Confianza y juicio técnico frente a la inteligencia artificial en la formación en Ingeniería en Alimentos
DOI:
https://doi.org/10.69639/arandu.v13i3.2598Palabras clave:
inteligencia artificial generativa, autopercepción, juicio técnico, ingeniería en alimentos, educación superiorResumen
La posibilidad de evaluar las respuestas que la inteligencia artificial generativa entrega ante una solicitud exige un examen de sus fundamentos y suficiencia mediante conocimientos disciplinares que los estudiantes todavía están consolidando. En torno a lo anterior, el objetivo del presente estudio fue analizar la asociación entre la capacidad autopercibida para evaluar estas respuestas y el acierto al clasificarlas, en estudiantes de Ingeniería en Alimentos de la Universidad Técnica Estatal de Quevedo, Ecuador. Se realizó un estudio cuantitativo, transversal y descriptivo-correlacional, con muestreo no probabilístico por accesibilidad. Participaron 127 estudiantes de cuarto a décimo semestre; el análisis principal incluyó 125 registros completos. El cuestionario, administrado presencialmente mediante Google Forms, reunió cinco ítems de autopercepción, cinco casos alimentarios y la primera acción declarada ante cada respuesta. El desempeño se puntuó por coincidencia exacta con una clave técnica.
Descargas
Citas
Alkabaa, A. S., & Alamri, N. M. (2025). Exploring the effectiveness of generative AI as a learning tool in engineering education: An analysis of student experiences and perceptions. Computer Applications in Engineering Education, 34, e70110. https://doi.org/10.1002/cae.70110
Álvarez Ariza, J., Benítez Restrepo, M., & Hernández Hernández, C. (2025). Generative AI in engineering and computing education: A scoping review of empirical studies and educational practices. IEEE Access, 13, 30789–30810. https://doi.org/10.1109/ACCESS.2025.3541424
Amoozadeh, M., Daniels, D., Nam, D., Kumar, A., Chen, S., Hilton, M., Ragavan, S. S., & Alipour, M. A. (2024). Trust in generative AI among students: An exploratory study. En Proceedings of the 55th ACM Technical Symposium on Computer Science Education V. 1. Association for Computing Machinery. https://doi.org/10.1145/3626252.3630842
Borowczak, M., & Borowczak, A. C.-B. (2026). Trust but verify: Engineering students' adoption of generative AI and pedagogical implications across disciplines. Proceedings of the American Society for Engineering Education Annual Conference & Exposition (Paper ID 49945).
Carolus, A., Koch, M. J., Straka, S., Latoschik, M. E., & Wienrich, C. (2023). MAILS - Meta AI literacy scale: Development and testing of an AI literacy questionnaire based on well-founded competency models and psychological change- and meta-competencies. Computers in Human Behavior: Artificial Humans, 1, 100014. https://doi.org/10.1016/j.chbah.2023.100014
Dai, Y. (2025). Why students use or not use generative AI: Student conceptions, concerns, and implications for engineering education. Digital Engineering, 4, 100019. https://doi.org/10.1016/j.dte.2024.100019
Glikson, E., & Woolley, A. W. (2020). Human trust in artificial intelligence: Review of empirical research. Academy of Management Annals, 14(2), 627-660. https://doi.org/10.5465/annals.2018.0057
Hornberger, M., Bewersdorff, A., & Nerdel, C. (2023). What do university students know about artificial intelligence? Development and validation of an AI literacy test. Computers and Education: Artificial Intelligence, 5, 100165. https://doi.org/10.1016/j.caeai.2023.100165
Hou, C., Zhu, G., & Sudarshan, V. (2025). The role of critical thinking on undergraduates' reliance behaviours on generative AI in problem-solving. British Journal of Educational Technology, 56, 1919-1941. https://doi.org/10.1111/bjet.13613
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Jonathan Alexis Tapia Chamba, Odalis Kassandra Gonzalez Duarte, Jessica Lisbeth Parrales Cedeño, Bella Elena Chamba Palacios
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
