Vol. 13/ Núm. 3 2026 pág. 1173
https://doi.org/10.69639/arandu.v13i3.2466
Comportamiento del consumidor digital en la Generación Z:
Factores psicosociales, bienestar e implicaciones para la
segmentación de mercados
Digital consumer behavior in Generation Z: Psychosocial factors, well-being, and
implications for market segmentation
María José Pérez Espinoza
mperez@utmachala.edu.ec
https://orcid.org/0000-0001-6215-5444
Universidad Técnica de Machala
Machala – Ecuador
Cecibel del Rocío Espinoza Carrión
cespinoza@utmachala.edu.ec
https://orcid.org/0000-0001-6296-4946
Universidad Técnica de Machala
Machala – Ecuador
Javier Alejandro Solano Solano
jsolano@umet.edu.ec
https://orcid.org/0000-0002-1419-8359
Universidad Metropolitana, Sede Machala
Machala – Ecuador
Artículo recibido: 10 julio 2026- Aceptado para publicación:16 agosto 2026
Conflictos de intereses: Ninguno que declarar.
RESUMEN
El consumo digital es un aspecto importante del comportamiento de la Generación Z, pero cuánto
está relacionado con el bienestar puede estar influenciado no solo por la intensidad de uso, sino
también por los factores psicosociales de la experiencia digital. El objetivo de este estudio fue
abordar las asociaciones entre el consumo digital, los factores psicosociales y el deterioro físico
autopercebido en estudiantes universitarios adultos ecuatorianos de la Generación Z, y explorar
las diferencias en la intensidad de uso, nivel educativo y preferencia de redes sociales. Realizamos
un estudio cuantitativo descriptivo-correlacional y transversal con 344 participantes de entre 18
y 29 años. Se utilizaron correlaciones de Spearman con ajuste de Holm, Kruskal-Wallis y chi-
cuadrado de Pearson con simulación de Monte Carlo. El deterioro físico se asoció
significativamente con el estrés digital (ρ = 0.336), el miedo al rechazo (ρ = 0.318), la
autopercepción (ρ = 0.313) y la comparación social (ρ = 0.258), mientras que las horas de
conexión no mostraron una asociación significativa (ρ = 0.073; p = 0.187). No encontramos
diferencias en el deterioro físico según el uso digital (H = 2.819; p = 0.244; ε² = 0.002), ni hubo
una asociación significativa entre el nivel educativo y la red social preferida (χ² = 14.289; p =
0.175; V = 0.118). ChatGPT fue la herramienta de inteligencia artificial preferida por el 63.1%
Vol. 13/ Núm. 3 2026 pág. 1174
de los participantes. Los resultados muestran que los factores psicosociales tienen asociaciones
más consistentes con el deterioro físico que el tiempo de conexión.
Palabras clave: consumo, bienestar, factores psicosociales, generación Z, marketing
digital
ABSTRACT
Digital consumption is an important aspect of Generation Z’s behavior, but the extent to which it
is related to well-being may be influenced not only by the intensity of use but also by the
psychosocial factors of the digital experience. The objective of this study was to examine the
associations between digital consumption, psychosocial factors, and self-reported physical
decline among Ecuadorian adult college students of Generation Z, and to explore differences in
intensity of use, educational level, and social media preferences. We conducted a descriptive-
correlational, cross-sectional quantitative study with 344 participants aged 18 to 29. We used
Spearman’s correlations with Holm’s adjustment, the Kruskal-Wallis test, and Pearson’s chi-
square test with Monte Carlo simulation. Physical decline was significantly associated with digital
stress (ρ = 0.336), fear of rejection (ρ = 0.318), self-perception (ρ = 0.313), and social comparison
(ρ = 0.258), while hours spent online did not show a significant association (ρ = 0.073; p = 0.187).
We found no differences in physical decline based on digital usage (H = 2.819; p = 0.244; ε² =
0.002), nor was there a significant association between educational level and preferred social
network (χ² = 14.289; p = 0.175; V = 0.118). ChatGPT was the preferred artificial intelligence
tool among 63.1% of the participants. The results show that psychosocial factors. ChatGPT was
the preferred artificial intelligence tool among 63.1% of participants. The results show that
psychosocial factors are more consistently associated with physical decline than time spent
online.
Keywords: consumption, well-being, psychosocial factors, generation Z, digital
marketing
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
de los participantes. Los resultados muestran que los factores psicosociales tienen asociaciones
más consistentes con el deterioro físico que el tiempo de conexión.
Palabras clave: consumo, bienestar, factores psicosociales, generación Z, marketing
digital
ABSTRACT
Digital consumption is an important aspect of Generation Z’s behavior, but the extent to which it
is related to well-being may be influenced not only by the intensity of use but also by the
psychosocial factors of the digital experience. The objective of this study was to examine the
associations between digital consumption, psychosocial factors, and self-reported physical
decline among Ecuadorian adult college students of Generation Z, and to explore differences in
intensity of use, educational level, and social media preferences. We conducted a descriptive-
correlational, cross-sectional quantitative study with 344 participants aged 18 to 29. We used
Spearman’s correlations with Holm’s adjustment, the Kruskal-Wallis test, and Pearson’s chi-
square test with Monte Carlo simulation. Physical decline was significantly associated with digital
stress (ρ = 0.336), fear of rejection (ρ = 0.318), self-perception (ρ = 0.313), and social comparison
(ρ = 0.258), while hours spent online did not show a significant association (ρ = 0.073; p = 0.187).
We found no differences in physical decline based on digital usage (H = 2.819; p = 0.244; ε² =
0.002), nor was there a significant association between educational level and preferred social
network (χ² = 14.289; p = 0.175; V = 0.118). ChatGPT was the preferred artificial intelligence
tool among 63.1% of the participants. The results show that psychosocial factors. ChatGPT was
the preferred artificial intelligence tool among 63.1% of participants. The results show that
psychosocial factors are more consistently associated with physical decline than time spent
online.
Keywords: consumption, well-being, psychosocial factors, generation Z, digital
marketing
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
Vol. 13/ Núm. 3 2026 pág. 1175
INTRODUCCIÓN
El consumo digital se ha convertido en uno de los fenómenos más importantes en el
cambio de la interacción, comunicación y hábitos de consumo de las generaciones más jóvenes.
El informe Digital 2025 muestra que la mayoría de los usuarios pasan la mayor parte de su tiempo
en redes sociales y otras formas de plataformas digitales, especialmente los jóvenes
(DataReportal, 2025a). En Ecuador, el mayor acceso a internet y el uso de tecnologías digitales
han hecho que el papel de estas tecnologías sea más importante para los jóvenes en lo que respecta
al estudio, las actividades sociales y los hábitos de consumo (INEC, 2025; DataReportal, 2025b).
Esto también es cierto para las herramientas de inteligencia artificial generativa que se están
incorporando en la educación y la búsqueda de información, influyendo en la forma en que las
personas interactúan con los servicios digitales. Aun así, el consumo digital está aumentando y se
ha hablado mucho sobre su relación con la salud. La relación entre las diversas formas de uso de
medios digitales y los trastornos del sueño, problemas de salud mental y estrés físico, y malestar
físico está bien documentada en los últimos años (Ahmed et al., 2024; Han et al., 2024). Los
síntomas comunes incluyen dolores de cabeza, tensión muscular, fatiga visual y alteraciones del
sueño en los jóvenes que están frecuentemente expuestos a dispositivos digitales (Şambel et al.,
2024). Estos primeros hallazgos sugieren que el estudio del comportamiento digital debe
considerar cuánto tiempo el usuario está conectado y cómo está experimentando los entornos
digitales. Es el consumo digital de las personas a través de redes sociales, servicios de mensajería,
plataformas de contenido y herramientas de inteligencia artificial. La forma en que las personas
interactúan con las tecnologías digitales para consumir cosas del mundo digital suele estar
determinada por el número de horas de contacto (por ejemplo, tiempo de uso, frecuencia o
plataforma). Si bien tales métricas pueden usarse para describir los patrones generales de
consumo, no es posible explicar las diferencias en el bienestar de manera aislada. Hay evidencia
de que la asociación entre el tiempo pasado en redes sociales y el bienestar es típicamente pequeña
y depende de las características del usuario, el contexto y la actividad de interacción (Valkenburg,
2022; Kross et al., 2021).
Desde esta perspectiva, el bienestar digital es un proceso multifactorial al que se
relacionan aspectos positivos y negativos de la interacción con las tecnologías digitales. La
comparación social, la autorregulación, las emociones durante el uso y la naturaleza de las
interacciones en la plataforma se consideran factores que influyen en los resultados del bienestar
digital (Kross et al., 2021; Verduyn et al., 2022). Por lo tanto, se debe tener en cuenta la intensidad
temporal del consumo y los aspectos psicosociales de la experiencia digital. Para el ámbito del
marketing, estos factores resultan especialmente relevantes, pues la experiencia del consumidor
se encuentra hoy profundamente ligada al uso de entornos digitales. Son precisamente estas
INTRODUCCIÓN
El consumo digital se ha convertido en uno de los fenómenos más importantes en el
cambio de la interacción, comunicación y hábitos de consumo de las generaciones más jóvenes.
El informe Digital 2025 muestra que la mayoría de los usuarios pasan la mayor parte de su tiempo
en redes sociales y otras formas de plataformas digitales, especialmente los jóvenes
(DataReportal, 2025a). En Ecuador, el mayor acceso a internet y el uso de tecnologías digitales
han hecho que el papel de estas tecnologías sea más importante para los jóvenes en lo que respecta
al estudio, las actividades sociales y los hábitos de consumo (INEC, 2025; DataReportal, 2025b).
Esto también es cierto para las herramientas de inteligencia artificial generativa que se están
incorporando en la educación y la búsqueda de información, influyendo en la forma en que las
personas interactúan con los servicios digitales. Aun así, el consumo digital está aumentando y se
ha hablado mucho sobre su relación con la salud. La relación entre las diversas formas de uso de
medios digitales y los trastornos del sueño, problemas de salud mental y estrés físico, y malestar
físico está bien documentada en los últimos años (Ahmed et al., 2024; Han et al., 2024). Los
síntomas comunes incluyen dolores de cabeza, tensión muscular, fatiga visual y alteraciones del
sueño en los jóvenes que están frecuentemente expuestos a dispositivos digitales (Şambel et al.,
2024). Estos primeros hallazgos sugieren que el estudio del comportamiento digital debe
considerar cuánto tiempo el usuario está conectado y cómo está experimentando los entornos
digitales. Es el consumo digital de las personas a través de redes sociales, servicios de mensajería,
plataformas de contenido y herramientas de inteligencia artificial. La forma en que las personas
interactúan con las tecnologías digitales para consumir cosas del mundo digital suele estar
determinada por el número de horas de contacto (por ejemplo, tiempo de uso, frecuencia o
plataforma). Si bien tales métricas pueden usarse para describir los patrones generales de
consumo, no es posible explicar las diferencias en el bienestar de manera aislada. Hay evidencia
de que la asociación entre el tiempo pasado en redes sociales y el bienestar es típicamente pequeña
y depende de las características del usuario, el contexto y la actividad de interacción (Valkenburg,
2022; Kross et al., 2021).
Desde esta perspectiva, el bienestar digital es un proceso multifactorial al que se
relacionan aspectos positivos y negativos de la interacción con las tecnologías digitales. La
comparación social, la autorregulación, las emociones durante el uso y la naturaleza de las
interacciones en la plataforma se consideran factores que influyen en los resultados del bienestar
digital (Kross et al., 2021; Verduyn et al., 2022). Por lo tanto, se debe tener en cuenta la intensidad
temporal del consumo y los aspectos psicosociales de la experiencia digital. Para el ámbito del
marketing, estos factores resultan especialmente relevantes, pues la experiencia del consumidor
se encuentra hoy profundamente ligada al uso de entornos digitales. Son precisamente estas
Vol. 13/ Núm. 3 2026 pág. 1176
plataformas el espacio donde se desarrolla la interacción, se posibilita la personalización y se
fomenta el compromiso sostenido con los usuarios.
Dentro de este escenario, conductas como la comparación social, el temor al rechazo y el
estrés digital influyen directamente en cómo cada persona percibe los estímulos que recibe en la
plataforma y cómo reacciona ante ellos. Profundizar en estos elementos permite ampliar la visión
sobre el comportamiento del consumidor: ya no se limita solo a cuánto tiempo o de qué manera
cualitativa interactúa, sino que incorpora dimensiones clave sobre la calidad misma de su
experiencia digital. De esta manera, nuestro estudio en estudiantes universitarios adultos
ecuatorianos de la Generación Z estudia la relación entre el consumo digital, los factores
psicosociales y la salud física autopercebida. También analiza la preferencia por diferentes
plataformas digitales según el nivel educativo y su uso de herramientas de inteligencia artificial
generativa. Desde una perspectiva de marketing digital, el objetivo de este trabajo es proporcionar
ejemplos sobre patrones de comportamiento que puedan ayudarnos a entender el consumo digital
y su impacto en el comportamiento, así como el desarrollo de mejores estrategias de interacción.
En el contexto ecuatoriano, la evidencia actual en estudiantes universitarios también ha mostrado
que las consecuencias del comportamiento digital pueden diferir dependiendo del propósito y las
características del uso, no solo de su intensidad. Uzcátegui et al. (2025) destacaron diferentes
relaciones entre el uso académico de internet, el uso intencional de redes sociales y el uso
problemático de internet y la importancia de la interacción digital.
Adopción de IA generativa en jóvenes universitarios
La adopción de nuevas tecnologías puede analizarse mediante modelos ampliamente
utilizados en los estudios de aceptación tecnológica. El Modelo de Aceptación de Tecnología
(TAM) plantea que la utilidad percibida y la facilidad de uso constituyen factores relevantes para
comprender la aceptación y utilización de sistemas tecnológicos (Davis, 1989). Por su parte, el
modelo UTAUT amplía esta perspectiva mediante variables como la expectativa de rendimiento,
la expectativa de esfuerzo, la influencia social y las condiciones facilitadoras (Venkatesh et al.,
2003). La expansión reciente de la inteligencia artificial generativa ha trasladado estos modelos
hacia nuevos escenarios de interacción tecnológica. En el ámbito universitario, investigaciones
recientes muestran que la aceptación de herramientas como ChatGPT se relaciona con
percepciones de utilidad, eficiencia y apoyo a las actividades académicas (Grassini et al., 2024).
La IA generativa puede emplearse para búsqueda de información, elaboración de contenidos,
resolución de problemas y apoyo a diferentes actividades de aprendizaje, configurándose como
una modalidad específica de consumo digital.
