ante la escasez de publicaciones a nivel latinoamericano sobre inteligencia artificial (IA) en educación basada en simulación, este estudio describe el conocimiento, las prácticas de uso, la utilidad percibida, la facilidad de uso percibida y las actitudes hacia el uso de la IA de los educadores de simulación en Latinoamérica en relación con la IA.
Material y métodosse realizó un estudio cuantitativo, transversal y exploratorio (N = 242) con educadores de 16 países. Se utilizaron un cuestionario sociodemográfico, una prueba de conocimientos sobre IA (α = 0,758), preguntas sobre prácticas de IA e instrumentos de aceptación tecnológica (α = 0,822) y actitud hacia el uso de la IA (α = 0,808). Las comparaciones entre grupos se realizaron mediante las pruebas no paramétricas de Kruskal-Wallis y U de Mann–Whitney.
Resultadosel desempeño en la prueba de conocimientos fue alto (aciertos 58,3%–87,2%), siendo los chatbots las herramientas más usadas. Se registró una valencia positiva en la utilidad, la facilidad de uso y las actitudes. Se identificaron diferencias estadísticamente significativas en el conocimiento declarativo y la utilidad percibida según el género y el nivel de dominio autopercibido.
Conclusiónlos educadores de simulación en Latinoamérica muestran una perspectiva generalmente positiva respecto a la IA. Sin embargo, la brecha entre el alto interés y la implementación limitada exige fortalecer la alfabetización en IA y el desarrollo docente para acelerar la adopción ética y equitativa de estas tecnologías en la educación basada en simulación.
Given the scarcity of Latin American publications on Artificial Intelligence in Simulation-Based Education, this study describes the knowledge, usage practices, perceived usefulness, perceived ease of use, and attitudes toward the use of Artificial Intelligence among simulation educators in Latin America regarding AI.
Materials and methodsA quantitative, cross-sectional, and exploratory study (N = 242) was conducted with educators from 16 countries. A sociodemographic questionnaire, an AI knowledge test (α = 0.758), questions on AI practices, and instruments assessing technology acceptance (α = 0.822) and attitudes toward AI use (α = 0.808) were applied. Group comparisons were performed using the nonparametric Kruskal–Wallis and Mann–Whitney U tests.
ResultsPerformance on the knowledge test was high (correct responses: 58.3%–87.2%), with chatbots being the most frequently used tools. Positive valence was observed for perceived usefulness, ease of use, and attitudes. Statistically significant differences were identified in declarative knowledge and perceived usefulness according to gender and self-perceived level of proficiency.
ConclusionSimulation educators in Latin America show a generally positive perspective toward Artificial Intelligence. However, the gap between high interest and limited implementation highlights the need to strengthen Artificial Intelligence literacy and faculty development to accelerate the ethical and equitable adoption of these technologies in Simulation-Based Education.
La inteligencia artificial (IA) se orienta al desarrollo de sistemas capaces de realizar tareas que requieren inteligencia humana, como el reconocimiento de voz, la toma de decisiones, el procesamiento del lenguaje natural y la percepción visual1,2. Para ello utiliza algoritmos y modelos matemáticos, procesando grandes volúmenes de datos, aprendiendo de ellos y mejorando su rendimiento3,4.
La IA se consolida como una herramienta transformadora en numerosos campos, incluyendo la educación en ciencias de la salud2,5,6. Específicamente en simulación clínica, la IA ofrece oportunidades para mejorar la calidad y la eficacia de la enseñanza al permitir el aprendizaje personalizado, aumentar la precisión de las evaluaciones y facilitar el acceso a recursos avanzados7,8.
Según el Modelo de Aceptación Tecnológica (MAT), el uso de tecnologías se predice por medio de la utilidad percibida, definida como el grado en que el usuario cree que mejorará su desempeño en su trabajo, y la facilidad de uso percibida definida como el grado en que el usuario cree que con el uso de una tecnología se esforzará menos en desempeñar sus tareas9.
Existen variables externas que influyen de manera directa en la utilidad y facilidad de uso percibida, y de manera indirecta en la actitud hacia el uso. En el caso de docentes, entre estas variables se encuentran: género, edad, nivel educativo, formación, posición en el trabajo, experiencia docente, área de trabajo10 y la alfabetización digital11,12, especialmente en regiones como Latinoamérica13.
