Diseño y validación inicial de la escala CREEAI-6: un instrumento para medir creencias sobre capacidades de la IA en el contexto argentino
DOI:
https://doi.org/10.63790/cdvs.v19i1.517Palabras clave:
creencias, inteligencia artificial, validación de escalas, análisis factorial exploratorioResumen
Este artículo presenta el diseño y la evaluación psicométrica inicial de la CREEAI-6, una escala breve de seis ítems para evaluar creencias sobre capacidades específicas de la inteligencia artificial (IA) en el contexto argentino. Los ítems fueron desarrollados a partir de investigaciones previas sobre representaciones sociales de la IA en Argentina (Becerra, Mezzadra & Movía, 2025), cubriendo seis áreas de contenido: decisiones justas, respuestas certeras, orientación psicológica, compañía emocional, investigación científica y enseñanza/aprendizaje. La escala se administró a una muestra de 426 adultos argentinos usuarios de IA. Los resultados mostraron una consistencia interna adecuada (α = .804; ω = .811). El análisis factorial exploratorio (AFE) mostró una solución compatible con una estructura predominantemente unifactorial, que explicó el 42% de la varianza total, con cargas factoriales que oscilaron entre .553 y .767. No obstante, los índices de ajuste global del modelo fueron subóptimos (RMSEA = .152; TLI = .807), por lo que la unidimensionalidad de la escala debe considerarse preliminar y requerirá confirmación mediante análisis factorial confirmatorio en muestras independientes. Como evidencia de validez basada en la relación con otras variables, la CREEAI-6 presentó una correlación positiva y moderada con la actitud general hacia la IA (AIAS-4; ρ = .487, *p* < .001) y diferencias significativas en función de la frecuencia de uso de IA y del sexo, en línea con lo esperado teóricamente. Se discuten las implicancias de contar con un instrumento breve con indicadores psicométricos iniciales adecuados para medir creencias sobre capacidades de la IA en población argentina y se sugieren futuras líneas de investigación para ampliar la evidencia de validez del instrumento.
Citas
AERA, A. NCME, American Educational Research Association (AERA), American Psychological Association (APA), & National Council on Measurement In Education (NCME) (2014). Standards for educational and psychological testing.7
Ajzen, I. (1991). The theory of planned behavior. Organizational Behavior and Human Decision Processes, 50(2), 179-211. https://doi.org/10.1016/0749-5978(91)90020-T
Alfahl, S. (2025). Knowledge attitudes and ethical concerns about artificial intelligence among medical students at Taibah University: A cross-sectional study. Advances in Medical Education and Practice, 16, 1609-1620. https://doi.org/10.2147/AMEP.S528281
Alzarea, A. I., Alatawi, A. D., Alharbi, K. S., Alanazi, A. S., Alrashidi, A. H., Alshammari, M. S., Alshammari, T. K., & Alshammari, F. (2025). Evaluating AI performance in infectious disease education: A comparative analysis of ChatGPT, Google Bard, Perplexity AI, Microsoft Copilot, and Meta AI. Frontiers in Medicine, 12, Article 1679153. https://doi.org/10.3389/fmed.2025.1679153
Becerra, G., Mezzadra, J. I., & Movia, G. (Eds.) (2025a). Mitos y representaciones de la Inteligencia Artificial. Editorial de la Universidad de Flores. https://doi.org/10.63790/978-987-710-129-4
Becerra, G., Mezzadra, J., Ruiz Ortiz, I., & Gambino, B. (2025b). Representaciones sociales de la Inteligencia Artificial: una comparación entre 2021 y 2024. Cultura y Representaciones Sociales, 20(39), Article e0002048. https://www.culturayrs.unam.mx/index.php/CRS/article/view/12860
Bobkov, A., Krasnov, G., Kolganov, A., Panov, M., & Burkin, M. (2025). Telepsychiatry and artificial intelligence: A structured review of emerging approaches to accessible psychiatric care. Healthcare, 13(11), Article 1348. https://doi.org/10.3390/healthcare13111348
Bryce, C., Dowling, M., & Lucey, B. (2020). The journal quality perception gap. Research Policy, 49(7), Article 103957. https://doi.org/10.1016/j.respol.2020.103957
Campbell, D. T., & Fiske, D. W. (1959). Convergent and discriminant validation by the multitrait-multimethod matrix. Psychological Bulletin, 56(2), 81-105. https://doi.org/10.1037/h0046016
Candrian, C., & Scherer, A. G. (2022). Decision-making with AI: The role of human oversight and responsibility attribution. Journal of Business Ethics, 180(2), 1-18. https://doi.org/10.1007/s10551-021-04984-2
Chen, J., Xie, W., Xie, Q., Hu, A., Qiao, Y., Wan, R., & Liu, Y. (2025). A systematic review of user attitudes toward GenAI: Influencing factors and industry perspectives. Journal of Intelligence, 13(7), 78. https://doi.org/10.3390/jintelligence13070078