No obstante, la incorporación de estas tecnologías también plantea desafíos relacionados
con dependencia tecnológica, precisión de la información, sesgos, privacidad e integridad
académica (Dwivedi et al., 2023; Kasneci et al., 2023). Desde una perspectiva de marketing y
servicios digitales, estas herramientas modifican además la relación entre consumidor y
plataformas el espacio donde se desarrolla la interacción, se posibilita la personalización y se
fomenta el compromiso sostenido con los usuarios.
Dentro de este escenario, conductas como la comparación social, el temor al rechazo y el
estrés digital influyen directamente en cómo cada persona percibe los estímulos que recibe en la
plataforma y cómo reacciona ante ellos. Profundizar en estos elementos permite ampliar la visión
sobre el comportamiento del consumidor: ya no se limita solo a cuánto tiempo o de qué manera
cualitativa interactúa, sino que incorpora dimensiones clave sobre la calidad misma de su
experiencia digital. De esta manera, nuestro estudio en estudiantes universitarios adultos
ecuatorianos de la Generación Z estudia la relación entre el consumo digital, los factores
psicosociales y la salud física autopercebida. También analiza la preferencia por diferentes
plataformas digitales según el nivel educativo y su uso de herramientas de inteligencia artificial
generativa. Desde una perspectiva de marketing digital, el objetivo de este trabajo es proporcionar
ejemplos sobre patrones de comportamiento que puedan ayudarnos a entender el consumo digital
y su impacto en el comportamiento, así como el desarrollo de mejores estrategias de interacción.
En el contexto ecuatoriano, la evidencia actual en estudiantes universitarios también ha mostrado
que las consecuencias del comportamiento digital pueden diferir dependiendo del propósito y las
características del uso, no solo de su intensidad. Uzcátegui et al. (2025) destacaron diferentes
relaciones entre el uso académico de internet, el uso intencional de redes sociales y el uso
problemático de internet y la importancia de la interacción digital.
Adopción de IA generativa en jóvenes universitarios
La adopción de nuevas tecnologías puede analizarse mediante modelos ampliamente
utilizados en los estudios de aceptación tecnológica. El Modelo de Aceptación de Tecnología
(TAM) plantea que la utilidad percibida y la facilidad de uso constituyen factores relevantes para
comprender la aceptación y utilización de sistemas tecnológicos (Davis, 1989). Por su parte, el
modelo UTAUT amplía esta perspectiva mediante variables como la expectativa de rendimiento,
la expectativa de esfuerzo, la influencia social y las condiciones facilitadoras (Venkatesh et al.,
2003). La expansión reciente de la inteligencia artificial generativa ha trasladado estos modelos
hacia nuevos escenarios de interacción tecnológica. En el ámbito universitario, investigaciones
recientes muestran que la aceptación de herramientas como ChatGPT se relaciona con
percepciones de utilidad, eficiencia y apoyo a las actividades académicas (Grassini et al., 2024).
La IA generativa puede emplearse para búsqueda de información, elaboración de contenidos,
resolución de problemas y apoyo a diferentes actividades de aprendizaje, configurándose como
una modalidad específica de consumo digital.
No obstante, la incorporación de estas tecnologías también plantea desafíos relacionados
con dependencia tecnológica, precisión de la información, sesgos, privacidad e integridad
académica (Dwivedi et al., 2023; Kasneci et al., 2023). Desde una perspectiva de marketing y
servicios digitales, estas herramientas modifican además la relación entre consumidor y
Vol. 13/ Núm. 3 2026 pág. 1177
tecnología, dado que el usuario participa directamente en la generación de contenidos,
información y soluciones. Este proceso puede interpretarse desde una lógica de cocreación de
valor, en la cual el consumidor deja de actuar únicamente como receptor y adquiere un papel más
activo dentro del proceso de interacción digital (Prahalad & Ramaswamy, 2004).
Economía de la atención y diseño de plataformas
La economía de la atención describe un entorno en el cual diferentes plataformas
compiten por captar y mantener la atención de los usuarios. En estos ecosistemas, el tiempo de
interacción, la recurrencia de uso y el nivel de participación constituyen recursos relevantes para
los modelos de negocio digitales. Esta dinámica se relaciona con procesos de datificación,
personalización y concentración de mercados que caracterizan a buena parte de las plataformas
contemporáneas (Giraldo-Luque & Fernández-Rovira, 2020). Los sistemas algorítmicos de
recomendación también intervienen en la selección y organización de los contenidos a los que se
exponen los usuarios, contribuyendo a estructurar determinadas prácticas de consumo digital
(Sued, 2022). Paralelamente, la literatura sobre dark patterns ha documentado el empleo de
elementos de diseño capaces de orientar determinadas decisiones o incrementar la permanencia e
interacción de los usuarios dentro de los servicios digitales (Nouwens et al., 2020; Mildner et al.,
2023). Desde el marketing digital, estas características pueden relacionarse con el consumer
engagement, entendido como la implicación cognitiva, emocional y conductual del consumidor
con una marca, plataforma o servicio (Hollebeek et al., 2014). Sin embargo, una mayor intensidad
de interacción no implica necesariamente una mejor experiencia del usuario. Por esta razón,
resulta relevante distinguir entre estrategias orientadas exclusivamente a incrementar el tiempo
de permanencia y aquellas que consideran simultáneamente las condiciones de bienestar y
autorregulación del consumidor.
Mecanismos psicosociales: comparación social, temor al rechazo y estrés digital
La teoría de la comparación social ofrece un marco explicativo valioso para comprender
lo que ocurre al interactuar con otras personas en redes sociales: los individuos evalúan su propia
realidad mediante la comparación con los demás, un mecanismo que se agudiza en plataformas
donde predominan imágenes y relatos seleccionados, idealizados y alejados de la cotidianidad.
La exposición a este tipo de contenidos puede repercutir en cómo se perciben a sí mismos y en su
bienestar general (Kross et al., 2021). En este mismo ámbito aparece el miedo a perderse
experiencias relevantes, conocido como FoMO, vinculado a necesidades psicológicas
insatisfechas, la exigencia de mantenerse conectado y la implicación constante en el entorno
digital (Przybylski et al., 2013). Si bien el foco central de este trabajo es el temor al rechazo, esta
preocupación no es aislada: forma parte de un abanico más amplio de vulnerabilidades
psicosociales ligadas a la interacción virtual y la búsqueda continua de reconocimiento por parte
de otros. Por su parte, el estrés digital surge, en gran medida, de la obligación de estar siempre
disponible, la saturación informativa y la presión por responder rápidamente a mensajes o
tecnología, dado que el usuario participa directamente en la generación de contenidos,
información y soluciones. Este proceso puede interpretarse desde una lógica de cocreación de
valor, en la cual el consumidor deja de actuar únicamente como receptor y adquiere un papel más
activo dentro del proceso de interacción digital (Prahalad & Ramaswamy, 2004).
Economía de la atención y diseño de plataformas
La economía de la atención describe un entorno en el cual diferentes plataformas
compiten por captar y mantener la atención de los usuarios. En estos ecosistemas, el tiempo de
interacción, la recurrencia de uso y el nivel de participación constituyen recursos relevantes para
los modelos de negocio digitales. Esta dinámica se relaciona con procesos de datificación,
personalización y concentración de mercados que caracterizan a buena parte de las plataformas
contemporáneas (Giraldo-Luque & Fernández-Rovira, 2020). Los sistemas algorítmicos de
recomendación también intervienen en la selección y organización de los contenidos a los que se
exponen los usuarios, contribuyendo a estructurar determinadas prácticas de consumo digital
(Sued, 2022). Paralelamente, la literatura sobre dark patterns ha documentado el empleo de
elementos de diseño capaces de orientar determinadas decisiones o incrementar la permanencia e
interacción de los usuarios dentro de los servicios digitales (Nouwens et al., 2020; Mildner et al.,
2023). Desde el marketing digital, estas características pueden relacionarse con el consumer
engagement, entendido como la implicación cognitiva, emocional y conductual del consumidor
con una marca, plataforma o servicio (Hollebeek et al., 2014). Sin embargo, una mayor intensidad
de interacción no implica necesariamente una mejor experiencia del usuario. Por esta razón,
resulta relevante distinguir entre estrategias orientadas exclusivamente a incrementar el tiempo
de permanencia y aquellas que consideran simultáneamente las condiciones de bienestar y
autorregulación del consumidor.
Mecanismos psicosociales: comparación social, temor al rechazo y estrés digital
La teoría de la comparación social ofrece un marco explicativo valioso para comprender
lo que ocurre al interactuar con otras personas en redes sociales: los individuos evalúan su propia
realidad mediante la comparación con los demás, un mecanismo que se agudiza en plataformas
donde predominan imágenes y relatos seleccionados, idealizados y alejados de la cotidianidad.
La exposición a este tipo de contenidos puede repercutir en cómo se perciben a sí mismos y en su
bienestar general (Kross et al., 2021). En este mismo ámbito aparece el miedo a perderse
experiencias relevantes, conocido como FoMO, vinculado a necesidades psicológicas
insatisfechas, la exigencia de mantenerse conectado y la implicación constante en el entorno
digital (Przybylski et al., 2013). Si bien el foco central de este trabajo es el temor al rechazo, esta
preocupación no es aislada: forma parte de un abanico más amplio de vulnerabilidades
psicosociales ligadas a la interacción virtual y la búsqueda continua de reconocimiento por parte
de otros. Por su parte, el estrés digital surge, en gran medida, de la obligación de estar siempre
disponible, la saturación informativa y la presión por responder rápidamente a mensajes o
Vol. 13/ Núm. 3 2026 pág. 1178
notificaciones. Investigaciones recientes lo vinculan claramente a estados emocionales negativos,
agotamiento digital y hasta molestias físicas (Farooq et al., 2023; Wrede et al., 2023). Todo este
conjunto de antecedentes justifica analizar estos factores psicosociales como dimensiones
complementarias al simple tiempo de conexión, para entender mejor cómo el uso digital se
relaciona con el bienestar personal.
Bienestar digital y efectos físicos
Lo que nos muestran estudios recientes es que la forma en que el uso de lo digital afecta
nuestra salud no es algo fijo: depende mucho de rasgos psicológicos y hábitos propios de cada
persona. Por ejemplo, se ha visto que usar redes sociales influye en lo bien que dormimos y en
cómo nos sentimos emocionalmente, aunque no a todos les afecta igual ni en todas las situaciones
(Ahmed y cols., 2024). Al revisar el impacto de los dispositivos electrónicos, también se confirma
que ciertas formas de usarlos van ligadas a dormir peor, especialmente en los más jóvenes (Han
y cols., 2024; Chen y cols., 2026). Además, estar mucho tiempo frente a pantallas suele traer
molestias físicas: dolores de cabeza, vista cansada o tensión muscular y articular (Şambel y cols.,
2024). Ahora bien, no basta con mirar cuántas horas pasamos conectados. Cuentan también en
qué circunstancias lo hacemos, nuestras características personales y la capacidad que tengamos
para controlar ese uso; todo eso cambia la experiencia que nos deja la tecnología (Montag &
Elhai, 2023). Por eso, para entender realmente cómo nos sentimos físicamente en el mundo
digital, hay que mirar tanto qué tan intenso es el uso como aspectos psicológicos y sociales. Así
podemos comprobar si lo que nos afecta más es la clase de experiencia digital que vivimos, más
que el simple hecho de estar conectados muchas horas.
Modelo conceptual
La revisión de la literatura permite conceptualizar el comportamiento digital como un
fenómeno multidimensional en el que convergen intensidad de uso, preferencias tecnológicas,
características sociodemográficas y experiencias psicosociales. Bajo esta perspectiva, el estudio
examina asociaciones entre estas dimensiones sin establecer relaciones causales, debido a su
diseño transversal y descriptivo-correlacional.
En correspondencia con las variables observadas y las técnicas estadísticas utilizadas, se
plantean las siguientes hipótesis y proposiciones de investigación:
H1: A nivel descriptivo, el tiempo total de conexión digital presentará una asociación de
menor magnitud con el deterioro físico autopercibido que los factores psicosociales relacionados
con la experiencia digital.
H2: El estrés digital estará positivamente asociado con el deterioro físico autopercibido
y con los indicadores físicos relacionados con el uso tecnológico.
H3: La comparación social y el temor al rechazo presentarán asociaciones positivas con
el deterioro físico autopercibido.
notificaciones. Investigaciones recientes lo vinculan claramente a estados emocionales negativos,
agotamiento digital y hasta molestias físicas (Farooq et al., 2023; Wrede et al., 2023). Todo este
conjunto de antecedentes justifica analizar estos factores psicosociales como dimensiones
complementarias al simple tiempo de conexión, para entender mejor cómo el uso digital se
relaciona con el bienestar personal.
Bienestar digital y efectos físicos
Lo que nos muestran estudios recientes es que la forma en que el uso de lo digital afecta
nuestra salud no es algo fijo: depende mucho de rasgos psicológicos y hábitos propios de cada
persona. Por ejemplo, se ha visto que usar redes sociales influye en lo bien que dormimos y en
cómo nos sentimos emocionalmente, aunque no a todos les afecta igual ni en todas las situaciones
(Ahmed y cols., 2024). Al revisar el impacto de los dispositivos electrónicos, también se confirma
que ciertas formas de usarlos van ligadas a dormir peor, especialmente en los más jóvenes (Han
y cols., 2024; Chen y cols., 2026). Además, estar mucho tiempo frente a pantallas suele traer
molestias físicas: dolores de cabeza, vista cansada o tensión muscular y articular (Şambel y cols.,
2024). Ahora bien, no basta con mirar cuántas horas pasamos conectados. Cuentan también en
qué circunstancias lo hacemos, nuestras características personales y la capacidad que tengamos
para controlar ese uso; todo eso cambia la experiencia que nos deja la tecnología (Montag &
Elhai, 2023). Por eso, para entender realmente cómo nos sentimos físicamente en el mundo
digital, hay que mirar tanto qué tan intenso es el uso como aspectos psicológicos y sociales. Así
podemos comprobar si lo que nos afecta más es la clase de experiencia digital que vivimos, más
que el simple hecho de estar conectados muchas horas.
Modelo conceptual
La revisión de la literatura permite conceptualizar el comportamiento digital como un
fenómeno multidimensional en el que convergen intensidad de uso, preferencias tecnológicas,
características sociodemográficas y experiencias psicosociales. Bajo esta perspectiva, el estudio
examina asociaciones entre estas dimensiones sin establecer relaciones causales, debido a su
diseño transversal y descriptivo-correlacional.
En correspondencia con las variables observadas y las técnicas estadísticas utilizadas, se
plantean las siguientes hipótesis y proposiciones de investigación:
H1: A nivel descriptivo, el tiempo total de conexión digital presentará una asociación de
menor magnitud con el deterioro físico autopercibido que los factores psicosociales relacionados
con la experiencia digital.
H2: El estrés digital estará positivamente asociado con el deterioro físico autopercibido
y con los indicadores físicos relacionados con el uso tecnológico.