Las percepciones de utilidad, facilidad y actitudes responden a características objetivas de la tecnología y a evaluaciones cognitivas subjetivas. Según la teoría de la evaluación cognitiva14,15, cuando un estímulo se percibe como beneficioso, se asocia con valencia positiva, y cuando se percibe como dañino, con valencia negativa.
En consonancia con esta perspectiva, la teoría motivacional de aproximación y evitación16,17 sugiere que la valencia guía el comportamiento. Los estímulos con valencia positiva activan el Sistema de Activación Conductual (SAC), promoviendo el comportamiento de aproximación. Los estímulos con valencia negativa activan el Sistema de Inhibición Conductual (SIC), promoviendo el comportamiento de evitación.
En conjunto, estos modelos y variables proporcionan un marco conceptual para analizar los comportamientos y las percepciones asociados al uso de la IA en contextos educativos.
Dado que las publicaciones sobre el uso de la IA en Latinoamérica son escasas18, este estudio tiene como objetivos describir el conocimiento declarativo sobre la IA, las prácticas de uso autoinformadas en la Educación Basada en Simulación (EBS), la facilidad de uso percibida, la utilidad percibida y las actitudes hacia el uso de la IA en simulación clínica entre educadores de América Latina, así como comparar estas variables según género, edad, nivel de dominio percibido de la IA y formación en IA.
Material y métodosDiseñoSe llevó a cabo un estudio cuantitativo, no experimental, transversal y de alcance exploratorio19.
Variables e instrumentos de mediciónSe utilizó un cuestionario sociodemográfico para caracterizar la muestra y 3 instrumentos con evidencias de confiabilidad medida con el alfa de Cronbach y de validez de contenido, según la evaluación de expertos sobre la coherencia, claridad y suficiencia20. Los 2 expertos contaban con posgrado en IA, experiencia en educación superior y más de 5 años de experiencia profesional.
Cuestionario sociodemográficoEl cuestionario sociodemográfico incluye las variables: edad, sexo, país de origen, profesión, grado académico, autopercepción de dominio de la IA, años de experiencia en EBS, tipo y tamaño del centro de simulación donde trabajan13, uso de IA en el centro de simulación, formación recibida en IA (si la hubiera) e interés en el uso de la IA en los centros de simulación.
Conocimiento sobre inteligencia artificialLa variable conocimiento sobre IA se entiende como un conjunto de conceptos y definiciones relacionados con la IA que la persona puede reconocer y recordar. Para evaluar el conocimiento se utilizó una prueba de 10 preguntas (Anexo 1), cuya confiabilidad fue aceptable (α = 0,758). Las preguntas evaluaron conocimientos básicos, considerando que el perfil de los educadores en simulación no pertenece al ámbito tecnológico. La capacidad de discriminación de los ítems osciló entre buena y alta (tabla 1).
Índice de discriminación y dificultad de la prueba de conocimientos
| Pregunta | Índice de dificultad(p) | Índice de discriminación(r-biserial) |
|---|---|---|
| ¿Qué es prompt? | 0,75 | 0,543 |
| ¿Qué es IA generativa? | 0,87 | 0,523 |
| ¿Qué son los chatbots? | 0,87 | 0,445 |
| ¿Qué es machine learning? | 0,81 | 0,390 |
| ¿Qué es deep learning? | 0,78 | 0,650 |
| ¿Qué son los natural language models? | 0,83 | 0,640 |
| ¿Cuál es la diferencia entre ML y DL? | 0,76 | 0,564 |
| ¿Qué es AI training? | 0,85 | 0,609 |
| ¿Qué es AI models? | 0,58 | 0,574 |
| ¿Qué es natural language processing? | 0,76 | 0,486 |
Las prácticas de uso de la IA se entienden como aquellas actividades concretas realizadas por los educadores que implican la utilización de herramientas de IA en su labor docente. Las prácticas de IA se evaluaron mediante 2 preguntas presentadas en formato de lista de verificación (Anexo 2).
Aceptación tecnológica de la inteligencia artificial en simulación clínicaLa aceptación de la IA en simulación clínica se midió por medio de un instrumento (Anexo 3) compuesto por 2 dimensiones basadas en el MAT adaptado a la IA: facilidad de uso y utilidad percibida9,10. La escala general presentó una buena confiabilidad (α = 0,822); una confiabilidad aceptable para la dimensión de utilidad percibida (α = 0,741) compuesta por 3 ítems; y una confiabilidad aceptable para la dimensión de facilidad de uso percibida (α = 0,747) compuesta por 4 ítems. Además, se observan evidencias de validez de constructo según el análisis factorial exploratorio (AFE) (KMO = 0,856; Bartlett χ2(21) = 491; p = 0,001).
