INTRODUCCIÓN

En este estudio, el marco teórico se diseña para poner a prueba un modelo de mediación en el que la motivación actúa como variable independiente, la procrastinación como variable mediadora y la dependencia a ChatGPT como variable dependiente. Con el fin de ofrecer al lector una hoja de ruta clara, la revisión de la literatura se organiza de manera lógica. En primer lugar, se abordan las teorías fundamentales sobre motivación y procrastinación, analizando la relación previamente establecida entre estos dos constructos. En segundo lugar, se define la dependencia a la inteligencia artificial en el contexto de la educación superior, centrándose en la excesiva confianza en estos sistemas para la realización de tareas académicas. Finalmente, el marco integra estos tres conceptos al vincular la motivación con la dependencia a ChatGPT y, a su vez, la procrastinación con dicha dependencia, alineando el flujo teórico con el modelo propuesto.

Motivación y procrastinación en los procesos de aprendizaje

La motivación constituye un constructo complejo dentro de la psicología y el comportamiento humano, ejerciendo influencia en la forma en que las personas deciden distribuir su tiempo, el nivel de esfuerzo que invierten en una tarea, los pensamientos y emociones que desarrollan respecto a la actividad, así como en su perseverancia para completarla (Filgona et al., 2020).

Aunque se han propuesto numerosas teorías influyentes para comprender la motivación individual, como la Teoría de la Atribución, la Teoría de la Expectativa-Valor, el modelo ARCS, la Teoría Social Cognitiva y la Teoría de Orientación a Metas, entre otras, la Teoría de la Autodeterminación (del inglés, Self-Determination Theory, en adelante SDT) ha cobrado recientemente mayor relevancia al explicar los cambios de actitudes hacia la Inteligencia Artificial (p. ej., Chai et al., 2023; Chiu, 2024; Chiu y Chai, 2020; Xia et al., 2022). La taxonomía asociada a esta teoría explica cómo las distintas formas de motivación varían según el grado de autodeterminación, desde la ausencia de motivación, pasando por motivaciones controladas por factores externos, hasta formas más autónomas vinculadas a intereses personales (Ryan y Deci, 2020).

En este sentido, la amotivación se refiere a la ausencia de intención de actuar, a menudo derivada de una falta percibida de competencia o de valor en la actividad. La motivación extrínseca, en cambio, está impulsada por recompensas o presiones externas, aunque varía en su nivel de autonomía según el grado de internalización. La forma más autónoma de motivación es la motivación intrínseca, que surge del disfrute y la satisfacción inherentes a la propia actividad, promoviendo así tanto el compromiso como la persistencia (Ryan y Deci, 2020).

Asimismo, la SDT sostiene que las diferentes formas de motivación (intrínseca, extrínseca y amotivación) están estrechamente relacionadas con el grado en que se satisfacen tres necesidades psicológicas básicas: competencia, autonomía y relación (Ryan y Deci, 2020).

En primer lugar, la competencia puede entenderse como la sensación de ser eficaz y capaz en las interacciones con el entorno. Implica dominar tareas y alcanzar los resultados deseados, fomentando un sentido de logro y crecimiento. Sentirse competente fortalece tanto la motivación intrínseca como las formas más autodeterminadas de motivación extrínseca, mientras que la falta de competencia puede conducir a la amotivación. Diversos estudios han mostrado cómo una fuerte competencia, a menudo reflejada en un alto rendimiento en la ejecución de tareas, es un predictor del incremento de la motivación intrínseca en los estudiantes (p. ej., Garon-Carrier et al., 2016; Van Bergen et al., 2022).

En segundo lugar, la autonomía puede definirse como la sensación de controlar las propias acciones y decisiones. Permite a los individuos actuar de manera voluntaria y perseguir metas de forma autoaprobada. La motivación intrínseca se potencia cuando las personas perciben libertad y capacidad de elección, mientras que la falta de autonomía puede contribuir a la amotivación o a formas controladas de motivación extrínseca. En este sentido, estudios previos han mostrado que los estudiantes que aprenden en contextos docentes que apoyan la autonomía presentan una mayor motivación intrínseca, mayor compromiso en el aula y desarrollo de habilidades, así como una menor probabilidad de abandono escolar (p. ej., Cheon et al., 2020; Ljubin-Golub et al., 2020; Reeve y Cheon, 2021).