H3: La comparación social y el temor al rechazo presentarán asociaciones positivas con
el deterioro físico autopercibido.
Vol. 13/ Núm. 3 2026 pág. 1179
H4: El nivel educativo estará asociado con la preferencia por determinadas redes sociales
entre los participantes de la Generación Z.
H5: La utilización de herramientas de inteligencia artificial generativa estará
ampliamente presente entre los estudiantes universitarios, con predominio de ChatGPT entre las
herramientas declaradas como preferidas.
MATERIALES Y MÉTODOS
Diseño de investigación
Este trabajo se planteó desde un enfoque cuantitativo: buscamos describir y analizar cómo
se relacionan los distintos elementos, con un diseño transversal. Gracias a esta metodología
pudimos revisar la vinculación entre el uso que se hace de la tecnología, los factores psicosociales
y cómo perciben su bienestar físico las personas, todo tomando una fotografía de la situación en
un momento específico, sin intervenir ni modificar ninguna variable. Es importante señalar que,
al ser un estudio transversal, sus resultados nos hablan de conexiones o coincidencias entre
aspectos, pero no podemos afirmar que unos sean la causa directa de los otros.
Población y muestra
Nuestros participantes fueron estudiantes de la Universidad Metropolitana, en su sede
Machala. Elegimos un muestreo por conveniencia: es decir, contamos con quienes estuvieron
disponibles y dispuestos a colaborar. Al empezar el cuestionario, pusimos una pregunta para
comprobar un requisito indispensable: tener al menos 18 años. De las 410 personas que
empezaron a llenar el formulario, 66 no cumplían esta condición, así que el grupo final con el que
trabajamos quedó formado por 344 jóvenes adultos de entre 18 y 29 años. En algunas respuestas
faltaron datos puntuales, por lo que para ciertos análisis tomamos como referencia 333 registros
completos y válidos.
Instrumento de recolección de datos
La información se recopiló mediante una encuesta estructurada diseñada específicamente
para el estudio y organizada en bloques temáticos correspondientes a las principales dimensiones
analizadas. El instrumento incluyó variables sociodemográficas, indicadores de consumo digital,
adopción y uso de herramientas de inteligencia artificial, factores psicosociales asociados con la
interacción en redes sociales e indicadores de bienestar físico autopercibido. Al inicio del
cuestionario se incorporó una pregunta filtro de edad para verificar el cumplimiento del criterio
de inclusión, estableciéndose una edad mínima de 18 años para participar en el estudio. La
estructura conceptual del instrumento y su correspondencia con los principales referentes teóricos
se presentan en la Tabla 1.
H4: El nivel educativo estará asociado con la preferencia por determinadas redes sociales
entre los participantes de la Generación Z.
H5: La utilización de herramientas de inteligencia artificial generativa estará
ampliamente presente entre los estudiantes universitarios, con predominio de ChatGPT entre las
herramientas declaradas como preferidas.
MATERIALES Y MÉTODOS
Diseño de investigación
Este trabajo se planteó desde un enfoque cuantitativo: buscamos describir y analizar cómo
se relacionan los distintos elementos, con un diseño transversal. Gracias a esta metodología
pudimos revisar la vinculación entre el uso que se hace de la tecnología, los factores psicosociales
y cómo perciben su bienestar físico las personas, todo tomando una fotografía de la situación en
un momento específico, sin intervenir ni modificar ninguna variable. Es importante señalar que,
al ser un estudio transversal, sus resultados nos hablan de conexiones o coincidencias entre
aspectos, pero no podemos afirmar que unos sean la causa directa de los otros.
Población y muestra
Nuestros participantes fueron estudiantes de la Universidad Metropolitana, en su sede
Machala. Elegimos un muestreo por conveniencia: es decir, contamos con quienes estuvieron
disponibles y dispuestos a colaborar. Al empezar el cuestionario, pusimos una pregunta para
comprobar un requisito indispensable: tener al menos 18 años. De las 410 personas que
empezaron a llenar el formulario, 66 no cumplían esta condición, así que el grupo final con el que
trabajamos quedó formado por 344 jóvenes adultos de entre 18 y 29 años. En algunas respuestas
faltaron datos puntuales, por lo que para ciertos análisis tomamos como referencia 333 registros
completos y válidos.
Instrumento de recolección de datos
La información se recopiló mediante una encuesta estructurada diseñada específicamente
para el estudio y organizada en bloques temáticos correspondientes a las principales dimensiones
analizadas. El instrumento incluyó variables sociodemográficas, indicadores de consumo digital,
adopción y uso de herramientas de inteligencia artificial, factores psicosociales asociados con la
interacción en redes sociales e indicadores de bienestar físico autopercibido. Al inicio del
cuestionario se incorporó una pregunta filtro de edad para verificar el cumplimiento del criterio
de inclusión, estableciéndose una edad mínima de 18 años para participar en el estudio. La
estructura conceptual del instrumento y su correspondencia con los principales referentes teóricos
se presentan en la Tabla 1.
Vol. 13/ Núm. 3 2026 pág. 1180
Tabla 1
Estructura del instrumento y alineación teórica de variables
Dimensión /
Constructo
Variables Tipo de
escala
Fundamento teórico
Educación y
formación
Nivel educativo, satisfacción,
obstáculos
Categórica
/ Likert
Segmentación
sociodemográfica (Kotler
y Keller, 2016)
Uso y
adopción de
IA
IA preferida, frecuencia, uso en
estudio, utilidad percibida,
comodidad
Likert /
Categórica
TAM / UTAUT
(adopción tecnológica)
(Venkatesh et al., 2003)
Factores
psicosociales
en redes
Comparación social, estrés
digital, temor al rechazo,
percepción propia
Likert Teoría de la comparación
social / FoMO
(Przybylski et al., 2013)
Bienestar
físico digital
Dolor de cabeza, problemas de
sueño, tensión muscular,
deterioro físico
Likert Bienestar digital / efectos
del uso tecnológico
(Keles et al., 2020;
Verduyn et al., 2022)
Para medir las variables usamos principalmente escalas tipo Likert (con distintos rangos
de respuesta) y preguntas cerradas que ayudaron a describir a cada persona y sus hábitos al usar
la tecnología. El cuestionario se basó en modelos reconocidos sobre cómo aceptamos y usamos
la tecnología —como el TAM y el UTAUT—, además de tomar como referencia ideas sobre la
comparación social, el miedo a perderse algo (FoMO) y el bienestar digital. La encuesta se hizo
en línea, a través de Google Forms, entre el 10 de marzo y el 30 de abril de 2026. Participar fue
totalmente voluntario y aseguramos que toda la información se mantuviera anónima. Antes de
empezar, se presentó un texto de consentimiento informado donde se explicaba claramente que
los datos solo se usarían con fines académicos. Al final, solo formaron parte del estudio quienes
eran mayores de edad y aceptaron participar con ese compromiso.
Técnica de análisis de datos
El procesamiento y análisis de datos se llevó a cabo con el programa estadístico R. Primero
revisamos la distribución de las variables mediante la prueba de Shapiro-Wilk: encontramos
desviaciones claras de la normalidad (p<0,001). Sumado a que varias variables eran de tipo
ordinal, decidimos usar métodos estadísticos no paramétricos en todo el trabajo. Para revisar las
relaciones entre pares de variables, calculamos correlaciones de Spearman, usando los datos
disponibles por par y ajustando los valores p con el método de Holm para evitar falsos positivos
al hacer muchas comparaciones. Las diferencias en deterioro físico según cuánto se usaban los
recursos digitales las analizamos con la prueba de Kruskal-Wallis; además calculamos epsilon
cuadrado (ϵ2) para saber qué tan grande era esa diferencia. La vinculación entre nivel educativo y
red social preferida se evaluó con chi-cuadrado de Pearson. Cuando hubo menos de cinco casos
esperados en alguna casilla, calculamos el valor p mediante simulación Monte Carlo con 10.000
repeticiones; la fuerza de la asociación la medimos con el coeficiente V de Cramér. Tomamos
Tabla 1
Estructura del instrumento y alineación teórica de variables
Dimensión /
Constructo
Variables Tipo de
escala
Fundamento teórico
Educación y
formación
Nivel educativo, satisfacción,
obstáculos
Categórica
/ Likert
Segmentación
sociodemográfica (Kotler
y Keller, 2016)
Uso y
adopción de
IA
IA preferida, frecuencia, uso en
estudio, utilidad percibida,
comodidad
Likert /
Categórica
TAM / UTAUT
(adopción tecnológica)
(Venkatesh et al., 2003)
Factores
psicosociales
en redes
Comparación social, estrés
digital, temor al rechazo,
percepción propia
Likert Teoría de la comparación
social / FoMO
(Przybylski et al., 2013)
Bienestar
físico digital
Dolor de cabeza, problemas de
sueño, tensión muscular,
deterioro físico
Likert Bienestar digital / efectos
del uso tecnológico
(Keles et al., 2020;
Verduyn et al., 2022)
Para medir las variables usamos principalmente escalas tipo Likert (con distintos rangos
de respuesta) y preguntas cerradas que ayudaron a describir a cada persona y sus hábitos al usar
la tecnología. El cuestionario se basó en modelos reconocidos sobre cómo aceptamos y usamos
la tecnología —como el TAM y el UTAUT—, además de tomar como referencia ideas sobre la
comparación social, el miedo a perderse algo (FoMO) y el bienestar digital. La encuesta se hizo
en línea, a través de Google Forms, entre el 10 de marzo y el 30 de abril de 2026. Participar fue
totalmente voluntario y aseguramos que toda la información se mantuviera anónima. Antes de
empezar, se presentó un texto de consentimiento informado donde se explicaba claramente que
los datos solo se usarían con fines académicos. Al final, solo formaron parte del estudio quienes
eran mayores de edad y aceptaron participar con ese compromiso.
Técnica de análisis de datos
El procesamiento y análisis de datos se llevó a cabo con el programa estadístico R. Primero
revisamos la distribución de las variables mediante la prueba de Shapiro-Wilk: encontramos
desviaciones claras de la normalidad (p<0,001). Sumado a que varias variables eran de tipo
ordinal, decidimos usar métodos estadísticos no paramétricos en todo el trabajo. Para revisar las
relaciones entre pares de variables, calculamos correlaciones de Spearman, usando los datos
disponibles por par y ajustando los valores p con el método de Holm para evitar falsos positivos
al hacer muchas comparaciones. Las diferencias en deterioro físico según cuánto se usaban los
recursos digitales las analizamos con la prueba de Kruskal-Wallis; además calculamos epsilon
cuadrado (ϵ2) para saber qué tan grande era esa diferencia. La vinculación entre nivel educativo y
red social preferida se evaluó con chi-cuadrado de Pearson. Cuando hubo menos de cinco casos
esperados en alguna casilla, calculamos el valor p mediante simulación Monte Carlo con 10.000
repeticiones; la fuerza de la asociación la medimos con el coeficiente V de Cramér. Tomamos
Vol. 13/ Núm. 3 2026 pág. 1181
como umbral de significación (α=0,05). Importante: como el estudio es transversal y solo
analizamos relaciones entre dos variables a la vez, los resultados solo indican asociaciones o
diferencias entre grupos —no podemos afirmar causas ni controlar la influencia de otros factores.
RESULTADOS
Caracterización de la muestra de estudio
Los datos descriptivos correspondientes a la muestra se presentan en la Tabla 2. El grupo
analizado estuvo integrado por 344 estudiantes adultos pertenecientes a la Generación Z, con
edades comprendidas entre los 18 y los 29 años. Al revisar su nivel educativo, sobresalió
claramente quienes cursaban o contaban con formación universitaria (70,9 %); en segundo lugar,
se ubicó el bachillerato (26,7 %), mientras que los porcentajes correspondientes a educación
básica y estudios de posgrado fueron mucho más reducidos. En lo referente al género, las mujeres
constituyeron una ligera mayoría dentro del grupo, alcanzando el 54,1 %. Al clasificar según
intensidad del uso digital, el nivel medio fue el más frecuente (54,4 %), seguido del uso bajo (29,9
%) y, en menor medida, el uso alto (15,7 %). En cuanto a las redes sociales favoritas, TikTok
ocupó el primer puesto con casi la mitad de los participantes (49,4 %); le siguieron Instagram
(24,7 %) y WhatsApp (18,9 %). Entre las herramientas de inteligencia artificial, ChatGPT fue la
opción preferida por una amplia mayoría (63,1 %); respecto a la frecuencia con que las
empleaban, las respuestas se concentraron en “raramente” (56,1 %) y “frecuentemente” (35,5 %).
Mientras las variables de tipo psicosocial, la autopercepción obtuvo el valor promedio más alto
(M=3,32), seguido del temor al rechazo (M=2,73), la tendencia a la comparación social
(\(M=2,46\)) y el estrés asociado al uso digital (M=2,36). En los síntomas físicos, el dolor de
cabeza fue el más reportado y con mayor puntuación media (M=3,67), seguido de la sensación de
tensión muscular (M=2,63).
Tabla 2
Caracterización de la muestra de estudio: Panel de variables categóricas
Variable Categoría Frecuencia Porcentaje
Nivel educativo Educación básica 5 1,45
Bachillerato 92 26,74
Universitario 244 70,93
Posgrado 3 0,87
Género Masculino 158 45,93
Femenino 186 54,07
Nivel de uso digital Bajo (1 a 2 horas) 103 29,94
Medio (3 a 4 horas) 187 54,36
Alto (5 o más horas) 54 15,70
Red social preferida Facebook 23 6,69
como umbral de significación (α=0,05). Importante: como el estudio es transversal y solo
analizamos relaciones entre dos variables a la vez, los resultados solo indican asociaciones o
diferencias entre grupos —no podemos afirmar causas ni controlar la influencia de otros factores.
RESULTADOS
Caracterización de la muestra de estudio
Los datos descriptivos correspondientes a la muestra se presentan en la Tabla 2. El grupo
analizado estuvo integrado por 344 estudiantes adultos pertenecientes a la Generación Z, con
edades comprendidas entre los 18 y los 29 años. Al revisar su nivel educativo, sobresalió
claramente quienes cursaban o contaban con formación universitaria (70,9 %); en segundo lugar,
se ubicó el bachillerato (26,7 %), mientras que los porcentajes correspondientes a educación
básica y estudios de posgrado fueron mucho más reducidos. En lo referente al género, las mujeres
constituyeron una ligera mayoría dentro del grupo, alcanzando el 54,1 %. Al clasificar según
intensidad del uso digital, el nivel medio fue el más frecuente (54,4 %), seguido del uso bajo (29,9
%) y, en menor medida, el uso alto (15,7 %). En cuanto a las redes sociales favoritas, TikTok
ocupó el primer puesto con casi la mitad de los participantes (49,4 %); le siguieron Instagram
(24,7 %) y WhatsApp (18,9 %). Entre las herramientas de inteligencia artificial, ChatGPT fue la
opción preferida por una amplia mayoría (63,1 %); respecto a la frecuencia con que las
empleaban, las respuestas se concentraron en “raramente” (56,1 %) y “frecuentemente” (35,5 %).