Actitudes hacia el uso de la inteligencia artificialLas actitudes hacia el uso de la IA en simulación se definen como la disposición mental a favor o en contra por parte de los educadores en simulación hacia el uso de la IA en su práctica docente. Estas actitudes se midieron con un instrumento unidimensional de 4 ítems centrados en el componente cognitivo de la actitud (Anexo 4). La confiabilidad fue de α = 0,808. Los datos muestran evidencias de validez de constructo según el AFE (KMO = 0,808; Bartlett χ2(10) = 449; p = 0,001).
Procedimiento de recopilación de datosLos instrumentos se aplicaron mediante Google Forms®, difundido a través del boletín informativo de la Federación Latinoamericana de Simulación Clínica (FLASIC) (www.flasic.org) y a través de los contactos del equipo de investigación. Se utilizó un muestreo no probabilístico por bola de nieve. Se enviaron recordatorios semanales durante el periodo de recolección de datos (del 15 de julio al 15 de agosto de 2024).
Se contactó a 832 educadores en simulación afiliados a la FLASIC, quienes compartieron el formulario con otros educadores. Se obtuvieron 242 respuestas.
Procesamiento y análisis de datosLos análisis se realizaron con JAMOVI versión 2.7.621. Se realizaron análisis descriptivos para caracterizar la muestra y análisis comparativos en función del género, la edad, el nivel de dominio autopercibido y la formación en IA.
Para el cálculo del tamaño del efecto se utilizó el coeficiente de correlación biserial por rangos (rb) (< 0,10 indica un tamaño del efecto muy pequeño; 0,10–0,29 tamaño del efecto pequeño; 0,30–0,49 tamaño del efecto moderado; ≥ 0,50 tamaño del efecto grande) y épsilon-cuadrado (ε2) (< 0,01 indica un tamaño del efecto muy pequeño; 0,01–0,05 tamaño del efecto pequeño; 0,06–0,13 tamaño del efecto moderado; ≥ 0,14 tamaño del efecto grande). La interpretación de estos tamaños del efecto se realizó según las directrices de la American Educational Research Association22.
Para las comparaciones de género se consideraron los grupos femenino y masculino, ya que la categoría «otro» solo tuvo 3 respuestas. Para las comparaciones por edad se transformó dicha variable considerando 4 grupos: grupo 1 (25–36 años), grupo 2 (37–42 años), grupo 3 (43–49 años) y grupo 4 (50–75 años).
En la comparación según el nivel de dominio autopercibido de la IA se consideraron las categorías «muy básico», «básico» e «intermedio». Se excluyeron las categorías «avanzado» y «muy avanzado», ya que contaban con menos de 15 respuestas.
En la comparación según formación se contrastaron los grupos que manifestaron contar con formación con los que no.
Se utilizó la prueba de Kolmogorov–Smirnov para evaluar la normalidad y la prueba de Levene para la homocedasticidad. Las comparaciones se realizaron mediante las pruebas de Kruskal-Wallis y U de Mann–Whitney, dado que no se cumplieron los supuestos para el uso de pruebas paramétricas. Las comparaciones post hoc se realizaron mediante el método Dwass–Steel–Critchlow–Fligner.
Para describir la valencia de la aceptación y la actitud, las medianas se interpretaron según el valor atribuido por los participantes. En los ítems asociados con percepciones positivas, las puntuaciones entre 1,00 y 2,00 reflejaban una valencia negativa, 3,00 indicaba una valencia neutra y las puntuaciones entre 4,00 y 5,00 representaban una valencia positiva. Por el contrario, en los ítems relacionados con desventajas o percepciones negativas, la interpretación se invirtió: las puntuaciones entre 1,00 y 2,00 indicaban una valencia positiva, reflejando un menor nivel de amenaza o daño percibido, mientras que las puntuaciones entre 4,00 y 5,00 indicaban una valencia negativa, asociada con una evaluación desfavorable o amenazante de la IA.
ResultadosCaracterísticas de la muestraRespondieron la encuesta 242 personas, de edad promedio de 44,3 años (DE = 9,82). El 32,2% (n = 78) se identificó con el género masculino, el 66,5% (n = 161) con el género femenino y el 1,2% (n = 3) con otro género.