En tercer lugar, el concepto de relación alude a la necesidad fundamental de establecer vínculos con los demás, experimentar pertenencia y desarrollar lazos interpersonales significativos. Implica la percepción de ser cuidado, apoyado y comprendido en contextos sociales. Cuando esta necesidad se satisface, los individuos tienden a mostrar formas más autónomas de motivación, involucrándose de manera más plena en actividades que nutren su sentido de conexión. Evidencia previa ha demostrado que fomentar la relación en el aula influye parcialmente en el incremento de la motivación intrínseca del alumnado (p. ej., Ganotice et al., 2024; Guay et al., 2019).

Como se observa, desde la perspectiva de la SDT, las necesidades psicológicas básicas tienen un impacto significativo en la motivación de los estudiantes. Además, de acuerdo con la evidencia previa, contar con esta motivación es clave para reducir ciertos constructos como la procrastinación, un fenómeno que se analiza con mayor detalle en este trabajo.

La procrastinación se describe comúnmente como una tendencia irracional a posponer tareas o responsabilidades esenciales, a pesar de las consecuencias negativas que este retraso pueda tener tanto para las personas como para las organizaciones (Klingsieck, 2013). La procrastinación representa un déficit de autorregulación asociado tanto a disposiciones personales como a factores ambientales (Hen y Goroshit, 2018). En concreto, diversos estudios señalan que los factores relacionados con la tarea (como instrucciones poco claras, momento de las recompensas y castigos, y el carácter aversivo de la tarea), los rasgos de personalidad (p. ej., el modelo de los cinco grandes, la motivación y la cognición) y las influencias contextuales (p. ej., tentaciones, incentivos y mecanismos de rendición de cuentas) son elementos clave que contribuyen a la procrastinación (Johnson y Bloom, 1995; Wypych et al., 2018).

La procrastinación puede actuar como una barrera para el logro, ejerciendo efectos perjudiciales sobre el bienestar emocional y contribuyendo a mayores niveles de ansiedad, síntomas depresivos y disminución de la autoestima (Duru y Balkis, 2017). Además, quienes procrastinan de manera crónica suelen mostrar un rendimiento más reducido, manifestado en resultados académicos más bajos, retrasos en el desarrollo profesional y consecuencias negativas para la salud (Legood et al., 2018; Bolden y Fillauer, 2020).

En lo que respecta a la relación entre motivación y procrastinación, esta ha sido ampliamente explorada en la literatura científica, mostrando que dicha relación es compleja y parece ser principalmente unidireccional: la motivación influye en la procrastinación más que a la inversa (p. ej., Grund y Fries, 2018; Li et al., 2021; Wu y Fan, 2016). En concreto, la evidencia previa ha revelado que niveles bajos de valor de logro (Wypych et al., 2018; Wu y Fan, 2016), autodeterminación (Grund y Fries, 2018), perseverancia (Wypych et al., 2018) y motivación intrínseca (Kok, 2016), así como niveles elevados de coste percibido (Wu y Fan, 2016), descuento por demora (Wypych et al., 2018), amotivación y motivación externa (Kok, 2016), conducen a mayores niveles de procrastinación académica.

Dependencia a la inteligencia artificial en la educación superior

La inteligencia artificial (IA) se define como la capacidad de las máquinas o sistemas computacionales para emular y llevar a cabo funciones tradicionalmente atribuidas a la inteligencia humana, incluyendo el razonamiento, el aprendizaje y la resolución de problemas (Morandín-Ahuerma, 2022). Si bien la integración de la IA en contextos educativos constituye un fenómeno relativamente reciente, la investigación existente subraya varias ventajas potenciales; entre ellas, el apoyo en la redacción de trabajos escritos, la provisión de retroalimentación automatizada y la asistencia en el análisis de datos e información (Chen et al., 2020; Delgado et al., 2024; Wang et al., 2018). No obstante, los estudios también destacan limitaciones notables, como la reducción de la interacción humana en el proceso de aprendizaje, la comprensión contextual limitada y la dependencia excesiva de la IA, que puede disminuir habilidades esenciales como el pensamiento crítico y la resolución de problemas (Ahmad et al., 2021; Jara y Ochoa, 2020; Korteling et al., 2021). Este estudio se centra precisamente en esta última preocupación: la dependencia a la IA.