Clark, L. A., & Watson, D. (2019). Constructing validity: New developments in creating objective measuring instruments. Psychological assessment, 31(12), 1412. https://doi.org/10.1037/pas0000626
Costello, A. B., & Osborne, J. (2005). Best practices in exploratory factor analysis: Four recommendations for getting the most from your analysis. Practical assessment, research, and evaluation, 10(1), 1-9. https://doi.org/10.7275/jyj1-4868
Fabrigar, L. R., Wegener, D. T., MacCallum, R. C., & Strahan, E. J. (1999). Evaluating the use of exploratory factor analysis in psychological research. Psychological Methods, 4(3), 272-299. https://doi.org/10.1037/1082-989X.4.3.272
Feenstra, R. A., Carretero García, C., & Gómez Nicolau, E. (2024). Perception of research misconduct in a Spanish university. Journal of Academic Ethics. Advance online publication. https://doi.org/10.1007/s10805-024-09526-7
Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
Finch, W. H. (2020). Using fit statistic differences to determine the optimal number of factors to retain in an exploratory factor analysis. Educational and psychological measurement, 80(2), 217-241. https://doi.org/10.1177/001316441986576
Fox, J. (2019). polycor: Polychoric and Polyserial Correlations. R package version (0.7-10). https://cran.r-project.org/package=polycor
Goretzko, D., Pham, T. T. H., & Bühner, M. (2021). Exploratory factor analysis: Current use, methodological developments and recommendations for good practice. Current Psychology, 40(7), 3510-3521. https://doi.org/10.1007/s12144-019-00300-2
Grassini, S. (2023). Development and validation of the AI attitude scale (AIAS-4): A brief measure of general attitude toward artificial intelligence. Frontiers in Psychology, 14, 1191628. https://doi.org/10.3389/fpsyg.2023.1191628
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage.
Hoff, K. A., & Bashir, M. (2015). Trust in automation: Integrating empirical evidence on factors that influence trust. Human Factors, 57(3), 407-434. https://doi.org/10.1177/0018720814547570
Horn, J. L. (1965). A rationale and test for the number of factors in factor analysis. Psychometrika, 30(2), 179-185. https://doi:10.1007/BF02289447
Kaiser, H. F. (1974). An index of factorial simplicity. Psychometrika, 39(1), 31-36. https://doi.org/10.1007/BF02291575
Kline, R. B. (2016). Principles and practice of structural equation modeling (4th ed.). Guilford Press.
Kornowicz, J., & Thommes, K. (2025). Algorithm, expert, or both? Evaluating the role of feature selection methods on user preferences and reliance. PLoS ONE, 20(3), e0318874. https://doi.org/10.1371/journal.pone.0318874
Leightley, D., Lavelle, G., Sun, S., & Fear, N. T. (2026). Effectiveness of AI-based interventions in workplace mental health: A systematic review and narrative synthesis. British Medical Bulletin, 157(1), 1-14. https://doi.org/10.1093/bmb/ldag007
Luque-Reca, O., Peñacoba, C., Catalá, P., Gutiérrez Hermoso, L., & Grassini, S. (2026). Artificial intelligence attitudes in higher education: Spanish validation of the AIAS-4 and its associations with well-being and academic AI usage. Current Psychology, 45(4), 370. https://doi.org/10.1007/s12144-025-08566-5
Mezzadra, J. I., Gambino, B., Bustamante-Serón, V., & Ruiz Ortiz, I. (2026). Adaptación y validación de la AI Attitude Scale (AIAS-4) en el contexto argentino. Desarrollos en Ciencias Sociales Computacionales, 1(1), e6. https://revistadesarrollos.uflo.edu.ar/index.php/RDCSC/article/view/8
Møgelvang, A., & Grassini, S. (2025). Validating the AI attitude scale (AIAS-4) and exploring attitudinal differences in a large sample of Norwegian university students. Discovery Education, 4(1), Article 212. https://doi.org/10.1007/s44217-025-00657-6
Morales-García, W. C., Sairitupa-Sanchez, L. Z., Morales-García, S. B., & Morales-García, M. (2024). Adaptation and psychometric properties of an attitude toward artificial intelligence scale (AIAS-4) among Peruvian nurses. Behavioral Sciences, 14(6), Article 437. https://doi.org/10.3390/bs14060437
Muthukumar, K. (2025). Empathy AI in healthcare. Frontiers in Psychology, 16, Article 1680552. https://doi.org/10.3389/fpsyg.2025.1680552
Nguyen-Duc, A., Pham, N., & Hung, P. N. (2024). The landscape of ML fairness research in higher education: A systematic mapping study. SSRN. https://doi.org/10.2139/ssrn.4713827
Nichol, B., Howarth, M., Nolan, C., & Victor, C. (2024). Exploring the impact of socially assistive robots on health and wellbeing across the lifespan. International Journal of Nursing Studies, 153, Article 104730. https://doi.org/10.1016/j.ijnurstu.2024.104730
Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). McGraw-Hill.