Se recibieron respuestas de 16 países, siendo la mayoría de los participantes de Chile (26%; n = 63) y Colombia (20%, n = 49). En un nivel intermedio se ubican México (10,3%; n = 25), Perú (9,1%; n = 22) y Argentina (8,7%; n = 21). Ecuador aporta el 7,0% (n = 17), mientras que Puerto Rico el 5,4% (n = 13) y Brasil el 5,0% (n = 12). En menor proporción se encuentran Paraguay y Uruguay, ambos con un 2,1% (n = 5 cada uno), Bolivia y Panamá, con un 1,2% respectivamente (n = 3). Costa Rica, Guatemala, República Dominicana y Venezuela registran cada uno un 0,4% de la muestra (n = 1). En la tabla 2 se muestran otros aspectos sociodemográficos.
Índice de discriminación y dificultad de la prueba de conocimientos
| Categoría | Subcategoría | N | % |
|---|---|---|---|
| Experiencia en SBE | Menos de 1 año | 27 | 11,2 |
| 1–5 años | 85 | 35,1 | |
| 5–10 años | 81 | 33,5 | |
| Más de 10 años | 49 | 20,2 | |
| Tipo de institución | Universidad pública | 55 | 22,7 |
| Universidad privada | 141 | 58,3 | |
| Hospital público | 6 | 2,5 | |
| Hospital privado | 6 | 2,5 | |
| Centros no universitarios/no hospitalarios | 34 | 14,0 | |
| Tamaño del centro | Pequeño | 60 | 24,8 |
| Medio | 140 | 57,9 | |
| Grande | 31 | 12,8 | |
| Muy grande | 11 | 4,5 | |
| Máximo título académico | Técnico | 4 | 1,7 |
| Bachiller | 19 | 7,9 | |
| Especialización | 26 | 10,7 | |
| Maestría | 154 | 63,6 | |
| Doctorado | 39 | 16,1 | |
| Profesión | Médico | 112 | 46,3 |
| Enfermera | 83 | 34,3 | |
| Matrona | 12 | 5,0 | |
| Fisioterapeuta | 10 | 4,1 | |
| Otros | 25 | 10,1 | |
| Uso de herramientas de IA | No | 115 | 52,5 |
| Sí | 127 | 47,5 | |
| Autopercepción de dominio de la IA | Muy básico | 83 | 34,3 |
| Básico | 108 | 44,6 | |
| Intermedio | 41 | 16,9 | |
| Avanzado | 7 | 2,9 | |
| Muy avanzado | 3 | 1,2 | |
| Formación reglada en IA | Sin formación formal | 145 | 59,9 |
| Curso corto | 85 | 35,1 | |
| Diploma | 7 | 2,9 | |
| Fellowship | 1 | 0,4 | |
| Especialización | 3 | 1,2 | |
| Maestría | 1 | 0,4 | |
| Interés en la IA en los centros de simulación | Sí | 221 | 91,3 |
| No | 21 | 8,7 |
En lo que respecta al conocimiento declarativo sobre IA, se observó un desempeño que osciló entre el 58,3 y el 87,2% de respuestas correctas. Los mayores niveles de acierto se registraron en las preguntas vinculadas con IA generativa (87,2%), chatbots (86,8%) y entrenamiento de IA (85,1%). De igual manera, se observaron porcentajes elevados en la identificación de modelos de lenguaje (83,9%), machine learning (81,8%) y deep learning (78,1%).
Las preguntas relacionadas con la definición de modelo de IA presentaron el menor porcentaje de respuestas correctas (58,3%). Los ítems referidos a prompt y procesamiento de lenguaje natural alcanzaron un 75,6% de acierto, mientras que la diferenciación entre machine learning y deep learning obtuvo un 76,4%.
Los resultados indicaron diferencias estadísticamente significativas según género en el conocimiento declarativo sobre IA (U = 4272; p = 0,001; rb = 0,320). Las personas que se identificaron como pertenecientes al género masculino obtuvieron medianas más altas (Mdn = 10,00; RIC = 2,00) que aquellas del género femenino (Mdn = 9,00; RIC = 2,00).
Se encontraron diferencias estadísticamente significativas entre los grupos de dominio, χ2(2) = 18,30; p = 0,001; ε2 = 0,079). El grupo de dominio intermedio obtuvo puntuaciones significativamente mayores que el grupo de dominio básico (W = 3,45; p = 0,039) y que el grupo de dominio muy básico (W = 5,80; p = 0,001). Asimismo, el grupo de dominio básico presentó puntuaciones mayores que el grupo de dominio muy básico (W = 3,64; p = 0,027).
