Introducción

El uso de herramientas de inteligencia artificial entre estudiantes universitarios ha crecido de forma acelerada en los últimos años, cambiando los hábitos de estudio, la forma de organizar el tiempo y la manera de acercarse al aprendizaje. Frente a esto, simplemente recolectar datos no es suficiente si no se acompaña de metodologías que permitan convertir esa información en algo útil y, sobre todo, que pueda comunicarse a quienes deben tomar decisiones con ella.

Con ese propósito, este proyecto diseña y desarrolla un ecosistema de visualización y analítica descriptiva a partir de los resultados de una encuesta aplicada a 850 estudiantes de una universidad, con edades entre los 15 y los 45 años, pertenecientes a siete programas académicos con enfoques muy distintos entre sí: Administración, Psicología, Economía, Ingeniería en Sistemas, Derecho, Comunicación y Medicina. La muestra abarca las tres modalidades de estudio presentes en la institución (presencial, híbrida y remota), lo que agrega una dimensión importante al análisis: los contextos de aprendizaje no son iguales para todos.

La encuesta recoge un conjunto amplio de variables que permiten construir un retrato completo del estudiante de hoy. Por un lado, variables de comportamiento y hábitos: la frecuencia de uso de herramientas de IA, las horas de estudio diario y el nivel de participación en clase. Por otro lado, variables de resultado y percepción: el rendimiento académico y la percepción de aprendizaje, ambos medidos en una escala de 1 a 5. A esto se suman condiciones del entorno como la calidad del acceso a internet y el estrato socioeconómico.

Esta variedad de variables plantea un reto concreto: con datos de tipos tan distintos (escalas, números y categorías) y una muestra que abarca perfiles académicos y socioeconómicos muy diferentes, los resúmenes estadísticos tradicionales corren el riesgo de ocultar justo las diferencias que más importan. Por eso, el proyecto apuesta por la visualización como método central de análisis, no como un complemento decorativo, sino como la forma más directa de explorar datos complejos sin forzarlos a encajar en supuestos que la muestra no necesariamente cumple.

Preguntas de Investigación

Pregunta principal: ¿Qué relación existe entre el uso de herramientas de inteligencia artificial y el rendimiento académico de estudiantes universitarios?

Pregunta 1: ¿Cómo se asocian las horas de estudio diario y la participación en clase con el rendimiento académico y la percepción de aprendizaje de los estudiantes?

Pregunta 2: ¿Varía el patrón de uso de IA y su relación con el rendimiento según la carrera y la modalidad de estudio?

Pregunta 3: ¿Qué papel juegan las condiciones del entorno (acceso a internet y estrato socioeconómico en los hábitos de estudio y el uso de herramientas de IA?

Perfil de la Muestra

Composición por sexo, modalidad y carrera

Antes de abordar las preguntas de investigación, es importante conocer quiénes son los estudiantes que conforman la muestra, qué modalidad cursan y en qué programas están inscritos.

Análisis — Perfil demográfico El panel superior izquierdo muestra la proporción de hombres y mujeres en la muestra, lo que permite verificar si la encuesta refleja la distribución real de género en la institución o si existe un sesgo de participación. Los gráficos de barras (derecha) revelan cuántos estudiantes corresponden a cada modalidad de estudio y a cada programa académico. La muestra está compuesta principalmente por estudiantes de sexo femenino, quienes representan el 53.5% de los encuestados, seguidos por estudiantes masculinos con el 43.6%. En cuanto a la modalidad de estudio, predomina la modalidad presencial con 435 estudiantes, seguida de la virtual y la híbrida. Por carrera, Administración e Ingeniería de Sistemas concentran la mayor cantidad de participantes, mientras que Derecho presenta la menor representación. En general, la muestra tiene una composición diversa, aunque con mayor presencia de estudiantes presenciales y de programas administrativos y tecnológicos.

Pregunta Principal — IA y Rendimiento Académico

Relación entre horas de uso de IA y rendimiento

El gráfico de dispersión cruza las horas semanales de uso de IA de cada estudiante con su rendimiento académico. La línea de regresión lineal indica la dirección y magnitud de la tendencia.

Análisis — Uso de IA y rendimiento La correlación de Pearson entre el tiempo de uso de IA y el rendimiento académico es de r = 0.187. La gráfica muestra una relación positiva débil entre las horas de uso de inteligencia artificial por semana y el rendimiento académico, con una correlación de Pearson de r = 0.187. Aunque la línea de tendencia indica que un mayor uso de IA se asocia ligeramente con un mejor rendimiento, la dispersión de los puntos evidencia que esta relación no es fuerte. Por tanto, el uso de IA podría apoyar el desempeño académico, pero no explica por sí solo las diferencias en el rendimiento de los estudiantes.

