctrjournal.com/index.php/19/article/view/62 Int J Educ Innov Res. 2025;3(1):11–22.
7. Gavilanes Vásquez PG, Adum Ruiz JH, García Ruiz GS, Ruíz Ortega MG. Impacto de la inteligencia
artificial en la educación superior: una mirada hacia el futuro. RECIAMUC [Internet]. 2024 [citado
6 Oct 2025];8(2):213–21. Disponible en: https://www.reciamuc.com/index.php/RECIAMUC/article/
view/1371 DOI: http://dx.doi.org/10.26820/reciamuc/8.(2).abril.2024.213-221.
8. Turnitin. Estudio Time for Class: ¿Cuál ha sido el impacto de la IA en el aprendizaje de los estudiantes
en la era digital? [Internet]. Turnitin.com. 2024. [citado 13 Mar 2025]. Disponible en: https://www.
turnitin.com/press/turnitin-estudio-time-for-class.
9. Sabzalieva E, Valentini A. ChatGPT e inteligencia artificial en la educación superior: Guía de inicio
rápido. [Internet]. París: UNESCO IESALC;2023;1–16. [citado 15 Mar 2025]. Disponible en:
https://unesdoc.unesco.org/ark:/48223/pf0000385146_spa/PDF/385146spa.pdf.multi.
10. Seo K, Tang J, Roll I, Fels S, Yoon D. The impact of artificial intelligence on learner–instructor
interaction in online learning. Int J Educ Technol High Educ [Internet]. 2021 [citado 17 Mar 2025];
18(1):1–14. Disponible en: https://link.springer.com/article/10.1186/s41239-021-00292-9 DOI:
https://doi.org/10.1186/s41239-021-00292-9.
11. Ahmad SF, Han H, Alam MM, Rehmat MK, Irshad M, Arraño-Muñoz M, et al. Impact of artificial
intelligence on human loss in decision-making, laziness and safety in education. Humanit Soc Sci
Commun [Internet]. 2023 [citado 19 Mar 2025];10(1):311. Disponible en: https://www.nature.com/
articles/s41599-023-01787-8 DOI:10.1057/s41599 023 017878.
12.
[citado 8 May 2025]; 20. Disponible en: https://www.khaleejtimes.com/nation/dubai/Is-AI-makin
ghumans-lazy-Here-what-UAE-residents-say.
13. Del Cisne Loján M, Antonio Romero J, Sancho Aguilera D, Yajaira Romero A. Consecuencias de la
Dependencia de la Inteligencia Artificial en Habilidades Críticas y Aprendizaje Autónomo en los
Estudiantes. Cienc Lat Rev Científica Multidiscip. [Internet]. 2024 [citado 15 May 2025];8(2):
2368–2382. Disponible en: https://ciencialatina.org/index.php/cienciala/article/view/10678 DOI:
http://dx.doi.org/10.37811/cl_rcm.v8i2.10678.
14. Longoni C, Cian L. Artificial Intelligence in Utilitarian vs. Hedonic Contexts: The “Word-of-Machine”
Effect. J Mark [Internet]. 2022 [citado 19 May 2025];86(1):91–108. Disponible en: https://journals.sagepub.
com/doi/10.1177/0022242920957347.
15. Abbas M, Jam FA, Khan TI. Is it harmful or helpful? Examining the causes and consequences of
generative AI usage among university students. Int J Educ Technol High Educ [Internet]. 2024 [citado
9 Jan 2025];21(1). Disponible en: https://link.springer.com/article/10.1186/s41239-024-00444-7
DOI: https://doi.org/10.1186/s41239-024-00444-7.
16. Malinka K, Peresíni M, Firc A, Hujnák O, Janus F. On the Educational Impact of ChatGPT: Is Artificial
Intelligence Ready to Obtain a University Degree? In: Proceedings of the 2023 Conference on
Innovation and Technology in Computer Science Education (ITiCSE); 2023 [citado 15 Jan 2025].
3587102.3588827.
17. Gocen A, Aydemir F. Artificial Intelligence in Education and Schools. Res Educ Media. [Internet].
2020 [citado 20 May 2025];12(1):13–21. Disponible en: https://sciendo.com/2/v2/download/article/
10.2478/rem-2020-0003.pdf DOI: http://dx.doi.org/10.2478/rem-2020-0003.
18. Daha ES, Altelwany AA. Exploring the impact of using - ChatGPT in light of goal orientations and
academic self-efficacy. Int J Instr [Internet]. 2025 [citado 25 May 2025];18(2):167–84. Disponible
en: https://e-iji.net/ats/index.php/pub/article/view/730 DOI: http://dx.doi.org/10.29333/iji.2025.18210a.
19. Ortega Azurduy M, Machaca Mamani J, Daza Morales J. El efecto de la Inteligencia Artificial en el
rendimiento académico de estudiantes de ciencias administrativas en la Universidad Católica
Boliviana. Rev Educ Super [Internet]. 2023 [citado 1 Jun 2025];10(3):13–22. Disponible en:
http://www.scielo.org.bo/scielo.php?pid=S2518-82832023000300013&script=sci_arttext DOI:
https://doi.org/ 10.53287/mzkv9068uw14f.
20. Hernández-Sampieri R, Mendoza Torres CP. Metodología de la investigación: las rutas cuantitativa,
cualitativa y mixta. México: McGraw-Hill Education; 2018.
21. Hernández-Sampieri R, Fernández Collado C, Baptista Lucio M del P. Metodología de la investigación.
6ª ed. México: McGraw-Hill; 2014.
22. Carrazco Díaz S. Metodología de la investigación científica. 2ª ed. Lima: Editorial San Marcos; 2019.
23. Ortega C. ¿Qué es el muestreo por conveniencia? [Internet]. 2024 [citado 22 Nov 2024]. Disponible
en: https://www.questionpro.com/blog/es/muestreo-por-conveniencia/.
24. Morales-García WC, Sairitupa-Sánchez LZ, Morales-García SB, Morales-García M. Development
and validation of a scale for dependence on artificial intelligence in university students. Frontiers in
Education. [Internet]. 2024 [citado 4 Jun 2025];9:1323898. Disponible en: https://www.frontiersin.org/
journals/education/articles/10.3389/feduc.2024.1323898/full DOI: 10.3389/feduc.2024.1323898.
25. Preciado-Serrano M de L, Ángel-González M, Colunga-Rodríguez C, Vázquez-Colunga JC,
Rendimiento Académico Universitario (Construction and Validation of the University Academic
[Internet]. 2021 [citado 6 Jun 2025];3(60):5 14. Disponible en: https://go.gale.com/ps/i.do?id=GA
LE%7CA758446785&sid=googleScholar&v=2.1&it=r&linkaccess=abs&issn=11353848&p=
AONE&sw=w&userGroupName=anon%7E40c47079&aty=open-web-entry DOI:10.21865/RIDEP
60.3.01.
26. Remaycuna-Vásquez A, Carrión-Barco G, Espinoza-Porras FR, Maquen Niño GLE. Validez y
confiabilidad de la escala de rendimiento académico desde la percepción del alumno. Revista de
https://dialnet.unirioja.es/servlet/articulo?codigo=9034432 DOI: 10.31876/rcs.v29i.40458.
27. Busko DA. Causes and consequences of perfectionism and procrastination: A structural equation
28. Domínguez Lara S, Villegas García G, Centeno Leyva S. Procrastinación académica: validación de
una escala en una muestra de estudiantes de una universidad privada. Liberabit [Internet]. 2014 [citado
12 Jun 2025];20(2):293–304. Disponible en: http://www.scielo.org.pe/pdf/liber/v20n2/a10v20n2.
29. Colegio de Psicólogos del Perú. Código de ética profesional. Lima: Colegio de Psicólogos del Perú;
2017.
30. Universidad Peruana Unión. Código de ética para la investigación (CoEIn). Lima: UPeU; 2016.
31. Avendaño Porras VC. La adicción a la inteligencia artificial: evaluación de prevalencia y factores de
riesgo en estudiantes de posgrado. Rev Enfoques [Internet]. 2024 Jun 30 [citado 16 Apr 2025];5:
66–88. Disponible en: https://revistasdigitales.uniboyaca.edu.co/index.php/EFQ/article/view/1405.
32. Steel P. The nature of procrastination: a meta-analytic and theoretical review of quintessential
self-regulatory failure. Psychological Bulletin, 2025 [citado 13 Apr 2025];133(1), 65–94. Disponible
en: https://psycnet.apa.org/buy/2006-23058-004 DOI: https://doi.org/10.1037/0033-2909.133.1.65.
33. Zumárraga-Espinosa M, Cevallos-Pozo G. Autoeficacia, procrastinación y rendimiento académico en
estudiantes universitarios de Ecuador. Alteridad [Internet]. 2022 [citado 18 Apr 2025];17(2):277–90.
Disponible en: https://revistas.ups.edu.ec/index.php/alteridad/article/view/5516.
34. Kim KR, Seo EH. The relationship between procrastination and academic performance: a meta-analysis.
Pers Individ Dif [Internet]. 2015 [citado 19 Apr 2025];82:26–33. Disponible en: https://www.sciencedirect.
com/science/article/abs/pii/S0191886915001610 DOI: https://doi.org/10.1016/j.paid.2015.02.038.
35. Rodríguez A, Clariana M. Procrastinación en Estudiantes Universitarios: Su Relación con la Edad y el
Curso Académico. Rev Colomb Psicol. [Internet]. 2017 [citado 20 Apr 2025];26(1):45–60. Disponible
en: http://www.scielo.org.co/pdf/rcps/v26n1/0121-5469-rcps-26-01-00045.pdf.
36. Honicke T, Broadbent J. The influence of academic self-efficacy on academic performance: a systematic
review. Educ Res Rev [Internet]. 2016 [citado 21 Apr 2025];17:63–84. Disponible en: https://www.sciencedirect.
com/science/article/abs/pii/S1747938X15000639 DOI: https://doi.org/10.1016/j.edurev.2015.11.002.
37. Cosme Garate GA, Cornejo Zúñiga AG, Chumacero Acosta JS, Ruiz Rios A, Tuesta Casique A, Alvarez
Arista Y. Enseñanza universitaria y recursos didácticos en el nivel de rendimiento de los estudiantes de
pregrado. Rev Científica Episteme y Tekne. [Internet]. 2022 [citado 23 Apr 2025];1(2):e380. Disponible
en: https://revistas.unsm.edu.pe/index.php/rceyt/article/view/380 DOI: 10.51252/rceyt.v1i2.380.
38. Zhang S, Zhao X, Zhou T, Kim JH. Do you have AI dependency? The roles of academic self-efficacy,
academic stress, and performance expectations on problematic AI usage behavior. Int J Educ Technol
High Educ. [Internet]. 2024 [citado 29 Apr 2025];21(1):1-15. Disponible en: http://dx.doi.org/10.1186/
s41239-024-00467-0.
39. Granda Aguilera DR, Lema Mullo L, Gallegos Gallegos AR. La dependencia de la inteligencia artificial
en los estudiantes de bachillerato: implicaciones y recomendaciones para un aprendizaje equilibrado.
Polo del Conoc. [Internet]. 2024 [citado 20 may 2025];9(7):2109–30. Disponible en: https://polodel
conocimiento.com/ojs/index.php/es/article/view/7618/html?utm_source=chatgpt.com.
Relación entre dependencia a la inteligencia artificial, rendimiento académico y procrastinación
académica en universitarios
Relationship between dependence on artificial intelligence, academic performance, and academic
procrastination in university students
https://doi.org/10.37135/ee.04.25.08
Autores:
Hilda Sapillado Condori - https://orcid.org/0009-0002-7963-9896
Giuliana Nadyn Vilca Quispe - https://orcid.org/0009-0002-1329-0839
Alcides Quispe Mamani - https://orcid.org/0000-0002-7404-7464
Afiliación:
Universidad Peruana Unión
Autor de correspondencia: Giuliana Nadyn Vilca Quispe. Universidad Peruana Unión (UPeU), Carretera Salida
a Arequipa km. 6 Villa Chullunquiani, Juliaca, Perú. Tel: +51 940799733. E-mail: giuliana.vilca@upeu.edu.pe
Recibido: 21 de mayo de 2025 Aceptado: 11 de diciembre de 2025
RESUMEN
Esta investigación tuvo como objetivo determinar la relación existente entre dependencia de la inteligencia
artificial, rendimiento y procrastinación académica en estudiantes universitarios de la región Puno. Así se
aplicó un diseño no experimental, de corte transversal y tipo correlacional, en una muestra de 492 universitarios
de distintas universidades, con edades entre 18 y 35 años. Se utilizaron las escalas de dependencia hacia la
inteligencia artificial DAI, rendimiento académico universitario RAU y procrastinación académica EPA. Los
resultados, el 53 % de los participantes fueron de sexo masculino, el 92,1 % tenían edades entre 18 y 25 años,
el 51,4 % provenían de una universidad nacional de Juliaca, matriculados entre el primer y tercer ciclo
(51,8 %), destacándose el área de ingenierías con el 49,4 % de participación. El 63,41 % de los participantes
indicaron tener mayor inclinación hacia el uso de ChatGPT. Los valores globales indicaron una correlación
inversa significativa, (r = -0,122; p = <0,007) entre dependencia a la IA y rendimiento académico; no existe
correlación significativa entre dependencia a la IA y procrastinación académica (r = 0,022, p = < 0,627),
demostrando que los universitarios que no presentan altos niveles de dependencia de la inteligencia artificial
mantienen niveles de rendimiento académico adecuados y no tienden a procrastinar. Se identificó relación
inversa significativa entre dependencia de IA y la falta de organización de material didáctico (r = -0,225, p = <0,000),
evidenciando que la desorganización de materiales de estudio podría activar la necesidad de recurrir a la IA
como una solución rápida.
Palabras clave: inteligencia artificial, rendimiento académico, educación.
ABSTRACT
This research aimed to determine the relationship between dependence on artificial intelligence, academic
performance, and procrastination among university students in the Puno region. A non-experimental,
cross-sectional, correlational study was conducted with a sample of 492 university students from different
universities, aged 18-35 years. The scales of dependence on artificial intelligence (DAI), university academic
performance (RAU), and academic procrastination (EPA) were used as measurement instruments. The
results showed that 53 % of the participants were male, 92.1 % were between 18 and 25 years old, 51.4 %
came from a national university in Juliaca, enrolled between the first and third cycles (51.8 %), with the
engineering field standing out with 49.4 % participation. Sixty-three point four one percent of participants
indicated a greater inclination toward using ChatGPT. The overall values showed a significant inverse correlation
(r = -0.122; p = <0.007) between AI dependence and academic performance; there is no significant correlation
between AI dependence and academic procrastination (r = 0.022, p = <0.627), demonstrating that university
students who do not have high levels of dependence on artificial intelligence maintain adequate academic
performance levels and do not tend to procrastinate. A significant inverse relationship was found between AI
dependence and the lack of organization of teaching materials (r = -0.225, p = <0.000), suggesting that
disorganized study materials can prompt the need to resort to AI as a quick fix.
Keywords: Artificial Intelligence, Academic Performance, Education.
INTRODUCCIÓN
La inteligencia artificial (IA) es una herramienta tecnológica cuyo uso se está expandiendo rápidamente en
la educación universitaria,
(1)
siendo los estudiantes quienes tienen una interacción con la IA al menos
semanalmente.
(2)
Según Tyton Partners,
(3)
el 59 % son estudiantes y el 40 % docentes. La IA fue desarrollada
como una herramienta para optimizar experiencias de aprendizaje, con el fin de fortalecer el rendimiento
académico del estudiante
(4)
a través del apoyo en la ejecución de tareas y trabajos, y incrementar las calificaciones
(5)
a través del acceso rápido, a recursos y asistencia personalizada,
(6)
siendo útil también para facilitar la
investigación académica.
(7)
En Perú, se halló que el 73,2 % de universitarios utilizan la IA para hacer sus
tareas e investigaciones,
(5)
Turnitin
(8)
sostiene que un 3 % de los trabajos examinados presentan un 80 % o
más de texto generado por IA. Dentro del mundo académico, el ChatGPT es la herramienta de IA más usada,
debido a su uso dinámico y versátil.
(9)
A pesar de las ventajas de esta tecnología, su aceptación sin control podría generar dependencia por parte de
los estudiantes y educadores
(10)
, provocar la pérdida de habilidades cognitivas,
(11)
la capacidad de pensar de
manera independiente y desarrollar habilidades esenciales como la investigación y análisis,
(6)
impulsando a
pensar como los algoritmos sin comprender,
(12, 13)
asimismo, incentivar la pereza y dificultades en la toma de
decisiones,
(11)
reduciendo la motivación para esforzarse intelectualmente,
(6)
poniendo en riesgo el rendimiento
académico, incluso llevándolo a manifestar comportamientos de procrastinación académica, como retrasos
en la finalización de tareas, retrasos en las clases y retrasos en eventos competitivos hasta el último
día, entre otros.
(14,15)
En un futuro, esto significaría que los egresados universitarios sean de baja calidad
(16)
y con habilidades profesionales deficientes.
(17)
Estudios previos evidenciaron que el uso de la IA afecta negativamente el rendimiento académico de los
estudiantes universitarios y está relacionado positivamente con la procrastinación donde, a mayor uso de la
IA menor rendimiento académico y mayor probabilidad de procrastinar,
(15)
asimismo, se encontró que la
dependencia de la IA afecta el rendimiento académico de los estudiantes conllevando a la pérdida de habilidades
de investigación y aprendizaje autónomo,
(13)
y que su uso excesivo puede contribuir inadvertidamente a
retrasos en las tareas académicas, también se reveló que el uso excesivo de ChatGPT puede provocar la
postergación de tareas y un menor rendimiento y desarrollo académico.
(18)
La intención de uso de la inteligencia
artificial por parte de los estudiantes está basada en la ética, la autoeficacia, la motivación y las expectativas de
resultados, los cuales influyen en el rendimiento académico ya sea favorable o desfavorable.
(19)
En Perú, se demostró que la IA afecta positivamente el rendimiento académico de los estudiantes de pregrado
y postgrado en un 48,1 %.
(5)
Asimismo, se destaca que los estudiantes con una actitud más favorable hacia la
IA tienen una clara comprensión y entendimiento de la IA, tienen confianza en su educación y experimentan
efectos positivos en su rendimiento académico.
La IA está transformando el ámbito educativo y los hábitos de estudio, por lo que es necesario investigar su
impacto en los estudiantes universitarios. En este contexto, se planteó la presente invetsigación con la finalidad
de determinar la relación existente entre dependencia de la inteligencia artificial, percepción del rendimiento
académico y procrastinación académica en estudiantes universitarios de la región Puno, en el segundo periodo
académico de 2024.
MATERIAL Y MÉTODOS
Diseño y contexto
Este estudio se llevó a cabo con un enfoque cuantitativo, diseño no experimental, de corte transeccional o
transversal y de tipo correlacional, con el objetivo de analizar la relación entre dos o más variables.
(20)
Participantes
Este estudio se realizó en la región Puno, Perú, con una población compuesta por estudiantes de diversas
universidades de la región, tanto instituciones públicas como privadas, matriculados en el segundo periodo
académico del 2024, se seleccionó una muestra de 492 estudiantes universitarios de distintas carreras,
diferenciadas en 3 grupos (Ingenierías, Biomédicas y Sociales), con edades comprendidas entre 18 y 35
años, pertenecían a ambos sexos y contaban con conocimientos previos sobre inteligencia artificial. Se
emplearon criterios de muestreo no probabilístico por conveniencia intencional
(21, 22)
seleccionando participantes
con disponibilidad para formar parte de la muestra.
(23)
Instrumentos
Escala de Dependencia hacia la Inteligencia Artificial (DAI), desarrollada en Perú por Morales-García et al.
(24)
La escala es unidimensional y consta de 5 ítems medidos a través de una escala tipo Likert: Completamente
falso para mí, Mayormente falso para mí, Ni verdadero ni falso para mí, Mayormente verdadero para mí y
Me describe perfectamente, con un puntaje máximo de 25 puntos dirigidos a estudiantes universitarios. Los
valores de alfa de Cronbach y el coeficiente omega de McDonald muestran una adecuada consistencia interna
La escala de rendimiento académico universitario (RAU) fue desarrollada por Preciado-Serrano et al
(25)
y validada por Remaycuna-Vásquez et al.
(26)
consta de 18 ítems y tres dimensiones: aportación en las
actividades académicas, dedicación al estudio y falta de organización de los recursos didácticos, se
miden mediante una escala de tipo Likert con 7 alternativas de respuesta: nunca, casi nunca, algunas
veces, regularmente, a menudo, casi siempre y siempre. El índice de confiabilidad del alfa de Cronbach
y omega de McDonald, a nivel general se evidencia que la fiabilidad es de 0.843 y 0.865 respectivamente,
la cual tiene valores aceptables.
Escala de Procrastinación Académica (EPA), creada por Busko
(27)
y validada para Perú por Domínguez et al.
(28)
esta adaptación consta de 12 ítems, divididos en 2 dimensiones autorregulación académica y postergación de
actividades. Los ítems son medidos según la escala de Likert: nunca, casi nunca, a veces, casi siempre y
siempre. Se obtuvieron umbrales de confianza a través del alfa de Cronbach, obteniéndose un indicador de
0,821 (IC al 95 %: 0,793; 0,847) para el factor autorregulación académica, y de 0,752 (IC al 95 %: 0,705;
0,792) para el factor postergación de actividades. El coeficiente omega estimó la confiabilidad de los factores,
logrando un indicador de 0,829 para el factor autorregulación académica y de 0,794 para el factor postergación
de actividades.
Análisis de datos
La recolección de datos se realizó mediante la aplicación de los instrumentos posteriormente se estructuraron
y procesaron utilizando Statistical Package for the Social Sciences (SPSS) versión 27 y Jamovi 2.3.28.0,
donde se empleó la estadística descriptiva e inferencial para la obtención de datos de frecuencia y correlación
de variables, así como la verificación de la distribución normal o anormal de las variables.
Aspectos éticos
El estudio fue aprobado por el comité de ética de la Universidad Peruana Unión, con número de aprobación
2024-CEB-FCS - UPeU-270 la cual se adhirió a los principios éticos del código de ética de investigación
establecidos por la misma institución. Asimismo, se puso en consideración las directrices del Código de
Ética del Colegio de Psicólogos del Perú aplicables a la investigación. Todos los participantes procedieron a
la firma del consentimiento informado, manifestando su aceptación para participar en el estudio y autorizan-
do el uso de los datos exclusivamente para fines académicos e investigativos.
(29, 30)
RESULTADOS
Para el análisis inferencial se empleó la prueba de correlación de Pearson, dado que las variables presentaron
distribución normal. En los casos en los que la normalidad no fue determinada, se complementó con la
verificación mediante coeficientes y valores p correspondientes.
Los resultados muestran que, del total de participantes, el 53, 9 % correspondió al sexo masculino y el 92,1%
presentaban edades entre 18 y 25 años. El 51,4 % fueron procedentes de la UNAJ, destacándose el área de
Ingeniería con participación del 49,4 %. Por otro lado, se muestra que la mayoría se encontraban matriculados
entre el I a III ciclo (51, 8 %). La información de los tipos de IAs que más utilizan como apoyo para su jornada
académica más relevantes fue: el ChatGPT con un 63,41 %, Canva (51,83 %), Meta.IA (40,65 %), Gemini
(26.42%) y Mendeley (24,39 %) como las IAs de mayor aceptación, además de otras IAs que son de baja
preferencia (Tabla 1).
Datos sociodemográficos
Tabla 1. Características de los participantes
Nota: *UNAP “Universidad Nacional del Altiplano”, UNAJ “Universidad Nacional de Juliaca”, UPEU “Universidad Peruana
Unión”
Los estudiantes universitarios de la región Puno son dependientes de la IA en un nivel “leve” (50,61 %), con
un rendimiento académico percibido de nivel “medio”, a excepción de la dimensión dedicación al estudio,
en donde el 40,9 % se percibe en un nivel “alto” y así mismo son procrastinadores en un nivel “promedio”
(57,3 %). (Tabla 2)
Tabla 2. Análisis descriptivo de dependencia a la IA, percepción de rendimiento académico y procrastina-
ción académica
Se detectó una relación inversa significativa entre dependencia a la inteligencia artificial y rendimiento
académico, con una intensidad de relación débil (r= -0,122, p=< 0,007) lo que señala que, a mayor rendimiento
académico de los estudiantes universitarios, menor dependencia de la IA. No se encontró una correlación con
la procrastinación (r= 0,022, p=< 0,627) lo que sugiere que ambas variables son independientes y no se afectan
entre sí. En cambio, se observa una correlación inversa y altamente significativa, con una intensidad de
relación moderada (r = -0,333, p =< 0,000) entre rendimiento académico y procrastinación académica, lo que
evidencia que a menor procrastinación académica, mayor rendimiento académico (Tabla 3).
Tabla 3. Correlación entre dependencia de la IA, percepción de rendimiento académico y procrastinación
académica y sus dimensiones.
Nota: * p < .05, ** p < .01, *** p < .001. Prueba estadística utilizada: Coeficiente de correlación de Pearson
Las aportaciones a las actividades académicas no se relacionan con dependencia de la IA (r= - 0,040,
p = 0,371), sin embargo, presenta una relación directa altamente significativa con una intensidad fuerte
con rendimiento académico (r = 0.884, p = < 0.000) y una relación inversa con la procrastinación
académica (r = -0.296, p = < 0.000) lo que indica que, a mayor aportación a las actividades académicas,
mayor rendimiento académico y menor tendencia a procrastinar. La dedicación al estudio es independiente y
no se relaciona con dependencia de la IA (r = -0,053, p = < 0,237), pero tiene una fuerte relación positiva con
el rendimiento académico (r,= 0,835, p = < 0,000) y una relación inversa con la procrastinación académica
(r= -0,323; p = <0,000) que indica que, a mayor compromiso con el estudio, mejor desempeño académico y
menos propenso a procrastinar. La falta de organización de los recursos didácticos tiene una relación inversamente
significativa con la dependencia de la IA con una intensidad leve (r =-0,225, p = <0.000), lo que sugiere que una
organización más eficiente implica una dependencia menor de la IA; no se relaciona con la procrastinación
académica, pero sí con el rendimiento académico (r = 0,371, p = < 0.000), ya que una falta de organización
no necesariamente afecta negativamente el desempeño académico. La autorregulación académica no está
relacionada con la dependencia a la inteligencia artificial, sino que mantiene una relación inversa con el
rendimiento académico (r = -0,327, p = < 0.000) y una relación directa de gran relevancia con intensidad
fuerte con procrastinación académica (r = 0.952, p = < 0,000), indicando que en ciertos contextos los alumnos
con menos control o regulación sobre su propio proceso de aprendizaje suelen lograr mejores resultados
académicos y que a mayor capacidad de control del aprendizaje, mayor es la predisposición a procrastinar.
Finalmente, la postergación de actividades no se relaciona con la dependencia a la IA, sin embargo, tiene una
relación inversa débil con el rendimiento académico (r = -0,163, p = < 0,000) y una correlación positiva con
procrastinación académica (r = 0,576, p = < 0,000) lo que indica que una mayor postergación se asocia con
un menor rendimiento académico y una mayor tendencia a procrastinar. (Tabla 4)
Tabla 4. Correlación entre dependencia de la IA, rendimiento académico, procrastinación académica y sus
dimensiones.
DISCUSIÓN
El objetivo general del estudio fue determinar la relación entre la dependencia de la inteligencia artificial
(IA), la percepción del rendimiento académico y la procrastinación académica en estudiantes universitarios
de la región Puno durante el segundo periodo del 2024. Los resultados obtenidos permiten discutir los hallazgos
desde una perspectiva comparativa con investigaciones previas y en función de los objetivos planteados.
En relación con el primer objetivo, se identificó una correlación inversa significativa entre la dependencia a
la IA y el rendimiento académico (r = -0,122; p < 0,007), lo que indica que los estudiantes con menor depen-
dencia de la IA presentan un mejor desempeño académico. Este hallazgo coincide con lo reportado por Del
Cisne et al.
(13)
y Avendaño,
(31)
quienes evidenciaron que una alta dependencia tecnológica puede afectar nega-
tivamente el rendimiento académico hasta en un 65 %, debido a la pérdida de autonomía cognitiva y de habi-
lidades analíticas. Sin embargo, cuando la IA se utiliza como herramienta de apoyo complementario, puede
potenciar la productividad y mejorar la comprensión de los contenidos.