En el ámbito clínico, la dependencia se ha vinculado históricamente al consumo de sustancias como el alcohol y las drogas, habitualmente identificada mediante indicadores como la tolerancia y el síndrome de abstinencia (American Psychiatric Association, 2013). Sin embargo, con la llegada de la era de la inteligencia artificial, esta comprensión se ha ampliado para abarcar formas de dependencia a carácter conductual, como el juego patológico y la adicción a internet, que muestran patrones neurobiológicos y conductuales comparables (p. ej., Bucur et al., 2021; Siste et al., 2019).

En un contexto académico, la dependencia a la IA se define como la confianza excesiva depositada en sistemas automatizados para la toma de decisiones o la ejecución de tareas (Morales-García et al., 2024). Este fenómeno se manifiesta en una falta de confianza en las propias capacidades académicas y en la preferencia por recurrir a la IA como fuente principal, e incluso exclusiva, de apoyo (Del Cisne et al., 2024). De hecho, la evidencia reciente sugiere que el simple hecho de saber que un consejo proviene de una IA puede llevar a los estudiantes a confiar en él en exceso, incluso cuando contradice la información disponible o su propio juicio, lo que potencialmente genera resultados subóptimos tanto para ellos mismos como para otros (Klingbeil et al., 2024). Una de las principales razones, tal como señalan Baird y Maruping (2021), es que los sistemas de IA y los chatbots replican cada vez más las interacciones humanas de una forma natural, lo que conduce a que los estudiantes depositen una mayor confianza en este tipo de sistemas.

Este fenómeno puede justificarse a través de la Teoría Unificada de Aceptación y Uso de la Tecnología (UTAUT, por sus siglas en inglés) (Venkatesh et al., 2003), la cual ofrece un marco para analizar la dependencia a la IA al identificar los principales factores que afectan su adopción y uso. La teoría enfatiza que constructos como la expectativa de rendimiento, la expectativa de esfuerzo, la influencia social y las condiciones facilitadoras son determinantes en la configuración del comportamiento del usuario. La dependencia a la IA puede surgir cuando los usuarios tienen una elevada expectativa de rendimiento (al percibir que la IA mejora sustancialmente la eficiencia o precisión de las tareas) y una baja expectativa de esfuerzo, dado que la IA simplifica procesos que de otro modo serían complejos. Asimismo, la influencia social, incluyendo la presión de compañeros para adoptar y utilizar estas herramientas, puede amplificar la dependencia hacia estos sistemas. Finalmente, las condiciones facilitadoras, como la infraestructura y los recursos disponibles, crean un entorno propicio para el uso frecuente de la IA, lo que potencialmente podría conducir a sobreconfiar en ella.

En la actualidad, algunos estudios revelan que la prevalencia de la dependencia a herramientas de inteligencia artificial como ChatGPT es moderadamente baja, situándose entre un 16 % y un 25 % en estudiantes universitarios (Hong y Chen, 2024; Huang et al., 2024; Stojanov, 2024). Algunos autores incluso sugieren que este fenómeno aún no debería ser motivo de una alarma social excesiva (Huang et al., 2024). No obstante, los rápidos avances de la inteligencia artificial en el ámbito educativo, junto con su amplia gama de funcionalidades, han generado nuevas oportunidades, pero también plantean el riesgo de una dependencia excesiva que requiere de una regulación institucional (Liu et al., 2023; Stojanov, 2024). En este sentido, las universidades podrían desempeñar un papel crucial guiando al estudiantado hacia un uso equilibrado de estas herramientas, promoviendo su integración de manera crítica y asegurando al mismo tiempo que los aprendices continúen fortaleciendo sus propias competencias (Lee et al., 2024).

Esta visión se alinea con modelos de educación abierta y a distancia, como el marco de la Comunidad de Indagación, que enfatizan la necesidad de la presencia cognitiva, social y docente para apoyar el aprendizaje autorregulado y prevenir una excesiva dependencia a las herramientas tecnológicas (Carroll et al., 2025).