Tanto en la variable edad χ2(3) = 4,64; p = 0,200 como en la variable formación en IA U = 5687; p = 0,154 no se observaron diferencias estadísticamente significativas en el conocimiento declarativo entre los grupos.
Prácticas relacionadas con el uso de la inteligencia artificialLa mayoría de los encuestados afirmó utilizar chatbots, y casi la mitad indicó usar herramientas de IA generativa para diseñar casos y crear imágenes. Las figuras 1 y 2 presentan los resultados del uso de la IA en la práctica educativa.
Aceptación tecnológica de la inteligencia artificial en simulación clínica
En todos los ítems dentro de las dimensiones utilidad percibida y facilidad de uso percibida de la IA en la EBS se observaron medianas de 4 o 5 y las medias oscilaron entre 3,95 y 4,50 (tabla 3).
Medias y medianas en la utilidad percibida de la inteligencia artificial
| N | Media | DE | Mediana | RIC | |
|---|---|---|---|---|---|
| Creo que una de las principales ventajas de utilizar la IA es el apoyo al aprendizaje personalizado | 242 | 4,12 | 0,947 | 4,0 | 1,00 |
| Creo que una de las principales ventajas de utilizar la IA es aumentar la precisión de las evaluaciones | 242 | 3,95 | 0,974 | 4,0 | 2,00 |
| Creo que incorporar la IA en el análisis posterior podría ayudarme a identificar modelos mentales | 242 | 3,98 | 0,951 | 4,0 | 2,00 |
| Medias y medianas en la facilidad de uso percibida de la IA | |||||
| Considero que una de las principales ventajas de utilizar la IA como herramienta educativa es el acceso rápido a la información y a los recursos de gestión | 242 | 4,46 | 0,746 | 5,0 | 1,00 |
| Creo que la inteligencia artificial será una herramienta esencial para la simulación clínica en el futuro en nuestra región | 242 | 4,41 | 0,785 | 5,0 | 1,00 |
| Creo que en el futuro la IA podría facilitar mi trabajo como educador de simulación | 242 | 4,50 | 0,753 | 5,0 | 2,00 |
| Creo que la incorporación de la IA en simuladores de alta fidelidad, realidad virtual y realidad aumentada facilitará la evaluación de los estudiantes | 242 | 4,20 | 0,895 | 4,0 | 1,00 |
DE = desviación estándar; IA: inteligencia artificial; RIC = rango intercuartílico.
Se encontraron diferencias de género en la dimensión utilidad percibida U = 4979; p = 0,009; rb= − 0,2071. Las personas pertenecientes al género masculino (Mdn = 13; RIC = 4,00) mostraron medianas superiores a las personas pertenecientes al género femenino (Mdn = 12; RIC = 4,00). También se encontraron diferencias según el dominio (χ2(2) = 8660; p = 0,013; ε2 = 0,0374). Específicamente, el grupo de dominio intermedio tuvo mejores puntuaciones que el grupo de dominio básico (W = − 4188; p = 0,009) y muy básico (W = − 3168; p = 0,065).
No se encontraron diferencias estadísticamente significativas en la utilidad de uso percibida en los distintos grupos etarios (χ2(3) = 0,570; p = 0,903), ni entre los grupos con y sin formación (U = 6225; p = 0,734).
No se encontraron diferencias de género en la facilidad de uso percibida (U = 6053; p = 0,647), ni por edad (χ2(3) = 0,370; p = 0,946), ni por dominio (χ2(2) = 0,895; p = 0,639), ni formación (U = 6089; p = 0,540).
Actitud hacia el usoEn las actitudes hacia el uso de la IA, los ítems mostraron una valencia positiva (tabla 4). Al igual que en el caso de la facilidad de uso percibida no se encontraron diferencias estadísticamente significativas por género (U = 5741; p = 0,281), ni por edad (χ2(3) = 0,265; p = 0,966), ni por dominio (χ2(2) = 3693; p = 0,158). No obstante, sí se encontraron diferencias estadísticamente significativas según la formación (U = 5342; p = 0,037; rb = 0,164). Las personas que tienen formación en IA mostraron medianas más altas (Mdn = 10,00; RIC = 5,00) que aquellas que no la tienen (Mdn = 9,00; RIC = 4,75).