(19)
Por consiguiente, el estudio reafirma
la necesidad de fomentar un uso responsable y pedagógico de la IA en el entorno universitario, donde el criterio
humano y el pensamiento crítico sigan siendo fundamentales para la formación académica.
Respecto al segundo objetivo, orientado a analizar la relación entre la dependencia a la IA y la procrastinación
académica, no se identificó una correlación significativa (r = 0.022; p < 0.627). Este resultado sugiere que el
uso de herramientas de IA no influye directamente en los niveles de procrastinación. A diferencia de lo
planteado por Abbas et al.
(15)
quienes encontraron una relación positiva entre el uso excesivo de ChatGPT y
la postergación de actividades, los datos de este estudio muestran que la procrastinación puede estar determinada
por otros factores personales, como la autoeficacia, la motivación intrínseca y la capacidad de autorregulación.
(32)
Por tanto, la dependencia tecnológica no sería el principal factor desencadenante de la procrastinación,
aunque un uso desmedido de la IA podría, en algunos casos, reforzar hábitos de postergación si no se acompaña
de un control adecuado del tiempo y la planificación.
En cuanto al tercer objetivo, se identificó una relación inversa y altamente significativa entre el rendimiento
académico y la procrastinación académica (r = -0,333; p < 0,000). Este resultado confirma lo encontrado por
Zumárraga y Cevallos
(33)
y Kim y Seo,
(34)
quienes sostienen que la procrastinación afecta negativamente el
rendimiento académico al reducir la dedicación al estudio y la organización del tiempo. Los estudiantes con
altos niveles de rendimiento académico tienden a postergar menos sus actividades, muestran mayor motivación
y presentan una gestión más eficiente de sus recursos y objetivos
(35,36)
Este hallazgo respalda la importancia de
promover estrategias de autorregulación y gestión del tiempo en el ámbito universitario, como medios efectivos
para contrarrestar los efectos negativos de la procrastinación.
Por otra parte, el análisis de las dimensiones específicas aporta evidencia adicional. Se halló una relación
inversa significativa entre la dependencia de la IA y la falta de organización de los recursos didácticos
REE 20(1) Riobamba ene. - abr. 2026
cc
BY NC ND
140
ISSN-impreso 1390-7581
ISSN-digital 2661-6742
(r = -0,225; p < 0,000),
lo que sugiere que los estudiantes con menor organización tienden a recurrir más a
la IA como solución inmediata ante la demanda académica. Este resultado se alinea con los hallazgos de
Cosme Garate et al.
(37)
y Zhang et al.,
(38)
quienes señalan que una deficiente gestión de materiales de estudio
puede incrementar el estrés y la dependencia de herramientas tecnológicas. Además, Granda Aguilera et
al.
(39)
y Ahmad et al.,
(11)
advierten que la dependencia excesiva de la IA puede debilitar la organización, el
pensamiento crítico y la autonomía académica, fomentando hábitos de dependencia cognitiva. Por tanto,
fortalecer las competencias de planificación y organización se vuelve esencial para evitar la sobreutilización
de la IA.
Asimismo, los resultados indican que la autorregulación académica no se relaciona significativamente con la
dependencia de la IA, lo cual demuestra que los estudiantes conservan su capacidad de control y gestión del
aprendizaje.
(25)
Este hallazgo es positivo, pues refleja que la mayoría utiliza la IA como una herramienta de
apoyo y no como un sustituto de sus procesos de trabajo académico. No obstante, es necesario enfatizar la
formación ética y digital para garantizar un equilibrio entre el uso tecnológico y el desarrollo de habilidades
de razonamiento, análisis y creatividad.
Finalmente, el hecho de no haber identificado una correlación estadísticamente significativa entre la depen-
dencia de la IA y la postergación de actividades (r = 0.02; p < 0.647) confirma que la procrastinación no
depende exclusivamente del uso de la IA, sino que responde a una interacción compleja de factores psicológicos,
académicos y sociales. Sin embargo, como sostienen Abbas et al.
(15)
el uso inadecuado o desmedido de
herramientas como ChatGPT puede inducir conductas de procrastinación cuando reemplaza la reflexión
personal o el esfuerzo intelectual, en lugar de servir como un medio de aprendizaje activo.
CONCLUSIONES
Los resultados evidencian que una menor dependencia de la IA se asocia con un mejor rendimiento académico
y que, a su vez, un mayor rendimiento académico se relaciona con menores niveles de procrastinación. Por
otro lado, no se identificó una relación significativa entre la dependencia de la IA y la procrastinación; sin
embargo, sí se encontró una asociación con la dimensión referida a la falta de organización de los recursos
didácticos. Los hallazgos destacan la importancia de promover un uso responsable de la IA en estudiantes.
Limitaciones del estudio: Entre las principales limitaciones se encuentra el uso de un muestreo no probabilístico
por conveniencia, lo que restringe la generalización de los resultados a otras poblaciones universitarias.
Asimismo, el estudio se basó en instrumentos de autoinforme, los cuales pueden estar sujetos a sesgos de
percepción y deseabilidad social. Finalmente, al tratarse de un diseño transversal, no es posible establecer
relaciones causales entre las variables analizadas. Se recomienda que futuras investigaciones incorporen
diseños longitudinales y muestras más diversas para profundizar en estos hallazgos.
Financiamiento: Investigación financiada por los autores.
Agradecimientos: A los directivos del vicerrectorado de investigación de la Universidad Peruana Unión.
Conflictos de intereses: Los autores no tienen intereses en competencia.
Declaración de contribución:
Hilda Sapillado Condori y Giuliana Nadyn Vilca Quispe participaron en todo el proceso integral de la inves-
tigación y la redacción del artículo.
Alcides Quispe Mamani participó como asesor del estudio, revisión y aprobación de la versión final
REFERENCIAS BIBLIOGRÁFICAS
1. Acosta P. El impacto de la inteligencia artificial en la educación superior. Informe del Consejo de
Europa - ES de ES: Aprendemos entre todos [Internet]. 2022 [citado 8 Nov 2025]. Disponible en:
https://www.espaciosdeeducacionsuperior.es/07/12/2022/__trashed-2__trashed/.
2. Digital Education Council global AI student survey 2024. Encuesta mundial sobre inteligencia artificial
a estudiantes del Consejo de Educación Digital 2024 [Internet]. [cited 5 Mar 2025]. Disponible en:
https://www.digitaleducationcouncil.com/post/digital-education-council-global-ai-student-survey-2024.
3. Tyton Partners. Time for Class 2024: Unlocking access to effective digital teaching and learning
[Internet]. 2024 [citado 10 Nov 2024]. Disponible en: https://4213961.fs1.hubspotusercontent-na1.net/
hubfs/4213961/Publications/Time%20for%20Class%202024.pdf.
4. Rojas Marín F de los Á, Espinoza Padilla JG, Mendoza Pacheco MF. Inteligencia Artificial: Dependencia
y la Afección del Pensamiento Crítico. Cienc Lat Rev Científica Multidiscip. [Internet]. 2024 [citado
7 Mar 2025]; 8(4):12590–608. Disponible en: https://ciencialatina.org/index.php/cienciala/article/
view/13462.
5. Espinoza Vidaurre SM, Velásquez Rodríguez NC, Gambetta Quelopana RL, Martínez Valdivia AN,
Leo Rossi EA, Laura de la Cruz KM, et al. Influencia de la inteligencia artificial en la eficiencia del
rendimiento académico: un análisis de determinantes. RISTI - Rev Ibér Sist Tecnol Inf [Internet].
2024 [citado 9 Mar 2025]; E70:399–418. disponible en: https://dialnet.unirioja.es/servlet/articulo?
codigo=9886376.
6. Mukhtar M, Firdos SS, Zaka I, Naeem S. Impact of AI dependence on procrastination among university
students. Research Journal of Psychology [Internet]. 2025 [citado 4 Oct 2025];3(1):246–57. Disponible
en: https://ctrjournal.com/index.php/19/article/view/62 Int J Educ Innov Res. 2025;3(1):11–22.
7. Gavilanes Vásquez PG, Adum Ruiz JH, García Ruiz GS, Ruíz Ortega MG. Impacto de la inteligencia
artificial en la educación superior: una mirada hacia el futuro. RECIAMUC [Internet]. 2024 [citado
6 Oct 2025];8(2):213–21. Disponible en: https://www.reciamuc.com/index.php/RECIAMUC/article/
view/1371 DOI: http://dx.doi.org/10.26820/reciamuc/8.(2).abril.2024.213-221.
8. Turnitin. Estudio Time for Class: ¿Cuál ha sido el impacto de la IA en el aprendizaje de los estudiantes
en la era digital? [Internet]. Turnitin.com. 2024. [citado 13 Mar 2025]. Disponible en: https://www.
turnitin.com/press/turnitin-estudio-time-for-class.
9. Sabzalieva E, Valentini A. ChatGPT e inteligencia artificial en la educación superior: Guía de inicio
rápido. [Internet]. París: UNESCO IESALC;2023;1–16. [citado 15 Mar 2025]. Disponible en:
https://unesdoc.unesco.org/ark:/48223/pf0000385146_spa/PDF/385146spa.pdf.multi.
10. Seo K, Tang J, Roll I, Fels S, Yoon D. The impact of artificial intelligence on learner–instructor
interaction in online learning. Int J Educ Technol High Educ [Internet]. 2021 [citado 17 Mar 2025];
18(1):1–14. Disponible en: https://link.springer.com/article/10.1186/s41239-021-00292-9 DOI:
https://doi.org/10.1186/s41239-021-00292-9.
11. Ahmad SF, Han H, Alam MM, Rehmat MK, Irshad M, Arraño-Muñoz M, et al. Impact of artificial
intelligence on human loss in decision-making, laziness and safety in education. Humanit Soc Sci
Commun [Internet]. 2023 [citado 19 Mar 2025];10(1):311. Disponible en: https://www.nature.com/
articles/s41599-023-01787-8 DOI:10.1057/s41599 023 017878.
12.
[citado 8 May 2025]; 20. Disponible en: https://www.khaleejtimes.com/nation/dubai/Is-AI-makin
ghumans-lazy-Here-what-UAE-residents-say.
13. Del Cisne Loján M, Antonio Romero J, Sancho Aguilera D, Yajaira Romero A. Consecuencias de la
Dependencia de la Inteligencia Artificial en Habilidades Críticas y Aprendizaje Autónomo en los
Estudiantes. Cienc Lat Rev Científica Multidiscip. [Internet]. 2024 [citado 15 May 2025];8(2):
2368–2382. Disponible en: https://ciencialatina.org/index.php/cienciala/article/view/10678 DOI:
http://dx.doi.org/10.37811/cl_rcm.v8i2.10678.
14. Longoni C, Cian L. Artificial Intelligence in Utilitarian vs. Hedonic Contexts: The “Word-of-Machine”
Effect. J Mark [Internet]. 2022 [citado 19 May 2025];86(1):91–108. Disponible en: https://journals.sagepub.
com/doi/10.1177/0022242920957347.
15. Abbas M, Jam FA, Khan TI. Is it harmful or helpful? Examining the causes and consequences of
generative AI usage among university students. Int J Educ Technol High Educ [Internet]. 2024 [citado
9 Jan 2025];21(1). Disponible en: https://link.springer.com/article/10.1186/s41239-024-00444-7
DOI: https://doi.org/10.1186/s41239-024-00444-7.
16. Malinka K, Peresíni M, Firc A, Hujnák O, Janus F. On the Educational Impact of ChatGPT: Is Artificial
Intelligence Ready to Obtain a University Degree? In: Proceedings of the 2023 Conference on
Innovation and Technology in Computer Science Education (ITiCSE); 2023 [citado 15 Jan 2025].
3587102.3588827.
17. Gocen A, Aydemir F. Artificial Intelligence in Education and Schools. Res Educ Media. [Internet].
2020 [citado 20 May 2025];12(1):13–21. Disponible en: https://sciendo.com/2/v2/download/article/
10.2478/rem-2020-0003.pdf DOI: http://dx.doi.org/10.2478/rem-2020-0003.
18. Daha ES, Altelwany AA. Exploring the impact of using - ChatGPT in light of goal orientations and
academic self-efficacy. Int J Instr [Internet]. 2025 [citado 25 May 2025];18(2):167–84. Disponible
en: https://e-iji.net/ats/index.php/pub/article/view/730 DOI: http://dx.doi.org/10.29333/iji.2025.18210a.
19. Ortega Azurduy M, Machaca Mamani J, Daza Morales J. El efecto de la Inteligencia Artificial en el
rendimiento académico de estudiantes de ciencias administrativas en la Universidad Católica
Boliviana. Rev Educ Super [Internet]. 2023 [citado 1 Jun 2025];10(3):13–22. Disponible en:
http://www.scielo.org.bo/scielo.php?pid=S2518-82832023000300013&script=sci_arttext DOI:
https://doi.org/ 10.53287/mzkv9068uw14f.
20. Hernández-Sampieri R, Mendoza Torres CP. Metodología de la investigación: las rutas cuantitativa,
cualitativa y mixta. México: McGraw-Hill Education; 2018.
21. Hernández-Sampieri R, Fernández Collado C, Baptista Lucio M del P. Metodología de la investigación.
6ª ed. México: McGraw-Hill; 2014.
22. Carrazco Díaz S. Metodología de la investigación científica. 2ª ed. Lima: Editorial San Marcos; 2019.
23. Ortega C. ¿Qué es el muestreo por conveniencia? [Internet]. 2024 [citado 22 Nov 2024]. Disponible
en: https://www.questionpro.com/blog/es/muestreo-por-conveniencia/.
24. Morales-García WC, Sairitupa-Sánchez LZ, Morales-García SB, Morales-García M. Development
and validation of a scale for dependence on artificial intelligence in university students. Frontiers in
Education. [Internet]. 2024 [citado 4 Jun 2025];9:1323898. Disponible en: https://www.frontiersin.org/
journals/education/articles/10.3389/feduc.2024.1323898/full DOI: 10.3389/feduc.2024.1323898.
25. Preciado-Serrano M de L, Ángel-González M, Colunga-Rodríguez C, Vázquez-Colunga JC,
Rendimiento Académico Universitario (Construction and Validation of the University Academic
[Internet]. 2021 [citado 6 Jun 2025];3(60):5 14. Disponible en: https://go.gale.com/ps/i.do?id=GA
LE%7CA758446785&sid=googleScholar&v=2.1&it=r&linkaccess=abs&issn=11353848&p=
AONE&sw=w&userGroupName=anon%7E40c47079&aty=open-web-entry DOI:10.21865/RIDEP
60.3.01.
26. Remaycuna-Vásquez A, Carrión-Barco G, Espinoza-Porras FR, Maquen Niño GLE. Validez y
confiabilidad de la escala de rendimiento académico desde la percepción del alumno. Revista de
https://dialnet.unirioja.es/servlet/articulo?codigo=9034432 DOI: 10.31876/rcs.v29i.40458.
27. Busko DA. Causes and consequences of perfectionism and procrastination: A structural equation
28. Domínguez Lara S, Villegas García G, Centeno Leyva S. Procrastinación académica: validación de
una escala en una muestra de estudiantes de una universidad privada. Liberabit [Internet]. 2014 [citado
12 Jun 2025];20(2):293–304. Disponible en: http://www.scielo.org.pe/pdf/liber/v20n2/a10v20n2.
29. Colegio de Psicólogos del Perú. Código de ética profesional. Lima: Colegio de Psicólogos del Perú;
2017.
30. Universidad Peruana Unión. Código de ética para la investigación (CoEIn). Lima: UPeU; 2016.
31. Avendaño Porras VC. La adicción a la inteligencia artificial: evaluación de prevalencia y factores de
riesgo en estudiantes de posgrado. Rev Enfoques [Internet]. 2024 Jun 30 [citado 16 Apr 2025];5:
66–88. Disponible en: https://revistasdigitales.uniboyaca.edu.co/index.php/EFQ/article/view/1405.
32. Steel P. The nature of procrastination: a meta-analytic and theoretical review of quintessential
self-regulatory failure. Psychological Bulletin, 2025 [citado 13 Apr 2025];133(1), 65–94. Disponible
en: https://psycnet.apa.org/buy/2006-23058-004 DOI: https://doi.org/10.1037/0033-2909.133.1.65.
33. Zumárraga-Espinosa M, Cevallos-Pozo G. Autoeficacia, procrastinación y rendimiento académico en
estudiantes universitarios de Ecuador. Alteridad [Internet]. 2022 [citado 18 Apr 2025];17(2):277–90.
Disponible en: https://revistas.ups.edu.ec/index.php/alteridad/article/view/5516.
34. Kim KR, Seo EH. The relationship between procrastination and academic performance: a meta-analysis.
Pers Individ Dif [Internet]. 2015 [citado 19 Apr 2025];82:26–33. Disponible en: https://www.sciencedirect.
com/science/article/abs/pii/S0191886915001610 DOI: https://doi.org/10.1016/j.paid.2015.02.038.
35. Rodríguez A, Clariana M. Procrastinación en Estudiantes Universitarios: Su Relación con la Edad y el
Curso Académico. Rev Colomb Psicol. [Internet]. 2017 [citado 20 Apr 2025];26(1):45–60. Disponible
en: http://www.scielo.org.co/pdf/rcps/v26n1/0121-5469-rcps-26-01-00045.pdf.
36. Honicke T, Broadbent J. The influence of academic self-efficacy on academic performance: a systematic
review. Educ Res Rev [Internet]. 2016 [citado 21 Apr 2025];17:63–84. Disponible en: https://www.sciencedirect.
com/science/article/abs/pii/S1747938X15000639 DOI: https://doi.org/10.1016/j.edurev.2015.11.002.
37. Cosme Garate GA, Cornejo Zúñiga AG, Chumacero Acosta JS, Ruiz Rios A, Tuesta Casique A, Alvarez
Arista Y. Enseñanza universitaria y recursos didácticos en el nivel de rendimiento de los estudiantes de
pregrado. Rev Científica Episteme y Tekne. [Internet]. 2022 [citado 23 Apr 2025];1(2):e380. Disponible
en: https://revistas.unsm.edu.pe/index.php/rceyt/article/view/380 DOI: 10.51252/rceyt.v1i2.380.
38. Zhang S, Zhao X, Zhou T, Kim JH. Do you have AI dependency? The roles of academic self-efficacy,
academic stress, and performance expectations on problematic AI usage behavior. Int J Educ Technol
High Educ. [Internet]. 2024 [citado 29 Apr 2025];21(1):1-15. Disponible en: http://dx.doi.org/10.1186/
s41239-024-00467-0.
39. Granda Aguilera DR, Lema Mullo L, Gallegos Gallegos AR. La dependencia de la inteligencia artificial
en los estudiantes de bachillerato: implicaciones y recomendaciones para un aprendizaje equilibrado.
Polo del Conoc. [Internet]. 2024 [citado 20 may 2025];9(7):2109–30. Disponible en: https://polodel
conocimiento.com/ojs/index.php/es/article/view/7618/html?utm_source=chatgpt.com.
Relación entre dependencia a la inteligencia artificial, rendimiento académico y procrastinación
académica en universitarios
Relationship between dependence on artificial intelligence, academic performance, and academic
procrastination in university students
https://doi.org/10.37135/ee.04.25.08
Autores:
Hilda Sapillado Condori - https://orcid.org/0009-0002-7963-9896
Giuliana Nadyn Vilca Quispe - https://orcid.org/0009-0002-1329-0839
Alcides Quispe Mamani - https://orcid.org/0000-0002-7404-7464
Afiliación:
Universidad Peruana Unión
Autor de correspondencia: Giuliana Nadyn Vilca Quispe. Universidad Peruana Unión (UPeU), Carretera Salida
a Arequipa km. 6 Villa Chullunquiani, Juliaca, Perú. Tel: +51 940799733. E-mail: giuliana.vilca@upeu.edu.pe
Recibido: 21 de mayo de 2025 Aceptado: 11 de diciembre de 2025
RESUMEN
Esta investigación tuvo como objetivo determinar la relación existente entre dependencia de la inteligencia
artificial, rendimiento y procrastinación académica en estudiantes universitarios de la región Puno. Así se
aplicó un diseño no experimental, de corte transversal y tipo correlacional, en una muestra de 492 universitarios
de distintas universidades, con edades entre 18 y 35 años. Se utilizaron las escalas de dependencia hacia la
inteligencia artificial DAI, rendimiento académico universitario RAU y procrastinación académica EPA. Los
resultados, el 53 % de los participantes fueron de sexo masculino, el 92,1 % tenían edades entre 18 y 25 años,
el 51,4 % provenían de una universidad nacional de Juliaca, matriculados entre el primer y tercer ciclo
(51,8 %), destacándose el área de ingenierías con el 49,4 % de participación. El 63,41 % de los participantes
indicaron tener mayor inclinación hacia el uso de ChatGPT. Los valores globales indicaron una correlación
inversa significativa, (r = -0,122; p = <0,007) entre dependencia a la IA y rendimiento académico; no existe
correlación significativa entre dependencia a la IA y procrastinación académica (r = 0,022, p = < 0,627),
demostrando que los universitarios que no presentan altos niveles de dependencia de la inteligencia artificial
mantienen niveles de rendimiento académico adecuados y no tienden a procrastinar. Se identificó relación
inversa significativa entre dependencia de IA y la falta de organización de material didáctico (r = -0,225, p = <0,000),
evidenciando que la desorganización de materiales de estudio podría activar la necesidad de recurrir a la IA
como una solución rápida.
Palabras clave: inteligencia artificial, rendimiento académico, educación.
ABSTRACT
This research aimed to determine the relationship between dependence on artificial intelligence, academic
performance, and procrastination among university students in the Puno region. A non-experimental,
cross-sectional, correlational study was conducted with a sample of 492 university students from different
universities, aged 18-35 years. The scales of dependence on artificial intelligence (DAI), university academic
performance (RAU), and academic procrastination (EPA) were used as measurement instruments. The
results showed that 53 % of the participants were male, 92.1 % were between 18 and 25 years old, 51.4 %
came from a national university in Juliaca, enrolled between the first and third cycles (51.8 %), with the
engineering field standing out with 49.4 % participation. Sixty-three point four one percent of participants
indicated a greater inclination toward using ChatGPT. The overall values showed a significant inverse correlation
(r = -0.122; p = <0.007) between AI dependence and academic performance; there is no significant correlation
between AI dependence and academic procrastination (r = 0.022, p = <0.627), demonstrating that university
students who do not have high levels of dependence on artificial intelligence maintain adequate academic
performance levels and do not tend to procrastinate. A significant inverse relationship was found between AI
dependence and the lack of organization of teaching materials (r = -0.225, p = <0.000), suggesting that
disorganized study materials can prompt the need to resort to AI as a quick fix.
Keywords: Artificial Intelligence, Academic Performance, Education.
INTRODUCCIÓN
La inteligencia artificial (IA) es una herramienta tecnológica cuyo uso se está expandiendo rápidamente en
la educación universitaria,
(1)
siendo los estudiantes quienes tienen una interacción con la IA al menos
semanalmente.
(2)
Según Tyton Partners,
(3)
el 59 % son estudiantes y el 40 % docentes. La IA fue desarrollada
como una herramienta para optimizar experiencias de aprendizaje, con el fin de fortalecer el rendimiento
académico del estudiante
(4)
a través del apoyo en la ejecución de tareas y trabajos, y incrementar las calificaciones
(5)
a través del acceso rápido, a recursos y asistencia personalizada,
(6)
siendo útil también para facilitar la
investigación académica.
(7)
En Perú, se halló que el 73,2 % de universitarios utilizan la IA para hacer sus
tareas e investigaciones,
(5)
Turnitin
(8)
sostiene que un 3 % de los trabajos examinados presentan un 80 % o
más de texto generado por IA. Dentro del mundo académico, el ChatGPT es la herramienta de IA más usada,
debido a su uso dinámico y versátil.
(9)
A pesar de las ventajas de esta tecnología, su aceptación sin control podría generar dependencia por parte de
los estudiantes y educadores
(10)
, provocar la pérdida de habilidades cognitivas,
(11)
la capacidad de pensar de
manera independiente y desarrollar habilidades esenciales como la investigación y análisis,
(6)
impulsando a
pensar como los algoritmos sin comprender,
(12, 13)
asimismo, incentivar la pereza y dificultades en la toma de
decisiones,
(11)
reduciendo la motivación para esforzarse intelectualmente,
(6)
poniendo en riesgo el rendimiento
académico, incluso llevándolo a manifestar comportamientos de procrastinación académica, como retrasos
en la finalización de tareas, retrasos en las clases y retrasos en eventos competitivos hasta el último
día, entre otros.
(14,15)
En un futuro, esto significaría que los egresados universitarios sean de baja calidad
(16)
y con habilidades profesionales deficientes.
(17)
Estudios previos evidenciaron que el uso de la IA afecta negativamente el rendimiento académico de los
estudiantes universitarios y está relacionado positivamente con la procrastinación donde, a mayor uso de la
IA menor rendimiento académico y mayor probabilidad de procrastinar,
(15)
asimismo, se encontró que la
dependencia de la IA afecta el rendimiento académico de los estudiantes conllevando a la pérdida de habilidades
de investigación y aprendizaje autónomo,
(13)
y que su uso excesivo puede contribuir inadvertidamente a
retrasos en las tareas académicas, también se reveló que el uso excesivo de ChatGPT puede provocar la
postergación de tareas y un menor rendimiento y desarrollo académico.
(18)
La intención de uso de la inteligencia
artificial por parte de los estudiantes está basada en la ética, la autoeficacia, la motivación y las expectativas de
resultados, los cuales influyen en el rendimiento académico ya sea favorable o desfavorable.
(19)
En Perú, se demostró que la IA afecta positivamente el rendimiento académico de los estudiantes de pregrado
y postgrado en un 48,1 %.
(5)
Asimismo, se destaca que los estudiantes con una actitud más favorable hacia la
IA tienen una clara comprensión y entendimiento de la IA, tienen confianza en su educación y experimentan
efectos positivos en su rendimiento académico.
La IA está transformando el ámbito educativo y los hábitos de estudio, por lo que es necesario investigar su
impacto en los estudiantes universitarios. En este contexto, se planteó la presente invetsigación con la finalidad
de determinar la relación existente entre dependencia de la inteligencia artificial, percepción del rendimiento
académico y procrastinación académica en estudiantes universitarios de la región Puno, en el segundo periodo
académico de 2024.
MATERIAL Y MÉTODOS
Diseño y contexto
Este estudio se llevó a cabo con un enfoque cuantitativo, diseño no experimental, de corte transeccional o
transversal y de tipo correlacional, con el objetivo de analizar la relación entre dos o más variables.
(20)
Participantes
Este estudio se realizó en la región Puno, Perú, con una población compuesta por estudiantes de diversas
universidades de la región, tanto instituciones públicas como privadas, matriculados en el segundo periodo
académico del 2024, se seleccionó una muestra de 492 estudiantes universitarios de distintas carreras,
diferenciadas en 3 grupos (Ingenierías, Biomédicas y Sociales), con edades comprendidas entre 18 y 35
años, pertenecían a ambos sexos y contaban con conocimientos previos sobre inteligencia artificial. Se
emplearon criterios de muestreo no probabilístico por conveniencia intencional
(21, 22)
seleccionando participantes
con disponibilidad para formar parte de la muestra.
(23)
Instrumentos
Escala de Dependencia hacia la Inteligencia Artificial (DAI), desarrollada en Perú por Morales-García et al.
(24)
La escala es unidimensional y consta de 5 ítems medidos a través de una escala tipo Likert: Completamente
falso para mí, Mayormente falso para mí, Ni verdadero ni falso para mí, Mayormente verdadero para mí y
Me describe perfectamente, con un puntaje máximo de 25 puntos dirigidos a estudiantes universitarios. Los
valores de alfa de Cronbach y el coeficiente omega de McDonald muestran una adecuada consistencia interna
La escala de rendimiento académico universitario (RAU) fue desarrollada por Preciado-Serrano et al
(25)
y validada por Remaycuna-Vásquez et al.
(26)
consta de 18 ítems y tres dimensiones: aportación en las
actividades académicas, dedicación al estudio y falta de organización de los recursos didácticos, se
miden mediante una escala de tipo Likert con 7 alternativas de respuesta: nunca, casi nunca, algunas
veces, regularmente, a menudo, casi siempre y siempre. El índice de confiabilidad del alfa de Cronbach
y omega de McDonald, a nivel general se evidencia que la fiabilidad es de 0.843 y 0.865 respectivamente,
la cual tiene valores aceptables.
Escala de Procrastinación Académica (EPA), creada por Busko
(27)
y validada para Perú por Domínguez et al.