Impacto de la motivación y la procrastinación en la dependencia a ChatGPT

ChatGPT (Chat Generative Pre-Trained Transformer), desarrollado por OpenAI, es un sofisticado modelo de lenguaje basado en inteligencia artificial diseñado para gestionar tareas lingüísticas complejas. Reconocido por su capacidad de generar texto con apariencia humana, facilita una amplia variedad de aplicaciones, como la generación automática de textos, la respuesta a preguntas, la elaboración de resúmenes o la creación de imágenes. Al ofrecer respuestas que emulan de manera cercana la comunicación humana, ChatGPT ha revolucionado la interacción con chatbots y asistentes virtuales, alcanzando una notable popularidad global y un uso extendido desde su lanzamiento en noviembre de 2022 (Yu et al., 2024).

Pese a su impacto, la literatura existente que analiza la relación entre motivación, procrastinación y dependencia a ChatGPT es aún extremadamente limitada debido a la novedad del fenómeno. No obstante, algunos estudios comienzan a aportar hallazgos relevantes.

En primer lugar, en lo que respecta a la relación entre motivación y dependencia a ChatGPT, diversas investigaciones han mostrado que altos niveles de lazy thinking o pensamiento vago (que reflejarían amotivación hacia las tareas), elevados niveles de estrés emocional (que podrían indicar agotamiento frente a las tareas), baja autoeficacia académica y escasas habilidades de toma de decisiones se asocian con un incremento en la dependencia a la IA generativa (Ahmad et al., 2023; Estrada-Araoz et al., 2025; Naseer et al., 2025; Ye et al., 2024). Asimismo, la literatura reciente subraya el efecto de distintos tipos de motivación sobre la dependencia a ChatGPT. En particular, bajos niveles de motivación de logro (Hong y Chen, 2024) y de orientación de dominio-aproximación (Stojanov, 2024), así como altos niveles de motivación de escape, motivación social (Huang et al., 2024), orientación de dominio-evitación y orientación de rendimiento-aproximación (Stojanov, 2024) se han relacionado con mayores niveles de dependencia hacia esta herramienta. Tal como afirman Ye et al. (2024), las personas que han tenido experiencias positivas utilizando ChatGPT pueden verse más motivadas a evitar las tareas de aprendizaje y a confiar en las respuestas proporcionadas por el sistema.

En segundo lugar, en relación con la procrastinación y la dependencia a ChatGPT, algunos estudios han comenzado a explorar esta conexión. Por ejemplo, Feng et al. (2023) formularon la hipótesis de que la procrastinación podría influir en la dependencia a ChatGPT, una idea que ha recibido cierto respaldo empírico. Stojanov (2024) observó que los estudiantes procrastinadores, casi una cuarta parte de la población universitaria, eran altamente dependientes a ChatGPT para completar tareas asignadas. De manera similar, Swargiary (2024), a través de un diseño pre-post con grupo control, llevó a cabo una intervención en la que el grupo experimental utilizó ChatGPT para resolver tareas. Los resultados mostraron que dicho grupo presentó un aumento en los niveles de procrastinación y un descenso en el rendimiento académico respecto al grupo de comparación. Por otro lado, estudios con metodologías cualitativas (p. ej., Ayele, 2024; Paraso et al., 2024) reportaron que los estudiantes universitarios consideran la IA como una herramienta extremadamente útil, especialmente entre aquellos que suelen dejar las tareas para el último momento.

En conjunto, estos hallazgos sugieren que la procrastinación podría desempeñar un papel mediador en la relación entre los distintos tipos de motivación y la dependencia a ChatGPT. Esto implicaría que los estudiantes con baja motivación interna o con desafección hacia las tareas académicas tenderían a posponerlas con mayor frecuencia, recurriendo posteriormente a herramientas de IA como estrategia compensatoria. Esta dinámica sería particularmente relevante en contextos de educación abierta y a distancia, donde la autorregulación del aprendizaje resulta crucial para evitar una sobreconfianza en la tecnología.

El presente estudio

El impacto de la inteligencia artificial en el ámbito educativo ha despertado un creciente interés, lo que ha dado lugar a una proliferación de artículos de opinión. Sin embargo, la investigación empírica sobre este tema sigue siendo limitada (Ye et al., 2024). Una de las principales preocupaciones para docentes e investigadores son las posibles consecuencias negativas de ChatGPT, especialmente derivadas de su uso problemático (Ye et al., 2024). A pesar de ello, como señalan diversos estudios, existe una notable falta de análisis exhaustivos sobre los usos inapropiados, como la dependencia a la IA, lo que justifica una mayor exploración (Yu et al., 2024). Por ello, algunos autores subrayan la importancia de investigar los factores psicológicos que contribuyen al desarrollo de esta dependencia (Ahmad et al., 2023; Ye et al., 2024), dado que el uso intensivo de estas herramientas podría afectar negativamente la autorregulación, el pensamiento crítico y las habilidades de resolución de problemas de los estudiantes (Ali et al., 2024; Kamalov et al., 2023; Zhai et al., 2024).