Medias y medianas en las actitudes hacia el uso de la inteligencia artificial
| N | Media | DE | Mediana | RIC | |
|---|---|---|---|---|---|
| Creo que utilizar la IA en mi práctica docente me llevaría a perder mi autonomía | 242 | 1,92 | 1,20 | 1,0 | 2,00 |
| Creo que utilizar la IA en mi práctica docente no es apropiado, ya que representa una dependencia excesiva de la tecnología | 242 | 1,98 | 1,23 | 1,5 | 2,00 |
| Creo que en el futuro, la IA podría provocar que los educadores de simulación pierdan sus empleos | 242 | 1,86 | 1,22 | 1,0 | 1,00 |
| Creo que la incorporación de la IA en la educación basada en simulaciones plantea riesgos para la privacidad de la comunidad educativa | 242 | 2,47 | 1,19 | 2,0 | 1,75 |
Nota. DE = desviación estándar; RIC = rango intercuartílico.
Este estudio exploratorio representa un esfuerzo pionero por describir el conocimiento sobre la IA, las prácticas de uso en EBS, la facilidad de uso percibida, la utilidad percibida y las actitudes hacia el uso de la IA en simulación clínica, y comparar estas variables según género, edad, nivel de dominio percibido de la IA y formación en IA en una muestra de educadores en simulación en Latinoamérica.
Los resultados indican que existe interés en la IA, ya que la mayor parte de los educadores reportan que sus centros utilizan esta tecnología y que tienen prevista su implementación. Esto sugiere que la IA se está consolidando como una herramienta relevante en educación en salud2,5,6.
La mayoría de los participantes mostró conocimientos sobre la IA, aunque en menor medida sobre conceptos más complejos, como los modelos de IA. Estos hallazgos son consistentes con la literatura exploratoria que sostiene que la alfabetización digital es un desafío en Latinoamérica11.
A diferencia de lo planteado en la literatura10 no se observaron diferencias estadísticamente significativas en las 4 variables de comparación (género, edad y nivel de dominio) respecto de las actitudes hacia el uso de la IA ni en la facilidad de uso percibida. Tampoco se encontraron diferencias por edad ni por presencia o ausencia de formación en relación con el conocimiento y la utilidad percibida.
Sin embargo, sí se identificaron diferencias de género y nivel de dominio en el conocimiento y utilidad percibida. En particular, las personas con un nivel de dominio intermedio registraron un conocimiento y utilidad percibida mayor que quienes presentaban niveles más bajos. Las diferencias encontradas en estas variables externas pueden resultar coherentes según el MAT. En futuros estudios se puede investigar sobre la capacidad predictiva de estas variables sobre la utilidad percibida y de manera indirecta sobre la actitud y la disposición para adoptarla9,10.
Se observó una valencia positiva en las actitudes, que según la perspectiva de la teoría de la evaluación cognitiva y de la teoría motivacional de aproximación y evitación14,16 implica que la IA es percibida como favorable y que los educadores en simulación no respaldan los riesgos descritos. Esta actitud podría favorecer comportamientos de aproximación, como la disposición a utilizar IA.
Aunque la actitud muestra una valencia positiva y la utilidad y la facilidad de uso percibida también muestran resultados favorables respecto a la IA, la implementación real de la IA sigue siendo limitada. Mientras más del 90% tiene interés en usar IA en sus centros de simulación, más del 50% indicó no utilizarla. Esta brecha entre intención y acción sumado al hallazgo de que los grupos con formación presentaron actitudes más positivas que los grupos sin formación, podría relacionarse con las tensiones identificadas en la literatura sobre la falta de capacitación docente, especialmente en regiones con disparidades de acceso tecnológico18.
El diseño transversal de este estudio, basado en datos autoinformados recolectados en un solo idioma, limita el establecimiento de relaciones causales y puede estar sujeto a sesgos de medición y de representatividad por país. No obstante, los hallazgos proporcionan una base para futuras investigaciones que empleen diseños longitudinales y análisis de datos más consistentes, incorporando variables externas, percepciones y comportamientos de los educadores, a fin de analizar la capacidad predictiva de la utilidad percibida y la facilidad de uso percibida sobre la actitud, la intención y el uso posterior de la IA.