Mientras las variables de tipo psicosocial, la autopercepción obtuvo el valor promedio más alto
(M=3,32), seguido del temor al rechazo (M=2,73), la tendencia a la comparación social
(\(M=2,46\)) y el estrés asociado al uso digital (M=2,36). En los síntomas físicos, el dolor de
cabeza fue el más reportado y con mayor puntuación media (M=3,67), seguido de la sensación de
tensión muscular (M=2,63).
Tabla 2
Caracterización de la muestra de estudio: Panel de variables categóricas
Variable Categoría Frecuencia Porcentaje
Nivel educativo Educación básica 5 1,45
Bachillerato 92 26,74
Universitario 244 70,93
Posgrado 3 0,87
Género Masculino 158 45,93
Femenino 186 54,07
Nivel de uso digital Bajo (1 a 2 horas) 103 29,94
Medio (3 a 4 horas) 187 54,36
Alto (5 o más horas) 54 15,70
Red social preferida Facebook 23 6,69
Vol. 13/ Núm. 3 2026 pág. 1182
WhatsApp 65 18,90
Instagram 85 24,71
TikTok 170 49,42
Otra red social 1 0,29
Situación laboral Trabaja 157 45,64
No trabaja 187 54,36
IA preferida ChatGPT 217 63,08
Gemini 45 13,08
Meta AI 24 6,98
Copilot 21 6,10
Otra IA 37 10,76
Frecuencia de uso de
la IA
Nunca 13 3,78
Raramente 193 56,10
Frecuentemente 122 35,47
Siempre 16 4,65
Nota. Los porcentajes se calcularon sobre n = 344. La categoría “Otra IA” agrupa las herramientas con menor
frecuencia de respuesta.
Tabla 3
Caracterización de la muestra de estudio: Panel de variables métricas y ordinales
Variable N válido Medi
a
DE Median
a
RIC Mín. Máx.
Edad 344 20,66 2,52 20 3 18 29
Horas de conexión 344 3,14 1,15 3 2 1 5
Estrés digital 333 2,36 1,54 2 2 1 6
Comparación social 333 2,46 1,57 2 2 1 6
Temor al rechazo 333 2,73 1,65 2 3 1 6
Percepción propia 344 3,32 1,53 3 2 1 6
Uso de IA en estudio 333 3,74 1,48 4 2 1 6
Dolor de cabeza 333 3,67 1,70 4 3 1 6
Problemas de sueño 333 2,43 1,50 1 3 1 4
Tensión muscular 333 2,63 1,50 4 3 1 4
Deterioro físico 333 2,20 1,47 1 3 1 4
Nota. M = media; DE = desviación estándar; RIC = rango intercuartílico. Los estadísticos se calcularon utilizando los
casos válidos disponibles; las variables con datos faltantes presentaron n = 333.
Análisis de normalidad y selección de técnicas estadísticas
Se revisó la distribución de cada variable incluida en el análisis de correlación mediante
la prueba de Shapiro-Wilk. Como puede consultarse en la Tabla 4, todas mostraron desviaciones
WhatsApp 65 18,90
Instagram 85 24,71
TikTok 170 49,42
Otra red social 1 0,29
Situación laboral Trabaja 157 45,64
No trabaja 187 54,36
IA preferida ChatGPT 217 63,08
Gemini 45 13,08
Meta AI 24 6,98
Copilot 21 6,10
Otra IA 37 10,76
Frecuencia de uso de
la IA
Nunca 13 3,78
Raramente 193 56,10
Frecuentemente 122 35,47
Siempre 16 4,65
Nota. Los porcentajes se calcularon sobre n = 344. La categoría “Otra IA” agrupa las herramientas con menor
frecuencia de respuesta.
Tabla 3
Caracterización de la muestra de estudio: Panel de variables métricas y ordinales
Variable N válido Medi
a
DE Median
a
RIC Mín. Máx.
Edad 344 20,66 2,52 20 3 18 29
Horas de conexión 344 3,14 1,15 3 2 1 5
Estrés digital 333 2,36 1,54 2 2 1 6
Comparación social 333 2,46 1,57 2 2 1 6
Temor al rechazo 333 2,73 1,65 2 3 1 6
Percepción propia 344 3,32 1,53 3 2 1 6
Uso de IA en estudio 333 3,74 1,48 4 2 1 6
Dolor de cabeza 333 3,67 1,70 4 3 1 6
Problemas de sueño 333 2,43 1,50 1 3 1 4
Tensión muscular 333 2,63 1,50 4 3 1 4
Deterioro físico 333 2,20 1,47 1 3 1 4
Nota. M = media; DE = desviación estándar; RIC = rango intercuartílico. Los estadísticos se calcularon utilizando los
casos válidos disponibles; las variables con datos faltantes presentaron n = 333.
Análisis de normalidad y selección de técnicas estadísticas
Se revisó la distribución de cada variable incluida en el análisis de correlación mediante
la prueba de Shapiro-Wilk. Como puede consultarse en la Tabla 4, todas mostraron desviaciones
Vol. 13/ Núm. 3 2026 pág. 1183
estadísticamente importantes respecto a la normalidad (p < 0,001): los valores del estadístico W
variaron entre 0,622, correspondiente al deterioro físico, y 0,931, para el uso de inteligencia
artificial. Estos resultados, sumados a que varias variables eran de escala ordinal o discreta,
justificaron optar por métodos estadísticos no paramétricos. Por ello, para explorar las relaciones
entre pares de variables se empleó el coeficiente de correlación por rangos de Spearman. Para
comparar el deterioro físico según los grupos de uso digital (bajo, medio y alto), se aplicó la
prueba de Kruskal-Wallis. Por su parte, la vinculación entre variables categóricas se evaluó con
el chi-cuadrado de Pearson; en los casos donde las frecuencias esperadas fueron menores a cinco,
se calculó el valor p mediante simulación de Monte Carlo con 10.000 repeticiones. Al realizar
múltiples correlaciones al mismo tiempo, los valores p de Spearman se corrigieron con el método
de Holm, con el fin de limitar el riesgo de cometer errores de tipo I por acumulación de
comparaciones. Además, se complementaron los contrastes con medidas de magnitud del efecto:
se usó epsilon cuadrado (ε²) para los análisis con Kruskal-Wallis y el coeficiente V de Cramér
para las asociaciones entre variables categóricas. En todo el análisis se mantuvo el umbral de
significación estadística en α = 0,05.
Tabla 4
Prueba de Shapiro Wilk para las variables incluidas en el análisis correlacional
Variable N W p-value Interpretación
Horas de conexión 344 0,909 < 0,001 Distribución no normal
Estrés digital 333 0,817 < 0,001 Distribución no normal
Comparación social 333 0,833 < 0,001 Distribución no normal
Temor al rechazo 333 0,864 < 0,001 Distribución no normal
Percepción propia 344 0,921 < 0,001 Distribución no normal
Uso de IA en el estudio 333 0,931 < 0,001 Distribución no normal
Dolor de cabeza 333 0,905 < 0,001 Distribución no normal
Problemas de sueño 333 0,636 < 0,001 Distribución no normal
Tensión muscular 333 0,634 < 0,001 Distribución no normal
Deterioro físico 333 0,622 < 0,001 Distribución no normal
Nota. W = estadístico de Shapiro-Wilk. Se consideró un nivel de significancia de α = 0,05.
Análisis correlacional: Consumo digital, factores psicosociales y bienestar
Con el propósito de examinar las asociaciones entre el consumo digital, los factores
psicosociales y los indicadores de bienestar físico, se estimó una matriz de correlaciones mediante
el coeficiente por rangos de Spearman. Los análisis se realizaron utilizando los casos completos
disponibles para cada par de variables. Dado el número de asociaciones examinadas
simultáneamente, los valores p fueron ajustados mediante el procedimiento de Holm para
controlar el incremento del error de tipo I derivado de comparaciones múltiples. Los resultados
se presentan en la Tabla 5.
estadísticamente importantes respecto a la normalidad (p < 0,001): los valores del estadístico W
variaron entre 0,622, correspondiente al deterioro físico, y 0,931, para el uso de inteligencia
artificial. Estos resultados, sumados a que varias variables eran de escala ordinal o discreta,
justificaron optar por métodos estadísticos no paramétricos. Por ello, para explorar las relaciones
entre pares de variables se empleó el coeficiente de correlación por rangos de Spearman. Para
comparar el deterioro físico según los grupos de uso digital (bajo, medio y alto), se aplicó la
prueba de Kruskal-Wallis. Por su parte, la vinculación entre variables categóricas se evaluó con
el chi-cuadrado de Pearson; en los casos donde las frecuencias esperadas fueron menores a cinco,
se calculó el valor p mediante simulación de Monte Carlo con 10.000 repeticiones. Al realizar
múltiples correlaciones al mismo tiempo, los valores p de Spearman se corrigieron con el método
de Holm, con el fin de limitar el riesgo de cometer errores de tipo I por acumulación de
comparaciones. Además, se complementaron los contrastes con medidas de magnitud del efecto:
se usó epsilon cuadrado (ε²) para los análisis con Kruskal-Wallis y el coeficiente V de Cramér
para las asociaciones entre variables categóricas. En todo el análisis se mantuvo el umbral de
significación estadística en α = 0,05.
Tabla 4
Prueba de Shapiro Wilk para las variables incluidas en el análisis correlacional
Variable N W p-value Interpretación
Horas de conexión 344 0,909 < 0,001 Distribución no normal
Estrés digital 333 0,817 < 0,001 Distribución no normal
Comparación social 333 0,833 < 0,001 Distribución no normal
Temor al rechazo 333 0,864 < 0,001 Distribución no normal
Percepción propia 344 0,921 < 0,001 Distribución no normal
Uso de IA en el estudio 333 0,931 < 0,001 Distribución no normal
Dolor de cabeza 333 0,905 < 0,001 Distribución no normal
Problemas de sueño 333 0,636 < 0,001 Distribución no normal
Tensión muscular 333 0,634 < 0,001 Distribución no normal
Deterioro físico 333 0,622 < 0,001 Distribución no normal
Nota. W = estadístico de Shapiro-Wilk. Se consideró un nivel de significancia de α = 0,05.
Análisis correlacional: Consumo digital, factores psicosociales y bienestar
Con el propósito de examinar las asociaciones entre el consumo digital, los factores
psicosociales y los indicadores de bienestar físico, se estimó una matriz de correlaciones mediante
el coeficiente por rangos de Spearman. Los análisis se realizaron utilizando los casos completos
disponibles para cada par de variables. Dado el número de asociaciones examinadas
simultáneamente, los valores p fueron ajustados mediante el procedimiento de Holm para
controlar el incremento del error de tipo I derivado de comparaciones múltiples. Los resultados
se presentan en la Tabla 5.
Vol. 13/ Núm. 3 2026 pág. 1184
Tabla 5
Matriz de correlación de Spearman
Variable 1 2 3 4 5 6 7 8 9 10
1. 1,000
2. -0,008 1,000
3. 0,111 0,489*** 1,000
4. 0,020 0,510*** 0,557*** 1,000
5. 0,071 0,390*** 0,388*** 0,467*** 1,000
6. 0,200** 0,238*** 0,124 0,219** 0,296*** 1,000
7. -0,042 0,236*** 0,123 0,217** 0,286*** 0,054 1,000
8. 0,058 0,147 0,152 0,129 0,177* 0,091 0,326*** 1,000
9. 0,076 0,167 0,157 0,205** 0,104 0,114 0,374*** 0,333*** 1,000
10. 0,073 0,336*** 0,258*** 0,318*** 0,313*** 0,080 0,345*** 0,252*** 0,341*** 1,000
Nota. 1 = Horas de conexión; 2 = Estrés digital; 3 = Comparación social; 4 = Temor al rechazo;
5 = Percepción propia; 6 = Uso de IA en el estudio; 7 = Dolor de cabeza; 8 = Problemas de sueño;
9 = Tensión muscular; 10 = Deterioro físico. Se presentan coeficientes ρ de Spearman. Los
análisis se realizaron con los casos válidos disponibles por pares (n = 333–344). Los indicadores
de significación corresponden a valores p ajustados mediante el procedimiento de Holm: p < 0,05
(); p < 0,01 (); p < 0,001 ().
Los resultados mostraron que las horas dedicadas a la conexión digital tuvieron en su
mayoría vínculos débiles con los factores psicosociales y los indicadores de bienestar físico. De
hecho, su relación con el estrés digital fue casi inexistente (ρ = -0,008; p = 0,883), al igual que la
registrada con el temor al rechazo (ρ = 0,020; p = 0,719) y el deterioro físico (ρ = 0,073; p =
0,187). Solo se detectó una ligera asociación positiva entre horas de conexión y comparación
social (ρ = 0,111; p = 0,043), aunque esta dejó de ser significativa tras aplicar el ajuste de Holm
(p ajustado = 0,515).Por el contrario, sí se encontró una asociación positiva y significativa entre
mayor tiempo de conexión y el uso de inteligencia artificial para fines académicos (ρ = 0,200; p
< 0,001; p ajustado = 0,005).En cambio, entre las variables psicosociales las relaciones fueron
más fuertes y todas positivas. Las más marcadas correspondieron a la comparación social con el
temor al rechazo (ρ = 0,557; p ajustado < 0,001), seguida del estrés digital junto al temor al
rechazo (ρ = 0,510; p ajustado < 0,001) y el vínculo entre estrés digital y comparación social (ρ
= 0,489; p ajustado < 0,001). También se observó una asociación considerable entre temor al
rechazo y autopercepción (ρ = 0,467; p ajustado < 0,001); mientras que el estrés digital y la
comparación social se relacionaron con esta última variable con valores de ρ = 0,390 y ρ = 0,388,
respectivamente, ambos mantuvieron su significación estadística después del ajuste
Tabla 5
Matriz de correlación de Spearman
Variable 1 2 3 4 5 6 7 8 9 10
1. 1,000
2. -0,008 1,000
3. 0,111 0,489*** 1,000
4. 0,020 0,510*** 0,557*** 1,000
5. 0,071 0,390*** 0,388*** 0,467*** 1,000
6. 0,200** 0,238*** 0,124 0,219** 0,296*** 1,000
7. -0,042 0,236*** 0,123 0,217** 0,286*** 0,054 1,000
8. 0,058 0,147 0,152 0,129 0,177* 0,091 0,326*** 1,000
9. 0,076 0,167 0,157 0,205** 0,104 0,114 0,374*** 0,333*** 1,000
10. 0,073 0,336*** 0,258*** 0,318*** 0,313*** 0,080 0,345*** 0,252*** 0,341*** 1,000
Nota. 1 = Horas de conexión; 2 = Estrés digital; 3 = Comparación social; 4 = Temor al rechazo;
5 = Percepción propia; 6 = Uso de IA en el estudio; 7 = Dolor de cabeza; 8 = Problemas de sueño;
9 = Tensión muscular; 10 = Deterioro físico. Se presentan coeficientes ρ de Spearman. Los
análisis se realizaron con los casos válidos disponibles por pares (n = 333–344). Los indicadores
de significación corresponden a valores p ajustados mediante el procedimiento de Holm: p < 0,05
(); p < 0,01 (); p < 0,001 ().