(28)
esta adaptación consta de 12 ítems, divididos en 2 dimensiones autorregulación académica y postergación de
actividades. Los ítems son medidos según la escala de Likert: nunca, casi nunca, a veces, casi siempre y
siempre. Se obtuvieron umbrales de confianza a través del alfa de Cronbach, obteniéndose un indicador de
0,821 (IC al 95 %: 0,793; 0,847) para el factor autorregulación académica, y de 0,752 (IC al 95 %: 0,705;
0,792) para el factor postergación de actividades. El coeficiente omega estimó la confiabilidad de los factores,
logrando un indicador de 0,829 para el factor autorregulación académica y de 0,794 para el factor postergación
de actividades.
Análisis de datos
La recolección de datos se realizó mediante la aplicación de los instrumentos posteriormente se estructuraron
y procesaron utilizando Statistical Package for the Social Sciences (SPSS) versión 27 y Jamovi 2.3.28.0,
donde se empleó la estadística descriptiva e inferencial para la obtención de datos de frecuencia y correlación
de variables, así como la verificación de la distribución normal o anormal de las variables.
Aspectos éticos
El estudio fue aprobado por el comité de ética de la Universidad Peruana Unión, con número de aprobación
2024-CEB-FCS - UPeU-270 la cual se adhirió a los principios éticos del código de ética de investigación
establecidos por la misma institución. Asimismo, se puso en consideración las directrices del Código de
Ética del Colegio de Psicólogos del Perú aplicables a la investigación. Todos los participantes procedieron a
la firma del consentimiento informado, manifestando su aceptación para participar en el estudio y autorizan-
do el uso de los datos exclusivamente para fines académicos e investigativos.
(29, 30)
RESULTADOS
Para el análisis inferencial se empleó la prueba de correlación de Pearson, dado que las variables presentaron
distribución normal. En los casos en los que la normalidad no fue determinada, se complementó con la
verificación mediante coeficientes y valores p correspondientes.
Los resultados muestran que, del total de participantes, el 53, 9 % correspondió al sexo masculino y el 92,1%
presentaban edades entre 18 y 25 años. El 51,4 % fueron procedentes de la UNAJ, destacándose el área de
Ingeniería con participación del 49,4 %. Por otro lado, se muestra que la mayoría se encontraban matriculados
entre el I a III ciclo (51, 8 %). La información de los tipos de IAs que más utilizan como apoyo para su jornada
académica más relevantes fue: el ChatGPT con un 63,41 %, Canva (51,83 %), Meta.IA (40,65 %), Gemini
(26.42%) y Mendeley (24,39 %) como las IAs de mayor aceptación, además de otras IAs que son de baja
preferencia (Tabla 1).
Datos sociodemográficos
Tabla 1. Características de los participantes
Nota: *UNAP “Universidad Nacional del Altiplano”, UNAJ “Universidad Nacional de Juliaca”, UPEU “Universidad Peruana
Unión”
Los estudiantes universitarios de la región Puno son dependientes de la IA en un nivel “leve” (50,61 %), con
un rendimiento académico percibido de nivel “medio”, a excepción de la dimensión dedicación al estudio,
en donde el 40,9 % se percibe en un nivel “alto” y así mismo son procrastinadores en un nivel “promedio”
(57,3 %). (Tabla 2)
Tabla 2. Análisis descriptivo de dependencia a la IA, percepción de rendimiento académico y procrastina-
ción académica
Se detectó una relación inversa significativa entre dependencia a la inteligencia artificial y rendimiento
académico, con una intensidad de relación débil (r= -0,122, p=< 0,007) lo que señala que, a mayor rendimiento
académico de los estudiantes universitarios, menor dependencia de la IA. No se encontró una correlación con
la procrastinación (r= 0,022, p=< 0,627) lo que sugiere que ambas variables son independientes y no se afectan
entre sí. En cambio, se observa una correlación inversa y altamente significativa, con una intensidad de
relación moderada (r = -0,333, p =< 0,000) entre rendimiento académico y procrastinación académica, lo que
evidencia que a menor procrastinación académica, mayor rendimiento académico (Tabla 3).
Tabla 3. Correlación entre dependencia de la IA, percepción de rendimiento académico y procrastinación
académica y sus dimensiones.
Nota: * p < .05, ** p < .01, *** p < .001. Prueba estadística utilizada: Coeficiente de correlación de Pearson
Las aportaciones a las actividades académicas no se relacionan con dependencia de la IA (r= - 0,040,
p = 0,371), sin embargo, presenta una relación directa altamente significativa con una intensidad fuerte
con rendimiento académico (r = 0.884, p = < 0.000) y una relación inversa con la procrastinación
académica (r = -0.296, p = < 0.000) lo que indica que, a mayor aportación a las actividades académicas,
mayor rendimiento académico y menor tendencia a procrastinar. La dedicación al estudio es independiente y
no se relaciona con dependencia de la IA (r = -0,053, p = < 0,237), pero tiene una fuerte relación positiva con
el rendimiento académico (r,= 0,835, p = < 0,000) y una relación inversa con la procrastinación académica
(r= -0,323; p = <0,000) que indica que, a mayor compromiso con el estudio, mejor desempeño académico y
menos propenso a procrastinar. La falta de organización de los recursos didácticos tiene una relación inversamente
significativa con la dependencia de la IA con una intensidad leve (r =-0,225, p = <0.000), lo que sugiere que una
organización más eficiente implica una dependencia menor de la IA; no se relaciona con la procrastinación
académica, pero sí con el rendimiento académico (r = 0,371, p = < 0.000), ya que una falta de organización
no necesariamente afecta negativamente el desempeño académico. La autorregulación académica no está
relacionada con la dependencia a la inteligencia artificial, sino que mantiene una relación inversa con el
rendimiento académico (r = -0,327, p = < 0.000) y una relación directa de gran relevancia con intensidad
fuerte con procrastinación académica (r = 0.952, p = < 0,000), indicando que en ciertos contextos los alumnos
con menos control o regulación sobre su propio proceso de aprendizaje suelen lograr mejores resultados
académicos y que a mayor capacidad de control del aprendizaje, mayor es la predisposición a procrastinar.
Finalmente, la postergación de actividades no se relaciona con la dependencia a la IA, sin embargo, tiene una
relación inversa débil con el rendimiento académico (r = -0,163, p = < 0,000) y una correlación positiva con
procrastinación académica (r = 0,576, p = < 0,000) lo que indica que una mayor postergación se asocia con
un menor rendimiento académico y una mayor tendencia a procrastinar. (Tabla 4)
Tabla 4. Correlación entre dependencia de la IA, rendimiento académico, procrastinación académica y sus
dimensiones.
DISCUSIÓN
El objetivo general del estudio fue determinar la relación entre la dependencia de la inteligencia artificial
(IA), la percepción del rendimiento académico y la procrastinación académica en estudiantes universitarios
de la región Puno durante el segundo periodo del 2024. Los resultados obtenidos permiten discutir los hallazgos
desde una perspectiva comparativa con investigaciones previas y en función de los objetivos planteados.
En relación con el primer objetivo, se identificó una correlación inversa significativa entre la dependencia a
la IA y el rendimiento académico (r = -0,122; p < 0,007), lo que indica que los estudiantes con menor depen-
dencia de la IA presentan un mejor desempeño académico. Este hallazgo coincide con lo reportado por Del
Cisne et al.
(13)
y Avendaño,
(31)
quienes evidenciaron que una alta dependencia tecnológica puede afectar nega-
tivamente el rendimiento académico hasta en un 65 %, debido a la pérdida de autonomía cognitiva y de habi-
lidades analíticas. Sin embargo, cuando la IA se utiliza como herramienta de apoyo complementario, puede
potenciar la productividad y mejorar la comprensión de los contenidos.
(19)
Por consiguiente, el estudio reafirma
la necesidad de fomentar un uso responsable y pedagógico de la IA en el entorno universitario, donde el criterio
humano y el pensamiento crítico sigan siendo fundamentales para la formación académica.
Respecto al segundo objetivo, orientado a analizar la relación entre la dependencia a la IA y la procrastinación
académica, no se identificó una correlación significativa (r = 0.022; p < 0.627). Este resultado sugiere que el
uso de herramientas de IA no influye directamente en los niveles de procrastinación. A diferencia de lo
planteado por Abbas et al.
(15)
quienes encontraron una relación positiva entre el uso excesivo de ChatGPT y
la postergación de actividades, los datos de este estudio muestran que la procrastinación puede estar determinada
por otros factores personales, como la autoeficacia, la motivación intrínseca y la capacidad de autorregulación.
(32)
Por tanto, la dependencia tecnológica no sería el principal factor desencadenante de la procrastinación,
aunque un uso desmedido de la IA podría, en algunos casos, reforzar hábitos de postergación si no se acompaña
de un control adecuado del tiempo y la planificación.
En cuanto al tercer objetivo, se identificó una relación inversa y altamente significativa entre el rendimiento
académico y la procrastinación académica (r = -0,333; p < 0,000). Este resultado confirma lo encontrado por
Zumárraga y Cevallos
(33)
y Kim y Seo,
(34)
quienes sostienen que la procrastinación afecta negativamente el
rendimiento académico al reducir la dedicación al estudio y la organización del tiempo. Los estudiantes con
altos niveles de rendimiento académico tienden a postergar menos sus actividades, muestran mayor motivación
y presentan una gestión más eficiente de sus recursos y objetivos
(35,36)
Este hallazgo respalda la importancia de
promover estrategias de autorregulación y gestión del tiempo en el ámbito universitario, como medios efectivos
para contrarrestar los efectos negativos de la procrastinación.
Por otra parte, el análisis de las dimensiones específicas aporta evidencia adicional. Se halló una relación
inversa significativa entre la dependencia de la IA y la falta de organización de los recursos didácticos
(r = -0,225; p < 0,000),
lo que sugiere que los estudiantes con menor organización tienden a recurrir más a
la IA como solución inmediata ante la demanda académica. Este resultado se alinea con los hallazgos de
Cosme Garate et al.
(37)
y Zhang et al.,
(38)
quienes señalan que una deficiente gestión de materiales de estudio
puede incrementar el estrés y la dependencia de herramientas tecnológicas. Además, Granda Aguilera et
al.
(39)
y Ahmad et al.,
(11)
advierten que la dependencia excesiva de la IA puede debilitar la organización, el
pensamiento crítico y la autonomía académica, fomentando hábitos de dependencia cognitiva. Por tanto,
fortalecer las competencias de planificación y organización se vuelve esencial para evitar la sobreutilización
de la IA.
Asimismo, los resultados indican que la autorregulación académica no se relaciona significativamente con la
dependencia de la IA, lo cual demuestra que los estudiantes conservan su capacidad de control y gestión del
aprendizaje.
(25)
Este hallazgo es positivo, pues refleja que la mayoría utiliza la IA como una herramienta de
apoyo y no como un sustituto de sus procesos de trabajo académico. No obstante, es necesario enfatizar la
formación ética y digital para garantizar un equilibrio entre el uso tecnológico y el desarrollo de habilidades
de razonamiento, análisis y creatividad.
Finalmente, el hecho de no haber identificado una correlación estadísticamente significativa entre la depen-
dencia de la IA y la postergación de actividades (r = 0.02; p < 0.647) confirma que la procrastinación no
depende exclusivamente del uso de la IA, sino que responde a una interacción compleja de factores psicológicos,
académicos y sociales. Sin embargo, como sostienen Abbas et al.
(15)
el uso inadecuado o desmedido de
herramientas como ChatGPT puede inducir conductas de procrastinación cuando reemplaza la reflexión
personal o el esfuerzo intelectual, en lugar de servir como un medio de aprendizaje activo.
CONCLUSIONES
Los resultados evidencian que una menor dependencia de la IA se asocia con un mejor rendimiento académico
y que, a su vez, un mayor rendimiento académico se relaciona con menores niveles de procrastinación. Por
otro lado, no se identificó una relación significativa entre la dependencia de la IA y la procrastinación; sin
embargo, sí se encontró una asociación con la dimensión referida a la falta de organización de los recursos
didácticos. Los hallazgos destacan la importancia de promover un uso responsable de la IA en estudiantes.
Limitaciones del estudio: Entre las principales limitaciones se encuentra el uso de un muestreo no probabilístico
por conveniencia, lo que restringe la generalización de los resultados a otras poblaciones universitarias.
Asimismo, el estudio se basó en instrumentos de autoinforme, los cuales pueden estar sujetos a sesgos de
percepción y deseabilidad social. Finalmente, al tratarse de un diseño transversal, no es posible establecer
relaciones causales entre las variables analizadas. Se recomienda que futuras investigaciones incorporen
diseños longitudinales y muestras más diversas para profundizar en estos hallazgos.
REE 20(1) Riobamba ene. - abr. 2026
cc
BY NC ND
141
ISSN-impreso 1390-7581
ISSN-digital 2661-6742
Financiamiento: Investigación financiada por los autores.
Agradecimientos: A los directivos del vicerrectorado de investigación de la Universidad Peruana Unión.
Conflictos de intereses: Los autores no tienen intereses en competencia.
Declaración de contribución:
Hilda Sapillado Condori y Giuliana Nadyn Vilca Quispe participaron en todo el proceso integral de la inves-
tigación y la redacción del artículo.
Alcides Quispe Mamani participó como asesor del estudio, revisión y aprobación de la versión final
REFERENCIAS BIBLIOGRÁFICAS
1. Acosta P. El impacto de la inteligencia artificial en la educación superior. Informe del Consejo de
Europa - ES de ES: Aprendemos entre todos [Internet]. 2022 [citado 8 Nov 2025]. Disponible en:
https://www.espaciosdeeducacionsuperior.es/07/12/2022/__trashed-2__trashed/.
2. Digital Education Council global AI student survey 2024. Encuesta mundial sobre inteligencia artificial
a estudiantes del Consejo de Educación Digital 2024 [Internet]. [cited 5 Mar 2025]. Disponible en:
https://www.digitaleducationcouncil.com/post/digital-education-council-global-ai-student-survey-2024.
3. Tyton Partners. Time for Class 2024: Unlocking access to effective digital teaching and learning
[Internet]. 2024 [citado 10 Nov 2024]. Disponible en: https://4213961.fs1.hubspotusercontent-na1.net/
hubfs/4213961/Publications/Time%20for%20Class%202024.pdf.
4. Rojas Marín F de los Á, Espinoza Padilla JG, Mendoza Pacheco MF. Inteligencia Artificial: Dependencia
y la Afección del Pensamiento Crítico. Cienc Lat Rev Científica Multidiscip. [Internet]. 2024 [citado
7 Mar 2025]; 8(4):12590–608. Disponible en: https://ciencialatina.org/index.php/cienciala/article/
view/13462.
5. Espinoza Vidaurre SM, Velásquez Rodríguez NC, Gambetta Quelopana RL, Martínez Valdivia AN,
Leo Rossi EA, Laura de la Cruz KM, et al. Influencia de la inteligencia artificial en la eficiencia del
rendimiento académico: un análisis de determinantes. RISTI - Rev Ibér Sist Tecnol Inf [Internet].
2024 [citado 9 Mar 2025]; E70:399–418. disponible en: https://dialnet.unirioja.es/servlet/articulo?
codigo=9886376.
6. Mukhtar M, Firdos SS, Zaka I, Naeem S. Impact of AI dependence on procrastination among university
students. Research Journal of Psychology [Internet]. 2025 [citado 4 Oct 2025];3(1):246–57. Disponible
en: https://ctrjournal.com/index.php/19/article/view/62 Int J Educ Innov Res. 2025;3(1):11–22.
7. Gavilanes Vásquez PG, Adum Ruiz JH, García Ruiz GS, Ruíz Ortega MG. Impacto de la inteligencia
artificial en la educación superior: una mirada hacia el futuro. RECIAMUC [Internet]. 2024 [citado
6 Oct 2025];8(2):213–21. Disponible en: https://www.reciamuc.com/index.php/RECIAMUC/article/
view/1371 DOI: http://dx.doi.org/10.26820/reciamuc/8.(2).abril.2024.213-221.
8. Turnitin. Estudio Time for Class: ¿Cuál ha sido el impacto de la IA en el aprendizaje de los estudiantes
en la era digital? [Internet]. Turnitin.com. 2024. [citado 13 Mar 2025]. Disponible en: https://www.
turnitin.com/press/turnitin-estudio-time-for-class.
9. Sabzalieva E, Valentini A. ChatGPT e inteligencia artificial en la educación superior: Guía de inicio
rápido. [Internet]. París: UNESCO IESALC;2023;1–16. [citado 15 Mar 2025]. Disponible en:
https://unesdoc.unesco.org/ark:/48223/pf0000385146_spa/PDF/385146spa.pdf.multi.
10. Seo K, Tang J, Roll I, Fels S, Yoon D. The impact of artificial intelligence on learner–instructor
interaction in online learning. Int J Educ Technol High Educ [Internet]. 2021 [citado 17 Mar 2025];
18(1):1–14. Disponible en: https://link.springer.com/article/10.1186/s41239-021-00292-9 DOI:
https://doi.org/10.1186/s41239-021-00292-9.
11. Ahmad SF, Han H, Alam MM, Rehmat MK, Irshad M, Arraño-Muñoz M, et al. Impact of artificial
intelligence on human loss in decision-making, laziness and safety in education. Humanit Soc Sci
Commun [Internet]. 2023 [citado 19 Mar 2025];10(1):311. Disponible en: https://www.nature.com/
articles/s41599-023-01787-8 DOI:10.1057/s41599 023 017878.
12.
[citado 8 May 2025]; 20. Disponible en: https://www.khaleejtimes.com/nation/dubai/Is-AI-makin
ghumans-lazy-Here-what-UAE-residents-say.
13. Del Cisne Loján M, Antonio Romero J, Sancho Aguilera D, Yajaira Romero A. Consecuencias de la
Dependencia de la Inteligencia Artificial en Habilidades Críticas y Aprendizaje Autónomo en los
Estudiantes. Cienc Lat Rev Científica Multidiscip. [Internet]. 2024 [citado 15 May 2025];8(2):
2368–2382. Disponible en: https://ciencialatina.org/index.php/cienciala/article/view/10678 DOI:
http://dx.doi.org/10.37811/cl_rcm.v8i2.10678.
14. Longoni C, Cian L. Artificial Intelligence in Utilitarian vs. Hedonic Contexts: The “Word-of-Machine”
Effect. J Mark [Internet]. 2022 [citado 19 May 2025];86(1):91–108. Disponible en: https://journals.sagepub.
com/doi/10.1177/0022242920957347.
15. Abbas M, Jam FA, Khan TI. Is it harmful or helpful? Examining the causes and consequences of
generative AI usage among university students. Int J Educ Technol High Educ [Internet]. 2024 [citado
9 Jan 2025];21(1). Disponible en: https://link.springer.com/article/10.1186/s41239-024-00444-7
DOI: https://doi.org/10.1186/s41239-024-00444-7.
16. Malinka K, Peresíni M, Firc A, Hujnák O, Janus F. On the Educational Impact of ChatGPT: Is Artificial
Intelligence Ready to Obtain a University Degree? In: Proceedings of the 2023 Conference on
Innovation and Technology in Computer Science Education (ITiCSE); 2023 [citado 15 Jan 2025].
3587102.3588827.
17. Gocen A, Aydemir F. Artificial Intelligence in Education and Schools. Res Educ Media. [Internet].
2020 [citado 20 May 2025];12(1):13–21. Disponible en: https://sciendo.com/2/v2/download/article/
10.2478/rem-2020-0003.pdf DOI: http://dx.doi.org/10.2478/rem-2020-0003.
18. Daha ES, Altelwany AA. Exploring the impact of using - ChatGPT in light of goal orientations and
academic self-efficacy. Int J Instr [Internet]. 2025 [citado 25 May 2025];18(2):167–84. Disponible
en: https://e-iji.net/ats/index.php/pub/article/view/730 DOI: http://dx.doi.org/10.29333/iji.2025.18210a.
19. Ortega Azurduy M, Machaca Mamani J, Daza Morales J. El efecto de la Inteligencia Artificial en el
rendimiento académico de estudiantes de ciencias administrativas en la Universidad Católica
Boliviana. Rev Educ Super [Internet]. 2023 [citado 1 Jun 2025];10(3):13–22. Disponible en:
http://www.scielo.org.bo/scielo.php?pid=S2518-82832023000300013&script=sci_arttext DOI:
https://doi.org/ 10.53287/mzkv9068uw14f.
20. Hernández-Sampieri R, Mendoza Torres CP. Metodología de la investigación: las rutas cuantitativa,
cualitativa y mixta. México: McGraw-Hill Education; 2018.
21. Hernández-Sampieri R, Fernández Collado C, Baptista Lucio M del P. Metodología de la investigación.
6ª ed. México: McGraw-Hill; 2014.
22. Carrazco Díaz S. Metodología de la investigación científica. 2ª ed. Lima: Editorial San Marcos; 2019.
23. Ortega C. ¿Qué es el muestreo por conveniencia? [Internet]. 2024 [citado 22 Nov 2024]. Disponible
en: https://www.questionpro.com/blog/es/muestreo-por-conveniencia/.
24. Morales-García WC, Sairitupa-Sánchez LZ, Morales-García SB, Morales-García M. Development
and validation of a scale for dependence on artificial intelligence in university students. Frontiers in
Education. [Internet]. 2024 [citado 4 Jun 2025];9:1323898. Disponible en: https://www.frontiersin.org/
journals/education/articles/10.3389/feduc.2024.1323898/full DOI: 10.3389/feduc.2024.1323898.
25. Preciado-Serrano M de L, Ángel-González M, Colunga-Rodríguez C, Vázquez-Colunga JC,
Rendimiento Académico Universitario (Construction and Validation of the University Academic
[Internet]. 2021 [citado 6 Jun 2025];3(60):5 14. Disponible en: https://go.gale.com/ps/i.do?id=GA
LE%7CA758446785&sid=googleScholar&v=2.1&it=r&linkaccess=abs&issn=11353848&p=
AONE&sw=w&userGroupName=anon%7E40c47079&aty=open-web-entry DOI:10.21865/RIDEP
60.3.01.
26. Remaycuna-Vásquez A, Carrión-Barco G, Espinoza-Porras FR, Maquen Niño GLE. Validez y
confiabilidad de la escala de rendimiento académico desde la percepción del alumno. Revista de
https://dialnet.unirioja.es/servlet/articulo?codigo=9034432 DOI: 10.31876/rcs.v29i.40458.
27. Busko DA. Causes and consequences of perfectionism and procrastination: A structural equation
28. Domínguez Lara S, Villegas García G, Centeno Leyva S. Procrastinación académica: validación de
una escala en una muestra de estudiantes de una universidad privada. Liberabit [Internet]. 2014 [citado
12 Jun 2025];20(2):293–304. Disponible en: http://www.scielo.org.pe/pdf/liber/v20n2/a10v20n2.
29. Colegio de Psicólogos del Perú. Código de ética profesional. Lima: Colegio de Psicólogos del Perú;
2017.
30. Universidad Peruana Unión. Código de ética para la investigación (CoEIn). Lima: UPeU; 2016.
31. Avendaño Porras VC. La adicción a la inteligencia artificial: evaluación de prevalencia y factores de
riesgo en estudiantes de posgrado. Rev Enfoques [Internet]. 2024 Jun 30 [citado 16 Apr 2025];5:
66–88. Disponible en: https://revistasdigitales.uniboyaca.edu.co/index.php/EFQ/article/view/1405.
32. Steel P. The nature of procrastination: a meta-analytic and theoretical review of quintessential
self-regulatory failure. Psychological Bulletin, 2025 [citado 13 Apr 2025];133(1), 65–94. Disponible
en: https://psycnet.apa.org/buy/2006-23058-004 DOI: https://doi.org/10.1037/0033-2909.133.1.65.
33. Zumárraga-Espinosa M, Cevallos-Pozo G. Autoeficacia, procrastinación y rendimiento académico en
estudiantes universitarios de Ecuador. Alteridad [Internet]. 2022 [citado 18 Apr 2025];17(2):277–90.
Disponible en: https://revistas.ups.edu.ec/index.php/alteridad/article/view/5516.
34. Kim KR, Seo EH. The relationship between procrastination and academic performance: a meta-analysis.
Pers Individ Dif [Internet]. 2015 [citado 19 Apr 2025];82:26–33. Disponible en: https://www.sciencedirect.
com/science/article/abs/pii/S0191886915001610 DOI: https://doi.org/10.1016/j.paid.2015.02.038.
35. Rodríguez A, Clariana M. Procrastinación en Estudiantes Universitarios: Su Relación con la Edad y el
Curso Académico. Rev Colomb Psicol. [Internet]. 2017 [citado 20 Apr 2025];26(1):45–60. Disponible
en: http://www.scielo.org.co/pdf/rcps/v26n1/0121-5469-rcps-26-01-00045.pdf.
36. Honicke T, Broadbent J. The influence of academic self-efficacy on academic performance: a systematic
review. Educ Res Rev [Internet]. 2016 [citado 21 Apr 2025];17:63–84. Disponible en: https://www.sciencedirect.
com/science/article/abs/pii/S1747938X15000639 DOI: https://doi.org/10.1016/j.edurev.2015.11.002.
37. Cosme Garate GA, Cornejo Zúñiga AG, Chumacero Acosta JS, Ruiz Rios A, Tuesta Casique A, Alvarez
Arista Y. Enseñanza universitaria y recursos didácticos en el nivel de rendimiento de los estudiantes de
pregrado. Rev Científica Episteme y Tekne. [Internet]. 2022 [citado 23 Apr 2025];1(2):e380. Disponible
en: https://revistas.unsm.edu.pe/index.php/rceyt/article/view/380 DOI: 10.51252/rceyt.v1i2.380.
38. Zhang S, Zhao X, Zhou T, Kim JH. Do you have AI dependency? The roles of academic self-efficacy,
academic stress, and performance expectations on problematic AI usage behavior. Int J Educ Technol
High Educ. [Internet]. 2024 [citado 29 Apr 2025];21(1):1-15. Disponible en: http://dx.doi.org/10.1186/
s41239-024-00467-0.
39. Granda Aguilera DR, Lema Mullo L, Gallegos Gallegos AR. La dependencia de la inteligencia artificial
en los estudiantes de bachillerato: implicaciones y recomendaciones para un aprendizaje equilibrado.
Polo del Conoc. [Internet]. 2024 [citado 20 may 2025];9(7):2109–30. Disponible en: https://polodel
conocimiento.com/ojs/index.php/es/article/view/7618/html?utm_source=chatgpt.com.
Relación entre dependencia a la inteligencia artificial, rendimiento académico y procrastinación
académica en universitarios
Relationship between dependence on artificial intelligence, academic performance, and academic
procrastination in university students
https://doi.org/10.37135/ee.04.25.08
Autores:
Hilda Sapillado Condori - https://orcid.org/0009-0002-7963-9896
Giuliana Nadyn Vilca Quispe - https://orcid.org/0009-0002-1329-0839
Alcides Quispe Mamani - https://orcid.org/0000-0002-7404-7464
Afiliación:
Universidad Peruana Unión
Autor de correspondencia: Giuliana Nadyn Vilca Quispe. Universidad Peruana Unión (UPeU), Carretera Salida
a Arequipa km. 6 Villa Chullunquiani, Juliaca, Perú. Tel: +51 940799733. E-mail: giuliana.vilca@upeu.edu.pe
Recibido: 21 de mayo de 2025 Aceptado: 11 de diciembre de 2025
RESUMEN
Esta investigación tuvo como objetivo determinar la relación existente entre dependencia de la inteligencia
artificial, rendimiento y procrastinación académica en estudiantes universitarios de la región Puno. Así se
aplicó un diseño no experimental, de corte transversal y tipo correlacional, en una muestra de 492 universitarios
de distintas universidades, con edades entre 18 y 35 años. Se utilizaron las escalas de dependencia hacia la
inteligencia artificial DAI, rendimiento académico universitario RAU y procrastinación académica EPA. Los
resultados, el 53 % de los participantes fueron de sexo masculino, el 92,1 % tenían edades entre 18 y 25 años,
el 51,4 % provenían de una universidad nacional de Juliaca, matriculados entre el primer y tercer ciclo
(51,8 %), destacándose el área de ingenierías con el 49,4 % de participación. El 63,41 % de los participantes
indicaron tener mayor inclinación hacia el uso de ChatGPT. Los valores globales indicaron una correlación
inversa significativa, (r = -0,122; p = <0,007) entre dependencia a la IA y rendimiento académico; no existe
correlación significativa entre dependencia a la IA y procrastinación académica (r = 0,022, p = < 0,627),
demostrando que los universitarios que no presentan altos niveles de dependencia de la inteligencia artificial
mantienen niveles de rendimiento académico adecuados y no tienden a procrastinar. Se identificó relación
inversa significativa entre dependencia de IA y la falta de organización de material didáctico (r = -0,225, p = <0,000),
evidenciando que la desorganización de materiales de estudio podría activar la necesidad de recurrir a la IA
como una solución rápida.
