Los avances recientes en IA han transformado el panorama del aprendizaje autorregulado (AAR) en entornos educativos, creando tanto oportunidades sin precedentes como desafíos complejos que exigen un examen teórico y empírico. La literatura revela un panorama matizado donde las tecnologías de IA muestran un gran potencial para apoyar las dimensiones cognitivas y metacognitivas del AAR (Seo et al., 2021; Wang y Lin, 2023), pero también presentan desafíos para la regulación motivacional y plantean preocupaciones éticas sobre la agencia del aprendiz y su bienestar digital (Lan y Zhou, 2025).

Las bases teóricas del AAR, en particular el modelo cíclico de Zimmerman y el marco integral de Pintrich, han demostrado ser notablemente robustas en contextos de aprendizaje potenciados por IA. La estructura cíclica de tres fases de Zimmerman —planificación, ejecución y autorreflexión— se corresponde eficazmente con las aplicaciones de IA (Chiu, 2024), las cuales ofrecen un apoyo específico en cada fase. La investigación de Lan y Zhou (2025) encontró que, aunque el 50 % de las aplicaciones de IA apoyan principalmente la fase de ejecución, el apoyo integral en las tres fases sigue siendo escaso (solo el 21 % de las aplicaciones), siendo la fase de autorreflexión la que menos apoyo recibe. Esto sugiere una necesidad continua de guía humana en los procesos reflexivos. Del mismo modo, el marco de Pintrich y sus cuatro áreas de regulación (cognitiva, motivacional/afectiva, conductual y contextual) encuentra claros paralelismos en los entornos de aprendizaje mediados por IA (Yot-Domínguez y Marcelo, 2017), aunque la regulación motivacional sigue siendo particularmente problemática (Jin et al., 2023; Seo et al., 2021).

Las tecnologías de IA han demostrado un apoyo significativo a los componentes centrales del AAR en diversas disciplinas, sobre todo, en los dominios cognitivo y metacognitivo. Estudios empíricos recientes revelan relaciones significativas entre la autoeficacia en el uso de IA y el rendimiento académico, siendo la aplicación práctica de estas herramientas el predictor más fuerte de la autoeficacia (Bećirović et al., 2025). La investigación de Liang et al. (2023) halló que la interacción estudiante-IA mejoró significativamente el rendimiento a través de una mayor implicación cognitiva (β = 0.046), mientras que los sistemas de retroalimentación basados en IA mejoran la conciencia metacognitiva del estudiante a través del seguimiento del progreso y la visualización del rendimiento en tiempo real (Gkintoni et al., 2025; Molenaar et al., 2023). La implementación de la IA en el AAR revela complejas dinámicas de apoyo y obstaculización. Aunque herramientas como ChatGPT han mejorado las habilidades de investigación y han apoyado el aprendizaje autodirigido a través de la autonomía (Li et al., 2025), otros estudios revelan preocupantes correlaciones negativas (r = −0.39) entre la dependencia excesiva de la IA y el pensamiento crítico, especialmente en aprendices de 17-25 años (Gerlich, 2025). Este efecto de "descarga cognitiva" sugiere que el uso frecuente de la IA puede impedir el desarrollo de habilidades metacognitivas independientes, lo que hace que los aprendices dependan de los sistemas en lugar de desarrollar capacidades de autorregulación autónomas (Gerlich, 2025). La investigación de Glick et al. (2024) demostró que, si bien los módulos de formación con IA aumentaron el uso de herramientas de planificación y la fijación de metas, el equilibrio entre el apoyo de la IA y la agencia del aprendiz sigue siendo una preocupación crítica.

Quizá el hallazgo más significativo en la literatura es que las aplicaciones de IA tienen dificultades para apoyar la regulación motivacional, un componente crítico del AAR (Seo et al., 2021). Múltiples revisiones sistemáticas confirman que, si bien los aprendices perciben la IA como útil para la regulación metacognitiva, cognitiva y conductual, prefieren recibir apoyo humano para satisfacer sus necesidades motivacionales (Jin et al., 2023; Lan y Zhou, 2025). Desde la Teoría de la Autodeterminación, aunque la IA puede apoyar la competencia con retroalimentación personalizada y la autonomía mediante el control de las rutas de aprendizaje (Chiu, 2024; Li et al., 2025), la vinculación sigue siendo su aspecto más débil.