Pregunta 1 — Horas de Estudio y Participación en Clase

Rendimiento y percepción de aprendizaje según participación

Análisis — Participación y resultados académicos Los dos diagramas de caja permiten comparar simultáneamente el rendimiento objetivo y la percepción subjetiva de aprendizaje según el nivel de participación declarado por cada estudiante. Los resultados muestran que los estudiantes con mayor participación en clase presentan una mediana de rendimiento académico más alta en comparación con quienes reportan baja participación. Esto sugiere una asociación positiva entre participar activamente y obtener mejores resultados académicos. En la percepción de aprendizaje también se observa una tendencia similar, aunque menos marcada, ya que los niveles alto y medio de participación se concentran en valores medio-altos de aprendizaje percibido.

Horas de estudio, rendimiento y participación

Análisis — Esfuerzo autónomo y rendimiento Este gráfico introduce una capa adicional al análisis: las líneas de regresión muestran si el efecto de estudiar más horas sobre el rendimiento es igual para todos los estudiantes o si varía según su nivel de participación en clase. La gráfica evidencia una relación positiva entre las horas de estudio diario y el rendimiento académico. Además, al separar los datos por nivel de participación en clase, se observa que los estudiantes con participación alta presentan mejores niveles de rendimiento en comparación con quienes tienen participación media o baja. Esto sugiere que la participación en clase puede fortalecer el efecto positivo del tiempo de estudio sobre el desempeño académico.

Pregunta 2 — Uso de IA por Carrera y Modalidad

Horas de uso de IA según programa académico

Análisis — Uso de IA por programa El gráfico de barras horizontales ordena los programas de mayor a menor uso promedio de IA, facilitando comparaciones directas. La gráfica evidencia que el uso semanal promedio de herramientas de inteligencia artificial varía según la carrera. Medicina presenta el mayor promedio de uso, seguida por Economía, Psicología y Comunicación. Por su parte, Derecho registra el menor promedio. Sin embargo, todas las carreras superan las 6 horas semanales de uso, lo que sugiere una incorporación frecuente de herramientas de IA en las actividades académicas de los estudiantes.

Distribución del rendimiento por modalidad de estudio

Análisis — Rendimiento y modalidad Los gráficos de violín combinados con cajas son especialmente útiles cuando las distribuciones no son simétricas. La gráfica muestra que el rendimiento académico se mantiene relativamente estable entre las modalidades híbrida, presencial y virtual. Aunque la modalidad híbrida presenta una mediana ligeramente superior, las diferencias visuales entre grupos son pequeñas. Por tanto, no se evidencia una variación marcada del rendimiento académico atribuible únicamente a la modalidad de estudio.

Mapa de calor: rendimiento promedio por carrera y modalidad

Análisis — Mapa de calor El mapa de calor permite identificar de un vistazo qué combinaciones de carrera y modalidad concentran los mejores y peores rendimientos. Las celdas con colores intensos hacia el verde oscuro son combinaciones de alto rendimiento; las que tienden al rosado señalan grupos que podrían requerir atención institucional. El mapa de calor muestra que el rendimiento académico promedio varía ligeramente según la combinación entre carrera y modalidad de estudio. En general, la modalidad híbrida presenta los promedios más altos en varias carreras, destacándose Ingeniería de Sistemas con el mayor rendimiento promedio. Por el contrario, algunos de los valores más bajos se observan en la modalidad virtual, especialmente en Derecho, Comunicación e Ingeniería de Sistemas. Sin embargo, las diferencias entre grupos no son muy amplias, por lo que la modalidad y la carrera parecen influir de manera moderada en el rendimiento académico.

Pregunta 3 — Entorno: Internet y Estrato Socioeconómico

Uso de IA según calidad del acceso a internet

Análisis — Conectividad y uso de IA Este gráfico evalúa si la infraestructura tecnológica del hogar, medida como la calidad de la conexión a internet, condiciona el acceso práctico a herramientas de IA. El gráfico muestra que las horas semanales de uso de herramientas de IA son relativamente similares entre los distintos niveles de calidad del acceso a internet. Aunque los estudiantes con conexión buena o excelente presentan algunos casos de uso más intensivo, las medianas no evidencian diferencias marcadas. Por tanto, en esta muestra no se observa una relación clara entre una mejor calidad de internet y un mayor uso de herramientas de inteligencia artificial.

Horas de estudio diario según estrato socioeconómico

Análisis — Estrato y hábitos de estudio El estrato socioeconómico puede incidir en las horas de estudio por diversas vías: los estudiantes de estratos bajos frecuentemente comparten el tiempo académico con responsabilidades laborales o domésticas que reducen su disponibilidad, mientras que quienes provienen de estratos más altos pueden dedicar más horas al estudio sin esas restricciones. Sin embargo, el patrón opuesto también es posible: estudiantes de menor estrato con alta motivación podrían estudiar más intensamente para compensar otras desventajas. El gráfico muestra que las horas de estudio diario se mantienen relativamente estables entre los distintos estratos socioeconómicos. Las medianas son similares en todos los grupos, lo que sugiere que, en esta muestra, el estrato no parece estar asociado de forma clara con un mayor o menor tiempo dedicado al estudio autónomo.