En general, se observó una perspectiva positiva en cuanto al conocimiento, utilidad, facilidad de uso y actitudes hacia el uso de la IA de una muestra de educadores en simulación clínica de países Latinoamericanos. Sin embargo, es necesario abordar ciertos retos para garantizar su adopción e implementación en la EBS, particularmente en lo que respecta a la capacitación y el acceso equitativo a la educación tecnológica considerando las diferencias encontradas en cuanto al género. Se sugiere la implementación de iniciativas de desarrollo docente, en particular aquellas que abordan la alfabetización en IA y su integración práctica, para acelerar la adopción en la EBS.
Responsabilidades éticasLos autores declaran que este trabajo obtuvo el segundo lugar en investigación en la FLASIC (Federación Latinoamericana de Simulación Clínica), en la categoría de investigación en simulación.
Este estudio siguió las directrices éticas establecidas por la Declaración de Helsinki y los Principios de Singapur sobre integridad en la investigación. Fue aprobado por el Comité de Ética en Investigación Educativa del Centro de Simulación VitalCare (Colombia), bajo el protocolo CEIE-12-07-24. Todos los participantes otorgaron su consentimiento informado. No se recopilaron datos identificatorios, garantizando la confidencialidad y la protección de la privacidad.
Consentimiento informadoLos autores declaran que el consentimiento informado fue obtenido por parte de todos los participantes antes del inicio del estudio, tras recibir información clara y suficiente sobre los objetivos, procedimientos, posibles riesgos y beneficios de la investigación, así como sobre su derecho a retirarse en cualquier momento sin consecuencias académicas o personales.
FinanciaciónLos autores declaran que el presente estudio no recibió financiación externa específica.
Contribución de los autoresDiego Andrés Díaz-Guio: Recogida de datos, análisis y redacción. Valeria Aylin Infante-Villagrán: Análisis y redacción. Camilo Ángel-Díaz: Análisis y redacción. Diana Montes: Análisis y redacción. Ana Sofía Díaz-Gómez: Recogida de datos, análisis y redacción. Andy Pantoja: Recogida de datos, análisis y redacción. Cyndi Meneses: Análisis y redacción.
Conflicto de interesesLos autores declaran no tener ningún interés financiero en conflicto conocido ni relaciones personales que pudieran haber influido en el trabajo presentado en este artículo.
Uso de inteligencia artificialLa IA no fue empleada para generar contenido original, analizar datos ni interpretar resultados. Durante la preparación de este trabajo, los autores utilizaron ChatGPT 5.2 para revisar la ortografía, gramática y organizar las referencias en formato Vancouver. Después de utilizar esta herramienta/servicio, revisaron y editaron el contenido según fue necesario y asumen plena responsabilidad por el contenido del artículo publicado.
Anexo 1 Prueba de conocimientos
| Pregunta | Opciones de respuesta |
|---|---|
| ¿Qué es un prompt? | Una línea de código que ejecuta un programa específico.Un comando que inicia una acción en un sistema operativo.Una instrucción o pregunta formulada para un modelo de IA que guía su respuesta o salida.Un mensaje de error generado por un programa |
| ¿Qué es inteligencia artificial generativa? | Una IA que realiza cálculos matemáticos complejos.Una IA que genera contenido como texto, imágenes o música a partir de datos de entrenamiento.Una IA que optimiza procesos industriales mediante simulaciones.Una IA que únicamente clasifica datos preexistentes |
| ¿Qué es un chatbot? | Un programa que realiza tareas administrativas en un sistema operativo.Un programa diseñado para interactuar con humanos a través de texto o voz, simulando una conversación natural.Un software especializado en la gestión de bases de datos.Un dispositivo de hardware utilizado en la automatización industrial |
| ¿Qué es Machine Learning? | Un método que permite a las máquinas realizar operaciones aritméticas básicas.Una técnica de IA que permite a las máquinas aprender y mejorar a partir de datos sin ser explícitamente programadas para cada tarea específica.Un software utilizado exclusivamente en la creación de escenarios de simulación interactivos.Un algoritmo específico utilizado para la encriptación de datos |
| ¿Qué es Deep Learning? | Un enfoque de Machine Learning que utiliza redes neuronales artificiales con múltiples capas para modelar patrones y representaciones complejas en datos.Un proceso de análisis de datos basado en estadísticas simples para el aprendizaje.Un software utilizado para el diseño gráfico en 3 dimensiones.Una técnica de compresión de datos utilizada en transmisión de información para mejorar la entrega |