La evidencia empírica reciente (2020-2025) apunta cada vez más hacia los sistemas híbridos de regulación humano-IA como el enfoque óptimo para apoyar el AAR. La investigación distingue entre la autorregulación centrada en el humano, donde la IA es un facilitador que provee herramientas y datos para el control del aprendiz, y la autorregulación centrada en la IA, donde esta genera ciclos de AAR a partir de datos (Lan y Zhou, 2025). Las implementaciones más efectivas parecen implicar una interacción en la que la IA se integra en los ciclos de AAR centrados en el humano a través de las dimensiones conductual, emocional y cognitiva, manteniendo la agencia humana (Wu y Chiu, 2025).

En general, aunque la IA tiene un potencial transformador para el AAR, la evidencia sugiere que una implementación eficaz requiere un enfoque equilibrado que aproveche sus capacidades tecnológicas preservando los elementos humanos fundamentales del AAR. El desarrollo de nuevas herramientas de medición como la Escala AI-SRL es crucial para obtener una comprensión más profunda de la eficacia e impacto de las herramientas de IA, abordar la compleja interacción entre la mejora cognitiva y los posibles déficits motivacionales, así como guiar futuras integraciones que mantengan la agencia del aprendiz mientras se aprovechan las fortalezas de la IA en personalización y la gestión de la carga cognitiva.

Se utilizaron dos muestras distintas para el análisis factorial exploratorio (AFE) y el análisis factorial confirmatorio (AFC). La muestra del AFE consistió en 504 participantes, mientras que la del AFC incluyó 424. Los participantes fueron reclutados en línea mediante un muestreo por conveniencia e intencional (Creswell, 2014).

El muestreo por conveniencia se usó para facilitar el acceso a los participantes, procedentes de universidades con las que teníamos algún tipo de conexión. Nuestro muestreo fue intencional para seleccionar participantes capaces de comprender fácilmente los ítems de la escala. La mayoría era de departamentos de enseñanza de lenguas extranjeras o de literatura. En el caso de participantes de otros departamentos, se verificó que pudieran entender los ítems sin dificultad. Se priorizó la recolección de datos principalmente de estos departamentos para garantizar la claridad en la comprensión de los ítems, los cuales estaban en inglés. Esto podría haber afectado en cierta medida la generalizabilidad de las respuestas y la interpretación de los factores en algunos constructos. Futuros estudios para validar la escala podrían recolectar datos de poblaciones académicas más diversas para mejorar la generalizabilidad y los estadísticos. Los datos demográficos de nuestros participantes se resumen en la siguiente tabla.

Tabla 1
Datos demográficos

Como indica la Tabla 1, se contó con un total de 928 participantes para los dos primeros pasos (AFE y AFC) del estudio. De ellos, 594 (64.0 %) eran mujeres y 334 (36.0 %) hombres. Según el departamento académico, 288 participantes (31.0 %) eran de Enseñanza de la Lengua Inglesa, 262 (28.2 %) de Lengua y Literatura Inglesa, y 149 (16.1 %) de Grado en Farmacia. La distribución por curso incluyó a 212 participantes (22.8 %) de cursos preparatorios de inglés, 184 (19.8 %) de primer año, 260 (28.0 %) de segundo, 180 (19.4 %) de tercero y 92 (9.9 %) de cuarto o superior. También se recolectó información adicional sobre el uso de la tecnología y la IA en el aprendizaje por parte de los participantes. La Tabla 2 resume esta información.

Tabla 2
Uso de tecnología e IA en el aprendizaje por parte de los participantes

Como se observa en la Tabla 2, los participantes indicaron su nivel de uso de la tecnología en el aprendizaje; la gran mayoría reportó niveles medios (395, 42.5 %), altos (338, 36.4 %) y muy altos (141, 14 %). Aquellos con un nivel bajo o muy bajo representaron el 5.8 % de los participantes. También proporcionaron información sobre su experiencia con la IA: 543 de ellos (58.5 %) tenían un año de experiencia, 239 tenían 2 años (25.7 %), 81 tenían 3 años (8.7 %), y el resto tenía 4, 5, 6 o más años de experiencia. Finalmente, recabamos datos sobre la frecuencia de uso de la IA para aprender. El número de participantes que la usaba cada día fue de 104 (11.2 %), 212 (aproximadamente el 22.8 %) la usaba varias veces por semana, 141 (15.2 %) una vez por semana, 180 (19.3 %) varias veces al mes, y 189 (20.3 %) una vez al mes. Además, 102 participantes (aproximadamente el 11 %) reportaron usar la IA para aprender cuando lo necesitaban.