Del mismo modo, como se ha observado previamente, existe cierta evidencia que vincula la motivación y la procrastinación con la dependencia a ChatGPT. Sin embargo, hasta donde alcanzan los conocimientos de los autores, la evidencia actual que emplea análisis más complejos, como modelos de ecuaciones estructurales, análisis de mediación o de moderación, es extremadamente limitada. Esta escasez dificulta una comprensión integral de la relación entre diversos constructos de interés, como la motivación o la procrastinación. Además, esta limitación se ve reforzada por la falta de estudios empíricos sobre la dependencia a la IA abordados desde marcos teóricos sólidos, como la Teoría de la Autodeterminación, que ha ganado relevancia en el campo de la IA (p. ej., Chai et al., 2023; Chiu, 2024; Chiu y Chai, 2020; Xia et al., 2022). Cabe destacar, además, que en los últimos años ha aumentado el número de artículos académicos que examinan la procrastinación en estudiantes universitarios, evidenciando un interés científico creciente en esta temática (Yan y Zhang, 2022).

En consecuencia, este estudio busca responder a tres preguntas de investigación (RQ):

• RQ₁: ¿En qué medida diferentes tipos de motivación (amotivación, intrínseca y extrínseca) influyen en la dependencia a ChatGPT?

• RQ₂: ¿En qué medida la procrastinación impacta en la dependencia a ChatGPT?

• RQ₃: ¿En qué grado la procrastinación media la relación entre las distintas formas de motivación y la dependencia a ChatGPT?

La Figura 1 presenta el diagrama del modelo que se pretende testar en los análisis subsiguientes.

METODOLOGÍA

Diseño y participantes

El estudio empleó un diseño cuantitativo, transversal y no experimental, siguiendo un enfoque descriptivo-correlacional. Se llevaron a cabo análisis de mediación para examinar los efectos indirectos de la motivación para el aprendizaje y la procrastinación sobre la dependencia a ChatGPT.

En este diseño participaron 467 estudiantes universitarios españoles del área de educación de la Universidad del País Vasco (M = 20,44; DT = 2,83). De ellos, 292 se identificaron como hombres, 173 como mujeres y 2 como otro género. Respecto a los programas académicos, 40 estudiantes estaban matriculados en el Grado en Educación Infantil, 379 en el Grado en Educación Primaria y 48 en el Máster en Profesorado de Educación Secundaria. En términos de curso académico, 274 participantes cursaban el segundo año, 103 el tercer año, 45 el cuarto año y 45 el Máster (equivalente al quinto año).

Los participantes fueron seleccionados mediante muestreo no probabilístico por conveniencia, basado en la proximidad al equipo de investigación, ya que todos los estudiantes habían sido estudiantes de uno o más miembros del equipo. Cabe destacar que estudios previos sugieren que los métodos de muestreo no probabilístico suelen producir resultados comparables a los obtenidos mediante técnicas de muestreo aleatorio (Coppock et al., 2018).

Asimismo, se realizó un análisis de potencia a priori utilizando G*Power 3.1 para un modelo de regresión múltiple lineal con cuatro predictores (tres variables independientes y un mediador). Asumiendo un tamaño de efecto medio (f² = 0,15) y α = 0,05, el análisis indicó que se requería un mínimo de 55 participantes para alcanzar un poder estadístico de 0,80, valor comúnmente usado en estudios correlacionales en educación y psicología (Cohen, 1988). Con la muestra actual de 467 participantes, el estudio cuenta con un nivel robusto de potencia estadística para detectar los efectos anticipados.