Los resultados mostraron que las horas dedicadas a la conexión digital tuvieron en su
mayoría vínculos débiles con los factores psicosociales y los indicadores de bienestar físico. De
hecho, su relación con el estrés digital fue casi inexistente (ρ = -0,008; p = 0,883), al igual que la
registrada con el temor al rechazo (ρ = 0,020; p = 0,719) y el deterioro físico (ρ = 0,073; p =
0,187). Solo se detectó una ligera asociación positiva entre horas de conexión y comparación
social (ρ = 0,111; p = 0,043), aunque esta dejó de ser significativa tras aplicar el ajuste de Holm
(p ajustado = 0,515).Por el contrario, sí se encontró una asociación positiva y significativa entre
mayor tiempo de conexión y el uso de inteligencia artificial para fines académicos (ρ = 0,200; p
< 0,001; p ajustado = 0,005).En cambio, entre las variables psicosociales las relaciones fueron
más fuertes y todas positivas. Las más marcadas correspondieron a la comparación social con el
temor al rechazo (ρ = 0,557; p ajustado < 0,001), seguida del estrés digital junto al temor al
rechazo (ρ = 0,510; p ajustado < 0,001) y el vínculo entre estrés digital y comparación social (ρ
= 0,489; p ajustado < 0,001). También se observó una asociación considerable entre temor al
rechazo y autopercepción (ρ = 0,467; p ajustado < 0,001); mientras que el estrés digital y la
comparación social se relacionaron con esta última variable con valores de ρ = 0,390 y ρ = 0,388,
respectivamente, ambos mantuvieron su significación estadística después del ajuste
Vol. 13/ Núm. 3 2026 pág. 1185
Respecto al bienestar físico, el deterioro físico autopercibido presentó asociaciones
positivas y estadísticamente significativas con el estrés digital (ρ = 0,336; p ajustado < 0,001), el
temor al rechazo (ρ = 0,318; p ajustado < 0,001), la percepción propia (ρ = 0,313; p ajustado <
0,001) y la comparación social (ρ = 0,258; p ajustado < 0,001). En contraste, ni las horas de
conexión (ρ = 0,073; p = 0,187) ni el uso de IA para el estudio (ρ = 0,080; p = 0,144) mostraron
asociaciones estadísticamente significativas con el deterioro físico. Entre los propios indicadores
físicos también se identificaron asociaciones significativas. Destacaron las relaciones entre dolor
de cabeza y tensión muscular (ρ = 0,374; p ajustado < 0,001), dolor de cabeza y deterioro físico
(ρ = 0,345; p ajustado < 0,001), tensión muscular y deterioro físico (ρ = 0,341; p ajustado < 0,001),
así como entre dolor de cabeza y problemas de sueño (ρ = 0,326; p ajustado < 0,001). Los
problemas de sueño también se asociaron positivamente con el deterioro físico (ρ = 0,252; p
ajustado < 0,001).
Contraste de hipótesis: Diferencias en bienestar según nivel de uso digital
Con el propósito de evaluar si el deterioro físico autopercibido difiere según la intensidad
de uso digital, se aplicó la prueba no paramétrica de Kruskal-Wallis, considerando el deterioro
físico como variable dependiente y el nivel de uso digital —bajo, medio y alto— como factor de
agrupación. Además de la significación estadística, se estimó el tamaño del efecto mediante
epsilon cuadrado (ε²), con el fin de valorar la magnitud de las diferencias observadas entre los
grupos. Los resultados se presentan en la Tabla 6.
Tabla 6
Prueba de Kruskal-Wallis para el deterioro físico según nivel de uso digital
Variable
dependiente
H gl p-value ε² Efecto Resultado
Deterioro físico 2,819 2 0,244 0,002 Trivial No significativo
Nota. H = estadístico de Kruskal-Wallis; ε² = epsilon cuadrado como estimador del tamaño del efecto. Se consideró un
nivel de significancia de α = 0,05.
No se hallaron diferencias estadísticamente significativas en el deterioro físico
autopercibido al comparar los grupos de uso digital bajo, medio y alto (H = 2,819; gl = 2; p =
0,244). Además, el tamaño del efecto resultó ser mínimo (ε² = 0,002), lo que confirma que las
variaciones registradas entre los grupos carecieron de relevancia práctica. Por consiguiente, no se
rechaza la hipótesis nula: no contamos con evidencia estadística suficiente para afirmar que el
deterioro físico cambie según la intensidad con la que se utilizan los entornos digitales en esta
muestra.
Respecto al bienestar físico, el deterioro físico autopercibido presentó asociaciones
positivas y estadísticamente significativas con el estrés digital (ρ = 0,336; p ajustado < 0,001), el
temor al rechazo (ρ = 0,318; p ajustado < 0,001), la percepción propia (ρ = 0,313; p ajustado <
0,001) y la comparación social (ρ = 0,258; p ajustado < 0,001). En contraste, ni las horas de
conexión (ρ = 0,073; p = 0,187) ni el uso de IA para el estudio (ρ = 0,080; p = 0,144) mostraron
asociaciones estadísticamente significativas con el deterioro físico. Entre los propios indicadores
físicos también se identificaron asociaciones significativas. Destacaron las relaciones entre dolor
de cabeza y tensión muscular (ρ = 0,374; p ajustado < 0,001), dolor de cabeza y deterioro físico
(ρ = 0,345; p ajustado < 0,001), tensión muscular y deterioro físico (ρ = 0,341; p ajustado < 0,001),
así como entre dolor de cabeza y problemas de sueño (ρ = 0,326; p ajustado < 0,001). Los
problemas de sueño también se asociaron positivamente con el deterioro físico (ρ = 0,252; p
ajustado < 0,001).
Contraste de hipótesis: Diferencias en bienestar según nivel de uso digital
Con el propósito de evaluar si el deterioro físico autopercibido difiere según la intensidad
de uso digital, se aplicó la prueba no paramétrica de Kruskal-Wallis, considerando el deterioro
físico como variable dependiente y el nivel de uso digital —bajo, medio y alto— como factor de
agrupación. Además de la significación estadística, se estimó el tamaño del efecto mediante
epsilon cuadrado (ε²), con el fin de valorar la magnitud de las diferencias observadas entre los
grupos. Los resultados se presentan en la Tabla 6.
Tabla 6
Prueba de Kruskal-Wallis para el deterioro físico según nivel de uso digital
Variable
dependiente
H gl p-value ε² Efecto Resultado
Deterioro físico 2,819 2 0,244 0,002 Trivial No significativo
Nota. H = estadístico de Kruskal-Wallis; ε² = epsilon cuadrado como estimador del tamaño del efecto. Se consideró un
nivel de significancia de α = 0,05.
No se hallaron diferencias estadísticamente significativas en el deterioro físico
autopercibido al comparar los grupos de uso digital bajo, medio y alto (H = 2,819; gl = 2; p =
0,244). Además, el tamaño del efecto resultó ser mínimo (ε² = 0,002), lo que confirma que las
variaciones registradas entre los grupos carecieron de relevancia práctica. Por consiguiente, no se
rechaza la hipótesis nula: no contamos con evidencia estadística suficiente para afirmar que el
deterioro físico cambie según la intensidad con la que se utilizan los entornos digitales en esta
muestra.
Vol. 13/ Núm. 3 2026 pág. 1186
Análisis de segmentación: Comportamiento del consumidor digital
Con el fin de identificar posibles diferencias en las preferencias digitales según el perfil
del consumidor, analizamos la relación entre el nivel educativo y la red social preferida mediante
la prueba de chi-cuadrado de Pearson. Al registrarse frecuencias esperadas menores de cinco en
algunas casillas, el valor de significación se obtuvo a través de simulación Monte Carlo con
10.000 repeticiones. Complementariamente, calculamos el coeficiente V de Cramér para
cuantificar la intensidad de dicha asociación; los resultados correspondientes se muestran en la
Tabla 7.
Tabla 7
Relación entre nivel educativo y preferencia de redes
Variable
1
Variable
2
χ² gl
nominal
p Monte
Carlo
V de
Cramér
Magnitud Resultado
Nivel
educativo
Red
social
preferida
14,289 12 0,175 0,118 Pequeña No sig.
No se identificó una asociación estadísticamente significativa entre el nivel educativo y
la preferencia de redes sociales (χ² = 14,289; p = 0,175). Asimismo, la magnitud de la asociación
estimada mediante V de Cramér fue pequeña (V = 0,118). En consecuencia, los resultados no
proporcionan evidencia estadística suficiente para sostener que la preferencia por determinadas
redes sociales se encuentre asociada con el nivel educativo en la muestra analizada.
La Figura 1 muestra diferencias descriptivas en la distribución proporcional de las
preferencias por redes sociales según el nivel educativo. TikTok predominó entre los participantes
con educación básica, bachillerato y formación universitaria, mientras que en el grupo de
posgrado se observó una distribución más equilibrada entre TikTok, Instagram y WhatsApp. No
obstante, estas diferencias deben interpretarse con cautela, especialmente en los grupos de
educación básica y posgrado debido a su reducido tamaño muestral. En concordancia con la
prueba de chi-cuadrado, los patrones visuales observados no proporcionan evidencia suficiente
para confirmar una asociación estadísticamente significativa entre el nivel educativo y la
preferencia de redes sociales.
Análisis de segmentación: Comportamiento del consumidor digital
Con el fin de identificar posibles diferencias en las preferencias digitales según el perfil
del consumidor, analizamos la relación entre el nivel educativo y la red social preferida mediante
la prueba de chi-cuadrado de Pearson. Al registrarse frecuencias esperadas menores de cinco en
algunas casillas, el valor de significación se obtuvo a través de simulación Monte Carlo con
10.000 repeticiones. Complementariamente, calculamos el coeficiente V de Cramér para
cuantificar la intensidad de dicha asociación; los resultados correspondientes se muestran en la
Tabla 7.
Tabla 7
Relación entre nivel educativo y preferencia de redes
Variable
1
Variable
2
χ² gl
nominal
p Monte
Carlo
V de
Cramér
Magnitud Resultado
Nivel
educativo
Red
social
preferida
14,289 12 0,175 0,118 Pequeña No sig.
No se identificó una asociación estadísticamente significativa entre el nivel educativo y
la preferencia de redes sociales (χ² = 14,289; p = 0,175). Asimismo, la magnitud de la asociación
estimada mediante V de Cramér fue pequeña (V = 0,118). En consecuencia, los resultados no
proporcionan evidencia estadística suficiente para sostener que la preferencia por determinadas
redes sociales se encuentre asociada con el nivel educativo en la muestra analizada.
La Figura 1 muestra diferencias descriptivas en la distribución proporcional de las
preferencias por redes sociales según el nivel educativo. TikTok predominó entre los participantes
con educación básica, bachillerato y formación universitaria, mientras que en el grupo de
posgrado se observó una distribución más equilibrada entre TikTok, Instagram y WhatsApp. No
obstante, estas diferencias deben interpretarse con cautela, especialmente en los grupos de
educación básica y posgrado debido a su reducido tamaño muestral. En concordancia con la
prueba de chi-cuadrado, los patrones visuales observados no proporcionan evidencia suficiente
para confirmar una asociación estadísticamente significativa entre el nivel educativo y la
preferencia de redes sociales.
Vol. 13/ Núm. 3 2026 pág. 1187
Figura 1
Preferencia de redes sociales según nivel educativo en la Generación Z adulta
Nota. Las barras representan la distribución proporcional de la red social preferida dentro de cada nivel educativo. Las
diferencias observadas son descriptivas y no implican una asociación estadísticamente significativa entre las variables.
DISCUSIÓN
Los resultados permiten caracterizar el comportamiento digital de estudiantes
universitarios adultos de la Generación Z desde una perspectiva que integra intensidad de uso,
factores psicosociales, bienestar físico autopercibido, preferencias de plataformas y adopción de
herramientas de inteligencia artificial. En términos generales, los hallazgos indican que el tiempo
de conexión, considerado de manera aislada, mantiene relaciones de baja magnitud con los
indicadores de bienestar físico, mientras que determinadas dimensiones psicosociales presentan
asociaciones más consistentes. En particular, las horas de conexión no se asociaron
significativamente con el deterioro físico autopercibido (ρ = 0,073; p = 0,187), y tampoco se
observaron diferencias significativas en esta variable entre los niveles bajo, medio y alto de uso
digital (H = 2,819; p = 0,244). El tamaño del efecto asociado con esta comparación fue además
trivial (ε² = 0,002), lo que refuerza la limitada capacidad discriminante de la intensidad temporal
de uso dentro de la muestra analizada.
Este patrón es consistente con lo planteado en H1: los factores psicosociales examinados
presentaron, de manera descriptiva, coeficientes de mayor magnitud que el tiempo de conexión.
No obstante, esta interpretación debe entenderse en términos comparativos y descriptivos, puesto
que no se aplicó una prueba estadística específica para contrastar directamente las diferencias
entre los coeficientes de correlación. Desde una perspectiva conceptual, el hallazgo coincide con
planteamientos que cuestionan la utilización del tiempo de exposición como indicador suficiente
para explicar los efectos asociados con el uso de tecnologías digitales. La literatura
contemporánea enfatiza que las consecuencias de la interacción digital dependen también del
Figura 1
Preferencia de redes sociales según nivel educativo en la Generación Z adulta
Nota. Las barras representan la distribución proporcional de la red social preferida dentro de cada nivel educativo. Las
diferencias observadas son descriptivas y no implican una asociación estadísticamente significativa entre las variables.
DISCUSIÓN
Los resultados permiten caracterizar el comportamiento digital de estudiantes
universitarios adultos de la Generación Z desde una perspectiva que integra intensidad de uso,
factores psicosociales, bienestar físico autopercibido, preferencias de plataformas y adopción de
herramientas de inteligencia artificial. En términos generales, los hallazgos indican que el tiempo
de conexión, considerado de manera aislada, mantiene relaciones de baja magnitud con los
indicadores de bienestar físico, mientras que determinadas dimensiones psicosociales presentan
asociaciones más consistentes. En particular, las horas de conexión no se asociaron
significativamente con el deterioro físico autopercibido (ρ = 0,073; p = 0,187), y tampoco se
observaron diferencias significativas en esta variable entre los niveles bajo, medio y alto de uso
digital (H = 2,819; p = 0,244). El tamaño del efecto asociado con esta comparación fue además
trivial (ε² = 0,002), lo que refuerza la limitada capacidad discriminante de la intensidad temporal
de uso dentro de la muestra analizada.