Palabras clave: inteligencia artificial, rendimiento académico, educación.
ABSTRACT
This research aimed to determine the relationship between dependence on artificial intelligence, academic
performance, and procrastination among university students in the Puno region. A non-experimental,
cross-sectional, correlational study was conducted with a sample of 492 university students from different
universities, aged 18-35 years. The scales of dependence on artificial intelligence (DAI), university academic
performance (RAU), and academic procrastination (EPA) were used as measurement instruments. The
results showed that 53 % of the participants were male, 92.1 % were between 18 and 25 years old, 51.4 %
came from a national university in Juliaca, enrolled between the first and third cycles (51.8 %), with the
engineering field standing out with 49.4 % participation. Sixty-three point four one percent of participants
indicated a greater inclination toward using ChatGPT. The overall values showed a significant inverse correlation
(r = -0.122; p = <0.007) between AI dependence and academic performance; there is no significant correlation
between AI dependence and academic procrastination (r = 0.022, p = <0.627), demonstrating that university
students who do not have high levels of dependence on artificial intelligence maintain adequate academic
performance levels and do not tend to procrastinate. A significant inverse relationship was found between AI
dependence and the lack of organization of teaching materials (r = -0.225, p = <0.000), suggesting that
disorganized study materials can prompt the need to resort to AI as a quick fix.
Keywords: Artificial Intelligence, Academic Performance, Education.
INTRODUCCIÓN
La inteligencia artificial (IA) es una herramienta tecnológica cuyo uso se está expandiendo rápidamente en
la educación universitaria,
(1)
siendo los estudiantes quienes tienen una interacción con la IA al menos
semanalmente.
(2)
Según Tyton Partners,
(3)
el 59 % son estudiantes y el 40 % docentes. La IA fue desarrollada
como una herramienta para optimizar experiencias de aprendizaje, con el fin de fortalecer el rendimiento
académico del estudiante
(4)
a través del apoyo en la ejecución de tareas y trabajos, y incrementar las calificaciones
(5)
a través del acceso rápido, a recursos y asistencia personalizada,
(6)
siendo útil también para facilitar la
investigación académica.
(7)
En Perú, se halló que el 73,2 % de universitarios utilizan la IA para hacer sus
tareas e investigaciones,
(5)
Turnitin
(8)
sostiene que un 3 % de los trabajos examinados presentan un 80 % o
más de texto generado por IA. Dentro del mundo académico, el ChatGPT es la herramienta de IA más usada,
debido a su uso dinámico y versátil.
(9)
A pesar de las ventajas de esta tecnología, su aceptación sin control podría generar dependencia por parte de
los estudiantes y educadores
(10)
, provocar la pérdida de habilidades cognitivas,
(11)
la capacidad de pensar de
manera independiente y desarrollar habilidades esenciales como la investigación y análisis,
(6)
impulsando a
pensar como los algoritmos sin comprender,
(12, 13)
asimismo, incentivar la pereza y dificultades en la toma de
decisiones,
(11)
reduciendo la motivación para esforzarse intelectualmente,
(6)
poniendo en riesgo el rendimiento
académico, incluso llevándolo a manifestar comportamientos de procrastinación académica, como retrasos
en la finalización de tareas, retrasos en las clases y retrasos en eventos competitivos hasta el último
día, entre otros.
(14,15)
En un futuro, esto significaría que los egresados universitarios sean de baja calidad
(16)
y con habilidades profesionales deficientes.
(17)
Estudios previos evidenciaron que el uso de la IA afecta negativamente el rendimiento académico de los
estudiantes universitarios y está relacionado positivamente con la procrastinación donde, a mayor uso de la
IA menor rendimiento académico y mayor probabilidad de procrastinar,
(15)
asimismo, se encontró que la
dependencia de la IA afecta el rendimiento académico de los estudiantes conllevando a la pérdida de habilidades
de investigación y aprendizaje autónomo,
(13)
y que su uso excesivo puede contribuir inadvertidamente a
retrasos en las tareas académicas, también se reveló que el uso excesivo de ChatGPT puede provocar la
postergación de tareas y un menor rendimiento y desarrollo académico.
(18)
La intención de uso de la inteligencia
artificial por parte de los estudiantes está basada en la ética, la autoeficacia, la motivación y las expectativas de
resultados, los cuales influyen en el rendimiento académico ya sea favorable o desfavorable.
(19)
En Perú, se demostró que la IA afecta positivamente el rendimiento académico de los estudiantes de pregrado
y postgrado en un 48,1 %.
(5)
Asimismo, se destaca que los estudiantes con una actitud más favorable hacia la
IA tienen una clara comprensión y entendimiento de la IA, tienen confianza en su educación y experimentan
efectos positivos en su rendimiento académico.
La IA está transformando el ámbito educativo y los hábitos de estudio, por lo que es necesario investigar su
impacto en los estudiantes universitarios. En este contexto, se planteó la presente invetsigación con la finalidad
de determinar la relación existente entre dependencia de la inteligencia artificial, percepción del rendimiento
académico y procrastinación académica en estudiantes universitarios de la región Puno, en el segundo periodo
académico de 2024.
MATERIAL Y MÉTODOS
Diseño y contexto
Este estudio se llevó a cabo con un enfoque cuantitativo, diseño no experimental, de corte transeccional o
transversal y de tipo correlacional, con el objetivo de analizar la relación entre dos o más variables.
(20)
Participantes
Este estudio se realizó en la región Puno, Perú, con una población compuesta por estudiantes de diversas
universidades de la región, tanto instituciones públicas como privadas, matriculados en el segundo periodo
académico del 2024, se seleccionó una muestra de 492 estudiantes universitarios de distintas carreras,
diferenciadas en 3 grupos (Ingenierías, Biomédicas y Sociales), con edades comprendidas entre 18 y 35
años, pertenecían a ambos sexos y contaban con conocimientos previos sobre inteligencia artificial. Se
emplearon criterios de muestreo no probabilístico por conveniencia intencional
(21, 22)
seleccionando participantes
con disponibilidad para formar parte de la muestra.
(23)
Instrumentos
Escala de Dependencia hacia la Inteligencia Artificial (DAI), desarrollada en Perú por Morales-García et al.
(24)
La escala es unidimensional y consta de 5 ítems medidos a través de una escala tipo Likert: Completamente
falso para mí, Mayormente falso para mí, Ni verdadero ni falso para mí, Mayormente verdadero para mí y
Me describe perfectamente, con un puntaje máximo de 25 puntos dirigidos a estudiantes universitarios. Los
valores de alfa de Cronbach y el coeficiente omega de McDonald muestran una adecuada consistencia interna
La escala de rendimiento académico universitario (RAU) fue desarrollada por Preciado-Serrano et al
(25)
y validada por Remaycuna-Vásquez et al.
(26)
consta de 18 ítems y tres dimensiones: aportación en las
actividades académicas, dedicación al estudio y falta de organización de los recursos didácticos, se
miden mediante una escala de tipo Likert con 7 alternativas de respuesta: nunca, casi nunca, algunas
veces, regularmente, a menudo, casi siempre y siempre. El índice de confiabilidad del alfa de Cronbach
y omega de McDonald, a nivel general se evidencia que la fiabilidad es de 0.843 y 0.865 respectivamente,
la cual tiene valores aceptables.
Escala de Procrastinación Académica (EPA), creada por Busko
(27)
y validada para Perú por Domínguez et al.
(28)
esta adaptación consta de 12 ítems, divididos en 2 dimensiones autorregulación académica y postergación de
actividades. Los ítems son medidos según la escala de Likert: nunca, casi nunca, a veces, casi siempre y
siempre. Se obtuvieron umbrales de confianza a través del alfa de Cronbach, obteniéndose un indicador de
0,821 (IC al 95 %: 0,793; 0,847) para el factor autorregulación académica, y de 0,752 (IC al 95 %: 0,705;
0,792) para el factor postergación de actividades. El coeficiente omega estimó la confiabilidad de los factores,
logrando un indicador de 0,829 para el factor autorregulación académica y de 0,794 para el factor postergación
de actividades.
Análisis de datos
La recolección de datos se realizó mediante la aplicación de los instrumentos posteriormente se estructuraron
y procesaron utilizando Statistical Package for the Social Sciences (SPSS) versión 27 y Jamovi 2.3.28.0,
donde se empleó la estadística descriptiva e inferencial para la obtención de datos de frecuencia y correlación
de variables, así como la verificación de la distribución normal o anormal de las variables.
Aspectos éticos
El estudio fue aprobado por el comité de ética de la Universidad Peruana Unión, con número de aprobación
2024-CEB-FCS - UPeU-270 la cual se adhirió a los principios éticos del código de ética de investigación
establecidos por la misma institución. Asimismo, se puso en consideración las directrices del Código de
Ética del Colegio de Psicólogos del Perú aplicables a la investigación. Todos los participantes procedieron a
la firma del consentimiento informado, manifestando su aceptación para participar en el estudio y autorizan-
do el uso de los datos exclusivamente para fines académicos e investigativos.
(29, 30)
RESULTADOS
Para el análisis inferencial se empleó la prueba de correlación de Pearson, dado que las variables presentaron
distribución normal. En los casos en los que la normalidad no fue determinada, se complementó con la
verificación mediante coeficientes y valores p correspondientes.
Los resultados muestran que, del total de participantes, el 53, 9 % correspondió al sexo masculino y el 92,1%
presentaban edades entre 18 y 25 años. El 51,4 % fueron procedentes de la UNAJ, destacándose el área de
Ingeniería con participación del 49,4 %. Por otro lado, se muestra que la mayoría se encontraban matriculados
entre el I a III ciclo (51, 8 %). La información de los tipos de IAs que más utilizan como apoyo para su jornada
académica más relevantes fue: el ChatGPT con un 63,41 %, Canva (51,83 %), Meta.IA (40,65 %), Gemini
(26.42%) y Mendeley (24,39 %) como las IAs de mayor aceptación, además de otras IAs que son de baja
preferencia (Tabla 1).
Datos sociodemográficos
Tabla 1. Características de los participantes
Nota: *UNAP “Universidad Nacional del Altiplano”, UNAJ “Universidad Nacional de Juliaca”, UPEU “Universidad Peruana
Unión”
Los estudiantes universitarios de la región Puno son dependientes de la IA en un nivel “leve” (50,61 %), con
un rendimiento académico percibido de nivel “medio”, a excepción de la dimensión dedicación al estudio,
en donde el 40,9 % se percibe en un nivel “alto” y así mismo son procrastinadores en un nivel “promedio”
(57,3 %). (Tabla 2)
Tabla 2. Análisis descriptivo de dependencia a la IA, percepción de rendimiento académico y procrastina-
ción académica
Se detectó una relación inversa significativa entre dependencia a la inteligencia artificial y rendimiento
académico, con una intensidad de relación débil (r= -0,122, p=< 0,007) lo que señala que, a mayor rendimiento
académico de los estudiantes universitarios, menor dependencia de la IA. No se encontró una correlación con
la procrastinación (r= 0,022, p=< 0,627) lo que sugiere que ambas variables son independientes y no se afectan
entre sí. En cambio, se observa una correlación inversa y altamente significativa, con una intensidad de
relación moderada (r = -0,333, p =< 0,000) entre rendimiento académico y procrastinación académica, lo que
evidencia que a menor procrastinación académica, mayor rendimiento académico (Tabla 3).
Tabla 3. Correlación entre dependencia de la IA, percepción de rendimiento académico y procrastinación
académica y sus dimensiones.
Nota: * p < .05, ** p < .01, *** p < .001. Prueba estadística utilizada: Coeficiente de correlación de Pearson
Las aportaciones a las actividades académicas no se relacionan con dependencia de la IA (r= - 0,040,
p = 0,371), sin embargo, presenta una relación directa altamente significativa con una intensidad fuerte
con rendimiento académico (r = 0.884, p = < 0.000) y una relación inversa con la procrastinación
académica (r = -0.296, p = < 0.000) lo que indica que, a mayor aportación a las actividades académicas,
mayor rendimiento académico y menor tendencia a procrastinar. La dedicación al estudio es independiente y
no se relaciona con dependencia de la IA (r = -0,053, p = < 0,237), pero tiene una fuerte relación positiva con
el rendimiento académico (r,= 0,835, p = < 0,000) y una relación inversa con la procrastinación académica
(r= -0,323; p = <0,000) que indica que, a mayor compromiso con el estudio, mejor desempeño académico y
menos propenso a procrastinar. La falta de organización de los recursos didácticos tiene una relación inversamente
significativa con la dependencia de la IA con una intensidad leve (r =-0,225, p = <0.000), lo que sugiere que una
organización más eficiente implica una dependencia menor de la IA; no se relaciona con la procrastinación
académica, pero sí con el rendimiento académico (r = 0,371, p = < 0.000), ya que una falta de organización
no necesariamente afecta negativamente el desempeño académico. La autorregulación académica no está
relacionada con la dependencia a la inteligencia artificial, sino que mantiene una relación inversa con el
rendimiento académico (r = -0,327, p = < 0.000) y una relación directa de gran relevancia con intensidad
fuerte con procrastinación académica (r = 0.952, p = < 0,000), indicando que en ciertos contextos los alumnos
con menos control o regulación sobre su propio proceso de aprendizaje suelen lograr mejores resultados
académicos y que a mayor capacidad de control del aprendizaje, mayor es la predisposición a procrastinar.
Finalmente, la postergación de actividades no se relaciona con la dependencia a la IA, sin embargo, tiene una
relación inversa débil con el rendimiento académico (r = -0,163, p = < 0,000) y una correlación positiva con
procrastinación académica (r = 0,576, p = < 0,000) lo que indica que una mayor postergación se asocia con
un menor rendimiento académico y una mayor tendencia a procrastinar. (Tabla 4)
Tabla 4. Correlación entre dependencia de la IA, rendimiento académico, procrastinación académica y sus
dimensiones.
DISCUSIÓN
El objetivo general del estudio fue determinar la relación entre la dependencia de la inteligencia artificial
(IA), la percepción del rendimiento académico y la procrastinación académica en estudiantes universitarios
de la región Puno durante el segundo periodo del 2024. Los resultados obtenidos permiten discutir los hallazgos
desde una perspectiva comparativa con investigaciones previas y en función de los objetivos planteados.
En relación con el primer objetivo, se identificó una correlación inversa significativa entre la dependencia a
la IA y el rendimiento académico (r = -0,122; p < 0,007), lo que indica que los estudiantes con menor depen-
dencia de la IA presentan un mejor desempeño académico. Este hallazgo coincide con lo reportado por Del
Cisne et al.
(13)
y Avendaño,
(31)
quienes evidenciaron que una alta dependencia tecnológica puede afectar nega-
tivamente el rendimiento académico hasta en un 65 %, debido a la pérdida de autonomía cognitiva y de habi-
lidades analíticas. Sin embargo, cuando la IA se utiliza como herramienta de apoyo complementario, puede
potenciar la productividad y mejorar la comprensión de los contenidos.
(19)
Por consiguiente, el estudio reafirma
la necesidad de fomentar un uso responsable y pedagógico de la IA en el entorno universitario, donde el criterio
humano y el pensamiento crítico sigan siendo fundamentales para la formación académica.
Respecto al segundo objetivo, orientado a analizar la relación entre la dependencia a la IA y la procrastinación
académica, no se identificó una correlación significativa (r = 0.022; p < 0.627). Este resultado sugiere que el
uso de herramientas de IA no influye directamente en los niveles de procrastinación. A diferencia de lo
planteado por Abbas et al.
(15)
quienes encontraron una relación positiva entre el uso excesivo de ChatGPT y
la postergación de actividades, los datos de este estudio muestran que la procrastinación puede estar determinada
por otros factores personales, como la autoeficacia, la motivación intrínseca y la capacidad de autorregulación.
(32)
Por tanto, la dependencia tecnológica no sería el principal factor desencadenante de la procrastinación,
aunque un uso desmedido de la IA podría, en algunos casos, reforzar hábitos de postergación si no se acompaña
de un control adecuado del tiempo y la planificación.
En cuanto al tercer objetivo, se identificó una relación inversa y altamente significativa entre el rendimiento
académico y la procrastinación académica (r = -0,333; p < 0,000). Este resultado confirma lo encontrado por
Zumárraga y Cevallos
(33)
y Kim y Seo,
(34)
quienes sostienen que la procrastinación afecta negativamente el
rendimiento académico al reducir la dedicación al estudio y la organización del tiempo. Los estudiantes con
altos niveles de rendimiento académico tienden a postergar menos sus actividades, muestran mayor motivación
y presentan una gestión más eficiente de sus recursos y objetivos
(35,36)
Este hallazgo respalda la importancia de
promover estrategias de autorregulación y gestión del tiempo en el ámbito universitario, como medios efectivos
para contrarrestar los efectos negativos de la procrastinación.
Por otra parte, el análisis de las dimensiones específicas aporta evidencia adicional. Se halló una relación
inversa significativa entre la dependencia de la IA y la falta de organización de los recursos didácticos
(r = -0,225; p < 0,000),
lo que sugiere que los estudiantes con menor organización tienden a recurrir más a
la IA como solución inmediata ante la demanda académica. Este resultado se alinea con los hallazgos de
Cosme Garate et al.
(37)
y Zhang et al.,
(38)
quienes señalan que una deficiente gestión de materiales de estudio
puede incrementar el estrés y la dependencia de herramientas tecnológicas. Además, Granda Aguilera et
al.
(39)
y Ahmad et al.,
(11)
advierten que la dependencia excesiva de la IA puede debilitar la organización, el
pensamiento crítico y la autonomía académica, fomentando hábitos de dependencia cognitiva. Por tanto,
fortalecer las competencias de planificación y organización se vuelve esencial para evitar la sobreutilización
de la IA.
Asimismo, los resultados indican que la autorregulación académica no se relaciona significativamente con la
dependencia de la IA, lo cual demuestra que los estudiantes conservan su capacidad de control y gestión del
aprendizaje.
(25)
Este hallazgo es positivo, pues refleja que la mayoría utiliza la IA como una herramienta de
apoyo y no como un sustituto de sus procesos de trabajo académico. No obstante, es necesario enfatizar la
formación ética y digital para garantizar un equilibrio entre el uso tecnológico y el desarrollo de habilidades
de razonamiento, análisis y creatividad.
Finalmente, el hecho de no haber identificado una correlación estadísticamente significativa entre la depen-
dencia de la IA y la postergación de actividades (r = 0.02; p < 0.647) confirma que la procrastinación no
depende exclusivamente del uso de la IA, sino que responde a una interacción compleja de factores psicológicos,
académicos y sociales. Sin embargo, como sostienen Abbas et al.
(15)
el uso inadecuado o desmedido de
herramientas como ChatGPT puede inducir conductas de procrastinación cuando reemplaza la reflexión
personal o el esfuerzo intelectual, en lugar de servir como un medio de aprendizaje activo.
CONCLUSIONES
Los resultados evidencian que una menor dependencia de la IA se asocia con un mejor rendimiento académico
y que, a su vez, un mayor rendimiento académico se relaciona con menores niveles de procrastinación. Por
otro lado, no se identificó una relación significativa entre la dependencia de la IA y la procrastinación; sin
embargo, sí se encontró una asociación con la dimensión referida a la falta de organización de los recursos
didácticos. Los hallazgos destacan la importancia de promover un uso responsable de la IA en estudiantes.
Limitaciones del estudio: Entre las principales limitaciones se encuentra el uso de un muestreo no probabilístico
por conveniencia, lo que restringe la generalización de los resultados a otras poblaciones universitarias.
Asimismo, el estudio se basó en instrumentos de autoinforme, los cuales pueden estar sujetos a sesgos de
percepción y deseabilidad social. Finalmente, al tratarse de un diseño transversal, no es posible establecer
relaciones causales entre las variables analizadas. Se recomienda que futuras investigaciones incorporen
diseños longitudinales y muestras más diversas para profundizar en estos hallazgos.
Financiamiento: Investigación financiada por los autores.
Agradecimientos: A los directivos del vicerrectorado de investigación de la Universidad Peruana Unión.
Conflictos de intereses: Los autores no tienen intereses en competencia.
Declaración de contribución:
Hilda Sapillado Condori y Giuliana Nadyn Vilca Quispe participaron en todo el proceso integral de la inves-
tigación y la redacción del artículo.
Alcides Quispe Mamani participó como asesor del estudio, revisión y aprobación de la versión final
REFERENCIAS BIBLIOGRÁFICAS
1. Acosta P. El impacto de la inteligencia artificial en la educación superior. Informe del Consejo de
Europa - ES de ES: Aprendemos entre todos [Internet]. 2022 [citado 8 Nov 2025]. Disponible en:
https://www.espaciosdeeducacionsuperior.es/07/12/2022/__trashed-2__trashed/.
2. Digital Education Council global AI student survey 2024. Encuesta mundial sobre inteligencia artificial
a estudiantes del Consejo de Educación Digital 2024 [Internet]. [cited 5 Mar 2025]. Disponible en:
https://www.digitaleducationcouncil.com/post/digital-education-council-global-ai-student-survey-2024.
3. Tyton Partners. Time for Class 2024: Unlocking access to effective digital teaching and learning
[Internet]. 2024 [citado 10 Nov 2024]. Disponible en: https://4213961.fs1.hubspotusercontent-na1.net/
hubfs/4213961/Publications/Time%20for%20Class%202024.pdf.
4. Rojas Marín F de los Á, Espinoza Padilla JG, Mendoza Pacheco MF. Inteligencia Artificial: Dependencia
y la Afección del Pensamiento Crítico. Cienc Lat Rev Científica Multidiscip. [Internet]. 2024 [citado
7 Mar 2025]; 8(4):12590–608. Disponible en: https://ciencialatina.org/index.php/cienciala/article/
view/13462.
5. Espinoza Vidaurre SM, Velásquez Rodríguez NC, Gambetta Quelopana RL, Martínez Valdivia AN,
Leo Rossi EA, Laura de la Cruz KM, et al. Influencia de la inteligencia artificial en la eficiencia del
rendimiento académico: un análisis de determinantes. RISTI - Rev Ibér Sist Tecnol Inf [Internet].
2024 [citado 9 Mar 2025]; E70:399–418. disponible en: https://dialnet.unirioja.es/servlet/articulo?
codigo=9886376.
REE 20(1) Riobamba ene. - abr. 2026
cc
BY NC ND
142
ISSN-impreso 1390-7581
ISSN-digital 2661-6742
6. Mukhtar M, Firdos SS, Zaka I, Naeem S. Impact of AI dependence on procrastination among university
students. Research Journal of Psychology [Internet]. 2025 [citado 4 Oct 2025];3(1):246–57. Disponible
en: https://ctrjournal.com/index.php/19/article/view/62 Int J Educ Innov Res. 2025;3(1):11–22.
7. Gavilanes Vásquez PG, Adum Ruiz JH, García Ruiz GS, Ruíz Ortega MG. Impacto de la inteligencia
artificial en la educación superior: una mirada hacia el futuro. RECIAMUC [Internet]. 2024 [citado
6 Oct 2025];8(2):213–21. Disponible en: https://www.reciamuc.com/index.php/RECIAMUC/article/
view/1371 DOI: http://dx.doi.org/10.26820/reciamuc/8.(2).abril.2024.213-221.
8. Turnitin. Estudio Time for Class: ¿Cuál ha sido el impacto de la IA en el aprendizaje de los estudiantes
en la era digital? [Internet]. Turnitin.com. 2024. [citado 13 Mar 2025]. Disponible en: https://www.
turnitin.com/press/turnitin-estudio-time-for-class.
9. Sabzalieva E, Valentini A. ChatGPT e inteligencia artificial en la educación superior: Guía de inicio
rápido. [Internet]. París: UNESCO IESALC;2023;1–16. [citado 15 Mar 2025]. Disponible en:
https://unesdoc.unesco.org/ark:/48223/pf0000385146_spa/PDF/385146spa.pdf.multi.
10. Seo K, Tang J, Roll I, Fels S, Yoon D. The impact of artificial intelligence on learner–instructor
interaction in online learning. Int J Educ Technol High Educ [Internet]. 2021 [citado 17 Mar 2025];
18(1):1–14. Disponible en: https://link.springer.com/article/10.1186/s41239-021-00292-9 DOI:
https://doi.org/10.1186/s41239-021-00292-9.
11. Ahmad SF, Han H, Alam MM, Rehmat MK, Irshad M, Arraño-Muñoz M, et al. Impact of artificial
intelligence on human loss in decision-making, laziness and safety in education. Humanit Soc Sci
Commun [Internet]. 2023 [citado 19 Mar 2025];10(1):311. Disponible en: https://www.nature.com/
articles/s41599-023-01787-8 DOI:10.1057/s41599 023 017878.
12.
[citado 8 May 2025]; 20. Disponible en: https://www.khaleejtimes.com/nation/dubai/Is-AI-makin
ghumans-lazy-Here-what-UAE-residents-say.
13. Del Cisne Loján M, Antonio Romero J, Sancho Aguilera D, Yajaira Romero A. Consecuencias de la
Dependencia de la Inteligencia Artificial en Habilidades Críticas y Aprendizaje Autónomo en los
Estudiantes. Cienc Lat Rev Científica Multidiscip. [Internet]. 2024 [citado 15 May 2025];8(2):
2368–2382. Disponible en: https://ciencialatina.org/index.php/cienciala/article/view/10678 DOI:
http://dx.doi.org/10.37811/cl_rcm.v8i2.10678.
14. Longoni C, Cian L. Artificial Intelligence in Utilitarian vs. Hedonic Contexts: The “Word-of-Machine”
Effect. J Mark [Internet]. 2022 [citado 19 May 2025];86(1):91–108. Disponible en: https://journals.sagepub.
com/doi/10.1177/0022242920957347.
15. Abbas M, Jam FA, Khan TI. Is it harmful or helpful? Examining the causes and consequences of
generative AI usage among university students. Int J Educ Technol High Educ [Internet]. 2024 [citado
9 Jan 2025];21(1). Disponible en: https://link.springer.com/article/10.1186/s41239-024-00444-7
DOI: https://doi.org/10.1186/s41239-024-00444-7.
16. Malinka K, Peresíni M, Firc A, Hujnák O, Janus F. On the Educational Impact of ChatGPT: Is Artificial
Intelligence Ready to Obtain a University Degree? In: Proceedings of the 2023 Conference on
Innovation and Technology in Computer Science Education (ITiCSE); 2023 [citado 15 Jan 2025].
3587102.3588827.
17. Gocen A, Aydemir F. Artificial Intelligence in Education and Schools. Res Educ Media. [Internet].
2020 [citado 20 May 2025];12(1):13–21. Disponible en: https://sciendo.com/2/v2/download/article/
10.2478/rem-2020-0003.pdf DOI: http://dx.doi.org/10.2478/rem-2020-0003.
18. Daha ES, Altelwany AA. Exploring the impact of using - ChatGPT in light of goal orientations and
academic self-efficacy. Int J Instr [Internet]. 2025 [citado 25 May 2025];18(2):167–84. Disponible
en: https://e-iji.net/ats/index.php/pub/article/view/730 DOI: http://dx.doi.org/10.29333/iji.2025.18210a.
19. Ortega Azurduy M, Machaca Mamani J, Daza Morales J. El efecto de la Inteligencia Artificial en el
rendimiento académico de estudiantes de ciencias administrativas en la Universidad Católica
Boliviana. Rev Educ Super [Internet]. 2023 [citado 1 Jun 2025];10(3):13–22. Disponible en:
http://www.scielo.org.bo/scielo.php?pid=S2518-82832023000300013&script=sci_arttext DOI:
https://doi.org/ 10.53287/mzkv9068uw14f.
20. Hernández-Sampieri R, Mendoza Torres CP. Metodología de la investigación: las rutas cuantitativa,
cualitativa y mixta. México: McGraw-Hill Education; 2018.
21. Hernández-Sampieri R, Fernández Collado C, Baptista Lucio M del P. Metodología de la investigación.
6ª ed. México: McGraw-Hill; 2014.
22. Carrazco Díaz S. Metodología de la investigación científica. 2ª ed. Lima: Editorial San Marcos; 2019.
23. Ortega C. ¿Qué es el muestreo por conveniencia? [Internet]. 2024 [citado 22 Nov 2024]. Disponible
en: https://www.questionpro.com/blog/es/muestreo-por-conveniencia/.