Instrumentos

Motivación para el aprendizaje

Motivación intrínseca: se utilizaron las dimensiones Motivación Intrínseca por Conocimiento y Motivación Intrínseca hacia la Realización de la versión corta de la Escala de Motivación Académica (Kotera et al., 2023). Cada dimensión comprende cuatro ítems tipo Likert de 5 puntos, que capturan la intención interna del participante de estudiar con el objetivo de ampliar conocimientos (p. ej., “Estudio porque mis estudios me permiten seguir aprendiendo sobre muchas cosas que me interesan”) y mejorar como estudiante (p. ej., “Estudio por el placer que siento mientras me supero en alguno de mis logros personales”). Según Kotera et al. (2023), la confiabilidad de estas dimensiones fue α = .84 y .79, respectivamente.

Motivación extrínseca: para evaluar la motivación extrínseca se empleó la dimensión Regulación Externa de la misma escala. Esta dimensión consta de dos ítems tipo Likert de 5 puntos que miden la intención del participante de estudiar por recompensas externas (p. ej., “Estudio para obtener un trabajo más prestigioso en el futuro”). La confiabilidad reportada fue α = .82 (Kotera et al., 2023).

Amotivación: se midió utilizando la dimensión Amotivación de la misma escala, que incluye dos ítems tipo Likert de 5 puntos destinados a capturar la falta de interés por estudiar (p. ej., “No entiendo por qué voy a la universidad y, francamente, me da igual”). La confiabilidad reportada fue α = .79 (Kotera et al., 2023).

Procrastinación

Para evaluar el nivel de procrastinación se utilizó la Versión Corta de la Escala de Procrastinación Académica (Yockey, 2016). Esta escala consta de cinco ítems tipo Likert de 5 puntos agrupados en un solo factor, diseñados para medir hasta qué punto los estudiantes retrasan y posponen la realización de sus tareas hasta el último momento (p. ej., “Cuando me asignan una tarea, generalmente la dejo de lado y me olvido de ella hasta que casi vence el plazo”). Según Yockey (2016), la confiabilidad de esta escala es α = .87.

Dependencia a ChatGPT

Para evaluar el grado de dependencia a ChatGPT se empleó la Escala de Dependencia a ChatGPT (Ye et al., 2024). Esta escala consta de una sola dimensión con cinco ítems tipo Likert de 5 puntos, que miden hasta qué punto los individuos sienten la necesidad de usar ChatGPT para tareas académicas (p. ej., “Me sentiría incómodo sin ChatGPT”). La confiabilidad reportada fue α = .71 (Ye et al., 2024).

Procedimiento

El procedimiento comenzó con una revisión de diversas bases de datos para identificar las escalas más apropiadas para el estudio, las cuales fueron posteriormente digitalizadas mediante Google Forms. A continuación, se definió la muestra, incluyendo a todos los estudiantes que habían sido instruidos por los investigadores participantes y que estaban matriculados en programas relacionados con la educación. Como se señaló previamente, aunque se trató de una muestra no probabilística, investigaciones anteriores indican que las muestras por conveniencia suelen producir resultados comparables a los obtenidos mediante muestreos aleatorios (Coppock et al., 2018).

Los participantes completaron el cuestionario de Google Forms durante las horas de clase, utilizando ordenadores individuales, previo consentimiento de participación en el estudio. Las condiciones de participación cumplieron con los principios establecidos en la Declaración de Helsinki, garantizando el anonimato y la privacidad de las respuestas, el derecho a retirarse antes o durante la participación, así como la gestión y disposición adecuada de los datos durante y después de la investigación.

Al finalizar el estudio, los participantes recibieron un informe resumen con los principales hallazgos y sus implicaciones.

Análisis de datos

En primer lugar, para evaluar la validez de los datos, se examinó el ajuste del modelo utilizando los índices X²/gl, CFI, RMSEA y AIC mediante el software SPSS AMOS 25, esperando que cumplieran los siguientes umbrales: X²/gl < 5; CFI > .90; RMSEA < .080; AIC = valor más bajo posible (Hooper et al., 2008).

Posteriormente, en SPSS Statistics 27, se realizó un análisis descriptivo, estudiando la media aritmética y la desviación estándar de las variables. A continuación, se llevaron a cabo otros análisis, incluyendo diversos análisis correlacionales mediante el coeficiente de Pearson (r) entre las dimensiones principales y diversos análisis de confiabilidad utilizando el alfa de Cronbach. Finalmente, también en SPSS Statistics 27, se utilizó la macro PROCESS para realizar un análisis de mediación, como se muestra en la Figura 1. Este análisis se llevó a cabo empleando 10,000 muestras de bootstrapping. Se prestó especial atención a los efectos directos e indirectos obtenidos. Específicamente, para responder a las preguntas de investigación RQ₁ y RQ₂, se examinaron los efectos directos, observando los valores de R² para determinar el tamaño del efecto, lo que indica la proporción de varianza de la variable dependiente explicada por la variable independiente.