Este patrón es consistente con lo planteado en H1: los factores psicosociales examinados
presentaron, de manera descriptiva, coeficientes de mayor magnitud que el tiempo de conexión.
No obstante, esta interpretación debe entenderse en términos comparativos y descriptivos, puesto
que no se aplicó una prueba estadística específica para contrastar directamente las diferencias
entre los coeficientes de correlación. Desde una perspectiva conceptual, el hallazgo coincide con
planteamientos que cuestionan la utilización del tiempo de exposición como indicador suficiente
para explicar los efectos asociados con el uso de tecnologías digitales. La literatura
contemporánea enfatiza que las consecuencias de la interacción digital dependen también del
Vol. 13/ Núm. 3 2026 pág. 1188
contexto, las características individuales, los patrones de participación y la naturaleza de las
experiencias desarrolladas dentro de las plataformas (Kross et al., 2021; Valkenburg, 2022;
Montag & Elhai, 2023).
En contraste con el tiempo de conexión, el deterioro físico autopercibido presentó
asociaciones positivas y estadísticamente significativas con el estrés digital (ρ = 0,336), el temor
al rechazo (ρ = 0,318), la percepción propia (ρ = 0,313) y la comparación social (ρ = 0,258),
manteniéndose estas relaciones significativas después del ajuste de Holm por comparaciones
múltiples. Estos resultados sugieren que las experiencias psicosociales vinculadas con la
interacción digital pueden constituir dimensiones particularmente relevantes para comprender las
diferencias observadas en el bienestar físico autopercibido. Asimismo, las variables psicosociales
mostraron relaciones entre sí de mayor magnitud, especialmente entre comparación social y temor
al rechazo (ρ = 0,557), estrés digital y temor al rechazo (ρ = 0,510), y estrés digital y comparación
social (ρ = 0,489).
Estos resultados son consistentes con investigaciones que han señalado que la experiencia
en redes sociales puede relacionarse con el bienestar mediante mecanismos psicológicos y
conductuales que trascienden el tiempo de uso. La comparación social, las dinámicas de
validación interpersonal y las demandas derivadas de la conectividad permanente han sido
vinculadas con variaciones en bienestar psicológico y con diferentes formas de malestar asociado
al uso de tecnologías digitales (Kross et al., 2021; Valkenburg, 2022; Wrede et al., 2023). Desde
esta perspectiva, los resultados respaldan las asociaciones planteadas en H3 respecto de la
comparación social y el temor al rechazo. En el caso de H2, la evidencia puede considerarse
parcialmente consistente con la hipótesis, dado que el estrés digital se relacionó
significativamente con el deterioro físico y con algunos indicadores físicos, pero las asociaciones
no fueron uniformes para todas las dimensiones examinadas después del control por
comparaciones múltiples.
Los indicadores físicos también mostraron un patrón de asociaciones internas consistente.
Las relaciones entre dolor de cabeza y tensión muscular (ρ = 0,374), dolor de cabeza y deterioro
físico (ρ = 0,345), tensión muscular y deterioro físico (ρ = 0,341), así como entre dolor de cabeza
y problemas de sueño (ρ = 0,326), permanecieron estadísticamente significativas después del
ajuste de Holm. Estos resultados son compatibles con investigaciones que han documentado
asociaciones entre determinadas modalidades de interacción con medios digitales, alteraciones
del sueño y manifestaciones físicas como dolor de cabeza, fatiga y molestias musculoesqueléticas
(Ahmed et al., 2024; Han et al., 2024; Şambel et al., 2024). Sin embargo, debido al carácter
transversal de los datos, estas relaciones no permiten establecer que la actividad digital constituya
la causa directa de las manifestaciones físicas observadas.
Desde la perspectiva del comportamiento del consumidor, estos hallazgos aportan
elementos para discutir los modelos de interacción digital orientados principalmente a maximizar
contexto, las características individuales, los patrones de participación y la naturaleza de las
experiencias desarrolladas dentro de las plataformas (Kross et al., 2021; Valkenburg, 2022;
Montag & Elhai, 2023).
En contraste con el tiempo de conexión, el deterioro físico autopercibido presentó
asociaciones positivas y estadísticamente significativas con el estrés digital (ρ = 0,336), el temor
al rechazo (ρ = 0,318), la percepción propia (ρ = 0,313) y la comparación social (ρ = 0,258),
manteniéndose estas relaciones significativas después del ajuste de Holm por comparaciones
múltiples. Estos resultados sugieren que las experiencias psicosociales vinculadas con la
interacción digital pueden constituir dimensiones particularmente relevantes para comprender las
diferencias observadas en el bienestar físico autopercibido. Asimismo, las variables psicosociales
mostraron relaciones entre sí de mayor magnitud, especialmente entre comparación social y temor
al rechazo (ρ = 0,557), estrés digital y temor al rechazo (ρ = 0,510), y estrés digital y comparación
social (ρ = 0,489).
Estos resultados son consistentes con investigaciones que han señalado que la experiencia
en redes sociales puede relacionarse con el bienestar mediante mecanismos psicológicos y
conductuales que trascienden el tiempo de uso. La comparación social, las dinámicas de
validación interpersonal y las demandas derivadas de la conectividad permanente han sido
vinculadas con variaciones en bienestar psicológico y con diferentes formas de malestar asociado
al uso de tecnologías digitales (Kross et al., 2021; Valkenburg, 2022; Wrede et al., 2023). Desde
esta perspectiva, los resultados respaldan las asociaciones planteadas en H3 respecto de la
comparación social y el temor al rechazo. En el caso de H2, la evidencia puede considerarse
parcialmente consistente con la hipótesis, dado que el estrés digital se relacionó
significativamente con el deterioro físico y con algunos indicadores físicos, pero las asociaciones
no fueron uniformes para todas las dimensiones examinadas después del control por
comparaciones múltiples.
Los indicadores físicos también mostraron un patrón de asociaciones internas consistente.
Las relaciones entre dolor de cabeza y tensión muscular (ρ = 0,374), dolor de cabeza y deterioro
físico (ρ = 0,345), tensión muscular y deterioro físico (ρ = 0,341), así como entre dolor de cabeza
y problemas de sueño (ρ = 0,326), permanecieron estadísticamente significativas después del
ajuste de Holm. Estos resultados son compatibles con investigaciones que han documentado
asociaciones entre determinadas modalidades de interacción con medios digitales, alteraciones
del sueño y manifestaciones físicas como dolor de cabeza, fatiga y molestias musculoesqueléticas
(Ahmed et al., 2024; Han et al., 2024; Şambel et al., 2024). Sin embargo, debido al carácter
transversal de los datos, estas relaciones no permiten establecer que la actividad digital constituya
la causa directa de las manifestaciones físicas observadas.
Desde la perspectiva del comportamiento del consumidor, estos hallazgos aportan
elementos para discutir los modelos de interacción digital orientados principalmente a maximizar
Vol. 13/ Núm. 3 2026 pág. 1189
el tiempo de permanencia. La ausencia de una asociación significativa entre horas de conexión y
deterioro físico, conjuntamente con las asociaciones observadas para las variables psicosociales,
sugiere que la evaluación de la experiencia del consumidor digital debería considerar dimensiones
relacionadas con la calidad de la interacción y no exclusivamente métricas temporales. En este
sentido, los sistemas de recomendación, los mecanismos de participación continua y determinadas
características de diseño pueden configurar contextos de interacción relevantes para la experiencia
del usuario (Montag & Elhai, 2023; Mildner et al., 2023). Esta interpretación no implica atribuir
causalidad a dichas características, sino reconocer que las métricas convencionales de
engagement pueden resultar insuficientes para representar integralmente el bienestar asociado con
el consumo digital.
En relación con la segmentación de mercados, los resultados requieren una interpretación
diferente a la inicialmente planteada. Aunque la distribución descriptiva mostró variaciones en la
preferencia de redes sociales entre los niveles educativos, la prueba de chi-cuadrado no evidenció
una asociación estadísticamente significativa entre ambas variables (χ² = 14,289; p = 0,175), y la
magnitud estimada mediante V de Cramér fue pequeña (V = 0,118). En consecuencia, H4 no
recibió respaldo estadístico. Las diferencias observadas en la Figura 1 no permiten sostener que
el nivel educativo constituya, por sí mismo, un criterio suficientemente discriminante para
segmentar las preferencias por plataformas digitales en esta muestra. Esta conclusión debe
interpretarse además considerando la distribución desigual de participantes entre niveles
educativos, particularmente el reducido número de casos correspondiente a educación básica y
posgrado.
Este resultado no elimina la utilidad potencial de las variables sociodemográficas en la
segmentación del consumidor digital, pero sugiere que su capacidad explicativa puede requerir la
incorporación conjunta de otros criterios conductuales y psicográficos. La literatura de marketing
digital reconoce que los mercados contemporáneos se caracterizan por trayectorias de consumo
fragmentadas y por interacciones que dependen de múltiples características del consumidor, los
dispositivos y las plataformas utilizadas (Lamberton & Stephen, 2016). Desde esta perspectiva,
los factores psicosociales analizados en el presente estudio podrían constituir variables
complementarias para futuras investigaciones sobre segmentación, aunque los análisis realizados
no permiten establecer actualmente segmentos de mercado diferenciados sobre esa base.
La adopción de inteligencia artificial generativa constituye otro componente relevante de
los patrones digitales observados. ChatGPT fue declarado como herramienta preferida por el 63,1
% de los participantes, mientras que la frecuencia de utilización de IA se concentró principalmente
en las categorías “raramente” (56,1 %) y “frecuentemente” (35,5 %). Estos datos muestran una
presencia extendida de las herramientas generativas en la población estudiada, aunque no
necesariamente un uso intensivo. En consecuencia, la evidencia descriptiva es consistente con H5
respecto al predominio de ChatGPT, pero aconseja diferenciar entre disponibilidad o adopción
el tiempo de permanencia. La ausencia de una asociación significativa entre horas de conexión y
deterioro físico, conjuntamente con las asociaciones observadas para las variables psicosociales,
sugiere que la evaluación de la experiencia del consumidor digital debería considerar dimensiones
relacionadas con la calidad de la interacción y no exclusivamente métricas temporales. En este
sentido, los sistemas de recomendación, los mecanismos de participación continua y determinadas
características de diseño pueden configurar contextos de interacción relevantes para la experiencia
del usuario (Montag & Elhai, 2023; Mildner et al., 2023). Esta interpretación no implica atribuir
causalidad a dichas características, sino reconocer que las métricas convencionales de
engagement pueden resultar insuficientes para representar integralmente el bienestar asociado con
el consumo digital.
En relación con la segmentación de mercados, los resultados requieren una interpretación
diferente a la inicialmente planteada. Aunque la distribución descriptiva mostró variaciones en la
preferencia de redes sociales entre los niveles educativos, la prueba de chi-cuadrado no evidenció
una asociación estadísticamente significativa entre ambas variables (χ² = 14,289; p = 0,175), y la
magnitud estimada mediante V de Cramér fue pequeña (V = 0,118). En consecuencia, H4 no
recibió respaldo estadístico. Las diferencias observadas en la Figura 1 no permiten sostener que
el nivel educativo constituya, por sí mismo, un criterio suficientemente discriminante para
segmentar las preferencias por plataformas digitales en esta muestra. Esta conclusión debe
interpretarse además considerando la distribución desigual de participantes entre niveles
educativos, particularmente el reducido número de casos correspondiente a educación básica y
posgrado.
Este resultado no elimina la utilidad potencial de las variables sociodemográficas en la
segmentación del consumidor digital, pero sugiere que su capacidad explicativa puede requerir la
incorporación conjunta de otros criterios conductuales y psicográficos. La literatura de marketing
digital reconoce que los mercados contemporáneos se caracterizan por trayectorias de consumo
fragmentadas y por interacciones que dependen de múltiples características del consumidor, los
dispositivos y las plataformas utilizadas (Lamberton & Stephen, 2016). Desde esta perspectiva,
los factores psicosociales analizados en el presente estudio podrían constituir variables
complementarias para futuras investigaciones sobre segmentación, aunque los análisis realizados
no permiten establecer actualmente segmentos de mercado diferenciados sobre esa base.
La adopción de inteligencia artificial generativa constituye otro componente relevante de
los patrones digitales observados. ChatGPT fue declarado como herramienta preferida por el 63,1
% de los participantes, mientras que la frecuencia de utilización de IA se concentró principalmente
en las categorías “raramente” (56,1 %) y “frecuentemente” (35,5 %). Estos datos muestran una
presencia extendida de las herramientas generativas en la población estudiada, aunque no
necesariamente un uso intensivo. En consecuencia, la evidencia descriptiva es consistente con H5
respecto al predominio de ChatGPT, pero aconseja diferenciar entre disponibilidad o adopción
Vol. 13/ Núm. 3 2026 pág. 1190
declarada e intensidad efectiva de utilización. Este patrón coincide con la creciente incorporación
de herramientas conversacionales en entornos universitarios y con estudios que destacan su
utilidad percibida para actividades académicas, generación de información y apoyo al aprendizaje
(Grassini et al., 2024; Dwivedi et al., 2023; Kasneci et al., 2023). La preferencia por ChatGPT
fue de 63,1 %, mientras que la categoría de frecuencia predominante fue “raramente”.
Desde el marketing y los servicios digitales, la expansión de estas tecnologías introduce
nuevas formas de interacción entre usuarios y plataformas, en las que el consumidor participa
activamente en procesos de búsqueda, generación y transformación de información. Este
escenario abre oportunidades para el desarrollo de servicios basados en inteligencia artificial, pero
también plantea la necesidad de considerar criterios de transparencia, utilidad, confiabilidad y
bienestar durante el diseño de la experiencia de usuario (Dwivedi et al., 2023). Por tanto, los
resultados del estudio no deberían interpretarse únicamente en términos de oportunidades de
intensificación del consumo, sino como evidencia para considerar estrategias de interacción
digital que equilibren participación, utilidad y bienestar.
Por consiguiente, los resultados deben interpretarse considerando las limitaciones
metodológicas del estudio. El diseño transversal impide establecer relaciones causales o
determinar la dirección temporal de las asociaciones observadas. El empleo de autoinformes
puede introducir sesgos de percepción, memoria o deseabilidad social, mientras que el muestreo
no probabilístico por conveniencia y la concentración de la muestra en una única población
universitaria limitan la generalización de los hallazgos. Asimismo, la desigual representación de
algunos niveles educativos restringe la capacidad para detectar patrones de segmentación con
suficiente estabilidad. Futuras investigaciones podrían incorporar diseños longitudinales,
muestras probabilísticas o multicéntricas y modelos multivariados que permitan examinar el
aporte relativo de las variables psicosociales controlando características sociodemográficas,
intensidad de uso, tipo de plataforma y contenido consumido. También resultaría pertinente
profundizar en la operacionalización y validación de los indicadores de bienestar digital para
determinar la estabilidad de las asociaciones identificadas en diferentes poblaciones y contextos.