Análisis Exploratorio Complementario

Herramienta de IA principal por carrera

Análisis — Preferencias de herramientas El gráfico de barras apiladas al 100% revela las preferencias de herramienta dentro de cada carrera, independientemente de su tamaño muestral. La gráfica evidencia que ChatGPT es la herramienta de IA principal más utilizada por los estudiantes en todas las carreras, con proporciones superiores al 50% en cada programa. Gemini aparece como la segunda opción más frecuente, especialmente en Psicología, Medicina y Derecho. Copilot, Perplexity y otras herramientas presentan participaciones menores. En general, los resultados muestran una clara concentración del uso de IA en ChatGPT, independientemente de la carrera académica.

Dependencia percibida de la IA y rendimiento académico

Análisis — Dependencia y rendimiento A partir del gráfico, no se evidencia una relación negativa clara entre la dependencia percibida de la IA y el rendimiento académico. Las medianas del rendimiento se mantienen relativamente estables entre los distintos niveles de dependencia, lo que sugiere que una mayor percepción de dependencia no necesariamente se asocia con un menor desempeño académico.

Creatividad percibida con IA y percepción de aprendizaje

Análisis — Creatividad y aprendizaje percibido La percepción de que la IA potencia la creatividad puede ser un indicador de un uso más activo y reflexivo de estas herramientas (explorar ideas, reformular argumentos, obtener perspectivas alternativas) en lugar de usarlas para sustituir el pensamiento propio. El gráfico muestra que la percepción de aprendizaje se mantiene relativamente estable entre los distintos niveles de creatividad percibida con IA. Aunque los estudiantes suelen ubicarse en niveles medio-altos de aprendizaje percibido, no se evidencia una tendencia creciente clara que indique que una mayor creatividad percibida con IA implique necesariamente una mayor percepción de aprendizaje.

Tiempo en redes sociales y horas de estudio

Análisis — Redes sociales y estudio La correlación entre horas en redes sociales y horas de estudio es de r = 0.037. La gráfica evidencia una correlación prácticamente nula entre el tiempo en redes sociales y las horas de estudio diario. Esto indica que no existe una relación lineal clara entre ambas variables. Por lo tanto, en esta muestra no se puede afirmar que un mayor tiempo en redes sociales esté asociado con una disminución en las horas de estudio.

Satisfacción con herramientas de IA por carrera

Análisis — Satisfacción por carrera La satisfacción con las herramientas de IA es un indicador indirecto de la utilidad percibida: un estudiante satisfecho es más propenso a seguir usando estas herramientas y a hacerlo de forma cada vez más eficiente. Los resultados muestran que la satisfacción promedio con las herramientas de IA es alta en todas las carreras evaluadas, con valores superiores a 3.6 en una escala de 1 a 5. Ingeniería de Sistemas presenta el mayor nivel de satisfacción promedio, mientras que Psicología registra el valor más bajo. Sin embargo, las diferencias entre carreras son moderadas, lo que sugiere una percepción generalmente positiva del uso de herramientas de IA en distintos programas académicos.

Conclusiones

Los resultados del estudio muestran que las herramientas de inteligencia artificial tienen una presencia importante en las actividades académicas de los estudiantes encuestados. ChatGPT se identifica como la herramienta principal en todas las carreras, lo que evidencia una alta aceptación y uso de la IA como apoyo para el aprendizaje.

En cuanto al rendimiento académico, se encontró una relación positiva débil entre las horas de uso de IA y el desempeño de los estudiantes. Esto indica que el uso de estas herramientas puede estar asociado con mejores resultados, aunque no representa por sí solo un factor determinante del rendimiento académico.

También se evidenció que la participación en clase y las horas de estudio diario tienen una relación más clara con el desempeño académico. Los estudiantes con mayor participación tienden a presentar mejores niveles de rendimiento, lo que sugiere que el compromiso activo en el proceso formativo sigue siendo fundamental.

Por otro lado, la satisfacción con las herramientas de IA fue alta en todas las carreras, aunque con algunas diferencias moderadas entre programas. De igual manera, la modalidad de estudio no mostró variaciones fuertes en el rendimiento académico, aunque la modalidad híbrida presentó algunos promedios ligeramente superiores.

Finalmente, variables como el estrato socioeconómico y la calidad del acceso a internet no mostraron una influencia marcada sobre las horas de estudio o el uso de IA. En general, se concluye que la inteligencia artificial funciona como una herramienta complementaria para el aprendizaje, pero su impacto depende del uso responsable que hagan los estudiantes y de su combinación con buenos hábitos académicos, participación en clase y dedicación al estudio.