Aceitação da inteligência artificial generativa entre professores: adaptação e validação de um instrumento baseado no TAM.
DOI:
https://doi.org/10.51247/pdlc.v6i2.766Palavras-chave:
Inteligência artificial generativa, ensino superior, corpo docente, Modelo de Aceitação da Tecnologia, validação de instrumentosResumo
A inteligência artificial generativa (IAG) representa uma ferramenta disruptiva no ensino superior, com alto potencial para transformar o ensino, a pesquisa e a gestão acadêmica. O objetivo deste estudo foi adaptar e validar um instrumento confiável e válido para avaliar a aceitação e o uso da IAG entre docentes do ensino superior, com base no Modelo de Aceitação da Tecnologia (TAM). Um estudo quantitativo, não experimental e transversal, com abordagem instrumental, foi conduzido com 100 docentes. O instrumento, denominado Escala de Aceitação e Uso da Inteligência Artificial Generativa (EAU-GAI), foi submetido a análises fatoriais exploratória e confirmatória. Os resultados da AFE identificaram uma estrutura de quatro fatores consistente com o TAM, que explicou 63,96% da variância total. A análise fatorial confirmatória (AFC) corroborou a validade fatorial do modelo, apresentando cargas fatoriais padronizadas adequadas e estatisticamente significativas, bem como índices de ajuste geral satisfatórios (CFI = 0,969, TLI = 0,964, RMSEA = 0,039). Além disso, os coeficientes de confiabilidade demonstraram alta consistência interna por dimensão. Esses resultados corroboram o uso do EAU-IAG como uma ferramenta válida e confiável para estudos diagnósticos e pesquisas futuras sobre a adoção de IAG em contextos de ensino superior.
Downloads
Referências
Alier, M., García Peñalvo, F. J., and D. Camba, J. (2024). Generative Artificial Intelligence in Education: From Deceptive to Disruptive. International Journal of Interactive Multimedia and Artificial Intelligence, 8(5), 5–14. https://doi.org/10.9781/ijimai.2024.02.011
Al-Rahmi, W. M., Yahaya, N., Aldraiweesh, A. A., Alturki, U., Alamri, M. M., Saud, M. S. B., ... & Alhamed, O. A. (2019). Big data adoption and knowledge management sharing: An empirical investigation on their adoption and sustainability as a purpose of education. IEEE Access, 7, 47245-47258. https://doi.org/10.1109/ACCESS.2019.2906668
Ato, M., López, J. J., & Benavente, A. (2013). Un sistema de clasificación de los diseños de investigación en psicología. Anales de Psicología, 29(3). https://doi.org/10.6018/analesps.29.3.178511
Brown, T. A. (2015). Confirmatory Factor Analysis for Applied Research (2nd ed.). The Guilford Press.
Cattell, R. B. (1966). The Scree Test For The Number Of Factors. Multivariate Behavioral Research, 1(2), 245–276. https://doi.org/10.1207/s15327906mbr0102_10
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
Davis, F. D., & Granić, A. (2024). The Technology Acceptance Model: 30 Years of TAM. Springer. https://link.springer.com/book/10.1007/978-3-030-45274-2
Escobar-Pérez, J., & Cuervo-Martínez, Á. (2008). Validez de contenido y juicio de expertos: Una aproximación a su utilización. Avances en Medición, 6(1), 27-36.
Evayani, E., Indriani, M., Chan, S., Syam, F. (2024). Technology Acceptance Model in the SMEs and Moving Forward: A Systematic Literature Review from 1986 to 2021. In: Alareeni, B., Hamdan, A. (Eds.), Technology and Business Model Innovation: Challenges and Opportunities. (pp. 265–273). Springer. https://doi.org/10.1007/978-3-031-55911-2_25
Gallent-Torres, C., Zapata-González, A., & Ortego-Hernando, J. L. (2023). El impacto de la inteligencia artificial generativa en educación superior: una mirada desde la ética y la integridad académica. Revista Electrónica de Investigación y Evaluación Educativa, 29(2), 1-21. https://doi.org/10.30827/relieve.v29i2.29134
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage Learning.
Hernández, R., Fernández, C., & Baptista, P. (2014). Metodología de la investigación (6.ª ed.). McGraw-Hill.