CONCLUSIONES
Los resultados del estudio muestran que el comportamiento digital de los estudiantes
universitarios adultos de la Generación Z no puede comprenderse únicamente a partir de la
intensidad temporal de uso. Las horas de conexión presentaron una asociación baja y no
estadísticamente significativa con el deterioro físico autopercibido (ρ = 0,073; p = 0,187),
mientras que variables psicosociales como el estrés digital (ρ = 0,336), el temor al rechazo (ρ =
0,318), la percepción propia (ρ = 0,313) y la comparación social (ρ = 0,258) mostraron
asociaciones positivas y estadísticamente significativas, incluso después del ajuste de Holm. Estos
hallazgos sugieren que las características de la experiencia digital pueden resultar más relevantes
declarada e intensidad efectiva de utilización. Este patrón coincide con la creciente incorporación
de herramientas conversacionales en entornos universitarios y con estudios que destacan su
utilidad percibida para actividades académicas, generación de información y apoyo al aprendizaje
(Grassini et al., 2024; Dwivedi et al., 2023; Kasneci et al., 2023). La preferencia por ChatGPT
fue de 63,1 %, mientras que la categoría de frecuencia predominante fue “raramente”.
Desde el marketing y los servicios digitales, la expansión de estas tecnologías introduce
nuevas formas de interacción entre usuarios y plataformas, en las que el consumidor participa
activamente en procesos de búsqueda, generación y transformación de información. Este
escenario abre oportunidades para el desarrollo de servicios basados en inteligencia artificial, pero
también plantea la necesidad de considerar criterios de transparencia, utilidad, confiabilidad y
bienestar durante el diseño de la experiencia de usuario (Dwivedi et al., 2023). Por tanto, los
resultados del estudio no deberían interpretarse únicamente en términos de oportunidades de
intensificación del consumo, sino como evidencia para considerar estrategias de interacción
digital que equilibren participación, utilidad y bienestar.
Por consiguiente, los resultados deben interpretarse considerando las limitaciones
metodológicas del estudio. El diseño transversal impide establecer relaciones causales o
determinar la dirección temporal de las asociaciones observadas. El empleo de autoinformes
puede introducir sesgos de percepción, memoria o deseabilidad social, mientras que el muestreo
no probabilístico por conveniencia y la concentración de la muestra en una única población
universitaria limitan la generalización de los hallazgos. Asimismo, la desigual representación de
algunos niveles educativos restringe la capacidad para detectar patrones de segmentación con
suficiente estabilidad. Futuras investigaciones podrían incorporar diseños longitudinales,
muestras probabilísticas o multicéntricas y modelos multivariados que permitan examinar el
aporte relativo de las variables psicosociales controlando características sociodemográficas,
intensidad de uso, tipo de plataforma y contenido consumido. También resultaría pertinente
profundizar en la operacionalización y validación de los indicadores de bienestar digital para
determinar la estabilidad de las asociaciones identificadas en diferentes poblaciones y contextos.
CONCLUSIONES
Los resultados del estudio muestran que el comportamiento digital de los estudiantes
universitarios adultos de la Generación Z no puede comprenderse únicamente a partir de la
intensidad temporal de uso. Las horas de conexión presentaron una asociación baja y no
estadísticamente significativa con el deterioro físico autopercibido (ρ = 0,073; p = 0,187),
mientras que variables psicosociales como el estrés digital (ρ = 0,336), el temor al rechazo (ρ =
0,318), la percepción propia (ρ = 0,313) y la comparación social (ρ = 0,258) mostraron
asociaciones positivas y estadísticamente significativas, incluso después del ajuste de Holm. Estos
hallazgos sugieren que las características de la experiencia digital pueden resultar más relevantes
Vol. 13/ Núm. 3 2026 pág. 1191
para comprender las diferencias en bienestar físico autopercibido que el tiempo de conexión
considerado de manera aislada. En concordancia con este patrón, tampoco se identificaron
diferencias estadísticamente significativas en el deterioro físico entre los niveles bajo, medio y
alto de uso digital (H = 2,819; p = 0,244). El tamaño del efecto fue trivial (ε² = 0,002), lo que
indica que la magnitud de las diferencias entre los grupos fue prácticamente despreciable. Por
tanto, los resultados no respaldan una interpretación según la cual una mayor intensidad de uso
digital, definida exclusivamente a partir del tiempo de conexión, implique necesariamente
mayores niveles de deterioro físico en la muestra estudiada.
En relación con la segmentación del consumidor digital, no se encontró una asociación
estadísticamente significativa entre el nivel educativo y la preferencia de redes sociales (χ² =
14,289; p = 0,175), y la magnitud de la asociación estimada mediante V de Cramér fue pequeña
(V = 0,118). En consecuencia, las diferencias descriptivas observadas entre los grupos educativos
no permiten confirmar que el nivel educativo constituya, por sí solo, un criterio suficientemente
discriminante para segmentar las preferencias de plataformas digitales. Este resultado sugiere la
conveniencia de considerar variables adicionales de carácter conductual, psicográfico y
experiencial en futuros estudios sobre segmentación de mercados digitales. La adopción de
herramientas de inteligencia artificial generativa constituye otro resultado relevante. ChatGPT fue
la herramienta preferida por el 63,1 % de los participantes, lo que evidencia una presencia
importante de esta tecnología en el entorno universitario analizado. Sin embargo, la frecuencia de
uso se concentró principalmente en las categorías “raramente” y “frecuentemente”, por lo que los
resultados permiten hablar de una presencia extendida de la IA generativa, pero no
necesariamente de un uso intensivo generalizado. Esta distinción resulta relevante para interpretar
la incorporación de la inteligencia artificial como una nueva modalidad de consumo digital
orientada a actividades académicas, búsqueda de información y apoyo a tareas de aprendizaje.
Desde la perspectiva del marketing digital, los resultados respaldan la necesidad de
ampliar las métricas tradicionales de interacción. El tiempo de permanencia o la frecuencia de
conexión no deberían considerarse de manera aislada como indicadores suficientes de la
experiencia del consumidor. Las asociaciones observadas con el estrés digital, la comparación
social y el temor al rechazo muestran la pertinencia de incorporar dimensiones relacionadas con
bienestar, autorregulación y calidad de la interacción en el análisis de las experiencias digitales.
Estas implicaciones no deben interpretarse como relaciones causales demostradas, sino como
orientaciones derivadas de los patrones de asociación identificados en el estudio.
En términos aplicados, los hallazgos permiten plantear cuatro consideraciones:
1) Para las plataformas digitales, resulta pertinente incorporar mecanismos que favorezcan la
autorregulación, como recordatorios de pausa, herramientas de gestión del tiempo y
opciones de configuración que reduzcan formas de interacción excesivamente intrusivas.
para comprender las diferencias en bienestar físico autopercibido que el tiempo de conexión
considerado de manera aislada. En concordancia con este patrón, tampoco se identificaron
diferencias estadísticamente significativas en el deterioro físico entre los niveles bajo, medio y
alto de uso digital (H = 2,819; p = 0,244). El tamaño del efecto fue trivial (ε² = 0,002), lo que
indica que la magnitud de las diferencias entre los grupos fue prácticamente despreciable. Por
tanto, los resultados no respaldan una interpretación según la cual una mayor intensidad de uso
digital, definida exclusivamente a partir del tiempo de conexión, implique necesariamente
mayores niveles de deterioro físico en la muestra estudiada.
En relación con la segmentación del consumidor digital, no se encontró una asociación
estadísticamente significativa entre el nivel educativo y la preferencia de redes sociales (χ² =
14,289; p = 0,175), y la magnitud de la asociación estimada mediante V de Cramér fue pequeña
(V = 0,118). En consecuencia, las diferencias descriptivas observadas entre los grupos educativos
no permiten confirmar que el nivel educativo constituya, por sí solo, un criterio suficientemente
discriminante para segmentar las preferencias de plataformas digitales. Este resultado sugiere la
conveniencia de considerar variables adicionales de carácter conductual, psicográfico y
experiencial en futuros estudios sobre segmentación de mercados digitales. La adopción de
herramientas de inteligencia artificial generativa constituye otro resultado relevante. ChatGPT fue
la herramienta preferida por el 63,1 % de los participantes, lo que evidencia una presencia
importante de esta tecnología en el entorno universitario analizado. Sin embargo, la frecuencia de
uso se concentró principalmente en las categorías “raramente” y “frecuentemente”, por lo que los
resultados permiten hablar de una presencia extendida de la IA generativa, pero no
necesariamente de un uso intensivo generalizado. Esta distinción resulta relevante para interpretar
la incorporación de la inteligencia artificial como una nueva modalidad de consumo digital
orientada a actividades académicas, búsqueda de información y apoyo a tareas de aprendizaje.
Desde la perspectiva del marketing digital, los resultados respaldan la necesidad de
ampliar las métricas tradicionales de interacción. El tiempo de permanencia o la frecuencia de
conexión no deberían considerarse de manera aislada como indicadores suficientes de la
experiencia del consumidor. Las asociaciones observadas con el estrés digital, la comparación
social y el temor al rechazo muestran la pertinencia de incorporar dimensiones relacionadas con
bienestar, autorregulación y calidad de la interacción en el análisis de las experiencias digitales.
Estas implicaciones no deben interpretarse como relaciones causales demostradas, sino como
orientaciones derivadas de los patrones de asociación identificados en el estudio.
En términos aplicados, los hallazgos permiten plantear cuatro consideraciones:
1) Para las plataformas digitales, resulta pertinente incorporar mecanismos que favorezcan la
autorregulación, como recordatorios de pausa, herramientas de gestión del tiempo y
opciones de configuración que reduzcan formas de interacción excesivamente intrusivas.
Vol. 13/ Núm. 3 2026 pág. 1192
2) Para anunciantes y agencias de marketing, las estrategias de comunicación pueden
incorporar criterios de marketing responsable que eviten depender exclusivamente de
mecanismos de presión social, validación constante o intensificación artificial del tiempo
de permanencia.
3) Para las instituciones educativas, los resultados respaldan la conveniencia de fortalecer
programas de alfabetización digital que integren bienestar, autorregulación, uso crítico de
redes sociales y utilización responsable de herramientas de inteligencia artificial.
4) Para empresas de tecnología educativa y bienestar digital, se identifican oportunidades para
desarrollar soluciones basadas en IA que combinen productividad académica,
personalización y gestión responsable de la interacción digital, sin asumir que una mayor
permanencia en la plataforma constituye necesariamente un resultado deseable.
El diseño transversal impide establecer relaciones de causalidad o determinar la dirección
temporal de las asociaciones observadas. Asimismo, el uso de autoinformes puede introducir
sesgos relacionados con percepción subjetiva, recuerdo y deseabilidad social. El muestreo no
probabilístico por conveniencia y la concentración de los participantes en una población
universitaria específica limitan la generalización de los resultados a otros contextos.
Adicionalmente, la reducida representación de algunos niveles educativos restringe la estabilidad
de las comparaciones relacionadas con segmentación.
Futuras investigaciones deberían incorporar diseños longitudinales y muestras más
heterogéneas que permitan examinar la estabilidad temporal de las asociaciones identificadas.
También sería pertinente utilizar modelos multivariados para determinar el aporte relativo de
factores como estrés digital, comparación social, temor al rechazo, intensidad de uso y
características sociodemográficas, así como evaluar posibles mecanismos mediadores o
moderadores. Finalmente, se recomienda profundizar en la validación de los indicadores
utilizados para medir bienestar y experiencia digital, con el propósito de fortalecer la
comparabilidad de los resultados entre diferentes poblaciones y contextos.
2) Para anunciantes y agencias de marketing, las estrategias de comunicación pueden
incorporar criterios de marketing responsable que eviten depender exclusivamente de
mecanismos de presión social, validación constante o intensificación artificial del tiempo
de permanencia.
3) Para las instituciones educativas, los resultados respaldan la conveniencia de fortalecer
programas de alfabetización digital que integren bienestar, autorregulación, uso crítico de
redes sociales y utilización responsable de herramientas de inteligencia artificial.
4) Para empresas de tecnología educativa y bienestar digital, se identifican oportunidades para
desarrollar soluciones basadas en IA que combinen productividad académica,
personalización y gestión responsable de la interacción digital, sin asumir que una mayor
permanencia en la plataforma constituye necesariamente un resultado deseable.
El diseño transversal impide establecer relaciones de causalidad o determinar la dirección
temporal de las asociaciones observadas. Asimismo, el uso de autoinformes puede introducir
sesgos relacionados con percepción subjetiva, recuerdo y deseabilidad social. El muestreo no
probabilístico por conveniencia y la concentración de los participantes en una población
universitaria específica limitan la generalización de los resultados a otros contextos.
Adicionalmente, la reducida representación de algunos niveles educativos restringe la estabilidad
de las comparaciones relacionadas con segmentación.
Futuras investigaciones deberían incorporar diseños longitudinales y muestras más
heterogéneas que permitan examinar la estabilidad temporal de las asociaciones identificadas.
También sería pertinente utilizar modelos multivariados para determinar el aporte relativo de
factores como estrés digital, comparación social, temor al rechazo, intensidad de uso y
características sociodemográficas, así como evaluar posibles mecanismos mediadores o
moderadores. Finalmente, se recomienda profundizar en la validación de los indicadores
utilizados para medir bienestar y experiencia digital, con el propósito de fortalecer la
comparabilidad de los resultados entre diferentes poblaciones y contextos.