24. Morales-García WC, Sairitupa-Sánchez LZ, Morales-García SB, Morales-García M. Development
and validation of a scale for dependence on artificial intelligence in university students. Frontiers in
Education. [Internet]. 2024 [citado 4 Jun 2025];9:1323898. Disponible en: https://www.frontiersin.org/
journals/education/articles/10.3389/feduc.2024.1323898/full DOI: 10.3389/feduc.2024.1323898.
25. Preciado-Serrano M de L, Ángel-González M, Colunga-Rodríguez C, Vázquez-Colunga JC,
Rendimiento Académico Universitario (Construction and Validation of the University Academic
[Internet]. 2021 [citado 6 Jun 2025];3(60):5 14. Disponible en: https://go.gale.com/ps/i.do?id=GA
LE%7CA758446785&sid=googleScholar&v=2.1&it=r&linkaccess=abs&issn=11353848&p=
AONE&sw=w&userGroupName=anon%7E40c47079&aty=open-web-entry DOI:10.21865/RIDEP
60.3.01.
26. Remaycuna-Vásquez A, Carrión-Barco G, Espinoza-Porras FR, Maquen Niño GLE. Validez y
confiabilidad de la escala de rendimiento académico desde la percepción del alumno. Revista de
https://dialnet.unirioja.es/servlet/articulo?codigo=9034432 DOI: 10.31876/rcs.v29i.40458.
27. Busko DA. Causes and consequences of perfectionism and procrastination: A structural equation
28. Domínguez Lara S, Villegas García G, Centeno Leyva S. Procrastinación académica: validación de
una escala en una muestra de estudiantes de una universidad privada. Liberabit [Internet]. 2014 [citado
12 Jun 2025];20(2):293–304. Disponible en: http://www.scielo.org.pe/pdf/liber/v20n2/a10v20n2.
29. Colegio de Psicólogos del Perú. Código de ética profesional. Lima: Colegio de Psicólogos del Perú;
2017.
30. Universidad Peruana Unión. Código de ética para la investigación (CoEIn). Lima: UPeU; 2016.
31. Avendaño Porras VC. La adicción a la inteligencia artificial: evaluación de prevalencia y factores de
riesgo en estudiantes de posgrado. Rev Enfoques [Internet]. 2024 Jun 30 [citado 16 Apr 2025];5:
66–88. Disponible en: https://revistasdigitales.uniboyaca.edu.co/index.php/EFQ/article/view/1405.
32. Steel P. The nature of procrastination: a meta-analytic and theoretical review of quintessential
self-regulatory failure. Psychological Bulletin, 2025 [citado 13 Apr 2025];133(1), 65–94. Disponible
en: https://psycnet.apa.org/buy/2006-23058-004 DOI: https://doi.org/10.1037/0033-2909.133.1.65.
33. Zumárraga-Espinosa M, Cevallos-Pozo G. Autoeficacia, procrastinación y rendimiento académico en
estudiantes universitarios de Ecuador. Alteridad [Internet]. 2022 [citado 18 Apr 2025];17(2):277–90.
Disponible en: https://revistas.ups.edu.ec/index.php/alteridad/article/view/5516.
34. Kim KR, Seo EH. The relationship between procrastination and academic performance: a meta-analysis.
Pers Individ Dif [Internet]. 2015 [citado 19 Apr 2025];82:26–33. Disponible en: https://www.sciencedirect.
com/science/article/abs/pii/S0191886915001610 DOI: https://doi.org/10.1016/j.paid.2015.02.038.
35. Rodríguez A, Clariana M. Procrastinación en Estudiantes Universitarios: Su Relación con la Edad y el
Curso Académico. Rev Colomb Psicol. [Internet]. 2017 [citado 20 Apr 2025];26(1):45–60. Disponible
en: http://www.scielo.org.co/pdf/rcps/v26n1/0121-5469-rcps-26-01-00045.pdf.
36. Honicke T, Broadbent J. The influence of academic self-efficacy on academic performance: a systematic
review. Educ Res Rev [Internet]. 2016 [citado 21 Apr 2025];17:63–84. Disponible en: https://www.sciencedirect.
com/science/article/abs/pii/S1747938X15000639 DOI: https://doi.org/10.1016/j.edurev.2015.11.002.
37. Cosme Garate GA, Cornejo Zúñiga AG, Chumacero Acosta JS, Ruiz Rios A, Tuesta Casique A, Alvarez
Arista Y. Enseñanza universitaria y recursos didácticos en el nivel de rendimiento de los estudiantes de
pregrado. Rev Científica Episteme y Tekne. [Internet]. 2022 [citado 23 Apr 2025];1(2):e380. Disponible
en: https://revistas.unsm.edu.pe/index.php/rceyt/article/view/380 DOI: 10.51252/rceyt.v1i2.380.
38. Zhang S, Zhao X, Zhou T, Kim JH. Do you have AI dependency? The roles of academic self-efficacy,
academic stress, and performance expectations on problematic AI usage behavior. Int J Educ Technol
High Educ. [Internet]. 2024 [citado 29 Apr 2025];21(1):1-15. Disponible en: http://dx.doi.org/10.1186/
s41239-024-00467-0.
39. Granda Aguilera DR, Lema Mullo L, Gallegos Gallegos AR. La dependencia de la inteligencia artificial
en los estudiantes de bachillerato: implicaciones y recomendaciones para un aprendizaje equilibrado.
Polo del Conoc. [Internet]. 2024 [citado 20 may 2025];9(7):2109–30. Disponible en: https://polodel
conocimiento.com/ojs/index.php/es/article/view/7618/html?utm_source=chatgpt.com.
Relación entre dependencia a la inteligencia artificial, rendimiento académico y procrastinación
académica en universitarios
Relationship between dependence on artificial intelligence, academic performance, and academic
procrastination in university students
https://doi.org/10.37135/ee.04.25.08
Autores:
Hilda Sapillado Condori - https://orcid.org/0009-0002-7963-9896
Giuliana Nadyn Vilca Quispe - https://orcid.org/0009-0002-1329-0839
Alcides Quispe Mamani - https://orcid.org/0000-0002-7404-7464
Afiliación:
Universidad Peruana Unión
Autor de correspondencia: Giuliana Nadyn Vilca Quispe. Universidad Peruana Unión (UPeU), Carretera Salida
a Arequipa km. 6 Villa Chullunquiani, Juliaca, Perú. Tel: +51 940799733. E-mail: giuliana.vilca@upeu.edu.pe
Recibido: 21 de mayo de 2025 Aceptado: 11 de diciembre de 2025
RESUMEN
Esta investigación tuvo como objetivo determinar la relación existente entre dependencia de la inteligencia
artificial, rendimiento y procrastinación académica en estudiantes universitarios de la región Puno. Así se
aplicó un diseño no experimental, de corte transversal y tipo correlacional, en una muestra de 492 universitarios
de distintas universidades, con edades entre 18 y 35 años. Se utilizaron las escalas de dependencia hacia la
inteligencia artificial DAI, rendimiento académico universitario RAU y procrastinación académica EPA. Los
resultados, el 53 % de los participantes fueron de sexo masculino, el 92,1 % tenían edades entre 18 y 25 años,
el 51,4 % provenían de una universidad nacional de Juliaca, matriculados entre el primer y tercer ciclo
(51,8 %), destacándose el área de ingenierías con el 49,4 % de participación. El 63,41 % de los participantes
indicaron tener mayor inclinación hacia el uso de ChatGPT. Los valores globales indicaron una correlación
inversa significativa, (r = -0,122; p = <0,007) entre dependencia a la IA y rendimiento académico; no existe
correlación significativa entre dependencia a la IA y procrastinación académica (r = 0,022, p = < 0,627),
demostrando que los universitarios que no presentan altos niveles de dependencia de la inteligencia artificial
mantienen niveles de rendimiento académico adecuados y no tienden a procrastinar. Se identificó relación
inversa significativa entre dependencia de IA y la falta de organización de material didáctico (r = -0,225, p = <0,000),
evidenciando que la desorganización de materiales de estudio podría activar la necesidad de recurrir a la IA
como una solución rápida.
Palabras clave: inteligencia artificial, rendimiento académico, educación.
ABSTRACT
This research aimed to determine the relationship between dependence on artificial intelligence, academic
performance, and procrastination among university students in the Puno region. A non-experimental,
cross-sectional, correlational study was conducted with a sample of 492 university students from different
universities, aged 18-35 years. The scales of dependence on artificial intelligence (DAI), university academic
performance (RAU), and academic procrastination (EPA) were used as measurement instruments. The
results showed that 53 % of the participants were male, 92.1 % were between 18 and 25 years old, 51.4 %
came from a national university in Juliaca, enrolled between the first and third cycles (51.8 %), with the
engineering field standing out with 49.4 % participation. Sixty-three point four one percent of participants
indicated a greater inclination toward using ChatGPT. The overall values showed a significant inverse correlation
(r = -0.122; p = <0.007) between AI dependence and academic performance; there is no significant correlation
between AI dependence and academic procrastination (r = 0.022, p = <0.627), demonstrating that university
students who do not have high levels of dependence on artificial intelligence maintain adequate academic
performance levels and do not tend to procrastinate. A significant inverse relationship was found between AI
dependence and the lack of organization of teaching materials (r = -0.225, p = <0.000), suggesting that
disorganized study materials can prompt the need to resort to AI as a quick fix.
Keywords: Artificial Intelligence, Academic Performance, Education.
INTRODUCCIÓN
La inteligencia artificial (IA) es una herramienta tecnológica cuyo uso se está expandiendo rápidamente en
la educación universitaria,
(1)
siendo los estudiantes quienes tienen una interacción con la IA al menos
semanalmente.
(2)
Según Tyton Partners,
(3)
el 59 % son estudiantes y el 40 % docentes. La IA fue desarrollada
como una herramienta para optimizar experiencias de aprendizaje, con el fin de fortalecer el rendimiento
académico del estudiante
(4)
a través del apoyo en la ejecución de tareas y trabajos, y incrementar las calificaciones
(5)
a través del acceso rápido, a recursos y asistencia personalizada,
(6)
siendo útil también para facilitar la
investigación académica.
(7)
En Perú, se halló que el 73,2 % de universitarios utilizan la IA para hacer sus
tareas e investigaciones,
(5)
Turnitin
(8)
sostiene que un 3 % de los trabajos examinados presentan un 80 % o
más de texto generado por IA. Dentro del mundo académico, el ChatGPT es la herramienta de IA más usada,
debido a su uso dinámico y versátil.
(9)
A pesar de las ventajas de esta tecnología, su aceptación sin control podría generar dependencia por parte de
los estudiantes y educadores
(10)
, provocar la pérdida de habilidades cognitivas,
(11)
la capacidad de pensar de
manera independiente y desarrollar habilidades esenciales como la investigación y análisis,
(6)
impulsando a
pensar como los algoritmos sin comprender,
(12, 13)
asimismo, incentivar la pereza y dificultades en la toma de
decisiones,
(11)
reduciendo la motivación para esforzarse intelectualmente,
(6)
poniendo en riesgo el rendimiento
académico, incluso llevándolo a manifestar comportamientos de procrastinación académica, como retrasos
en la finalización de tareas, retrasos en las clases y retrasos en eventos competitivos hasta el último
día, entre otros.
(14,15)
En un futuro, esto significaría que los egresados universitarios sean de baja calidad
(16)
y con habilidades profesionales deficientes.
(17)
Estudios previos evidenciaron que el uso de la IA afecta negativamente el rendimiento académico de los
estudiantes universitarios y está relacionado positivamente con la procrastinación donde, a mayor uso de la
IA menor rendimiento académico y mayor probabilidad de procrastinar,
(15)
asimismo, se encontró que la
dependencia de la IA afecta el rendimiento académico de los estudiantes conllevando a la pérdida de habilidades
de investigación y aprendizaje autónomo,
(13)
y que su uso excesivo puede contribuir inadvertidamente a
retrasos en las tareas académicas, también se reveló que el uso excesivo de ChatGPT puede provocar la
postergación de tareas y un menor rendimiento y desarrollo académico.
(18)
La intención de uso de la inteligencia
artificial por parte de los estudiantes está basada en la ética, la autoeficacia, la motivación y las expectativas de
resultados, los cuales influyen en el rendimiento académico ya sea favorable o desfavorable.
(19)
En Perú, se demostró que la IA afecta positivamente el rendimiento académico de los estudiantes de pregrado
y postgrado en un 48,1 %.
(5)
Asimismo, se destaca que los estudiantes con una actitud más favorable hacia la
IA tienen una clara comprensión y entendimiento de la IA, tienen confianza en su educación y experimentan
efectos positivos en su rendimiento académico.
La IA está transformando el ámbito educativo y los hábitos de estudio, por lo que es necesario investigar su
impacto en los estudiantes universitarios. En este contexto, se planteó la presente invetsigación con la finalidad
de determinar la relación existente entre dependencia de la inteligencia artificial, percepción del rendimiento
académico y procrastinación académica en estudiantes universitarios de la región Puno, en el segundo periodo
académico de 2024.
MATERIAL Y MÉTODOS
Diseño y contexto
Este estudio se llevó a cabo con un enfoque cuantitativo, diseño no experimental, de corte transeccional o
transversal y de tipo correlacional, con el objetivo de analizar la relación entre dos o más variables.
(20)
Participantes
Este estudio se realizó en la región Puno, Perú, con una población compuesta por estudiantes de diversas
universidades de la región, tanto instituciones públicas como privadas, matriculados en el segundo periodo
académico del 2024, se seleccionó una muestra de 492 estudiantes universitarios de distintas carreras,
diferenciadas en 3 grupos (Ingenierías, Biomédicas y Sociales), con edades comprendidas entre 18 y 35
años, pertenecían a ambos sexos y contaban con conocimientos previos sobre inteligencia artificial. Se
emplearon criterios de muestreo no probabilístico por conveniencia intencional
(21, 22)
seleccionando participantes
con disponibilidad para formar parte de la muestra.
(23)
Instrumentos
Escala de Dependencia hacia la Inteligencia Artificial (DAI), desarrollada en Perú por Morales-García et al.
(24)
La escala es unidimensional y consta de 5 ítems medidos a través de una escala tipo Likert: Completamente
falso para mí, Mayormente falso para mí, Ni verdadero ni falso para mí, Mayormente verdadero para mí y
Me describe perfectamente, con un puntaje máximo de 25 puntos dirigidos a estudiantes universitarios. Los
valores de alfa de Cronbach y el coeficiente omega de McDonald muestran una adecuada consistencia interna
La escala de rendimiento académico universitario (RAU) fue desarrollada por Preciado-Serrano et al
(25)
y validada por Remaycuna-Vásquez et al.
(26)
consta de 18 ítems y tres dimensiones: aportación en las
actividades académicas, dedicación al estudio y falta de organización de los recursos didácticos, se
miden mediante una escala de tipo Likert con 7 alternativas de respuesta: nunca, casi nunca, algunas
veces, regularmente, a menudo, casi siempre y siempre. El índice de confiabilidad del alfa de Cronbach
y omega de McDonald, a nivel general se evidencia que la fiabilidad es de 0.843 y 0.865 respectivamente,
la cual tiene valores aceptables.
Escala de Procrastinación Académica (EPA), creada por Busko
(27)
y validada para Perú por Domínguez et al.
(28)
esta adaptación consta de 12 ítems, divididos en 2 dimensiones autorregulación académica y postergación de
actividades. Los ítems son medidos según la escala de Likert: nunca, casi nunca, a veces, casi siempre y
siempre. Se obtuvieron umbrales de confianza a través del alfa de Cronbach, obteniéndose un indicador de
0,821 (IC al 95 %: 0,793; 0,847) para el factor autorregulación académica, y de 0,752 (IC al 95 %: 0,705;
0,792) para el factor postergación de actividades. El coeficiente omega estimó la confiabilidad de los factores,
logrando un indicador de 0,829 para el factor autorregulación académica y de 0,794 para el factor postergación
de actividades.
Análisis de datos
La recolección de datos se realizó mediante la aplicación de los instrumentos posteriormente se estructuraron
y procesaron utilizando Statistical Package for the Social Sciences (SPSS) versión 27 y Jamovi 2.3.28.0,
donde se empleó la estadística descriptiva e inferencial para la obtención de datos de frecuencia y correlación
de variables, así como la verificación de la distribución normal o anormal de las variables.
Aspectos éticos
El estudio fue aprobado por el comité de ética de la Universidad Peruana Unión, con número de aprobación
2024-CEB-FCS - UPeU-270 la cual se adhirió a los principios éticos del código de ética de investigación
establecidos por la misma institución. Asimismo, se puso en consideración las directrices del Código de
Ética del Colegio de Psicólogos del Perú aplicables a la investigación. Todos los participantes procedieron a
la firma del consentimiento informado, manifestando su aceptación para participar en el estudio y autorizan-
do el uso de los datos exclusivamente para fines académicos e investigativos.
(29, 30)
RESULTADOS
Para el análisis inferencial se empleó la prueba de correlación de Pearson, dado que las variables presentaron
distribución normal. En los casos en los que la normalidad no fue determinada, se complementó con la
verificación mediante coeficientes y valores p correspondientes.
Los resultados muestran que, del total de participantes, el 53, 9 % correspondió al sexo masculino y el 92,1%
presentaban edades entre 18 y 25 años. El 51,4 % fueron procedentes de la UNAJ, destacándose el área de
Ingeniería con participación del 49,4 %. Por otro lado, se muestra que la mayoría se encontraban matriculados
entre el I a III ciclo (51, 8 %). La información de los tipos de IAs que más utilizan como apoyo para su jornada
académica más relevantes fue: el ChatGPT con un 63,41 %, Canva (51,83 %), Meta.IA (40,65 %), Gemini
(26.42%) y Mendeley (24,39 %) como las IAs de mayor aceptación, además de otras IAs que son de baja
preferencia (Tabla 1).
Datos sociodemográficos
Tabla 1. Características de los participantes
Nota: *UNAP “Universidad Nacional del Altiplano”, UNAJ “Universidad Nacional de Juliaca”, UPEU “Universidad Peruana
Unión”
Los estudiantes universitarios de la región Puno son dependientes de la IA en un nivel “leve” (50,61 %), con
un rendimiento académico percibido de nivel “medio”, a excepción de la dimensión dedicación al estudio,
en donde el 40,9 % se percibe en un nivel “alto” y así mismo son procrastinadores en un nivel “promedio”
(57,3 %). (Tabla 2)
Tabla 2. Análisis descriptivo de dependencia a la IA, percepción de rendimiento académico y procrastina-
ción académica
Se detectó una relación inversa significativa entre dependencia a la inteligencia artificial y rendimiento
académico, con una intensidad de relación débil (r= -0,122, p=< 0,007) lo que señala que, a mayor rendimiento
académico de los estudiantes universitarios, menor dependencia de la IA. No se encontró una correlación con
la procrastinación (r= 0,022, p=< 0,627) lo que sugiere que ambas variables son independientes y no se afectan
entre sí. En cambio, se observa una correlación inversa y altamente significativa, con una intensidad de
relación moderada (r = -0,333, p =< 0,000) entre rendimiento académico y procrastinación académica, lo que
evidencia que a menor procrastinación académica, mayor rendimiento académico (Tabla 3).
Tabla 3. Correlación entre dependencia de la IA, percepción de rendimiento académico y procrastinación
académica y sus dimensiones.
Nota: * p < .05, ** p < .01, *** p < .001. Prueba estadística utilizada: Coeficiente de correlación de Pearson
Las aportaciones a las actividades académicas no se relacionan con dependencia de la IA (r= - 0,040,
p = 0,371), sin embargo, presenta una relación directa altamente significativa con una intensidad fuerte
con rendimiento académico (r = 0.884, p = < 0.000) y una relación inversa con la procrastinación
académica (r = -0.296, p = < 0.000) lo que indica que, a mayor aportación a las actividades académicas,
mayor rendimiento académico y menor tendencia a procrastinar. La dedicación al estudio es independiente y
no se relaciona con dependencia de la IA (r = -0,053, p = < 0,237), pero tiene una fuerte relación positiva con
el rendimiento académico (r,= 0,835, p = < 0,000) y una relación inversa con la procrastinación académica
(r= -0,323; p = <0,000) que indica que, a mayor compromiso con el estudio, mejor desempeño académico y
menos propenso a procrastinar. La falta de organización de los recursos didácticos tiene una relación inversamente
significativa con la dependencia de la IA con una intensidad leve (r =-0,225, p = <0.000), lo que sugiere que una
organización más eficiente implica una dependencia menor de la IA; no se relaciona con la procrastinación
académica, pero sí con el rendimiento académico (r = 0,371, p = < 0.000), ya que una falta de organización
no necesariamente afecta negativamente el desempeño académico. La autorregulación académica no está
relacionada con la dependencia a la inteligencia artificial, sino que mantiene una relación inversa con el
rendimiento académico (r = -0,327, p = < 0.000) y una relación directa de gran relevancia con intensidad
fuerte con procrastinación académica (r = 0.952, p = < 0,000), indicando que en ciertos contextos los alumnos
con menos control o regulación sobre su propio proceso de aprendizaje suelen lograr mejores resultados
académicos y que a mayor capacidad de control del aprendizaje, mayor es la predisposición a procrastinar.
Finalmente, la postergación de actividades no se relaciona con la dependencia a la IA, sin embargo, tiene una
relación inversa débil con el rendimiento académico (r = -0,163, p = < 0,000) y una correlación positiva con
procrastinación académica (r = 0,576, p = < 0,000) lo que indica que una mayor postergación se asocia con
un menor rendimiento académico y una mayor tendencia a procrastinar. (Tabla 4)
Tabla 4. Correlación entre dependencia de la IA, rendimiento académico, procrastinación académica y sus
dimensiones.
DISCUSIÓN
El objetivo general del estudio fue determinar la relación entre la dependencia de la inteligencia artificial
(IA), la percepción del rendimiento académico y la procrastinación académica en estudiantes universitarios
de la región Puno durante el segundo periodo del 2024. Los resultados obtenidos permiten discutir los hallazgos
desde una perspectiva comparativa con investigaciones previas y en función de los objetivos planteados.
En relación con el primer objetivo, se identificó una correlación inversa significativa entre la dependencia a
la IA y el rendimiento académico (r = -0,122; p < 0,007), lo que indica que los estudiantes con menor depen-
dencia de la IA presentan un mejor desempeño académico. Este hallazgo coincide con lo reportado por Del
Cisne et al.
(13)
y Avendaño,
(31)
quienes evidenciaron que una alta dependencia tecnológica puede afectar nega-
tivamente el rendimiento académico hasta en un 65 %, debido a la pérdida de autonomía cognitiva y de habi-
lidades analíticas. Sin embargo, cuando la IA se utiliza como herramienta de apoyo complementario, puede
potenciar la productividad y mejorar la comprensión de los contenidos.
(19)
Por consiguiente, el estudio reafirma
la necesidad de fomentar un uso responsable y pedagógico de la IA en el entorno universitario, donde el criterio
humano y el pensamiento crítico sigan siendo fundamentales para la formación académica.
Respecto al segundo objetivo, orientado a analizar la relación entre la dependencia a la IA y la procrastinación
académica, no se identificó una correlación significativa (r = 0.022; p < 0.627). Este resultado sugiere que el
uso de herramientas de IA no influye directamente en los niveles de procrastinación. A diferencia de lo
planteado por Abbas et al.
(15)
quienes encontraron una relación positiva entre el uso excesivo de ChatGPT y
la postergación de actividades, los datos de este estudio muestran que la procrastinación puede estar determinada
por otros factores personales, como la autoeficacia, la motivación intrínseca y la capacidad de autorregulación.
(32)
Por tanto, la dependencia tecnológica no sería el principal factor desencadenante de la procrastinación,
aunque un uso desmedido de la IA podría, en algunos casos, reforzar hábitos de postergación si no se acompaña
de un control adecuado del tiempo y la planificación.
En cuanto al tercer objetivo, se identificó una relación inversa y altamente significativa entre el rendimiento
académico y la procrastinación académica (r = -0,333; p < 0,000). Este resultado confirma lo encontrado por
Zumárraga y Cevallos
(33)
y Kim y Seo,
(34)
quienes sostienen que la procrastinación afecta negativamente el
rendimiento académico al reducir la dedicación al estudio y la organización del tiempo. Los estudiantes con
altos niveles de rendimiento académico tienden a postergar menos sus actividades, muestran mayor motivación
y presentan una gestión más eficiente de sus recursos y objetivos
(35,36)
Este hallazgo respalda la importancia de
promover estrategias de autorregulación y gestión del tiempo en el ámbito universitario, como medios efectivos
para contrarrestar los efectos negativos de la procrastinación.
Por otra parte, el análisis de las dimensiones específicas aporta evidencia adicional. Se halló una relación
inversa significativa entre la dependencia de la IA y la falta de organización de los recursos didácticos
(r = -0,225; p < 0,000),
lo que sugiere que los estudiantes con menor organización tienden a recurrir más a
la IA como solución inmediata ante la demanda académica. Este resultado se alinea con los hallazgos de
Cosme Garate et al.
(37)
y Zhang et al.,
(38)
quienes señalan que una deficiente gestión de materiales de estudio
puede incrementar el estrés y la dependencia de herramientas tecnológicas. Además, Granda Aguilera et
al.
(39)
y Ahmad et al.,
(11)
advierten que la dependencia excesiva de la IA puede debilitar la organización, el
pensamiento crítico y la autonomía académica, fomentando hábitos de dependencia cognitiva. Por tanto,
fortalecer las competencias de planificación y organización se vuelve esencial para evitar la sobreutilización
de la IA.
Asimismo, los resultados indican que la autorregulación académica no se relaciona significativamente con la
dependencia de la IA, lo cual demuestra que los estudiantes conservan su capacidad de control y gestión del
aprendizaje.
(25)
Este hallazgo es positivo, pues refleja que la mayoría utiliza la IA como una herramienta de
apoyo y no como un sustituto de sus procesos de trabajo académico. No obstante, es necesario enfatizar la
formación ética y digital para garantizar un equilibrio entre el uso tecnológico y el desarrollo de habilidades
de razonamiento, análisis y creatividad.
Finalmente, el hecho de no haber identificado una correlación estadísticamente significativa entre la depen-
dencia de la IA y la postergación de actividades (r = 0.02; p < 0.647) confirma que la procrastinación no
depende exclusivamente del uso de la IA, sino que responde a una interacción compleja de factores psicológicos,
académicos y sociales. Sin embargo, como sostienen Abbas et al.
(15)
el uso inadecuado o desmedido de
herramientas como ChatGPT puede inducir conductas de procrastinación cuando reemplaza la reflexión
personal o el esfuerzo intelectual, en lugar de servir como un medio de aprendizaje activo.
CONCLUSIONES
Los resultados evidencian que una menor dependencia de la IA se asocia con un mejor rendimiento académico
y que, a su vez, un mayor rendimiento académico se relaciona con menores niveles de procrastinación. Por
otro lado, no se identificó una relación significativa entre la dependencia de la IA y la procrastinación; sin
embargo, sí se encontró una asociación con la dimensión referida a la falta de organización de los recursos
didácticos. Los hallazgos destacan la importancia de promover un uso responsable de la IA en estudiantes.
Limitaciones del estudio: Entre las principales limitaciones se encuentra el uso de un muestreo no probabilístico
por conveniencia, lo que restringe la generalización de los resultados a otras poblaciones universitarias.
Asimismo, el estudio se basó en instrumentos de autoinforme, los cuales pueden estar sujetos a sesgos de
percepción y deseabilidad social. Finalmente, al tratarse de un diseño transversal, no es posible establecer
relaciones causales entre las variables analizadas. Se recomienda que futuras investigaciones incorporen
diseños longitudinales y muestras más diversas para profundizar en estos hallazgos.
Financiamiento: Investigación financiada por los autores.
Agradecimientos: A los directivos del vicerrectorado de investigación de la Universidad Peruana Unión.
Conflictos de intereses: Los autores no tienen intereses en competencia.
Declaración de contribución:
Hilda Sapillado Condori y Giuliana Nadyn Vilca Quispe participaron en todo el proceso integral de la inves-
tigación y la redacción del artículo.
Alcides Quispe Mamani participó como asesor del estudio, revisión y aprobación de la versión final
REFERENCIAS BIBLIOGRÁFICAS
1. Acosta P. El impacto de la inteligencia artificial en la educación superior. Informe del Consejo de
Europa - ES de ES: Aprendemos entre todos [Internet]. 2022 [citado 8 Nov 2025]. Disponible en:
https://www.espaciosdeeducacionsuperior.es/07/12/2022/__trashed-2__trashed/.