Ondé, D., & Alvarado, J. M. (2020). Reconsidering the Conditions for Conducting Confirmatory Factor Analysis. The Spanish Journal of Psychology, 23, e55. https://doi.org/10.1017/SJP.2020.56
Pagano, T. P., Loureiro, R. B., Lisboa, F. V. N., Peixoto, R. M., Guimarães, G. A. S., Cruz, G. O. R., Araujo, M. M., Santos, L. L., Cruz, M. A. S., Oliveira, E. L. S., & Winkler, I. (2023). Bias and unfairness in machine learning models: A systematic review on datasets, tools, fairness metrics, and identification and mitigation methods. Big Data and Cognitive Computing, 7(1), Article 15. https://doi.org/10.3390/bdcc7010015
Peng, J., & Li, Y. (2025). Frontiers of artificial intelligence for personalized learning in higher education: A systematic review of leading articles. Applied Sciences, 15(18), Article 10096. https://doi.org/10.3390/app151810096
Pérez, E. R., & Medrano, L. A. (2010). Análisis factorial exploratorio: bases conceptuales y metodológicas. Revista Argentina de Ciencias del Comportamiento (RACC), 2(1), 58-66. https://doi.org/10.32348/1852.4206.v2.n1.15924
R Core Team. (2024). R: A language and environment for statistical computing. R Foundation for Statistical Computing. https://www.R-project.org/
Santiago-Torner, C., Corral-Marfil, J. A., & Tarrats-Pons, E. (2025). Artificial intelligence and the reconfiguration of emotional well-being (2020–2025): A critical reflection. International Journal of Environmental Research and Public Health, 22(1), Article 1. https://doi.org/10.3390/ijerph22010001
Schepman, A., & Rodway, P. (2020). Initial validation of the general attitudes towards Artificial Intelligence Scale. Computers in Human Behavior Reports, 1, 100014. https://doi.org/10.1016/j.chbr.2020.100014
Schepman, A., & Rodway, P. (2022). The General Attitudes towards Artificial Intelligence Scale (GAAIS): Confirmatory validation and associations with personality, corporate distrust, and general trust. International Journal of Human-Computer Interaction, 39(13), 2724-2741. https://doi.org/10.1080/10447318.2022.2085400
Shi, Q., Zhang, J., & Zhao, W. (2025). Progress or plateau? A 20-year systematic review of self-efficacy among TCFL teachers. Frontiers in Psychology, 16, Article 1678437. https://doi.org/10.3389/fpsyg.2025.1678437
Sindermann, C., Sha, P., Zhou, M., Wernicke, J., Schmitt, H. S., Li, M., ... & Montag, C. (2021). Assessing the attitude towards artificial intelligence: Introduction of a short measure in German, Chinese, and English language. KI - Künstliche Intelligenz, 35, 109-118. https://doi.org/10.1007/s13218-020-00689-0
Trelles, A., Ruiz, T. F., & Rojo, A. P. (2025). Systematic review and meta-analysis of explainable machine learning models for clinical depression detection. Behavioral Sciences, 15(11), Article 1476. https://doi.org/10.3390/bs15111476
Publicado
Cómo citar
Número
Sección
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Los autores que publican en esta revista están de acuerdo con los siguientes términos:
- Los autores conservan los derechos de autor y garantizan a la revista el derecho de ser la primera publicación del trabajo al igual que licenciado bajo una Creative Commons Attribution License que permite a otros compartir el trabajo con un reconocimiento de la autoría del trabajo y la publicación inicial en esta revista.
- Los autores pueden establecer por separado acuerdos adicionales para la distribución no exclusiva de la versión de la obra publicada en la revista (por ejemplo, situarlo en un repositorio institucional o publicarlo en un libro), con un reconocimiento de su publicación inicial en esta revista.
- Se permite y se anima a los autores a difundir sus trabajos electrónicamente (por ejemplo, en repositorios institucionales o en su propio sitio web) antes y durante el proceso de envío, ya que puede dar lugar a intercambios productivos, así como a una citación más temprana y mayor de los trabajos publicados (Véase The Effect of Open Access) (en inglés).