Vol. 13/ Núm. 3 2026 pág. 1193
REFERENCIAS
Ahmed, O., Walsh, E. I., Dawel, A., Alateeq, K., Oyarce, D. A. E., & Cherbuin, N. (2024). Social
media use, mental health and sleep: A systematic review with meta-analyses. Journal of
Affective Disorders, 367(15), 701-712. https://doi.org/10.1016/j.jad.2024.08.193
Chen, Y., Li, S., Tian, Y., Li, D., & Yin, H. (2026). Problematic social media use may be ruining
our sleep: A meta-analysis on the relationship between problematic social media use and
sleep quality. International Journal of Mental Health and Addiction, 24(1), 262-297.
https://doi.org/10.1007/s11469-024-01407-9
Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of
information technology. MIS Quarterly, 13(3), 319-340. https://doi.org/10.2307/249008
DataReportal. (2025a). Digital 2025: Global Overview Report. We Are Social & Hootsuite.
https://datareportal.com/reports/digital-2025-global-overview-report
DataReportal. (2025b). Digital 2025: Ecuador. https://datareportal.com/reports/digital-2025-
Ecuador
Dwivedi, Y. K., Kshetri, N., Hughes, L., Slade, E. L., Jeyaraj, A., Kar, A. K., Baabdullah, A.,
Koohang, A., Raghavan, V., Ahuja, M., Albanna, H., Albashrawi, M., Al-Busaidi, A.,
Balakrishnan, J., Barlette, Y., Basu, S., Bose, I., Brooks, L., Buhalis, D., Carter, L., &
Wright, R. (2023). Opinion Paper:“So what if ChatGPT wrote it?” Multidisciplinary
perspectives on opportunities, challenges and implications of generative conversational
AI for research, practice and policy. International Journal Of Information Management,
71, 102642. https://doi.org/10.1016/j.ijinfomgt.2023.102642
Farooq, A., Dahabiyeh, L., & Maier, C. (2023). Social media discontinuation: A systematic
literature review on drivers and inhibitors. Telematics and Informatics, 77, 101924.
https://doi.org/10.1016/j.tele.2022.101924
Giraldo-Luque, S., & Fernández-Rovira, C. (2020). Redes sociales y consumo digital en jóvenes
universitarios: economía de la atención y oligopolios de la comunicación en el siglo XXI.
Profesional de la información, 29(5), 1-15. https://doi.org/10.3145/epi.2020.sep.28
Grassini, S., Aasen, M., & Møgelvang, A. (2024). Understanding university students’ acceptance
of ChatGPT: Insights from the UTAUT2 model. Applied Artificial Intelligence, 38(1),
2371168. https://doi.org/10.1080/08839514.2024.2371168
Han, X., Zhou, E., & Liu, D. (2024). Electronic media use and sleep quality: updated systematic
review and meta-analysis. Journal of medical Internet research, 26, e48356.
https://doi.org/10.2196/48356
Hollebeek, L., Glynn, M., & Brodie, R. (2014). Consumer brand engagement in social media:
Conceptualization, scale development and validation. Journal of Interactive Marketing,
28(2), 149–165. https://doi.org/10.1016/j.intmar.2013.12.002
REFERENCIAS
Ahmed, O., Walsh, E. I., Dawel, A., Alateeq, K., Oyarce, D. A. E., & Cherbuin, N. (2024). Social
media use, mental health and sleep: A systematic review with meta-analyses. Journal of
Affective Disorders, 367(15), 701-712. https://doi.org/10.1016/j.jad.2024.08.193
Chen, Y., Li, S., Tian, Y., Li, D., & Yin, H. (2026). Problematic social media use may be ruining
our sleep: A meta-analysis on the relationship between problematic social media use and
sleep quality. International Journal of Mental Health and Addiction, 24(1), 262-297.
https://doi.org/10.1007/s11469-024-01407-9
Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of
information technology. MIS Quarterly, 13(3), 319-340. https://doi.org/10.2307/249008
DataReportal. (2025a). Digital 2025: Global Overview Report. We Are Social & Hootsuite.
https://datareportal.com/reports/digital-2025-global-overview-report
DataReportal. (2025b). Digital 2025: Ecuador. https://datareportal.com/reports/digital-2025-
Ecuador
Dwivedi, Y. K., Kshetri, N., Hughes, L., Slade, E. L., Jeyaraj, A., Kar, A. K., Baabdullah, A.,
Koohang, A., Raghavan, V., Ahuja, M., Albanna, H., Albashrawi, M., Al-Busaidi, A.,
Balakrishnan, J., Barlette, Y., Basu, S., Bose, I., Brooks, L., Buhalis, D., Carter, L., &
Wright, R. (2023). Opinion Paper:“So what if ChatGPT wrote it?” Multidisciplinary
perspectives on opportunities, challenges and implications of generative conversational
AI for research, practice and policy. International Journal Of Information Management,
71, 102642. https://doi.org/10.1016/j.ijinfomgt.2023.102642
Farooq, A., Dahabiyeh, L., & Maier, C. (2023). Social media discontinuation: A systematic
literature review on drivers and inhibitors. Telematics and Informatics, 77, 101924.
https://doi.org/10.1016/j.tele.2022.101924
Giraldo-Luque, S., & Fernández-Rovira, C. (2020). Redes sociales y consumo digital en jóvenes
universitarios: economía de la atención y oligopolios de la comunicación en el siglo XXI.
Profesional de la información, 29(5), 1-15. https://doi.org/10.3145/epi.2020.sep.28
Grassini, S., Aasen, M., & Møgelvang, A. (2024). Understanding university students’ acceptance
of ChatGPT: Insights from the UTAUT2 model. Applied Artificial Intelligence, 38(1),
2371168. https://doi.org/10.1080/08839514.2024.2371168
Han, X., Zhou, E., & Liu, D. (2024). Electronic media use and sleep quality: updated systematic
review and meta-analysis. Journal of medical Internet research, 26, e48356.
https://doi.org/10.2196/48356
Hollebeek, L., Glynn, M., & Brodie, R. (2014). Consumer brand engagement in social media:
Conceptualization, scale development and validation. Journal of Interactive Marketing,
28(2), 149–165. https://doi.org/10.1016/j.intmar.2013.12.002
Vol. 13/ Núm. 3 2026 pág. 1194
Instituto Nacional de Estadística y Censos (INEC). (2025). Tecnologías de la Información y
Comunicación-TIC. https://www.ecuadorencifras.gob.ec/tecnologias-de-la-informacion-
y-comunicacion-tic/
Kasneci, E., Seßler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U.,
Groh, G., Gunnemann, S., Hullermeier, E., Krusche, S., Kutyniok, G., Michaeli, T.,
Nerdel, C., Pfeffer, J., Poquet, O., Sailer, M., Schmidt, A., Seidel, T., Stadler, M., &
Kasneci, G. (2023). ChatGPT for good? On opportunities and challenges of large
language models for education. Learning and individual differences, 103, 102274.
https://doi.org/10.1016/j.lindif.2023.102274
Keles, B., McCrae, N., & Grealish, A. (2019). A systematic review: the influence of social media
on depression, anxiety and psychological distress in adolescents. International Journal
of Adolescence and Youth, 25(1), 79-93.
https://doi.org/10.1080/02673843.2019.1590851
Kotler, P., & Keller, K. L. (2016). Marketing management (15th ed.). Pearson Education.
Kross, E., Verduyn, P., Sheppes, G., Costello, C., Jonides, J., & Ybarra, O. (2021). Social media
and well-being: Pitfalls, progress, and next steps. Trends in cognitive sciences, 25(1), 55-
66. https://doi.org/10.1016/j.tics.2020.10.005
Lamberton, C., & Stephen, A. T. (2016). A thematic exploration of digital, social media, and
mobile marketing: Research evolution from 2000 to 2015 and an agenda for future
inquiry. Journal of Marketing, 80(6), 146-172. https://doi.org/10.1509/jm.15.0415
Mildner, T., Savino, G., Doyle, P., Cowan, B., & Malaka, R. (2023, April). About engaging and
governing strategies: A thematic analysis of dark patterns in social networking services.
In Proceedings of the 2023 CHI conference on human factors in computing systems (pp.
1-15). https://doi.org/10.1145/3544548.3580695
Montag, C., & Elhai, J. (2023). On social media design, (online-) time well-spent and addictive
behaviors in the age of surveillance capitalism. Current Addiction Reports, 10(3), 610-
616. https://doi.org/10.1007/s40429-023-00494-3
Nouwens, M., Liccardi, I., Veale, M., Karger, D., & Kagal, L. (2020, April). Dark patterns after
the GDPR: Scraping consent pop-ups and demonstrating their influence. In Proceedings
of the 2020 CHI conference on human factors in computing systems (pp. 1-13).
http://dx.doi.org/10.1145/3313831.3376321
Prahalad, C., & Ramaswamy, V. (2004). Co-creation experiences: The next practice in value
creation. Journal of Interactive Marketing, 18(3), 5-14. https://doi.org/10.1002/dir.20015
Przybylski, A. K., Murayama, K., DeHaan, C. R., & Gladwell, V. (2013). Motivational,
emotional, and behavioral correlates of fear of missing out. Computers in Human
Behavior, 29(4), 1841-1848. https://doi.org/10.1016/j.chb.2013.02.014
Instituto Nacional de Estadística y Censos (INEC). (2025). Tecnologías de la Información y
Comunicación-TIC. https://www.ecuadorencifras.gob.ec/tecnologias-de-la-informacion-
y-comunicacion-tic/
Kasneci, E., Seßler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U.,
Groh, G., Gunnemann, S., Hullermeier, E., Krusche, S., Kutyniok, G., Michaeli, T.,
Nerdel, C., Pfeffer, J., Poquet, O., Sailer, M., Schmidt, A., Seidel, T., Stadler, M., &
Kasneci, G. (2023). ChatGPT for good? On opportunities and challenges of large
language models for education. Learning and individual differences, 103, 102274.
https://doi.org/10.1016/j.lindif.2023.102274
Keles, B., McCrae, N., & Grealish, A. (2019). A systematic review: the influence of social media
on depression, anxiety and psychological distress in adolescents. International Journal
of Adolescence and Youth, 25(1), 79-93.
https://doi.org/10.1080/02673843.2019.1590851
Kotler, P., & Keller, K. L. (2016). Marketing management (15th ed.). Pearson Education.
Kross, E., Verduyn, P., Sheppes, G., Costello, C., Jonides, J., & Ybarra, O. (2021). Social media
and well-being: Pitfalls, progress, and next steps. Trends in cognitive sciences, 25(1), 55-
66. https://doi.org/10.1016/j.tics.2020.10.005
Lamberton, C., & Stephen, A. T. (2016). A thematic exploration of digital, social media, and
mobile marketing: Research evolution from 2000 to 2015 and an agenda for future
inquiry. Journal of Marketing, 80(6), 146-172. https://doi.org/10.1509/jm.15.0415
Mildner, T., Savino, G., Doyle, P., Cowan, B., & Malaka, R. (2023, April). About engaging and
governing strategies: A thematic analysis of dark patterns in social networking services.
In Proceedings of the 2023 CHI conference on human factors in computing systems (pp.
1-15). https://doi.org/10.1145/3544548.3580695
Montag, C., & Elhai, J. (2023). On social media design, (online-) time well-spent and addictive
behaviors in the age of surveillance capitalism. Current Addiction Reports, 10(3), 610-
616. https://doi.org/10.1007/s40429-023-00494-3
Nouwens, M., Liccardi, I., Veale, M., Karger, D., & Kagal, L. (2020, April). Dark patterns after
the GDPR: Scraping consent pop-ups and demonstrating their influence. In Proceedings
of the 2020 CHI conference on human factors in computing systems (pp. 1-13).
http://dx.doi.org/10.1145/3313831.3376321
Prahalad, C., & Ramaswamy, V. (2004). Co-creation experiences: The next practice in value
creation. Journal of Interactive Marketing, 18(3), 5-14. https://doi.org/10.1002/dir.20015
Przybylski, A. K., Murayama, K., DeHaan, C. R., & Gladwell, V. (2013). Motivational,
emotional, and behavioral correlates of fear of missing out. Computers in Human
Behavior, 29(4), 1841-1848. https://doi.org/10.1016/j.chb.2013.02.014
Vol. 13/ Núm. 3 2026 pág. 1195
Şambel, M., Aykutlu, H., Özveren, M., & Garip, R. (2024). Digital media use and its effects on
digital eye strain and sleep quality in adolescents: A new emerging epidemic?. PloS one,
19(12), e0314390. https://doi.org/10.1371/journal.pone.0314390
Sued, G. (2022). Algorithmic cultures: concepts and methods for their social study. Revista
Mexicana de Ciencias Políticas y Sociales, 67(246), 43-73.
https://doi.org/10.22201/fcpys.2448492xe.2022.246.78422
Uzcátegui, C., de Álvarez, F., & Solano, J. (2025). Comportamiento digital de los estudiantes
universitarios: los efectos paradójicos del uso institucional vs. el uso intencional de las
redes sociales en el uso problemático de internet. Episteme & Praxis:(REP), 3(3), 161-
171. https://doi.org/10.62451/rep.v3i3.136
Valkenburg, P. M. (2022). Social media use and well-being: What we know and what we need to
know. Current opinion in psychology, 45, 101294.
https://doi.org/10.1016/j.copsyc.2021.12.006
Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information
technology: Toward a unified view. MIS Quarterly, 27(3), 425-478.
https://doi.org/10.2307/30036540
Verduyn, P., Gugushvili, N., & Kross, E. (2022). Do social networking sites influence well-being?
The extended active-passive model. Current Directions in Psychological Science, 31(1),
62-68. https://doi.org/10.1177/09637214211053637
Wrede, S., Claassen, K., Rodil dos Anjos, D., Kettschau, J. P., & Broding, H. C. (2023). Impact
of digital stress on negative emotions and physical complaints in the home office: a follow
up study. Health Psychology and Behavioral Medicine, 11(1), 2263068.
https://doi.org/10.1080/21642850.2023.2263068
Şambel, M., Aykutlu, H., Özveren, M., & Garip, R. (2024). Digital media use and its effects on
digital eye strain and sleep quality in adolescents: A new emerging epidemic?. PloS one,
19(12), e0314390. https://doi.org/10.1371/journal.pone.0314390
Sued, G. (2022). Algorithmic cultures: concepts and methods for their social study. Revista
Mexicana de Ciencias Políticas y Sociales, 67(246), 43-73.
https://doi.org/10.22201/fcpys.2448492xe.2022.246.78422
Uzcátegui, C., de Álvarez, F., & Solano, J. (2025). Comportamiento digital de los estudiantes
universitarios: los efectos paradójicos del uso institucional vs. el uso intencional de las
redes sociales en el uso problemático de internet. Episteme & Praxis:(REP), 3(3), 161-
171. https://doi.org/10.62451/rep.v3i3.136
Valkenburg, P. M. (2022). Social media use and well-being: What we know and what we need to
know. Current opinion in psychology, 45, 101294.
https://doi.org/10.1016/j.copsyc.2021.12.006
Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information
technology: Toward a unified view. MIS Quarterly, 27(3), 425-478.
https://doi.org/10.2307/30036540
Verduyn, P., Gugushvili, N., & Kross, E. (2022). Do social networking sites influence well-being?
The extended active-passive model. Current Directions in Psychological Science, 31(1),
62-68. https://doi.org/10.1177/09637214211053637
Wrede, S., Claassen, K., Rodil dos Anjos, D., Kettschau, J. P., & Broding, H. C. (2023). Impact
of digital stress on negative emotions and physical complaints in the home office: a follow
up study. Health Psychology and Behavioral Medicine, 11(1), 2263068.
https://doi.org/10.1080/21642850.2023.2263068