El desarrollo de escalas constituye un proceso fundamental en la investigación social y conductual, el cual suele comprender tres fases principales: la generación de ítems, la construcción de la escala y la evaluación de la misma (Boateng et al., 2018). La fase de generación de ítems se inicia con la definición precisa del constructo que se desea medir y la elaboración de un banco preliminar de ítems (DeVellis, 1991).

En este estudio, el banco inicial de ítems se elaboró a través de una revisión exhaustiva de la literatura sobre AAR e IA. La validez de contenido suele evaluarse mediante una revisión realizada por expertos (Teeluckdharry et al., 2021). Los ítems de nuestra escala se diseñaron para capturar las dimensiones clave del AAR en el contexto de la IA, asegurando su coherencia con los marcos teóricos existentes. El banco inicial de ítems se sometió a un riguroso proceso de validación de contenido por un panel de siete expertos. La selección de los expertos se realizó con base en criterios específicos: (1) poseer un doctorado en Tecnología Educativa, Psicología Educativa o un campo afín; (2) un mínimo de cinco años de experiencia en investigación; y (3) al menos dos publicaciones revisadas por pares sobre AAR o la aplicación de la IA en la educación. Esta estrategia de muestreo intencional aseguró un alto nivel de experiencia tanto teórica como práctica. El panel proporcionó retroalimentación sobre la claridad, la relevancia y la representatividad de los ítems. La validez de contenido se evaluó con el Índice de Validez de Contenido (IVC). Se conservaron aquellos ítems que alcanzaron un IVC ≥ .80 por parte de al menos 6 de los 7 expertos. El promedio del IVC a nivel de escala (IVC-E/Prom) fue de .92, superando el umbral recomendado de .90.

Los ítems fueron revisados o eliminados basándose en esta retroalimentación, lo que resultó en una escala preliminar para la prueba piloto. La literatura señala varios tamaños de muestra para estudios piloto. Johanson y Brooks (2009) destacan que Isaac y Michael (1995) y Hill (1998) sugirieron entre 10 y 30 participantes, mientras que Mooney y Duval (1993) propusieron entre 30 y 50, y Hertzog (2008) entre 25 y 40 para el desarrollo de escalas. En nuestro caso, la prueba piloto se llevó a cabo con una muestra de 33 participantes que representaban características similares a las de los grupos objetivo del estudio. El objetivo de la prueba piloto fue identificar problemas relacionados con la redacción de los ítems, las opciones de respuesta o la extensión global de la escala. A partir de los resultados, se realizaron revisiones menores para mejorar la claridad y la fiabilidad de los ítems.

Análisis Factorial Exploratorio (AFE)

La fase de construcción de la escala incluye la prueba preliminar, la administración del cuestionario, la reducción de ítems y la extracción de factores (Boateng et al., 2018). Tras la aplicación de la escala al primer grupo de participantes, se procedió al siguiente paso. La fase de evaluación de la escala implica la prueba de la dimensionalidad, la fiabilidad y la validez (Teeluckdharry et al., 2021). Se evaluó la adecuación de los datos de la primera muestra (n = 504) para el análisis factorial. La medida de adecuación muestral de Kaiser-Meyer-Olkin (KMO) fue de .96, lo que indica una adecuación excelente (Kaiser y Rice, 1974). Además, la Prueba de Esfericidad de Bartlett fue significativa, χ2 = 9846.80,p < .001, lo que confirmó que la matriz de correlaciones no era una matriz de identidad y que, por tanto, resultaba apropiada para el análisis. Tras esto, se llevó a cabo un Análisis Factorial Exploratorio (AFE) con SPSS 22 para examinar y confirmar la estructura factorial de la Escala AI-SRL. El AFE se utilizó para revelar la estructura factorial subyacente e identificar grupos de ítems relacionados, estableciendo así la validez de constructo de la escala al reducir los datos a un número menor de factores significativos (Field, 2018).

Se empleó el Análisis de Componentes Principales (ACP) como método de extracción y la rotación promax —un método de rotación oblicua— que permite correlaciones entre factores (Kline, 2014; Muthén y Muthén, 2017). Aunque se probaron la Factorización de Ejes Principales (FEP) y la Máxima Verosimilitud (MV), no generaron soluciones factoriales estables o interpretables. Dado nuestro objetivo de explorar las dimensiones subyacentes y reducir los ítems a componentes coherentes, se seleccionó el ACP por su robustez e interpretabilidad en este contexto, en concordancia con recomendaciones previas para el desarrollo inicial de escalas (Fabrigar y Wegener, 2012; Jolliffe, 2014). Para garantizar aún más la validez, se utilizó una muestra distinta para realizar un Análisis Factorial Confirmatorio (AFC) mediante AMOS, que confirmó la estructura derivada del ACP con índices de ajuste del modelo satisfactorios.