2. Digital Education Council global AI student survey 2024. Encuesta mundial sobre inteligencia artificial
a estudiantes del Consejo de Educación Digital 2024 [Internet]. [cited 5 Mar 2025]. Disponible en:
https://www.digitaleducationcouncil.com/post/digital-education-council-global-ai-student-survey-2024.
3. Tyton Partners. Time for Class 2024: Unlocking access to effective digital teaching and learning
[Internet]. 2024 [citado 10 Nov 2024]. Disponible en: https://4213961.fs1.hubspotusercontent-na1.net/
hubfs/4213961/Publications/Time%20for%20Class%202024.pdf.
4. Rojas Marín F de los Á, Espinoza Padilla JG, Mendoza Pacheco MF. Inteligencia Artificial: Dependencia
y la Afección del Pensamiento Crítico. Cienc Lat Rev Científica Multidiscip. [Internet]. 2024 [citado
7 Mar 2025]; 8(4):12590–608. Disponible en: https://ciencialatina.org/index.php/cienciala/article/
view/13462.
5. Espinoza Vidaurre SM, Velásquez Rodríguez NC, Gambetta Quelopana RL, Martínez Valdivia AN,
Leo Rossi EA, Laura de la Cruz KM, et al. Influencia de la inteligencia artificial en la eficiencia del
rendimiento académico: un análisis de determinantes. RISTI - Rev Ibér Sist Tecnol Inf [Internet].
2024 [citado 9 Mar 2025]; E70:399–418. disponible en: https://dialnet.unirioja.es/servlet/articulo?
codigo=9886376.
6. Mukhtar M, Firdos SS, Zaka I, Naeem S. Impact of AI dependence on procrastination among university
students. Research Journal of Psychology [Internet]. 2025 [citado 4 Oct 2025];3(1):246–57. Disponible
en: https://ctrjournal.com/index.php/19/article/view/62 Int J Educ Innov Res. 2025;3(1):11–22.
7. Gavilanes Vásquez PG, Adum Ruiz JH, García Ruiz GS, Ruíz Ortega MG. Impacto de la inteligencia
artificial en la educación superior: una mirada hacia el futuro. RECIAMUC [Internet]. 2024 [citado
6 Oct 2025];8(2):213–21. Disponible en: https://www.reciamuc.com/index.php/RECIAMUC/article/
view/1371 DOI: http://dx.doi.org/10.26820/reciamuc/8.(2).abril.2024.213-221.
8. Turnitin. Estudio Time for Class: ¿Cuál ha sido el impacto de la IA en el aprendizaje de los estudiantes
en la era digital? [Internet]. Turnitin.com. 2024. [citado 13 Mar 2025]. Disponible en: https://www.
turnitin.com/press/turnitin-estudio-time-for-class.
9. Sabzalieva E, Valentini A. ChatGPT e inteligencia artificial en la educación superior: Guía de inicio
rápido. [Internet]. París: UNESCO IESALC;2023;1–16. [citado 15 Mar 2025]. Disponible en:
https://unesdoc.unesco.org/ark:/48223/pf0000385146_spa/PDF/385146spa.pdf.multi.
10. Seo K, Tang J, Roll I, Fels S, Yoon D. The impact of artificial intelligence on learner–instructor
interaction in online learning. Int J Educ Technol High Educ [Internet]. 2021 [citado 17 Mar 2025];
18(1):1–14. Disponible en: https://link.springer.com/article/10.1186/s41239-021-00292-9 DOI:
https://doi.org/10.1186/s41239-021-00292-9.
11. Ahmad SF, Han H, Alam MM, Rehmat MK, Irshad M, Arraño-Muñoz M, et al. Impact of artificial
intelligence on human loss in decision-making, laziness and safety in education. Humanit Soc Sci
Commun [Internet]. 2023 [citado 19 Mar 2025];10(1):311. Disponible en: https://www.nature.com/
articles/s41599-023-01787-8 DOI:10.1057/s41599 023 017878.
12.
[citado 8 May 2025]; 20. Disponible en: https://www.khaleejtimes.com/nation/dubai/Is-AI-makin
ghumans-lazy-Here-what-UAE-residents-say.
13. Del Cisne Loján M, Antonio Romero J, Sancho Aguilera D, Yajaira Romero A. Consecuencias de la
Dependencia de la Inteligencia Artificial en Habilidades Críticas y Aprendizaje Autónomo en los
Estudiantes. Cienc Lat Rev Científica Multidiscip. [Internet]. 2024 [citado 15 May 2025];8(2):
2368–2382. Disponible en: https://ciencialatina.org/index.php/cienciala/article/view/10678 DOI:
http://dx.doi.org/10.37811/cl_rcm.v8i2.10678.
REE 20(1) Riobamba ene. - abr. 2026
cc
BY NC ND
143
ISSN-impreso 1390-7581
ISSN-digital 2661-6742
14. Longoni C, Cian L. Artificial Intelligence in Utilitarian vs. Hedonic Contexts: The “Word-of-Machine”
Effect. J Mark [Internet]. 2022 [citado 19 May 2025];86(1):91–108. Disponible en: https://journals.sagepub.
com/doi/10.1177/0022242920957347.
15. Abbas M, Jam FA, Khan TI. Is it harmful or helpful? Examining the causes and consequences of
generative AI usage among university students. Int J Educ Technol High Educ [Internet]. 2024 [citado
9 Jan 2025];21(1). Disponible en: https://link.springer.com/article/10.1186/s41239-024-00444-7
DOI: https://doi.org/10.1186/s41239-024-00444-7.
16. Malinka K, Peresíni M, Firc A, Hujnák O, Janus F. On the Educational Impact of ChatGPT: Is Artificial
Intelligence Ready to Obtain a University Degree? In: Proceedings of the 2023 Conference on
Innovation and Technology in Computer Science Education (ITiCSE); 2023 [citado 15 Jan 2025].
3587102.3588827.
17. Gocen A, Aydemir F. Artificial Intelligence in Education and Schools. Res Educ Media. [Internet].
2020 [citado 20 May 2025];12(1):13–21. Disponible en: https://sciendo.com/2/v2/download/article/
10.2478/rem-2020-0003.pdf DOI: http://dx.doi.org/10.2478/rem-2020-0003.
18. Daha ES, Altelwany AA. Exploring the impact of using - ChatGPT in light of goal orientations and
academic self-efficacy. Int J Instr [Internet]. 2025 [citado 25 May 2025];18(2):167–84. Disponible
en: https://e-iji.net/ats/index.php/pub/article/view/730 DOI: http://dx.doi.org/10.29333/iji.2025.18210a.
19. Ortega Azurduy M, Machaca Mamani J, Daza Morales J. El efecto de la Inteligencia Artificial en el
rendimiento académico de estudiantes de ciencias administrativas en la Universidad Católica
Boliviana. Rev Educ Super [Internet]. 2023 [citado 1 Jun 2025];10(3):13–22. Disponible en:
http://www.scielo.org.bo/scielo.php?pid=S2518-82832023000300013&script=sci_arttext DOI:
https://doi.org/ 10.53287/mzkv9068uw14f.
20. Hernández-Sampieri R, Mendoza Torres CP. Metodología de la investigación: las rutas cuantitativa,
cualitativa y mixta. México: McGraw-Hill Education; 2018.
21. Hernández-Sampieri R, Fernández Collado C, Baptista Lucio M del P. Metodología de la investigación.
6ª ed. México: McGraw-Hill; 2014.
22. Carrazco Díaz S. Metodología de la investigación científica. 2ª ed. Lima: Editorial San Marcos; 2019.
23. Ortega C. ¿Qué es el muestreo por conveniencia? [Internet]. 2024 [citado 22 Nov 2024]. Disponible
en: https://www.questionpro.com/blog/es/muestreo-por-conveniencia/.
24. Morales-García WC, Sairitupa-Sánchez LZ, Morales-García SB, Morales-García M. Development
and validation of a scale for dependence on artificial intelligence in university students. Frontiers in
Education. [Internet]. 2024 [citado 4 Jun 2025];9:1323898. Disponible en: https://www.frontiersin.org/
journals/education/articles/10.3389/feduc.2024.1323898/full DOI: 10.3389/feduc.2024.1323898.
25. Preciado-Serrano M de L, Ángel-González M, Colunga-Rodríguez C, Vázquez-Colunga JC,
Rendimiento Académico Universitario (Construction and Validation of the University Academic
[Internet]. 2021 [citado 6 Jun 2025];3(60):5 14. Disponible en: https://go.gale.com/ps/i.do?id=GA
LE%7CA758446785&sid=googleScholar&v=2.1&it=r&linkaccess=abs&issn=11353848&p=
AONE&sw=w&userGroupName=anon%7E40c47079&aty=open-web-entry DOI:10.21865/RIDEP
60.3.01.
26. Remaycuna-Vásquez A, Carrión-Barco G, Espinoza-Porras FR, Maquen Niño GLE. Validez y
confiabilidad de la escala de rendimiento académico desde la percepción del alumno. Revista de
https://dialnet.unirioja.es/servlet/articulo?codigo=9034432 DOI: 10.31876/rcs.v29i.40458.
27. Busko DA. Causes and consequences of perfectionism and procrastination: A structural equation
28. Domínguez Lara S, Villegas García G, Centeno Leyva S. Procrastinación académica: validación de
una escala en una muestra de estudiantes de una universidad privada. Liberabit [Internet]. 2014 [citado
12 Jun 2025];20(2):293–304. Disponible en: http://www.scielo.org.pe/pdf/liber/v20n2/a10v20n2.
29. Colegio de Psicólogos del Perú. Código de ética profesional. Lima: Colegio de Psicólogos del Perú;
2017.
30. Universidad Peruana Unión. Código de ética para la investigación (CoEIn). Lima: UPeU; 2016.
31. Avendaño Porras VC. La adicción a la inteligencia artificial: evaluación de prevalencia y factores de
riesgo en estudiantes de posgrado. Rev Enfoques [Internet]. 2024 Jun 30 [citado 16 Apr 2025];5:
66–88. Disponible en: https://revistasdigitales.uniboyaca.edu.co/index.php/EFQ/article/view/1405.
32. Steel P. The nature of procrastination: a meta-analytic and theoretical review of quintessential
self-regulatory failure. Psychological Bulletin, 2025 [citado 13 Apr 2025];133(1), 65–94. Disponible
en: https://psycnet.apa.org/buy/2006-23058-004 DOI: https://doi.org/10.1037/0033-2909.133.1.65.
33. Zumárraga-Espinosa M, Cevallos-Pozo G. Autoeficacia, procrastinación y rendimiento académico en
estudiantes universitarios de Ecuador. Alteridad [Internet]. 2022 [citado 18 Apr 2025];17(2):277–90.
Disponible en: https://revistas.ups.edu.ec/index.php/alteridad/article/view/5516.
34. Kim KR, Seo EH. The relationship between procrastination and academic performance: a meta-analysis.
Pers Individ Dif [Internet]. 2015 [citado 19 Apr 2025];82:26–33. Disponible en: https://www.sciencedirect.
com/science/article/abs/pii/S0191886915001610 DOI: https://doi.org/10.1016/j.paid.2015.02.038.
35. Rodríguez A, Clariana M. Procrastinación en Estudiantes Universitarios: Su Relación con la Edad y el
Curso Académico. Rev Colomb Psicol. [Internet]. 2017 [citado 20 Apr 2025];26(1):45–60. Disponible
en: http://www.scielo.org.co/pdf/rcps/v26n1/0121-5469-rcps-26-01-00045.pdf.
36. Honicke T, Broadbent J. The influence of academic self-efficacy on academic performance: a systematic
review. Educ Res Rev [Internet]. 2016 [citado 21 Apr 2025];17:63–84. Disponible en: https://www.sciencedirect.
com/science/article/abs/pii/S1747938X15000639 DOI: https://doi.org/10.1016/j.edurev.2015.11.002.
37. Cosme Garate GA, Cornejo Zúñiga AG, Chumacero Acosta JS, Ruiz Rios A, Tuesta Casique A, Alvarez
Arista Y. Enseñanza universitaria y recursos didácticos en el nivel de rendimiento de los estudiantes de
pregrado. Rev Científica Episteme y Tekne. [Internet]. 2022 [citado 23 Apr 2025];1(2):e380. Disponible
en: https://revistas.unsm.edu.pe/index.php/rceyt/article/view/380 DOI: 10.51252/rceyt.v1i2.380.
38. Zhang S, Zhao X, Zhou T, Kim JH. Do you have AI dependency? The roles of academic self-efficacy,
academic stress, and performance expectations on problematic AI usage behavior. Int J Educ Technol
High Educ. [Internet]. 2024 [citado 29 Apr 2025];21(1):1-15. Disponible en: http://dx.doi.org/10.1186/
s41239-024-00467-0.
39. Granda Aguilera DR, Lema Mullo L, Gallegos Gallegos AR. La dependencia de la inteligencia artificial
en los estudiantes de bachillerato: implicaciones y recomendaciones para un aprendizaje equilibrado.
Polo del Conoc. [Internet]. 2024 [citado 20 may 2025];9(7):2109–30. Disponible en: https://polodel
conocimiento.com/ojs/index.php/es/article/view/7618/html?utm_source=chatgpt.com.
Relación entre dependencia a la inteligencia artificial, rendimiento académico y procrastinación
académica en universitarios
Relationship between dependence on artificial intelligence, academic performance, and academic
procrastination in university students
https://doi.org/10.37135/ee.04.25.08
Autores:
Hilda Sapillado Condori - https://orcid.org/0009-0002-7963-9896
Giuliana Nadyn Vilca Quispe - https://orcid.org/0009-0002-1329-0839
Alcides Quispe Mamani - https://orcid.org/0000-0002-7404-7464
Afiliación:
Universidad Peruana Unión
Autor de correspondencia: Giuliana Nadyn Vilca Quispe. Universidad Peruana Unión (UPeU), Carretera Salida
a Arequipa km. 6 Villa Chullunquiani, Juliaca, Perú. Tel: +51 940799733. E-mail: giuliana.vilca@upeu.edu.pe
Recibido: 21 de mayo de 2025 Aceptado: 11 de diciembre de 2025
RESUMEN
Esta investigación tuvo como objetivo determinar la relación existente entre dependencia de la inteligencia
artificial, rendimiento y procrastinación académica en estudiantes universitarios de la región Puno. Así se
aplicó un diseño no experimental, de corte transversal y tipo correlacional, en una muestra de 492 universitarios
de distintas universidades, con edades entre 18 y 35 años. Se utilizaron las escalas de dependencia hacia la
inteligencia artificial DAI, rendimiento académico universitario RAU y procrastinación académica EPA. Los
resultados, el 53 % de los participantes fueron de sexo masculino, el 92,1 % tenían edades entre 18 y 25 años,
el 51,4 % provenían de una universidad nacional de Juliaca, matriculados entre el primer y tercer ciclo
(51,8 %), destacándose el área de ingenierías con el 49,4 % de participación. El 63,41 % de los participantes
indicaron tener mayor inclinación hacia el uso de ChatGPT. Los valores globales indicaron una correlación
inversa significativa, (r = -0,122; p = <0,007) entre dependencia a la IA y rendimiento académico; no existe
correlación significativa entre dependencia a la IA y procrastinación académica (r = 0,022, p = < 0,627),
demostrando que los universitarios que no presentan altos niveles de dependencia de la inteligencia artificial
mantienen niveles de rendimiento académico adecuados y no tienden a procrastinar. Se identificó relación
inversa significativa entre dependencia de IA y la falta de organización de material didáctico (r = -0,225, p = <0,000),
evidenciando que la desorganización de materiales de estudio podría activar la necesidad de recurrir a la IA
como una solución rápida.
Palabras clave: inteligencia artificial, rendimiento académico, educación.
ABSTRACT
This research aimed to determine the relationship between dependence on artificial intelligence, academic
performance, and procrastination among university students in the Puno region. A non-experimental,
cross-sectional, correlational study was conducted with a sample of 492 university students from different
universities, aged 18-35 years. The scales of dependence on artificial intelligence (DAI), university academic
performance (RAU), and academic procrastination (EPA) were used as measurement instruments. The
results showed that 53 % of the participants were male, 92.1 % were between 18 and 25 years old, 51.4 %
came from a national university in Juliaca, enrolled between the first and third cycles (51.8 %), with the
engineering field standing out with 49.4 % participation. Sixty-three point four one percent of participants
indicated a greater inclination toward using ChatGPT. The overall values showed a significant inverse correlation
(r = -0.122; p = <0.007) between AI dependence and academic performance; there is no significant correlation
between AI dependence and academic procrastination (r = 0.022, p = <0.627), demonstrating that university
students who do not have high levels of dependence on artificial intelligence maintain adequate academic
performance levels and do not tend to procrastinate. A significant inverse relationship was found between AI
dependence and the lack of organization of teaching materials (r = -0.225, p = <0.000), suggesting that
disorganized study materials can prompt the need to resort to AI as a quick fix.
Keywords: Artificial Intelligence, Academic Performance, Education.
INTRODUCCIÓN
La inteligencia artificial (IA) es una herramienta tecnológica cuyo uso se está expandiendo rápidamente en
la educación universitaria,
(1)
siendo los estudiantes quienes tienen una interacción con la IA al menos
semanalmente.
(2)
Según Tyton Partners,
(3)
el 59 % son estudiantes y el 40 % docentes. La IA fue desarrollada
como una herramienta para optimizar experiencias de aprendizaje, con el fin de fortalecer el rendimiento
académico del estudiante
(4)
a través del apoyo en la ejecución de tareas y trabajos, y incrementar las calificaciones
(5)
a través del acceso rápido, a recursos y asistencia personalizada,
(6)
siendo útil también para facilitar la
investigación académica.
(7)
En Perú, se halló que el 73,2 % de universitarios utilizan la IA para hacer sus
tareas e investigaciones,
(5)
Turnitin
(8)
sostiene que un 3 % de los trabajos examinados presentan un 80 % o
más de texto generado por IA. Dentro del mundo académico, el ChatGPT es la herramienta de IA más usada,
debido a su uso dinámico y versátil.
(9)
A pesar de las ventajas de esta tecnología, su aceptación sin control podría generar dependencia por parte de
los estudiantes y educadores
(10)
, provocar la pérdida de habilidades cognitivas,
(11)
la capacidad de pensar de
manera independiente y desarrollar habilidades esenciales como la investigación y análisis,
(6)
impulsando a
pensar como los algoritmos sin comprender,
(12, 13)
asimismo, incentivar la pereza y dificultades en la toma de
decisiones,
(11)
reduciendo la motivación para esforzarse intelectualmente,
(6)
poniendo en riesgo el rendimiento
académico, incluso llevándolo a manifestar comportamientos de procrastinación académica, como retrasos
en la finalización de tareas, retrasos en las clases y retrasos en eventos competitivos hasta el último
día, entre otros.
(14,15)
En un futuro, esto significaría que los egresados universitarios sean de baja calidad
(16)
y con habilidades profesionales deficientes.
(17)
Estudios previos evidenciaron que el uso de la IA afecta negativamente el rendimiento académico de los
estudiantes universitarios y está relacionado positivamente con la procrastinación donde, a mayor uso de la
IA menor rendimiento académico y mayor probabilidad de procrastinar,
(15)
asimismo, se encontró que la
dependencia de la IA afecta el rendimiento académico de los estudiantes conllevando a la pérdida de habilidades
de investigación y aprendizaje autónomo,
(13)
y que su uso excesivo puede contribuir inadvertidamente a
retrasos en las tareas académicas, también se reveló que el uso excesivo de ChatGPT puede provocar la
postergación de tareas y un menor rendimiento y desarrollo académico.
(18)
La intención de uso de la inteligencia
artificial por parte de los estudiantes está basada en la ética, la autoeficacia, la motivación y las expectativas de
resultados, los cuales influyen en el rendimiento académico ya sea favorable o desfavorable.
(19)
En Perú, se demostró que la IA afecta positivamente el rendimiento académico de los estudiantes de pregrado
y postgrado en un 48,1 %.
(5)
Asimismo, se destaca que los estudiantes con una actitud más favorable hacia la
IA tienen una clara comprensión y entendimiento de la IA, tienen confianza en su educación y experimentan
efectos positivos en su rendimiento académico.
La IA está transformando el ámbito educativo y los hábitos de estudio, por lo que es necesario investigar su
impacto en los estudiantes universitarios. En este contexto, se planteó la presente invetsigación con la finalidad
de determinar la relación existente entre dependencia de la inteligencia artificial, percepción del rendimiento
académico y procrastinación académica en estudiantes universitarios de la región Puno, en el segundo periodo
académico de 2024.
MATERIAL Y MÉTODOS
Diseño y contexto
Este estudio se llevó a cabo con un enfoque cuantitativo, diseño no experimental, de corte transeccional o
transversal y de tipo correlacional, con el objetivo de analizar la relación entre dos o más variables.
(20)
Participantes
Este estudio se realizó en la región Puno, Perú, con una población compuesta por estudiantes de diversas
universidades de la región, tanto instituciones públicas como privadas, matriculados en el segundo periodo
académico del 2024, se seleccionó una muestra de 492 estudiantes universitarios de distintas carreras,
diferenciadas en 3 grupos (Ingenierías, Biomédicas y Sociales), con edades comprendidas entre 18 y 35
años, pertenecían a ambos sexos y contaban con conocimientos previos sobre inteligencia artificial. Se
emplearon criterios de muestreo no probabilístico por conveniencia intencional
(21, 22)
seleccionando participantes
con disponibilidad para formar parte de la muestra.
(23)
Instrumentos
Escala de Dependencia hacia la Inteligencia Artificial (DAI), desarrollada en Perú por Morales-García et al.
(24)
La escala es unidimensional y consta de 5 ítems medidos a través de una escala tipo Likert: Completamente
falso para mí, Mayormente falso para mí, Ni verdadero ni falso para mí, Mayormente verdadero para mí y
Me describe perfectamente, con un puntaje máximo de 25 puntos dirigidos a estudiantes universitarios. Los
valores de alfa de Cronbach y el coeficiente omega de McDonald muestran una adecuada consistencia interna
La escala de rendimiento académico universitario (RAU) fue desarrollada por Preciado-Serrano et al
(25)
y validada por Remaycuna-Vásquez et al.
(26)
consta de 18 ítems y tres dimensiones: aportación en las
actividades académicas, dedicación al estudio y falta de organización de los recursos didácticos, se
miden mediante una escala de tipo Likert con 7 alternativas de respuesta: nunca, casi nunca, algunas
veces, regularmente, a menudo, casi siempre y siempre. El índice de confiabilidad del alfa de Cronbach
y omega de McDonald, a nivel general se evidencia que la fiabilidad es de 0.843 y 0.865 respectivamente,
la cual tiene valores aceptables.
Escala de Procrastinación Académica (EPA), creada por Busko
(27)
y validada para Perú por Domínguez et al.
(28)
esta adaptación consta de 12 ítems, divididos en 2 dimensiones autorregulación académica y postergación de
actividades. Los ítems son medidos según la escala de Likert: nunca, casi nunca, a veces, casi siempre y
siempre. Se obtuvieron umbrales de confianza a través del alfa de Cronbach, obteniéndose un indicador de
0,821 (IC al 95 %: 0,793; 0,847) para el factor autorregulación académica, y de 0,752 (IC al 95 %: 0,705;
0,792) para el factor postergación de actividades. El coeficiente omega estimó la confiabilidad de los factores,
logrando un indicador de 0,829 para el factor autorregulación académica y de 0,794 para el factor postergación
de actividades.
Análisis de datos
La recolección de datos se realizó mediante la aplicación de los instrumentos posteriormente se estructuraron
y procesaron utilizando Statistical Package for the Social Sciences (SPSS) versión 27 y Jamovi 2.3.28.0,
donde se empleó la estadística descriptiva e inferencial para la obtención de datos de frecuencia y correlación
de variables, así como la verificación de la distribución normal o anormal de las variables.
Aspectos éticos
El estudio fue aprobado por el comité de ética de la Universidad Peruana Unión, con número de aprobación
2024-CEB-FCS - UPeU-270 la cual se adhirió a los principios éticos del código de ética de investigación
establecidos por la misma institución. Asimismo, se puso en consideración las directrices del Código de
Ética del Colegio de Psicólogos del Perú aplicables a la investigación. Todos los participantes procedieron a
la firma del consentimiento informado, manifestando su aceptación para participar en el estudio y autorizan-
do el uso de los datos exclusivamente para fines académicos e investigativos.
(29, 30)
RESULTADOS
Para el análisis inferencial se empleó la prueba de correlación de Pearson, dado que las variables presentaron
distribución normal. En los casos en los que la normalidad no fue determinada, se complementó con la
verificación mediante coeficientes y valores p correspondientes.
Los resultados muestran que, del total de participantes, el 53, 9 % correspondió al sexo masculino y el 92,1%
presentaban edades entre 18 y 25 años. El 51,4 % fueron procedentes de la UNAJ, destacándose el área de
Ingeniería con participación del 49,4 %. Por otro lado, se muestra que la mayoría se encontraban matriculados
entre el I a III ciclo (51, 8 %). La información de los tipos de IAs que más utilizan como apoyo para su jornada
académica más relevantes fue: el ChatGPT con un 63,41 %, Canva (51,83 %), Meta.IA (40,65 %), Gemini
(26.42%) y Mendeley (24,39 %) como las IAs de mayor aceptación, además de otras IAs que son de baja
preferencia (Tabla 1).
Datos sociodemográficos
Tabla 1. Características de los participantes
Nota: *UNAP “Universidad Nacional del Altiplano”, UNAJ “Universidad Nacional de Juliaca”, UPEU “Universidad Peruana
Unión”
Los estudiantes universitarios de la región Puno son dependientes de la IA en un nivel “leve” (50,61 %), con
un rendimiento académico percibido de nivel “medio”, a excepción de la dimensión dedicación al estudio,
en donde el 40,9 % se percibe en un nivel “alto” y así mismo son procrastinadores en un nivel “promedio”
(57,3 %). (Tabla 2)
Tabla 2. Análisis descriptivo de dependencia a la IA, percepción de rendimiento académico y procrastina-
ción académica
Se detectó una relación inversa significativa entre dependencia a la inteligencia artificial y rendimiento
académico, con una intensidad de relación débil (r= -0,122, p=< 0,007) lo que señala que, a mayor rendimiento
académico de los estudiantes universitarios, menor dependencia de la IA. No se encontró una correlación con
la procrastinación (r= 0,022, p=< 0,627) lo que sugiere que ambas variables son independientes y no se afectan
entre sí. En cambio, se observa una correlación inversa y altamente significativa, con una intensidad de
relación moderada (r = -0,333, p =< 0,000) entre rendimiento académico y procrastinación académica, lo que
evidencia que a menor procrastinación académica, mayor rendimiento académico (Tabla 3).
Tabla 3. Correlación entre dependencia de la IA, percepción de rendimiento académico y procrastinación
académica y sus dimensiones.
Nota: * p < .05, ** p < .01, *** p < .001. Prueba estadística utilizada: Coeficiente de correlación de Pearson
Las aportaciones a las actividades académicas no se relacionan con dependencia de la IA (r= - 0,040,
p = 0,371), sin embargo, presenta una relación directa altamente significativa con una intensidad fuerte
con rendimiento académico (r = 0.884, p = < 0.000) y una relación inversa con la procrastinación
académica (r = -0.296, p = < 0.000) lo que indica que, a mayor aportación a las actividades académicas,
mayor rendimiento académico y menor tendencia a procrastinar. La dedicación al estudio es independiente y
no se relaciona con dependencia de la IA (r = -0,053, p = < 0,237), pero tiene una fuerte relación positiva con
el rendimiento académico (r,= 0,835, p = < 0,000) y una relación inversa con la procrastinación académica
(r= -0,323; p = <0,000) que indica que, a mayor compromiso con el estudio, mejor desempeño académico y
menos propenso a procrastinar. La falta de organización de los recursos didácticos tiene una relación inversamente
significativa con la dependencia de la IA con una intensidad leve (r =-0,225, p = <0.000), lo que sugiere que una
organización más eficiente implica una dependencia menor de la IA; no se relaciona con la procrastinación
académica, pero sí con el rendimiento académico (r = 0,371, p = < 0.000), ya que una falta de organización
no necesariamente afecta negativamente el desempeño académico. La autorregulación académica no está
relacionada con la dependencia a la inteligencia artificial, sino que mantiene una relación inversa con el
rendimiento académico (r = -0,327, p = < 0.000) y una relación directa de gran relevancia con intensidad
fuerte con procrastinación académica (r = 0.952, p = < 0,000), indicando que en ciertos contextos los alumnos
con menos control o regulación sobre su propio proceso de aprendizaje suelen lograr mejores resultados
académicos y que a mayor capacidad de control del aprendizaje, mayor es la predisposición a procrastinar.
