Inteligencia artificial y enseñanza del español en las universidades eslovacas
Main Article Content
Abstract
La incorporación de la inteligencia artificial generativa (IAG) en la educación superior está reconfigurando no solo las prácticas docentes, sino también las formas de aprender, producir conocimiento y ejercer la responsabilidad académica. En el contexto de las universidades eslovacas donde se enseña español como lengua extranjera (ELE), la IAG no se limita a una función instrumental orientada a la eficiencia, sino que interviene en procesos cognitivos, decisiones académicas y percepciones sobre la equidad y la integridad educativa. Este estudio amplía el modelo Unified Theory of Acceptance and Use of Technology (UTAUT) mediante la incorporación de dimensiones cognitivas, éticas y distributivas, con el fin de ofrecer un marco más comprensivo para analizar la adopción de la IAG en la enseñanza de idiomas. A partir de un diseño cuantitativo transversal y del uso de modelos de ecuaciones estructurales (SEM), se examinan las percepciones de 200 estudiantes y docentes universitarios. Los resultados evidencian una valoración favorable de la utilidad percibida y una significativa activación de procesos metacognitivos, junto con una marcada sensibilidad hacia la gobernanza algorítmica y la justicia digital. No obstante, también emergen reservas relacionadas con la posible dependencia cognitiva, la autoría académica y las desigualdades en el acceso y uso de estas tecnologías. En conjunto, los hallazgos sugieren que la adopción de la IAG en la enseñanza de ELE constituye un proceso socioinstitucionalmente mediado, más que una aceptación meramente instrumental. En consecuencia, el estudio propone un modelo socioepistémico ampliado para explicar la adopción de la IAG en contextos universitarios multilingües.
Article Details

This work is licensed under a Creative Commons Attribution 4.0 International License.
References
Aloysius, A., Tjahjana, D., et al. (2025). Shaping generative AI governance in higher education: Insights from student perception. International Journal of Educational Research Open, 8, 100452. https://doi.org/10.1016/j.ijedro.2025.100452
Bundgaard, K., & Møller, A. K. (2025). Exploring generative AI in foreign language education: Insights from a student survey. EAI Endorsed Transactions on e-Learning, 11(1). https://doi.org/10.4108/eetel.9716
Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50.
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage.
Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115–135. https://doi.org/10.1007/s11747-014-0403-8
Hu, L. T., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling, 6(1), 1–55. https://doi.org/10.1080/10705519909540118
Hutchins, E. (1995). Cognition in the wild. MIT Press.
Kaşarcı, İ., Akın Demircan, Z., Çeliker Ercan, G., & İnci, T. (2025). Managing artificial intelligence ethics in higher education: A systematic framework for issues and policy recommendations. International Journal of Current Education Studies, 4(2), 112–137. https://doi.org/10.46328/ijces.223
Kildė, L. (2024). The integration of generative AI in foreign language teacher education: A systematic literature review. Pedagogika, 154(2), 5–26. https://doi.org/10.15823/p.2024.154.1
Kline, R. B. (2016). Principles and practice of structural equation modeling (4th ed.). Guilford Press.
Lee, S., Choe, H., Zou, D., & Jeon, J. (2025). Generative AI (GenAI) in the language classroom: A systematic review. Interactive Learning Environments. Advance online publication. https://doi.org/10.1080/10494820.2025.2498537
Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO. https://doi.org/10.54675/EWZM9535
Podsakoff, P. M., Podsakoff, N. P., Williams, L. J., Huang, C., & Yang, J. (2024). Common method bias: It’s bad, it’s complex, it’s widespread, and it’s not easy to fix. Annual Review of Organizational Psychology and Organizational Behavior, 11, 17–61.
UNESCO. (2021). Recommendation on the ethics of artificial intelligence. UNESCO.
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
Wang, J., & Wang, X. (2012). Structural equation modeling: Applications using Mplus. Wiley.
Zhang, Y., & Dong, C. (2024). Exploring the digital transformation of generative AI-assisted foreign language education: A socio-technical systems perspective based on mixed-methods. Systems, 12(11), 462. https://doi.org/10.3390/systems12110462