El AFE sugirió en la mayoría de los casos una solución de cuatro factores, y en algunos casos cinco, basándose en autovalores superiores a uno. Tras evaluar un gran número de modelos con AFE y AFC, se adoptó la solución de cinco factores por ser la que ofreció el mejor ajuste del modelo. En la etapa de AFE, se mantuvieron los ítems con cargas factoriales de 0.4 o superiores, umbral considerado significativo (Floyd y Widaman, 1995; Hair et al., 2010). Durante el AFE, se eliminaron tres ítems debido a cargas cruzadas que no superaban el umbral de diferencia de 0.10 (Büyüköztürk, 2018): “No comparto mi información personal al usar herramientas de IA”, “Verifico la originalidad del trabajo generado por IA antes de usarlo” y “Me aseguro de que mis compañeros también usen la IA de forma ética”. En la etapa de AFC, se eliminaron nueve ítems adicionales debido a cargas estandarizadas bajas o marginales, redundancia con ítems de mayor carga o índices de modificación problemáticos entre factores. Estos incluían ítems correspondientes a Competencia en IA (ej., “Puedo aprender rápidamente a usar nuevas herramientas de IA”), de Conciencia del Aprendizaje reflexiva (ej., “Evalúo si las herramientas de IA me dan información precisa”), y de Colaboración Ética (ej., “Discuto cuestiones éticas sobre IA con compañeros”). Las decisiones de eliminación se basaron en criterios estadísticos y conceptuales para asegurar el rigor psicométrico y la coherencia teórica de la escala final. Los ítems eliminados y su justificación se detallan en el Apéndice B. El AFE reveló una estructura de cinco factores que explicó el 62.42 % de la varianza total. Los ítems mostraron cargas elevadas en sus respectivos factores, con valores entre 0.44 y 0.96.

Tabla 3
Autovalores del análisis paralelo

Como muestra la Tabla 3, los autovalores de los primeros cuatro factores son superiores a uno, y el del quinto es 0.99, justo por debajo de 1.00. Decidimos mantenerlo como factor en la escala final porque estaba respaldado por la literatura previa y los análisis posteriores. Se realizó un análisis paralelo empleando 1000 matrices de datos generadas aleatoriamente con el mismo número de variables (31) y participantes (504). Los primeros tres factores superaron claramente el percentil 95 de los autovalores aleatorios, lo que justificó firmemente su retención. Los factores 4 y 5 tuvieron autovalores ligeramente por debajo del umbral del percentil 95, pero se mantuvieron basándose en: (a) su alineación teórica con los marcos de AAR, (b) cargas factoriales adecuadas (todas > .40), y (c) una mejora en el ajuste del modelo en el AFC posterior. Esta decisión se encuentra en consonancia con las recomendaciones de considerar múltiples criterios más allá de los autovalores para la retención de factores (Fabrigar y Wegener, 2012). Asimismo, la solución de cinco factores fue respaldada por un gráfico de sedimentación, que ilustra los factores potenciales dentro de la escala (Eisinga et al., 2013).

Figura 1
Gráfico de sedimentación del análisis factorial exploratorio inicial

El gráfico de sedimentación también respaldó una solución de cinco factores, ya que la pendiente del gráfico se aplanó considerablemente después del quinto factor. El Apéndice C presenta las cargas factoriales de cada ítem del modelo inicial, lo que describe la naturaleza subdimensional de la escala. Tras este análisis, se eliminaron los ítems 21, 24 y 29. Los 31 ítems restantes formaron una estructura de cinco factores, que luego fue sometida a un AFC utilizando los datos del segundo grupo de estudio. Este análisis posterior dio como resultado la escala final de 22 ítems.

Análisis Factorial Confirmatorio (AFC)

Una vez confirmado el modelo inicial del AFE, recolectamos nuevos datos basados en este último modelo, los cuales se usaron para el AFC. Sun (2005) indica tres propósitos principales para realizar un AFC: evaluación de la validez de constructo, comparación de patrones de respuesta y comparación de modelos competidores. En nuestro caso, lo usamos para evaluar la validez de constructo y comparar modelos.