Finalmente, la postergación de actividades no se relaciona con la dependencia a la IA, sin embargo, tiene una
relación inversa débil con el rendimiento académico (r = -0,163, p = < 0,000) y una correlación positiva con
procrastinación académica (r = 0,576, p = < 0,000) lo que indica que una mayor postergación se asocia con
un menor rendimiento académico y una mayor tendencia a procrastinar. (Tabla 4)
Tabla 4. Correlación entre dependencia de la IA, rendimiento académico, procrastinación académica y sus
dimensiones.
DISCUSIÓN
El objetivo general del estudio fue determinar la relación entre la dependencia de la inteligencia artificial
(IA), la percepción del rendimiento académico y la procrastinación académica en estudiantes universitarios
de la región Puno durante el segundo periodo del 2024. Los resultados obtenidos permiten discutir los hallazgos
desde una perspectiva comparativa con investigaciones previas y en función de los objetivos planteados.
En relación con el primer objetivo, se identificó una correlación inversa significativa entre la dependencia a
la IA y el rendimiento académico (r = -0,122; p < 0,007), lo que indica que los estudiantes con menor depen-
dencia de la IA presentan un mejor desempeño académico. Este hallazgo coincide con lo reportado por Del
Cisne et al.
(13)
y Avendaño,
(31)
quienes evidenciaron que una alta dependencia tecnológica puede afectar nega-
tivamente el rendimiento académico hasta en un 65 %, debido a la pérdida de autonomía cognitiva y de habi-
lidades analíticas. Sin embargo, cuando la IA se utiliza como herramienta de apoyo complementario, puede
potenciar la productividad y mejorar la comprensión de los contenidos.
(19)
Por consiguiente, el estudio reafirma
la necesidad de fomentar un uso responsable y pedagógico de la IA en el entorno universitario, donde el criterio
humano y el pensamiento crítico sigan siendo fundamentales para la formación académica.
Respecto al segundo objetivo, orientado a analizar la relación entre la dependencia a la IA y la procrastinación
académica, no se identificó una correlación significativa (r = 0.022; p < 0.627). Este resultado sugiere que el
uso de herramientas de IA no influye directamente en los niveles de procrastinación. A diferencia de lo
planteado por Abbas et al.
(15)
quienes encontraron una relación positiva entre el uso excesivo de ChatGPT y
la postergación de actividades, los datos de este estudio muestran que la procrastinación puede estar determinada
por otros factores personales, como la autoeficacia, la motivación intrínseca y la capacidad de autorregulación.
(32)
Por tanto, la dependencia tecnológica no sería el principal factor desencadenante de la procrastinación,
aunque un uso desmedido de la IA podría, en algunos casos, reforzar hábitos de postergación si no se acompaña
de un control adecuado del tiempo y la planificación.
En cuanto al tercer objetivo, se identificó una relación inversa y altamente significativa entre el rendimiento
académico y la procrastinación académica (r = -0,333; p < 0,000). Este resultado confirma lo encontrado por
Zumárraga y Cevallos
(33)
y Kim y Seo,
(34)
quienes sostienen que la procrastinación afecta negativamente el
rendimiento académico al reducir la dedicación al estudio y la organización del tiempo. Los estudiantes con
altos niveles de rendimiento académico tienden a postergar menos sus actividades, muestran mayor motivación
y presentan una gestión más eficiente de sus recursos y objetivos
(35,36)
Este hallazgo respalda la importancia de
promover estrategias de autorregulación y gestión del tiempo en el ámbito universitario, como medios efectivos
para contrarrestar los efectos negativos de la procrastinación.
Por otra parte, el análisis de las dimensiones específicas aporta evidencia adicional. Se halló una relación
inversa significativa entre la dependencia de la IA y la falta de organización de los recursos didácticos
(r = -0,225; p < 0,000),
lo que sugiere que los estudiantes con menor organización tienden a recurrir más a
la IA como solución inmediata ante la demanda académica. Este resultado se alinea con los hallazgos de
Cosme Garate et al.
(37)
y Zhang et al.,
(38)
quienes señalan que una deficiente gestión de materiales de estudio
puede incrementar el estrés y la dependencia de herramientas tecnológicas. Además, Granda Aguilera et
al.
(39)
y Ahmad et al.,
(11)
advierten que la dependencia excesiva de la IA puede debilitar la organización, el
pensamiento crítico y la autonomía académica, fomentando hábitos de dependencia cognitiva. Por tanto,
fortalecer las competencias de planificación y organización se vuelve esencial para evitar la sobreutilización
de la IA.
Asimismo, los resultados indican que la autorregulación académica no se relaciona significativamente con la
dependencia de la IA, lo cual demuestra que los estudiantes conservan su capacidad de control y gestión del
aprendizaje.
(25)
Este hallazgo es positivo, pues refleja que la mayoría utiliza la IA como una herramienta de
apoyo y no como un sustituto de sus procesos de trabajo académico. No obstante, es necesario enfatizar la
formación ética y digital para garantizar un equilibrio entre el uso tecnológico y el desarrollo de habilidades
de razonamiento, análisis y creatividad.
Finalmente, el hecho de no haber identificado una correlación estadísticamente significativa entre la depen-
dencia de la IA y la postergación de actividades (r = 0.02; p < 0.647) confirma que la procrastinación no
depende exclusivamente del uso de la IA, sino que responde a una interacción compleja de factores psicológicos,
académicos y sociales. Sin embargo, como sostienen Abbas et al.
(15)
el uso inadecuado o desmedido de
herramientas como ChatGPT puede inducir conductas de procrastinación cuando reemplaza la reflexión
personal o el esfuerzo intelectual, en lugar de servir como un medio de aprendizaje activo.
CONCLUSIONES
Los resultados evidencian que una menor dependencia de la IA se asocia con un mejor rendimiento académico
y que, a su vez, un mayor rendimiento académico se relaciona con menores niveles de procrastinación. Por
otro lado, no se identificó una relación significativa entre la dependencia de la IA y la procrastinación; sin
embargo, sí se encontró una asociación con la dimensión referida a la falta de organización de los recursos
didácticos. Los hallazgos destacan la importancia de promover un uso responsable de la IA en estudiantes.
Limitaciones del estudio: Entre las principales limitaciones se encuentra el uso de un muestreo no probabilístico
por conveniencia, lo que restringe la generalización de los resultados a otras poblaciones universitarias.
Asimismo, el estudio se basó en instrumentos de autoinforme, los cuales pueden estar sujetos a sesgos de
percepción y deseabilidad social. Finalmente, al tratarse de un diseño transversal, no es posible establecer
relaciones causales entre las variables analizadas. Se recomienda que futuras investigaciones incorporen
diseños longitudinales y muestras más diversas para profundizar en estos hallazgos.
Financiamiento: Investigación financiada por los autores.
Agradecimientos: A los directivos del vicerrectorado de investigación de la Universidad Peruana Unión.
Conflictos de intereses: Los autores no tienen intereses en competencia.
Declaración de contribución:
Hilda Sapillado Condori y Giuliana Nadyn Vilca Quispe participaron en todo el proceso integral de la inves-
tigación y la redacción del artículo.
Alcides Quispe Mamani participó como asesor del estudio, revisión y aprobación de la versión final
REFERENCIAS BIBLIOGRÁFICAS
1. Acosta P. El impacto de la inteligencia artificial en la educación superior. Informe del Consejo de
Europa - ES de ES: Aprendemos entre todos [Internet]. 2022 [citado 8 Nov 2025]. Disponible en:
https://www.espaciosdeeducacionsuperior.es/07/12/2022/__trashed-2__trashed/.
2. Digital Education Council global AI student survey 2024. Encuesta mundial sobre inteligencia artificial
a estudiantes del Consejo de Educación Digital 2024 [Internet]. [cited 5 Mar 2025]. Disponible en:
https://www.digitaleducationcouncil.com/post/digital-education-council-global-ai-student-survey-2024.
3. Tyton Partners. Time for Class 2024: Unlocking access to effective digital teaching and learning
[Internet]. 2024 [citado 10 Nov 2024]. Disponible en: https://4213961.fs1.hubspotusercontent-na1.net/
hubfs/4213961/Publications/Time%20for%20Class%202024.pdf.
4. Rojas Marín F de los Á, Espinoza Padilla JG, Mendoza Pacheco MF. Inteligencia Artificial: Dependencia
y la Afección del Pensamiento Crítico. Cienc Lat Rev Científica Multidiscip. [Internet]. 2024 [citado
7 Mar 2025]; 8(4):12590–608. Disponible en: https://ciencialatina.org/index.php/cienciala/article/
view/13462.
5. Espinoza Vidaurre SM, Velásquez Rodríguez NC, Gambetta Quelopana RL, Martínez Valdivia AN,
Leo Rossi EA, Laura de la Cruz KM, et al. Influencia de la inteligencia artificial en la eficiencia del
rendimiento académico: un análisis de determinantes. RISTI - Rev Ibér Sist Tecnol Inf [Internet].
2024 [citado 9 Mar 2025]; E70:399–418. disponible en: https://dialnet.unirioja.es/servlet/articulo?
codigo=9886376.
6. Mukhtar M, Firdos SS, Zaka I, Naeem S. Impact of AI dependence on procrastination among university
students. Research Journal of Psychology [Internet]. 2025 [citado 4 Oct 2025];3(1):246–57. Disponible
en: https://ctrjournal.com/index.php/19/article/view/62 Int J Educ Innov Res. 2025;3(1):11–22.
7. Gavilanes Vásquez PG, Adum Ruiz JH, García Ruiz GS, Ruíz Ortega MG. Impacto de la inteligencia
artificial en la educación superior: una mirada hacia el futuro. RECIAMUC [Internet]. 2024 [citado
6 Oct 2025];8(2):213–21. Disponible en: https://www.reciamuc.com/index.php/RECIAMUC/article/
view/1371 DOI: http://dx.doi.org/10.26820/reciamuc/8.(2).abril.2024.213-221.
8. Turnitin. Estudio Time for Class: ¿Cuál ha sido el impacto de la IA en el aprendizaje de los estudiantes
en la era digital? [Internet]. Turnitin.com. 2024. [citado 13 Mar 2025]. Disponible en: https://www.
turnitin.com/press/turnitin-estudio-time-for-class.
9. Sabzalieva E, Valentini A. ChatGPT e inteligencia artificial en la educación superior: Guía de inicio
rápido. [Internet]. París: UNESCO IESALC;2023;1–16. [citado 15 Mar 2025]. Disponible en:
https://unesdoc.unesco.org/ark:/48223/pf0000385146_spa/PDF/385146spa.pdf.multi.
10. Seo K, Tang J, Roll I, Fels S, Yoon D. The impact of artificial intelligence on learner–instructor
interaction in online learning. Int J Educ Technol High Educ [Internet]. 2021 [citado 17 Mar 2025];
18(1):1–14. Disponible en: https://link.springer.com/article/10.1186/s41239-021-00292-9 DOI:
https://doi.org/10.1186/s41239-021-00292-9.
11. Ahmad SF, Han H, Alam MM, Rehmat MK, Irshad M, Arraño-Muñoz M, et al. Impact of artificial
intelligence on human loss in decision-making, laziness and safety in education. Humanit Soc Sci
Commun [Internet]. 2023 [citado 19 Mar 2025];10(1):311. Disponible en: https://www.nature.com/
articles/s41599-023-01787-8 DOI:10.1057/s41599 023 017878.
12.
[citado 8 May 2025]; 20. Disponible en: https://www.khaleejtimes.com/nation/dubai/Is-AI-makin
ghumans-lazy-Here-what-UAE-residents-say.
13. Del Cisne Loján M, Antonio Romero J, Sancho Aguilera D, Yajaira Romero A. Consecuencias de la
Dependencia de la Inteligencia Artificial en Habilidades Críticas y Aprendizaje Autónomo en los
Estudiantes. Cienc Lat Rev Científica Multidiscip. [Internet]. 2024 [citado 15 May 2025];8(2):
2368–2382. Disponible en: https://ciencialatina.org/index.php/cienciala/article/view/10678 DOI:
http://dx.doi.org/10.37811/cl_rcm.v8i2.10678.
14. Longoni C, Cian L. Artificial Intelligence in Utilitarian vs. Hedonic Contexts: The “Word-of-Machine”
Effect. J Mark [Internet]. 2022 [citado 19 May 2025];86(1):91–108. Disponible en: https://journals.sagepub.
com/doi/10.1177/0022242920957347.
15. Abbas M, Jam FA, Khan TI. Is it harmful or helpful? Examining the causes and consequences of
generative AI usage among university students. Int J Educ Technol High Educ [Internet]. 2024 [citado
9 Jan 2025];21(1). Disponible en: https://link.springer.com/article/10.1186/s41239-024-00444-7
DOI: https://doi.org/10.1186/s41239-024-00444-7.
16. Malinka K, Peresíni M, Firc A, Hujnák O, Janus F. On the Educational Impact of ChatGPT: Is Artificial
Intelligence Ready to Obtain a University Degree? In: Proceedings of the 2023 Conference on
Innovation and Technology in Computer Science Education (ITiCSE); 2023 [citado 15 Jan 2025].
3587102.3588827.
17. Gocen A, Aydemir F. Artificial Intelligence in Education and Schools. Res Educ Media. [Internet].
2020 [citado 20 May 2025];12(1):13–21. Disponible en: https://sciendo.com/2/v2/download/article/
10.2478/rem-2020-0003.pdf DOI: http://dx.doi.org/10.2478/rem-2020-0003.
18. Daha ES, Altelwany AA. Exploring the impact of using - ChatGPT in light of goal orientations and
academic self-efficacy. Int J Instr [Internet]. 2025 [citado 25 May 2025];18(2):167–84. Disponible
en: https://e-iji.net/ats/index.php/pub/article/view/730 DOI: http://dx.doi.org/10.29333/iji.2025.18210a.
19. Ortega Azurduy M, Machaca Mamani J, Daza Morales J. El efecto de la Inteligencia Artificial en el
rendimiento académico de estudiantes de ciencias administrativas en la Universidad Católica
Boliviana. Rev Educ Super [Internet]. 2023 [citado 1 Jun 2025];10(3):13–22. Disponible en:
http://www.scielo.org.bo/scielo.php?pid=S2518-82832023000300013&script=sci_arttext DOI:
https://doi.org/ 10.53287/mzkv9068uw14f.
20. Hernández-Sampieri R, Mendoza Torres CP. Metodología de la investigación: las rutas cuantitativa,
cualitativa y mixta. México: McGraw-Hill Education; 2018.
21. Hernández-Sampieri R, Fernández Collado C, Baptista Lucio M del P. Metodología de la investigación.
6ª ed. México: McGraw-Hill; 2014.
22. Carrazco Díaz S. Metodología de la investigación científica. 2ª ed. Lima: Editorial San Marcos; 2019.
REE 20(1) Riobamba ene. - abr. 2026
cc
BY NC ND
144
ISSN-impreso 1390-7581
ISSN-digital 2661-6742
23. Ortega C. ¿Qué es el muestreo por conveniencia? [Internet]. 2024 [citado 22 Nov 2024]. Disponible
en: https://www.questionpro.com/blog/es/muestreo-por-conveniencia/.
24. Morales-García WC, Sairitupa-Sánchez LZ, Morales-García SB, Morales-García M. Development
and validation of a scale for dependence on artificial intelligence in university students. Frontiers in
Education. [Internet]. 2024 [citado 4 Jun 2025];9:1323898. Disponible en: https://www.frontiersin.org/
journals/education/articles/10.3389/feduc.2024.1323898/full DOI: 10.3389/feduc.2024.1323898.
25. Preciado-Serrano M de L, Ángel-González M, Colunga-Rodríguez C, Vázquez-Colunga JC,
Rendimiento Académico Universitario (Construction and Validation of the University Academic
[Internet]. 2021 [citado 6 Jun 2025];3(60):5 14. Disponible en: https://go.gale.com/ps/i.do?id=GA
LE%7CA758446785&sid=googleScholar&v=2.1&it=r&linkaccess=abs&issn=11353848&p=
AONE&sw=w&userGroupName=anon%7E40c47079&aty=open-web-entry DOI:10.21865/RIDEP
60.3.01.
26. Remaycuna-Vásquez A, Carrión-Barco G, Espinoza-Porras FR, Maquen Niño GLE. Validez y
confiabilidad de la escala de rendimiento académico desde la percepción del alumno. Revista de
https://dialnet.unirioja.es/servlet/articulo?codigo=9034432 DOI: 10.31876/rcs.v29i.40458.
27. Busko DA. Causes and consequences of perfectionism and procrastination: A structural equation
28. Domínguez Lara S, Villegas García G, Centeno Leyva S. Procrastinación académica: validación de
una escala en una muestra de estudiantes de una universidad privada. Liberabit [Internet]. 2014 [citado
12 Jun 2025];20(2):293–304. Disponible en: http://www.scielo.org.pe/pdf/liber/v20n2/a10v20n2.
29. Colegio de Psicólogos del Perú. Código de ética profesional. Lima: Colegio de Psicólogos del Perú;
2017.
30. Universidad Peruana Unión. Código de ética para la investigación (CoEIn). Lima: UPeU; 2016.
31. Avendaño Porras VC. La adicción a la inteligencia artificial: evaluación de prevalencia y factores de
riesgo en estudiantes de posgrado. Rev Enfoques [Internet]. 2024 Jun 30 [citado 16 Apr 2025];5:
66–88. Disponible en: https://revistasdigitales.uniboyaca.edu.co/index.php/EFQ/article/view/1405.
32. Steel P. The nature of procrastination: a meta-analytic and theoretical review of quintessential
self-regulatory failure. Psychological Bulletin, 2025 [citado 13 Apr 2025];133(1), 65–94. Disponible
en: https://psycnet.apa.org/buy/2006-23058-004 DOI: https://doi.org/10.1037/0033-2909.133.1.65.
33. Zumárraga-Espinosa M, Cevallos-Pozo G. Autoeficacia, procrastinación y rendimiento académico en
estudiantes universitarios de Ecuador. Alteridad [Internet]. 2022 [citado 18 Apr 2025];17(2):277–90.
Disponible en: https://revistas.ups.edu.ec/index.php/alteridad/article/view/5516.
34. Kim KR, Seo EH. The relationship between procrastination and academic performance: a meta-analysis.
Pers Individ Dif [Internet]. 2015 [citado 19 Apr 2025];82:26–33. Disponible en: https://www.sciencedirect.
com/science/article/abs/pii/S0191886915001610 DOI: https://doi.org/10.1016/j.paid.2015.02.038.
35. Rodríguez A, Clariana M. Procrastinación en Estudiantes Universitarios: Su Relación con la Edad y el
Curso Académico. Rev Colomb Psicol. [Internet]. 2017 [citado 20 Apr 2025];26(1):45–60. Disponible
en: http://www.scielo.org.co/pdf/rcps/v26n1/0121-5469-rcps-26-01-00045.pdf.
36. Honicke T, Broadbent J. The influence of academic self-efficacy on academic performance: a systematic
review. Educ Res Rev [Internet]. 2016 [citado 21 Apr 2025];17:63–84. Disponible en: https://www.sciencedirect.
com/science/article/abs/pii/S1747938X15000639 DOI: https://doi.org/10.1016/j.edurev.2015.11.002.
37. Cosme Garate GA, Cornejo Zúñiga AG, Chumacero Acosta JS, Ruiz Rios A, Tuesta Casique A, Alvarez
Arista Y. Enseñanza universitaria y recursos didácticos en el nivel de rendimiento de los estudiantes de
pregrado. Rev Científica Episteme y Tekne. [Internet]. 2022 [citado 23 Apr 2025];1(2):e380. Disponible
en: https://revistas.unsm.edu.pe/index.php/rceyt/article/view/380 DOI: 10.51252/rceyt.v1i2.380.
38. Zhang S, Zhao X, Zhou T, Kim JH. Do you have AI dependency? The roles of academic self-efficacy,
academic stress, and performance expectations on problematic AI usage behavior. Int J Educ Technol
High Educ. [Internet]. 2024 [citado 29 Apr 2025];21(1):1-15. Disponible en: http://dx.doi.org/10.1186/
s41239-024-00467-0.
39. Granda Aguilera DR, Lema Mullo L, Gallegos Gallegos AR. La dependencia de la inteligencia artificial
en los estudiantes de bachillerato: implicaciones y recomendaciones para un aprendizaje equilibrado.
Polo del Conoc. [Internet]. 2024 [citado 20 may 2025];9(7):2109–30. Disponible en: https://polodel
conocimiento.com/ojs/index.php/es/article/view/7618/html?utm_source=chatgpt.com.
Relación entre dependencia a la inteligencia artificial, rendimiento académico y procrastinación
académica en universitarios
Relationship between dependence on artificial intelligence, academic performance, and academic
procrastination in university students
https://doi.org/10.37135/ee.04.25.08
Autores:
Hilda Sapillado Condori - https://orcid.org/0009-0002-7963-9896
Giuliana Nadyn Vilca Quispe - https://orcid.org/0009-0002-1329-0839
Alcides Quispe Mamani - https://orcid.org/0000-0002-7404-7464
Afiliación:
Universidad Peruana Unión
Autor de correspondencia: Giuliana Nadyn Vilca Quispe. Universidad Peruana Unión (UPeU), Carretera Salida
a Arequipa km. 6 Villa Chullunquiani, Juliaca, Perú. Tel: +51 940799733. E-mail: giuliana.vilca@upeu.edu.pe
Recibido: 21 de mayo de 2025 Aceptado: 11 de diciembre de 2025
RESUMEN
Esta investigación tuvo como objetivo determinar la relación existente entre dependencia de la inteligencia
artificial, rendimiento y procrastinación académica en estudiantes universitarios de la región Puno. Así se
aplicó un diseño no experimental, de corte transversal y tipo correlacional, en una muestra de 492 universitarios
de distintas universidades, con edades entre 18 y 35 años. Se utilizaron las escalas de dependencia hacia la
inteligencia artificial DAI, rendimiento académico universitario RAU y procrastinación académica EPA. Los
resultados, el 53 % de los participantes fueron de sexo masculino, el 92,1 % tenían edades entre 18 y 25 años,
el 51,4 % provenían de una universidad nacional de Juliaca, matriculados entre el primer y tercer ciclo
(51,8 %), destacándose el área de ingenierías con el 49,4 % de participación. El 63,41 % de los participantes
indicaron tener mayor inclinación hacia el uso de ChatGPT. Los valores globales indicaron una correlación
inversa significativa, (r = -0,122; p = <0,007) entre dependencia a la IA y rendimiento académico; no existe
correlación significativa entre dependencia a la IA y procrastinación académica (r = 0,022, p = < 0,627),
demostrando que los universitarios que no presentan altos niveles de dependencia de la inteligencia artificial
mantienen niveles de rendimiento académico adecuados y no tienden a procrastinar. Se identificó relación
inversa significativa entre dependencia de IA y la falta de organización de material didáctico (r = -0,225, p = <0,000),
evidenciando que la desorganización de materiales de estudio podría activar la necesidad de recurrir a la IA
como una solución rápida.
Palabras clave: inteligencia artificial, rendimiento académico, educación.
ABSTRACT
This research aimed to determine the relationship between dependence on artificial intelligence, academic
performance, and procrastination among university students in the Puno region. A non-experimental,
cross-sectional, correlational study was conducted with a sample of 492 university students from different
universities, aged 18-35 years. The scales of dependence on artificial intelligence (DAI), university academic
performance (RAU), and academic procrastination (EPA) were used as measurement instruments. The
results showed that 53 % of the participants were male, 92.1 % were between 18 and 25 years old, 51.4 %
came from a national university in Juliaca, enrolled between the first and third cycles (51.8 %), with the
engineering field standing out with 49.4 % participation. Sixty-three point four one percent of participants
indicated a greater inclination toward using ChatGPT. The overall values showed a significant inverse correlation
(r = -0.122; p = <0.007) between AI dependence and academic performance; there is no significant correlation
between AI dependence and academic procrastination (r = 0.022, p = <0.627), demonstrating that university
students who do not have high levels of dependence on artificial intelligence maintain adequate academic
performance levels and do not tend to procrastinate. A significant inverse relationship was found between AI
dependence and the lack of organization of teaching materials (r = -0.225, p = <0.000), suggesting that
disorganized study materials can prompt the need to resort to AI as a quick fix.
Keywords: Artificial Intelligence, Academic Performance, Education.
INTRODUCCIÓN
La inteligencia artificial (IA) es una herramienta tecnológica cuyo uso se está expandiendo rápidamente en
la educación universitaria,
(1)
siendo los estudiantes quienes tienen una interacción con la IA al menos
semanalmente.
(2)
Según Tyton Partners,
(3)
el 59 % son estudiantes y el 40 % docentes. La IA fue desarrollada
como una herramienta para optimizar experiencias de aprendizaje, con el fin de fortalecer el rendimiento
académico del estudiante
(4)
a través del apoyo en la ejecución de tareas y trabajos, y incrementar las calificaciones
(5)
a través del acceso rápido, a recursos y asistencia personalizada,
(6)
siendo útil también para facilitar la
investigación académica.
(7)
En Perú, se halló que el 73,2 % de universitarios utilizan la IA para hacer sus
tareas e investigaciones,
(5)
Turnitin
(8)
sostiene que un 3 % de los trabajos examinados presentan un 80 % o
más de texto generado por IA. Dentro del mundo académico, el ChatGPT es la herramienta de IA más usada,
debido a su uso dinámico y versátil.
(9)
A pesar de las ventajas de esta tecnología, su aceptación sin control podría generar dependencia por parte de
los estudiantes y educadores
(10)
, provocar la pérdida de habilidades cognitivas,
(11)
la capacidad de pensar de
manera independiente y desarrollar habilidades esenciales como la investigación y análisis,
(6)
impulsando a
pensar como los algoritmos sin comprender,
(12, 13)
asimismo, incentivar la pereza y dificultades en la toma de
decisiones,
(11)
reduciendo la motivación para esforzarse intelectualmente,
(6)
poniendo en riesgo el rendimiento
académico, incluso llevándolo a manifestar comportamientos de procrastinación académica, como retrasos
en la finalización de tareas, retrasos en las clases y retrasos en eventos competitivos hasta el último
día, entre otros.
(14,15)
En un futuro, esto significaría que los egresados universitarios sean de baja calidad
(16)
y con habilidades profesionales deficientes.
(17)
Estudios previos evidenciaron que el uso de la IA afecta negativamente el rendimiento académico de los
estudiantes universitarios y está relacionado positivamente con la procrastinación donde, a mayor uso de la
IA menor rendimiento académico y mayor probabilidad de procrastinar,
(15)
asimismo, se encontró que la
dependencia de la IA afecta el rendimiento académico de los estudiantes conllevando a la pérdida de habilidades
de investigación y aprendizaje autónomo,
(13)
y que su uso excesivo puede contribuir inadvertidamente a
retrasos en las tareas académicas, también se reveló que el uso excesivo de ChatGPT puede provocar la
postergación de tareas y un menor rendimiento y desarrollo académico.
(18)
La intención de uso de la inteligencia
artificial por parte de los estudiantes está basada en la ética, la autoeficacia, la motivación y las expectativas de
resultados, los cuales influyen en el rendimiento académico ya sea favorable o desfavorable.
(19)
En Perú, se demostró que la IA afecta positivamente el rendimiento académico de los estudiantes de pregrado
y postgrado en un 48,1 %.
(5)
Asimismo, se destaca que los estudiantes con una actitud más favorable hacia la
IA tienen una clara comprensión y entendimiento de la IA, tienen confianza en su educación y experimentan
efectos positivos en su rendimiento académico.
La IA está transformando el ámbito educativo y los hábitos de estudio, por lo que es necesario investigar su
impacto en los estudiantes universitarios. En este contexto, se planteó la presente invetsigación con la finalidad
de determinar la relación existente entre dependencia de la inteligencia artificial, percepción del rendimiento
académico y procrastinación académica en estudiantes universitarios de la región Puno, en el segundo periodo
académico de 2024.
MATERIAL Y MÉTODOS
Diseño y contexto
Este estudio se llevó a cabo con un enfoque cuantitativo, diseño no experimental, de corte transeccional o
transversal y de tipo correlacional, con el objetivo de analizar la relación entre dos o más variables.