Hu, L. T., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling: A Multidisciplinary Journal, 6(1), 1–55. https://doi.org/10.1080/10705519909540118
Kaiser, H. F. (1960). The application of electronic computers to factor analysis. Educational and Psychological Measurement, 20(1), 141–151. https://doi.org/10.1177/001316446002000116
Kaiser, H. F. (1974). An index of factorial simplicity. Psychometrika, 39(1), 31–36. https://doi.org/10.1007/BF02291575
Kalota, F. (2024). A Primer on Generative Artificial Intelligence. Education Sciences, 14(2), 172. https://doi.org/10.3390/educsci14020172
King, W. R., & He, J. (2006). A meta-analysis of the technology acceptance model. Information & Management, 43(6), 740–755. https://doi.org/10.1016/j.im.2006.05.003
Kline, R. B. (2016). Principles and Practice of Structural Equation Modeling (4th ed.). The Guilford Press.
Montero, I., & León, O. G. (2002). Clasificación y descripción de las metodologías de investigación en psicología. Revista Internacional de Psicología Clínica y de La Salud, 2(3), 503-508. https://www.redalyc.org/articulo.oa?id=33720308
Na, S., Heo, S., Han, S., Shin, Y., & Roh, Y. (2022). Acceptance Model of Artificial Intelligence (AI)-Based Technologies in Construction Firms: Applying the Technology Acceptance Model (TAM) in Combination with the Technology–Organisation–Environment (TOE) Framework. Buildings, 12(2). https://doi.org/10.3390/buildings12020090
Organización para la Cooperación y el Desarrollo Económico [OECD]. (2021). AI and the Future of Skills, Volume 1: Capabilities and Assessments, Educational Research and Innovation, OECD Publishing. https://doi.org/10.1787/5ee71f34-en
Oviedo, H. C., & Campo-Arias, A. (2005). Aproximación al uso del coeficiente alfa de Cronbach. Revista colombiana de psiquiatría, 34(4), 572-580.
Pizarro, G. R., Rodriguez-Rivas, J. G., Dominguez, F. A. S & Rivera, S. E. (2025). Calidad de Información de Respuestas de las Herramientas de Inteligencia Artificial Generativa Tipo Texto. Estudios y Perspectivas Revista Científica y Académica, 5(3), 4226-4252.
Prasetyo, Y. T., Ong, A. K. S., Concepcion, G. K. F., Navata, F. M. B., Robles, R. A. V., Tomagos, I. J. T., Young, M. N., Diaz, J. F. T., Nadlifatin, R., & Redi, A. A. N. P. (2021). Determining factors affecting acceptance of e-learning platforms during the covid-19 pandemic: Integrating extended technology acceptance model and delone & mclean is success model. Sustainability, 13(15). https://doi.org/10.3390/su13158365
Rodríguez-Rivas, J. G., & Rodríguez, C. S. (2022). Uso de Python para el análisis de datos aplicado en la investigación. Investigación y Ciencia Aplicada a La Ingeniería, 5(34), 33-40. https://ojsincaing.com.mx/index.php/ediciones/article/view/188
Santiago-Trujillo, Y. D., & Garvich-Ormeño, R. M. (2024). Competencias Digitales e Integración de las TIC en el Proceso de Enseñanza-Aprendizaje. Revista Docentes 2.0. https://ve.scielo.org/scielo.php?script=sci_arttext&pid=S2665-02662024000100050
Shin, J., Park, Y., & Lee, D. (2018). Who will be smart home users? An analysis of adoption and diffusion of smart homes. Technological Forecasting and Social Change, 134, 246–253. https://doi.org/10.1016/j.techfore.2018.06.029
Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.
Teo, T. (2011). Factors influencing teachers’ intention to use technology: Model development and test. Computers & Education, 57(4), 2432–2440. https://doi.org/10.1016/j.compedu.2011.06.008
Timotheou, S., Miliou, O., Dimitriadis, Y. (2023). Impacts of digital technologies on education and factors influencing schools' digital capacity and transformation: A literature review. Educ Inf Technol 28, 6695–6726. https://doi.org/10.1007/s10639-022-11431-8
UNESCO. (2021). Artificial Intelligence in Education: Challenges and Opportunities for Sustainable Development. UNESCO Publishing. https://unesdoc.unesco.org/ark:/48223/pf0000366994
Venkatesh, V., & Bala, H. (2008). Technology acceptance model 3 and a research agenda on interventions. Decision Sciences, 39(2), 273–315. https://doi.org/10.1111/j.1540-5915.2008.00192.x
Venkatesh, V., & Davis, F. D. (2000). A theoretical extension of the Technology Acceptance Model: Four longitudinal field studies. Management Science, 46(2), 186–204. https://doi.org/10.1287/mnsc.46.2.186.11926
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
Downloads
Publicado
Edição
Secção
Licença
Direitos de Autor (c) 2026 Jose Gabriel Rodríguez-Rivas, Fernando Ayala-Partida, Luis Campa-Galindo
Este trabalho encontra-se publicado com a Licença Internacional Creative Commons Atribuição-NãoComercial-CompartilhaIgual 4.0.