El AFC, realizado con una muestra independiente (n = 424), se utilizó para probar la estructura de cinco factores identificada en el AFE. El modelo inicial se refinó basándose en las cargas estandarizadas y los índices de modificación. Los ítems con cargas bajas o aquellos que creaban una covarianza significativa entre factores se eliminaron iterativamente para mejorar el ajuste del modelo, manteniendo al mismo tiempo la coherencia teórica. Este proceso dio como resultado el modelo final de 22 ítems. La Tabla 4 resume los principales índices de ajuste de los análisis de AFC.

Tabla 4
Resultados del AFC

Como indica la Tabla 4, el modelo final demostró un buen ajuste a los datos, evaluado según los criterios de ajuste convencionales (Hu y Bentler, 1999). Los índices de ajuste fueron: χ2/gl (CMIN/DF) = 2.82, Índice de Ajuste Comparativo (CFI) = .97, Índice de Tucker-Lewis (TLI) = .95, Error Cuadrático Medio de Aproximación (RMSEA) = .04 (IC 90 % [.035, .045]), y Raíz del Residuo Cuadrático Medio Estandarizado (SRMR) = .04. Dado que el CFI y el TLI fueron superiores a .95 y el RMSEA y el SRMR inferiores a .05, el modelo de cinco factores se confirmó como una representación válida de los datos.

Modelo de Análisis Factorial Confirmatorio (AFC)

La siguiente figura ilustra el modelo de AFC y los coeficientes entre variables e ítems.

Figura 2
Análisis factorial confirmatorio de la escala AI-SRL con coeficientes de trayectoria estandarizados

La figura confirma el modelo final, que consta de 5 factores y 22 ítems. Los cinco factores confirmados mediante el AFC representan dimensiones distintas del aprendizaje autorregulado potenciado por IA con claras implicaciones pedagógicas.

La Competencia en IA (Factor 1, 6 ítems) refleja la autoeficacia y la competencia técnica del aprendiz al utilizar herramientas de IA con fines educativos, reflejando su confianza para adaptarse a diversas interfaces, comprender instrucciones generadas por IA e interpretar eficazmente la información que esta produce para su aprendizaje. La Conciencia del Aprendizaje (Factor 2, 4 ítems) abarca procesos de monitorización metacognitiva donde los aprendices supervisan de forma consciente su comprensión, progreso y eficacia al interactuar con sistemas de IA, lo que incluye la reflexión crítica acerca de su dependencia de estas herramientas. Las Estrategias de Aprendizaje (Factor 3, 4 ítems) implica la selección, adaptación e implementación de estrategias cognitivas apoyadas por IA, incluyendo cómo los aprendices usan la IA para encontrar métodos de estudio efectivos, mejorar la resolución de problemas y fortalecer el pensamiento crítico. La Implicación y Eficiencia (Factor 4, 4 ítems) evalúa la regulación conductual y motivacional del aprendiz para mantener la participación, lograr resultados de aprendizaje permanentes y sostener el interés al usar herramientas de IA adaptadas a su estilo. La Colaboración Ética (Factor 5, 4 ítems) representa una dimensión novedosa que aborda la conciencia del aprendiz sobre el uso responsable de la IA, incluyendo consideraciones sobre responsabilidad personal, privacidad, sesgos potenciales y seguridad de la información en contextos de aprendizaje asistidos por IA.

Estos factores, en conjunto, operacionalizan cómo los aprendices contemporáneos afrontan el complejo panorama de la educación potenciada por IA manteniendo sus capacidades de autorregulación. La versión validada completa de la Escala AI-SRL, compuesta por 22 ítems organizados en torno a estos cinco factores, se presenta en el Apéndice A. En las secciones siguientes se detalla la fiabilidad y validez de la escala.

Realizamos varias pruebas con el propósito de garantizar la fiabilidad de la escala AI-SRL. Estas pruebas se explican a continuación.

Consistencia interna

Se calculó el Alfa de Cronbach para evaluar la consistencia interna de la escala general y de cada factor, utilizado como indicador del grado de homogeneidad de los ítems. Valores de Alfa de Cronbach superiores a .90 se consideran de consistencia excelente; entre .80 y .90 reflejan una buena consistencia; entre .70 y .80 indican una consistencia aceptable; entre .60 y .70 son cuestionables; de .50 a .60 son pobres; y valores por debajo de .50 son inaceptables (George y Mallery, 2003). La escala general mostró una consistencia interna excelente (α = .94, IC 95 % [.93, .95]). Los subfactores individuales también mostraron una fiabilidad de buena a excelente: Competencia en IA (α = .91), Conciencia del Aprendizaje (α = .88), Estrategias de Aprendizaje (α = .84), Implicación y Eficiencia (α = .86), y Colaboración Ética (α = .87). Los estadísticos detallados, incluidas las correlaciones ítem-factor, se presentan en el Apéndice D.