(20)
Participantes
Este estudio se realizó en la región Puno, Perú, con una población compuesta por estudiantes de diversas
universidades de la región, tanto instituciones públicas como privadas, matriculados en el segundo periodo
académico del 2024, se seleccionó una muestra de 492 estudiantes universitarios de distintas carreras,
diferenciadas en 3 grupos (Ingenierías, Biomédicas y Sociales), con edades comprendidas entre 18 y 35
años, pertenecían a ambos sexos y contaban con conocimientos previos sobre inteligencia artificial. Se
emplearon criterios de muestreo no probabilístico por conveniencia intencional
(21, 22)
seleccionando participantes
con disponibilidad para formar parte de la muestra.
(23)
Instrumentos
Escala de Dependencia hacia la Inteligencia Artificial (DAI), desarrollada en Perú por Morales-García et al.
(24)
La escala es unidimensional y consta de 5 ítems medidos a través de una escala tipo Likert: Completamente
falso para mí, Mayormente falso para mí, Ni verdadero ni falso para mí, Mayormente verdadero para mí y
Me describe perfectamente, con un puntaje máximo de 25 puntos dirigidos a estudiantes universitarios. Los
valores de alfa de Cronbach y el coeficiente omega de McDonald muestran una adecuada consistencia interna
La escala de rendimiento académico universitario (RAU) fue desarrollada por Preciado-Serrano et al
(25)
y validada por Remaycuna-Vásquez et al.
(26)
consta de 18 ítems y tres dimensiones: aportación en las
actividades académicas, dedicación al estudio y falta de organización de los recursos didácticos, se
miden mediante una escala de tipo Likert con 7 alternativas de respuesta: nunca, casi nunca, algunas
veces, regularmente, a menudo, casi siempre y siempre. El índice de confiabilidad del alfa de Cronbach
y omega de McDonald, a nivel general se evidencia que la fiabilidad es de 0.843 y 0.865 respectivamente,
la cual tiene valores aceptables.
Escala de Procrastinación Académica (EPA), creada por Busko
(27)
y validada para Perú por Domínguez et al.
(28)
esta adaptación consta de 12 ítems, divididos en 2 dimensiones autorregulación académica y postergación de
actividades. Los ítems son medidos según la escala de Likert: nunca, casi nunca, a veces, casi siempre y
siempre. Se obtuvieron umbrales de confianza a través del alfa de Cronbach, obteniéndose un indicador de
0,821 (IC al 95 %: 0,793; 0,847) para el factor autorregulación académica, y de 0,752 (IC al 95 %: 0,705;
0,792) para el factor postergación de actividades. El coeficiente omega estimó la confiabilidad de los factores,
logrando un indicador de 0,829 para el factor autorregulación académica y de 0,794 para el factor postergación
de actividades.
Análisis de datos
La recolección de datos se realizó mediante la aplicación de los instrumentos posteriormente se estructuraron
y procesaron utilizando Statistical Package for the Social Sciences (SPSS) versión 27 y Jamovi 2.3.28.0,
donde se empleó la estadística descriptiva e inferencial para la obtención de datos de frecuencia y correlación
de variables, así como la verificación de la distribución normal o anormal de las variables.
Aspectos éticos
El estudio fue aprobado por el comité de ética de la Universidad Peruana Unión, con número de aprobación
2024-CEB-FCS - UPeU-270 la cual se adhirió a los principios éticos del código de ética de investigación
establecidos por la misma institución. Asimismo, se puso en consideración las directrices del Código de
Ética del Colegio de Psicólogos del Perú aplicables a la investigación. Todos los participantes procedieron a
la firma del consentimiento informado, manifestando su aceptación para participar en el estudio y autorizan-
do el uso de los datos exclusivamente para fines académicos e investigativos.
(29, 30)
RESULTADOS
Para el análisis inferencial se empleó la prueba de correlación de Pearson, dado que las variables presentaron
distribución normal. En los casos en los que la normalidad no fue determinada, se complementó con la
verificación mediante coeficientes y valores p correspondientes.
Los resultados muestran que, del total de participantes, el 53, 9 % correspondió al sexo masculino y el 92,1%
presentaban edades entre 18 y 25 años. El 51,4 % fueron procedentes de la UNAJ, destacándose el área de
Ingeniería con participación del 49,4 %. Por otro lado, se muestra que la mayoría se encontraban matriculados
entre el I a III ciclo (51, 8 %). La información de los tipos de IAs que más utilizan como apoyo para su jornada
académica más relevantes fue: el ChatGPT con un 63,41 %, Canva (51,83 %), Meta.IA (40,65 %), Gemini
(26.42%) y Mendeley (24,39 %) como las IAs de mayor aceptación, además de otras IAs que son de baja
preferencia (Tabla 1).
Datos sociodemográficos
Tabla 1. Características de los participantes
Nota: *UNAP “Universidad Nacional del Altiplano”, UNAJ “Universidad Nacional de Juliaca”, UPEU “Universidad Peruana
Unión”
Los estudiantes universitarios de la región Puno son dependientes de la IA en un nivel “leve” (50,61 %), con
un rendimiento académico percibido de nivel “medio”, a excepción de la dimensión dedicación al estudio,
en donde el 40,9 % se percibe en un nivel “alto” y así mismo son procrastinadores en un nivel “promedio”
(57,3 %). (Tabla 2)
Tabla 2. Análisis descriptivo de dependencia a la IA, percepción de rendimiento académico y procrastina-
ción académica
Se detectó una relación inversa significativa entre dependencia a la inteligencia artificial y rendimiento
académico, con una intensidad de relación débil (r= -0,122, p=< 0,007) lo que señala que, a mayor rendimiento
académico de los estudiantes universitarios, menor dependencia de la IA. No se encontró una correlación con
la procrastinación (r= 0,022, p=< 0,627) lo que sugiere que ambas variables son independientes y no se afectan
entre sí. En cambio, se observa una correlación inversa y altamente significativa, con una intensidad de
relación moderada (r = -0,333, p =< 0,000) entre rendimiento académico y procrastinación académica, lo que
evidencia que a menor procrastinación académica, mayor rendimiento académico (Tabla 3).
Tabla 3. Correlación entre dependencia de la IA, percepción de rendimiento académico y procrastinación
académica y sus dimensiones.
Nota: * p < .05, ** p < .01, *** p < .001. Prueba estadística utilizada: Coeficiente de correlación de Pearson
Las aportaciones a las actividades académicas no se relacionan con dependencia de la IA (r= - 0,040,
p = 0,371), sin embargo, presenta una relación directa altamente significativa con una intensidad fuerte
con rendimiento académico (r = 0.884, p = < 0.000) y una relación inversa con la procrastinación
académica (r = -0.296, p = < 0.000) lo que indica que, a mayor aportación a las actividades académicas,
mayor rendimiento académico y menor tendencia a procrastinar. La dedicación al estudio es independiente y
no se relaciona con dependencia de la IA (r = -0,053, p = < 0,237), pero tiene una fuerte relación positiva con
el rendimiento académico (r,= 0,835, p = < 0,000) y una relación inversa con la procrastinación académica
(r= -0,323; p = <0,000) que indica que, a mayor compromiso con el estudio, mejor desempeño académico y
menos propenso a procrastinar. La falta de organización de los recursos didácticos tiene una relación inversamente
significativa con la dependencia de la IA con una intensidad leve (r =-0,225, p = <0.000), lo que sugiere que una
organización más eficiente implica una dependencia menor de la IA; no se relaciona con la procrastinación
académica, pero sí con el rendimiento académico (r = 0,371, p = < 0.000), ya que una falta de organización
no necesariamente afecta negativamente el desempeño académico. La autorregulación académica no está
relacionada con la dependencia a la inteligencia artificial, sino que mantiene una relación inversa con el
rendimiento académico (r = -0,327, p = < 0.000) y una relación directa de gran relevancia con intensidad
fuerte con procrastinación académica (r = 0.952, p = < 0,000), indicando que en ciertos contextos los alumnos
con menos control o regulación sobre su propio proceso de aprendizaje suelen lograr mejores resultados
académicos y que a mayor capacidad de control del aprendizaje, mayor es la predisposición a procrastinar.
Finalmente, la postergación de actividades no se relaciona con la dependencia a la IA, sin embargo, tiene una
relación inversa débil con el rendimiento académico (r = -0,163, p = < 0,000) y una correlación positiva con
procrastinación académica (r = 0,576, p = < 0,000) lo que indica que una mayor postergación se asocia con
un menor rendimiento académico y una mayor tendencia a procrastinar. (Tabla 4)
Tabla 4. Correlación entre dependencia de la IA, rendimiento académico, procrastinación académica y sus
dimensiones.
DISCUSIÓN
El objetivo general del estudio fue determinar la relación entre la dependencia de la inteligencia artificial
(IA), la percepción del rendimiento académico y la procrastinación académica en estudiantes universitarios
de la región Puno durante el segundo periodo del 2024. Los resultados obtenidos permiten discutir los hallazgos
desde una perspectiva comparativa con investigaciones previas y en función de los objetivos planteados.
En relación con el primer objetivo, se identificó una correlación inversa significativa entre la dependencia a
la IA y el rendimiento académico (r = -0,122; p < 0,007), lo que indica que los estudiantes con menor depen-
dencia de la IA presentan un mejor desempeño académico. Este hallazgo coincide con lo reportado por Del
Cisne et al.
(13)
y Avendaño,
(31)
quienes evidenciaron que una alta dependencia tecnológica puede afectar nega-
tivamente el rendimiento académico hasta en un 65 %, debido a la pérdida de autonomía cognitiva y de habi-
lidades analíticas. Sin embargo, cuando la IA se utiliza como herramienta de apoyo complementario, puede
potenciar la productividad y mejorar la comprensión de los contenidos.
(19)
Por consiguiente, el estudio reafirma
la necesidad de fomentar un uso responsable y pedagógico de la IA en el entorno universitario, donde el criterio
humano y el pensamiento crítico sigan siendo fundamentales para la formación académica.
Respecto al segundo objetivo, orientado a analizar la relación entre la dependencia a la IA y la procrastinación
académica, no se identificó una correlación significativa (r = 0.022; p < 0.627). Este resultado sugiere que el
uso de herramientas de IA no influye directamente en los niveles de procrastinación. A diferencia de lo
planteado por Abbas et al.
(15)
quienes encontraron una relación positiva entre el uso excesivo de ChatGPT y
la postergación de actividades, los datos de este estudio muestran que la procrastinación puede estar determinada
por otros factores personales, como la autoeficacia, la motivación intrínseca y la capacidad de autorregulación.
(32)
Por tanto, la dependencia tecnológica no sería el principal factor desencadenante de la procrastinación,
aunque un uso desmedido de la IA podría, en algunos casos, reforzar hábitos de postergación si no se acompaña
de un control adecuado del tiempo y la planificación.
En cuanto al tercer objetivo, se identificó una relación inversa y altamente significativa entre el rendimiento
académico y la procrastinación académica (r = -0,333; p < 0,000). Este resultado confirma lo encontrado por
Zumárraga y Cevallos
(33)
y Kim y Seo,
(34)
quienes sostienen que la procrastinación afecta negativamente el
rendimiento académico al reducir la dedicación al estudio y la organización del tiempo. Los estudiantes con
altos niveles de rendimiento académico tienden a postergar menos sus actividades, muestran mayor motivación
y presentan una gestión más eficiente de sus recursos y objetivos
(35,36)
Este hallazgo respalda la importancia de
promover estrategias de autorregulación y gestión del tiempo en el ámbito universitario, como medios efectivos
para contrarrestar los efectos negativos de la procrastinación.
Por otra parte, el análisis de las dimensiones específicas aporta evidencia adicional. Se halló una relación
inversa significativa entre la dependencia de la IA y la falta de organización de los recursos didácticos
(r = -0,225; p < 0,000),
lo que sugiere que los estudiantes con menor organización tienden a recurrir más a
la IA como solución inmediata ante la demanda académica. Este resultado se alinea con los hallazgos de
Cosme Garate et al.
(37)
y Zhang et al.,
(38)
quienes señalan que una deficiente gestión de materiales de estudio
puede incrementar el estrés y la dependencia de herramientas tecnológicas. Además, Granda Aguilera et
al.
(39)
y Ahmad et al.,
(11)
advierten que la dependencia excesiva de la IA puede debilitar la organización, el
pensamiento crítico y la autonomía académica, fomentando hábitos de dependencia cognitiva. Por tanto,
fortalecer las competencias de planificación y organización se vuelve esencial para evitar la sobreutilización
de la IA.
Asimismo, los resultados indican que la autorregulación académica no se relaciona significativamente con la
dependencia de la IA, lo cual demuestra que los estudiantes conservan su capacidad de control y gestión del
aprendizaje.
(25)
Este hallazgo es positivo, pues refleja que la mayoría utiliza la IA como una herramienta de
apoyo y no como un sustituto de sus procesos de trabajo académico. No obstante, es necesario enfatizar la
formación ética y digital para garantizar un equilibrio entre el uso tecnológico y el desarrollo de habilidades
de razonamiento, análisis y creatividad.
Finalmente, el hecho de no haber identificado una correlación estadísticamente significativa entre la depen-
dencia de la IA y la postergación de actividades (r = 0.02; p < 0.647) confirma que la procrastinación no
depende exclusivamente del uso de la IA, sino que responde a una interacción compleja de factores psicológicos,
académicos y sociales. Sin embargo, como sostienen Abbas et al.
(15)
el uso inadecuado o desmedido de
herramientas como ChatGPT puede inducir conductas de procrastinación cuando reemplaza la reflexión
personal o el esfuerzo intelectual, en lugar de servir como un medio de aprendizaje activo.
CONCLUSIONES
Los resultados evidencian que una menor dependencia de la IA se asocia con un mejor rendimiento académico
y que, a su vez, un mayor rendimiento académico se relaciona con menores niveles de procrastinación. Por
otro lado, no se identificó una relación significativa entre la dependencia de la IA y la procrastinación; sin
embargo, sí se encontró una asociación con la dimensión referida a la falta de organización de los recursos
didácticos. Los hallazgos destacan la importancia de promover un uso responsable de la IA en estudiantes.
Limitaciones del estudio: Entre las principales limitaciones se encuentra el uso de un muestreo no probabilístico
por conveniencia, lo que restringe la generalización de los resultados a otras poblaciones universitarias.
Asimismo, el estudio se basó en instrumentos de autoinforme, los cuales pueden estar sujetos a sesgos de
percepción y deseabilidad social. Finalmente, al tratarse de un diseño transversal, no es posible establecer
relaciones causales entre las variables analizadas. Se recomienda que futuras investigaciones incorporen
diseños longitudinales y muestras más diversas para profundizar en estos hallazgos.
Financiamiento: Investigación financiada por los autores.
Agradecimientos: A los directivos del vicerrectorado de investigación de la Universidad Peruana Unión.
Conflictos de intereses: Los autores no tienen intereses en competencia.
Declaración de contribución:
Hilda Sapillado Condori y Giuliana Nadyn Vilca Quispe participaron en todo el proceso integral de la inves-
tigación y la redacción del artículo.
Alcides Quispe Mamani participó como asesor del estudio, revisión y aprobación de la versión final
REFERENCIAS BIBLIOGRÁFICAS
1. Acosta P. El impacto de la inteligencia artificial en la educación superior. Informe del Consejo de
Europa - ES de ES: Aprendemos entre todos [Internet]. 2022 [citado 8 Nov 2025]. Disponible en:
https://www.espaciosdeeducacionsuperior.es/07/12/2022/__trashed-2__trashed/.
2. Digital Education Council global AI student survey 2024. Encuesta mundial sobre inteligencia artificial
a estudiantes del Consejo de Educación Digital 2024 [Internet]. [cited 5 Mar 2025]. Disponible en:
https://www.digitaleducationcouncil.com/post/digital-education-council-global-ai-student-survey-2024.
3. Tyton Partners. Time for Class 2024: Unlocking access to effective digital teaching and learning
[Internet]. 2024 [citado 10 Nov 2024]. Disponible en: https://4213961.fs1.hubspotusercontent-na1.net/
hubfs/4213961/Publications/Time%20for%20Class%202024.pdf.
4. Rojas Marín F de los Á, Espinoza Padilla JG, Mendoza Pacheco MF. Inteligencia Artificial: Dependencia
y la Afección del Pensamiento Crítico. Cienc Lat Rev Científica Multidiscip. [Internet]. 2024 [citado
7 Mar 2025]; 8(4):12590–608. Disponible en: https://ciencialatina.org/index.php/cienciala/article/
view/13462.
5. Espinoza Vidaurre SM, Velásquez Rodríguez NC, Gambetta Quelopana RL, Martínez Valdivia AN,
Leo Rossi EA, Laura de la Cruz KM, et al. Influencia de la inteligencia artificial en la eficiencia del
rendimiento académico: un análisis de determinantes. RISTI - Rev Ibér Sist Tecnol Inf [Internet].
2024 [citado 9 Mar 2025]; E70:399–418. disponible en: https://dialnet.unirioja.es/servlet/articulo?
codigo=9886376.
6. Mukhtar M, Firdos SS, Zaka I, Naeem S. Impact of AI dependence on procrastination among university
students. Research Journal of Psychology [Internet]. 2025 [citado 4 Oct 2025];3(1):246–57. Disponible
en: https://ctrjournal.com/index.php/19/article/view/62 Int J Educ Innov Res. 2025;3(1):11–22.
7. Gavilanes Vásquez PG, Adum Ruiz JH, García Ruiz GS, Ruíz Ortega MG. Impacto de la inteligencia
artificial en la educación superior: una mirada hacia el futuro. RECIAMUC [Internet]. 2024 [citado
6 Oct 2025];8(2):213–21. Disponible en: https://www.reciamuc.com/index.php/RECIAMUC/article/
view/1371 DOI: http://dx.doi.org/10.26820/reciamuc/8.(2).abril.2024.213-221.
8. Turnitin. Estudio Time for Class: ¿Cuál ha sido el impacto de la IA en el aprendizaje de los estudiantes
en la era digital? [Internet]. Turnitin.com. 2024. [citado 13 Mar 2025]. Disponible en: https://www.
turnitin.com/press/turnitin-estudio-time-for-class.
9. Sabzalieva E, Valentini A. ChatGPT e inteligencia artificial en la educación superior: Guía de inicio
rápido. [Internet]. París: UNESCO IESALC;2023;1–16. [citado 15 Mar 2025]. Disponible en:
https://unesdoc.unesco.org/ark:/48223/pf0000385146_spa/PDF/385146spa.pdf.multi.
10. Seo K, Tang J, Roll I, Fels S, Yoon D. The impact of artificial intelligence on learner–instructor
interaction in online learning. Int J Educ Technol High Educ [Internet]. 2021 [citado 17 Mar 2025];
18(1):1–14. Disponible en: https://link.springer.com/article/10.1186/s41239-021-00292-9 DOI:
https://doi.org/10.1186/s41239-021-00292-9.
11. Ahmad SF, Han H, Alam MM, Rehmat MK, Irshad M, Arraño-Muñoz M, et al. Impact of artificial
intelligence on human loss in decision-making, laziness and safety in education. Humanit Soc Sci
Commun [Internet]. 2023 [citado 19 Mar 2025];10(1):311. Disponible en: https://www.nature.com/
articles/s41599-023-01787-8 DOI:10.1057/s41599 023 017878.
12.
[citado 8 May 2025]; 20. Disponible en: https://www.khaleejtimes.com/nation/dubai/Is-AI-makin
ghumans-lazy-Here-what-UAE-residents-say.
13. Del Cisne Loján M, Antonio Romero J, Sancho Aguilera D, Yajaira Romero A. Consecuencias de la
Dependencia de la Inteligencia Artificial en Habilidades Críticas y Aprendizaje Autónomo en los
Estudiantes. Cienc Lat Rev Científica Multidiscip. [Internet]. 2024 [citado 15 May 2025];8(2):
2368–2382. Disponible en: https://ciencialatina.org/index.php/cienciala/article/view/10678 DOI:
http://dx.doi.org/10.37811/cl_rcm.v8i2.10678.
14. Longoni C, Cian L. Artificial Intelligence in Utilitarian vs. Hedonic Contexts: The “Word-of-Machine”
Effect. J Mark [Internet]. 2022 [citado 19 May 2025];86(1):91–108. Disponible en: https://journals.sagepub.
com/doi/10.1177/0022242920957347.
15. Abbas M, Jam FA, Khan TI. Is it harmful or helpful? Examining the causes and consequences of
generative AI usage among university students. Int J Educ Technol High Educ [Internet]. 2024 [citado
9 Jan 2025];21(1). Disponible en: https://link.springer.com/article/10.1186/s41239-024-00444-7
DOI: https://doi.org/10.1186/s41239-024-00444-7.
16. Malinka K, Peresíni M, Firc A, Hujnák O, Janus F. On the Educational Impact of ChatGPT: Is Artificial
Intelligence Ready to Obtain a University Degree? In: Proceedings of the 2023 Conference on
Innovation and Technology in Computer Science Education (ITiCSE); 2023 [citado 15 Jan 2025].
3587102.3588827.
17. Gocen A, Aydemir F. Artificial Intelligence in Education and Schools. Res Educ Media. [Internet].
2020 [citado 20 May 2025];12(1):13–21. Disponible en: https://sciendo.com/2/v2/download/article/
10.2478/rem-2020-0003.pdf DOI: http://dx.doi.org/10.2478/rem-2020-0003.
18. Daha ES, Altelwany AA. Exploring the impact of using - ChatGPT in light of goal orientations and
academic self-efficacy. Int J Instr [Internet]. 2025 [citado 25 May 2025];18(2):167–84. Disponible
en: https://e-iji.net/ats/index.php/pub/article/view/730 DOI: http://dx.doi.org/10.29333/iji.2025.18210a.
19. Ortega Azurduy M, Machaca Mamani J, Daza Morales J. El efecto de la Inteligencia Artificial en el
rendimiento académico de estudiantes de ciencias administrativas en la Universidad Católica
Boliviana. Rev Educ Super [Internet]. 2023 [citado 1 Jun 2025];10(3):13–22. Disponible en:
http://www.scielo.org.bo/scielo.php?pid=S2518-82832023000300013&script=sci_arttext DOI:
https://doi.org/ 10.53287/mzkv9068uw14f.
20. Hernández-Sampieri R, Mendoza Torres CP. Metodología de la investigación: las rutas cuantitativa,
cualitativa y mixta. México: McGraw-Hill Education; 2018.
21. Hernández-Sampieri R, Fernández Collado C, Baptista Lucio M del P. Metodología de la investigación.
6ª ed. México: McGraw-Hill; 2014.
22. Carrazco Díaz S. Metodología de la investigación científica. 2ª ed. Lima: Editorial San Marcos; 2019.
REE 20(1) Riobamba ene. - abr. 2026
cc
BY NC ND
145
ISSN-impreso 1390-7581
ISSN-digital 2661-6742
23. Ortega C. ¿Qué es el muestreo por conveniencia? [Internet]. 2024 [citado 22 Nov 2024]. Disponible
en: https://www.questionpro.com/blog/es/muestreo-por-conveniencia/.
24. Morales-García WC, Sairitupa-Sánchez LZ, Morales-García SB, Morales-García M. Development
and validation of a scale for dependence on artificial intelligence in university students. Frontiers in
Education. [Internet]. 2024 [citado 4 Jun 2025];9:1323898. Disponible en: https://www.frontiersin.org/
journals/education/articles/10.3389/feduc.2024.1323898/full DOI: 10.3389/feduc.2024.1323898.
25. Preciado-Serrano M de L, Ángel-González M, Colunga-Rodríguez C, Vázquez-Colunga JC,
Rendimiento Académico Universitario (Construction and Validation of the University Academic
[Internet]. 2021 [citado 6 Jun 2025];3(60):5 14. Disponible en: https://go.gale.com/ps/i.do?id=GA
LE%7CA758446785&sid=googleScholar&v=2.1&it=r&linkaccess=abs&issn=11353848&p=
AONE&sw=w&userGroupName=anon%7E40c47079&aty=open-web-entry DOI:10.21865/RIDEP
60.3.01.
26. Remaycuna-Vásquez A, Carrión-Barco G, Espinoza-Porras FR, Maquen Niño GLE. Validez y
confiabilidad de la escala de rendimiento académico desde la percepción del alumno. Revista de
https://dialnet.unirioja.es/servlet/articulo?codigo=9034432 DOI: 10.31876/rcs.v29i.40458.
27. Busko DA. Causes and consequences of perfectionism and procrastination: A structural equation
28. Domínguez Lara S, Villegas García G, Centeno Leyva S. Procrastinación académica: validación de
una escala en una muestra de estudiantes de una universidad privada. Liberabit [Internet]. 2014 [citado
12 Jun 2025];20(2):293–304. Disponible en: http://www.scielo.org.pe/pdf/liber/v20n2/a10v20n2.
29. Colegio de Psicólogos del Perú. Código de ética profesional. Lima: Colegio de Psicólogos del Perú;
2017.
30. Universidad Peruana Unión. Código de ética para la investigación (CoEIn). Lima: UPeU; 2016.
31. Avendaño Porras VC. La adicción a la inteligencia artificial: evaluación de prevalencia y factores de
riesgo en estudiantes de posgrado. Rev Enfoques [Internet]. 2024 Jun 30 [citado 16 Apr 2025];5:
66–88. Disponible en: https://revistasdigitales.uniboyaca.edu.co/index.php/EFQ/article/view/1405.
32. Steel P. The nature of procrastination: a meta-analytic and theoretical review of quintessential
self-regulatory failure. Psychological Bulletin, 2025 [citado 13 Apr 2025];133(1), 65–94. Disponible
en: https://psycnet.apa.org/buy/2006-23058-004 DOI: https://doi.org/10.1037/0033-2909.133.1.65.
33. Zumárraga-Espinosa M, Cevallos-Pozo G. Autoeficacia, procrastinación y rendimiento académico en
estudiantes universitarios de Ecuador. Alteridad [Internet]. 2022 [citado 18 Apr 2025];17(2):277–90.
Disponible en: https://revistas.ups.edu.ec/index.php/alteridad/article/view/5516.
34. Kim KR, Seo EH. The relationship between procrastination and academic performance: a meta-analysis.
Pers Individ Dif [Internet]. 2015 [citado 19 Apr 2025];82:26–33. Disponible en: https://www.sciencedirect.
com/science/article/abs/pii/S0191886915001610 DOI: https://doi.org/10.1016/j.paid.2015.02.038.
35. Rodríguez A, Clariana M. Procrastinación en Estudiantes Universitarios: Su Relación con la Edad y el
Curso Académico. Rev Colomb Psicol. [Internet]. 2017 [citado 20 Apr 2025];26(1):45–60. Disponible
en: http://www.scielo.org.co/pdf/rcps/v26n1/0121-5469-rcps-26-01-00045.pdf.
36. Honicke T, Broadbent J. The influence of academic self-efficacy on academic performance: a systematic
review. Educ Res Rev [Internet]. 2016 [citado 21 Apr 2025];17:63–84. Disponible en: https://www.sciencedirect.
com/science/article/abs/pii/S1747938X15000639 DOI: https://doi.org/10.1016/j.edurev.2015.11.002.
37. Cosme Garate GA, Cornejo Zúñiga AG, Chumacero Acosta JS, Ruiz Rios A, Tuesta Casique A, Alvarez
Arista Y. Enseñanza universitaria y recursos didácticos en el nivel de rendimiento de los estudiantes de
pregrado. Rev Científica Episteme y Tekne. [Internet]. 2022 [citado 23 Apr 2025];1(2):e380. Disponible
en: https://revistas.unsm.edu.pe/index.php/rceyt/article/view/380 DOI: 10.51252/rceyt.v1i2.380.
38. Zhang S, Zhao X, Zhou T, Kim JH. Do you have AI dependency? The roles of academic self-efficacy,
academic stress, and performance expectations on problematic AI usage behavior. Int J Educ Technol
High Educ. [Internet]. 2024 [citado 29 Apr 2025];21(1):1-15. Disponible en: http://dx.doi.org/10.1186/
s41239-024-00467-0.
39. Granda Aguilera DR, Lema Mullo L, Gallegos Gallegos AR. La dependencia de la inteligencia artificial
en los estudiantes de bachillerato: implicaciones y recomendaciones para un aprendizaje equilibrado.
Polo del Conoc. [Internet]. 2024 [citado 20 may 2025];9(7):2109–30. Disponible en: https://polodel
conocimiento.com/ojs/index.php/es/article/view/7618/html?utm_source=chatgpt.com.