| ¿Qué son los Modelos de Lenguaje? | Algoritmos que traducen textos entre diferentes idiomas utilizando diccionarios predefinidos.Sistemas de IA que comprenden, interpretan y generan lenguaje humano, facilitando la interacción humano-ordenador.Herramientas para aprender nuevos lenguajes de programación mediante tutoriales interactivos.Programas que generan lenguajes artificiales para propósitos específicos |
| ¿Cuál es la Diferencia entre Machine Learning y Deep Learning? | Machine Learning es un campo independiente, mientras que Deep Learning es una aplicación de redes neuronales biológicas.Machine Learning utiliza algoritmos de análisis de datos tradicionales, mientras que Deep Learning se basa en redes neuronales profundas con múltiples capas.Deep Learning se centra exclusivamente en el análisis de imágenes, mientras que Machine Learning se aplica solo a datos textuales.No hay diferencia significativa entre ambos conceptos |
| ¿Qué es entrenamiento de Inteligencia Artificial? | El proceso de depuración y mantenimiento de programas de IA.El proceso de ajustar y optimizar los parámetros de un modelo de IA utilizando un conjunto de datos específicos para mejorar su rendimiento y precisión.Una serie de cursos académicos para formar a los desarrolladores en técnicas de IA.Un método para actualizar sistemas operativos mediante parches de software |
| ¿Qué es Modelo de Inteligencia Artificial? | Un marco teórico utilizado para la investigación en ciencias cognitivas.Una representación matemática y algorítmica de un sistema que puede aprender y realizar predicciones basadas en datos.Un componente de hardware diseñado específicamente para ejecutar algoritmos de inteligencia artificial.Un sistema de gestión de bases de datos optimizado para grandes volúmenes de información |
| ¿Qué es Procesamiento de Lenguaje Natural? | Natural Language Processing, que implica la capacidad de una IA para comprender y generar lenguaje humano de manera efectiva.Neural Language Programming, un método avanzado para programar redes neuronales.Network Learning Protocol, un estándar para la comunicación entre sistemas de aprendizaje automático.Nominal Language Parsing, una técnica para el análisis sintáctico de lenguajes formales |
IA: Inteligencia artificial.
Anexo 2 Preguntas sobre las prácticas de inteligencia artificial
| Pregunta | Lista de verificación |
|---|---|
| ¿Qué herramientas de IA utiliza en su práctica docente de simulación? | Chatbots o asistentes virtualesGeneradores de imágenesEditores de videoHerramientas de escritura y revisión de textoHerramientas de investigaciónHerramientas de codificaciónOtros |
| ¿Para qué actividades utiliza la IA como educador de simulación? | Crear imágenesDiseñar casos de simulaciónDiseñar guíasEscribir correos electrónicosResumir reunionesProgramar actividadesDiseñar presentacionesCrear/editar videosMejorar las habilidades motorasAnalizar actividades de simulaciónRecibir retroalimentaciónDar retroalimentación a los estudiantesDar retroalimentación a los compañerosAnálisis posterior a la simulaciónOtros |
IA: inteligencia artificial.
Anexo 3 Instrumento de aceptación tecnológica de la inteligencia artificial en simulación clínica
Escala de respuestas
ítems
| Creo que una de las principales ventajas de utilizar la IA es el apoyo al aprendizaje personalizado |
| Creo que una de las principales ventajas de utilizar la IA es aumentar la precisión de las evaluaciones |
| Creo que incorporar la IA en el análisis posterior podría ayudarme a identificar modelos mentales |
| Considero que una de las principales ventajas de utilizar la IA como herramienta educativa es el acceso rápido a la información y a los recursos de gestión |
| Creo que la inteligencia artificial será una herramienta esencial para la simulación clínica en el futuro en nuestra región |
| Creo que en el futuro la IA podría facilitar mi trabajo como educador de simulación |
| Creo que la incorporación de la IA en simuladores de alta fidelidad, realidad virtual y realidad aumentada facilitará la evaluación de los estudiantes |
Anexo 4 Instrumento de actitudes hacia el uso de la inteligencia artificial
Escala de respuestas
ítems
| Creo que utilizar la IA en mi práctica docente me llevaría a perder mi autonomía |
| Creo que utilizar la IA en mi práctica docente no es apropiado, ya que representa una dependencia excesiva de la tecnología |
| Creo que en el futuro la IA podría provocar que los educadores de simulación pierdan sus empleos |
| Creo que la incorporación de la IA en la educación basada en simulaciones plantea riesgos para la privacidad de la comunidad educativa |