Fiabilidad de dos mitades (split-half)

Se realizó un análisis de fiabilidad de dos mitades en la escala AI-SRL para evaluar adicionalmente la consistencia de los ítems. La Tabla 5 muestra los resultados de este análisis.

Tabla 5
Resultados del análisis de fiabilidad de dos mitades (split-half)

Notas: ᵃ Los ítems son: 1, 3, 5, 7, 9, 11, 13, 15, 17, 19, 21.

ᵇ Los ítems son: 2, 4, 6, 8, 10, 12, 14, 16, 18, 20, 22.

Como indica la Tabla 5, el coeficiente de Spearman-Brown fue de .89 (IC 95 % [.87, .91]) y el coeficiente de Dos Mitades de Guttman fue de .89 (IC 95 % [.87, .91]), lo que muestra una excelente fiabilidad de dos mitades. La correlación entre formas fue de .80 (IC 95 % [.77, .83]).

Según Cheung et al. (2024), la validez convergente requiere una Fiabilidad Compuesta (FC) ≥ 0.70, cargas estandarizadas ≥ 0.50 y una Varianza Media Extraída (VME) ≥ 0.50, criterios que nuestro modelo cumple. La Tabla 6 muestra las puntuaciones de las escalas AI-SRL.

Tabla 6
FC, VME, MVC y correlaciones entre factores

Nota: Los intervalos de confianza del 95% para las correlaciones están disponibles en los materiales suplementarios. Todas las correlaciones son significativas a p < .001. FC = Fiabilidad Compuesta; VME = Varianza Media Extraída; MVC = Varianza Máxima Compartida.

La validez discriminante se probó a través de múltiples criterios: (a) ningún ítem presentó cargas cruzadas entre constructos, (b) la VME de cada constructo superó las correlaciones inter-constructo al cuadrado, y (c) las correlaciones entre factores estuvieron por debajo de los valores recomendados —ninguna superó 0.85— (Cheung et al., 2024; Hair et al., 2010). Aunque se encontraron algunas correlaciones altas entre Conciencia del Aprendizaje, Implicación y Eficiencia y Estrategias de Aprendizaje, estos constructos mantuvieron su distinción teórica dentro del marco AI-SRL. Por tanto, su retención se consideró psicométricamente justificable y conceptualmente significativa.

Los análisis estadísticos se realizaron con IBM SPSS Statistics 22 y AMOS 22. Todos los intervalos de confianza se calcularon al nivel del 95 % usando el método bootstrap acelerado y con corrección de sesgo (BCa) con 5000 remuestreos. El análisis paralelo se empleó con la sintaxis de SPSS de O'Connor (2000), generando 1000 matrices de correlación aleatorias para la comparación de autovalores. Se fijó un nivel de significancia de α = .05 para todas las pruebas, aplicando correcciones de Bonferroni para comparaciones múltiples cuando fue apropiado. La escala validada ofrece una medida fiable y válida del AAR en el contexto de la IA, con potenciales aplicaciones tanto en la investigación como en la práctica educativa. Futuras investigaciones podrían ampliar el uso de la escala en diversas poblaciones y entornos.

Esta investigación recibió aprobación ética de la Universidad de Ciencias Sociales de Ankara, según el número de decisión 98038.

De acuerdo con los principios de transparencia, declaramos el uso de herramientas de IA en la preparación de este manuscrito. Utilizamos Claude Opus principalmente para el refinamiento lingüístico, específicamente para mejorar estructuras gramaticales, la fluidez de las oraciones y asegurar la consistencia en la terminología académica. Esta herramienta se empleó exclusivamente como asistente editorial para el pulido del lenguaje, no para generar contenido de investigación, análisis de datos o contribuciones teóricas. Todo el contenido sustantivo, incluyendo el diseño de la investigación, la recolección de datos, los análisis estadísticos y la interpretación de los resultados, representa el trabajo original de los autores. Mantuvimos el control editorial total, revisando y modificando críticamente todas las sugerencias de la IA. Los autores asumen la plena responsabilidad por la exactitud, originalidad e integridad académica del manuscrito final.

Los datos y materiales utilizados en este estudio están disponibles previa solicitud al autor de correspondencia.

Los autores declaran no haber recibido financiación.