Para responder a la pregunta de investigación RQ₃, se estudiaron los efectos indirectos, calculando la Proporción de Mediación (PM), que indica la proporción del efecto total de la variable independiente sobre la dependiente que es explicado por el mediador.

Todos los análisis paramétricos se justificaron por la distribución normal de todas las variables medidas, evaluada mediante asimetría y curtosis, con valores comprendidos en el rango ±2 para la asimetría y ±7 para la curtosis (Hair et al., 2010). Se evaluó también la multicolinealidad, con valores dentro del rango aceptable de VIF < 10 y Tolerancia > .10 (Field, 2013). También se examinó la independencia a los errores mediante el estadístico Durbin–Watson, obteniéndose un valor de 1,636, estando este dentro del rango 1,5 a 2,5, lo que indica una ligera autocorrelación positiva pero generalmente aceptable (Field, 2013).

RESULTADOS

En primer lugar, para determinar si eran necesarios ajustes preliminares, se evaluó el ajuste del modelo propuesto mediante los índices X²/df, CFI, RMSEA y AIC. El modelo resultante mostró un buen ajuste (X²/gl = 2.328; CFI = .955; RMSEA = .053; AIC = 382.995), ya que los valores se encontraban dentro de los umbrales aceptables establecidos para este estudio: X²/gl < 5; CFI > .90; RMSEA < .080; AIC = valor más bajo posible (Hooper et al., 2008).

Posteriormente, se analizaron los estadísticos descriptivos, correlaciones e índices de fiabilidad de las dimensiones principales. Como se muestra en la Tabla 1, los participantes presentaron en general altos niveles de motivación intrínseca (M = 3.48; DT = .843) y extrínseca (M = 3.95; DT = .849), junto con bajos niveles de amotivación (M = 1.63; DT = .884). Además, se observaron niveles moderados de procrastinación (M = 2.57; DT = .947) y dependencia a ChatGPT (M = 2.37; DT = .996).

Los análisis de correlación indicaron que la motivación intrínseca se relacionaba negativamente con la procrastinación (r = −.287, p < .001), mientras que la amotivación mostró una asociación positiva con la procrastinación (r = .403, p < .001). Por otro lado, el único tipo de motivación significativamente asociado con la dependencia a ChatGPT fue la amotivación (r = .162; p < .001), mostrando también una correlación positiva. De manera similar, la procrastinación presentó una correlación positiva con la dependencia a ChatGPT (r = .231; p < .001).

Finalmente, todos los índices de confiabilidad superaron el umbral de α = .70 (Tavakol y Dennick, 2011), lo que indica una buena consistencia interna de las dimensiones utilizadas en el estudio.

Para dar respuesta a las preguntas de investigación, se llevó a cabo un análisis de mediación, el cual permite evaluar en qué medida el efecto de una variable independiente sobre una dependiente opera de manera indirecta a través de una variable mediadora. En este modelo, las variables independientes fueron los distintos tipos de motivación, la variable dependiente fue la dependencia a ChatGPT, y la variable mediadora fue la procrastinación.

Los principales resultados de los efectos directos, presentados en la Tabla 2, indican que tanto la motivación intrínseca (R² = .082; β = −.322; p < .001) como la amotivación (R² = .162; β = .432; p < .001) se asocian significativamente con la procrastinación. Estos valores de R² indican que la motivación intrínseca por sí sola explica aproximadamente un 8 % de la varianza en procrastinación, mientras que la amotivación explica un 16 %. Esto sugiere que menor motivación intrínseca y mayor amotivación se asocian con niveles más elevados de procrastinación, evidenciando que la ausencia de razones autodeterminadas para realizar tareas académicas puede resultar particularmente perjudicial.

Además, en relación con las preguntas de investigación RQ₁ y RQ₂, la procrastinación se encontró significativamente asociada con la dependencia a ChatGPT (R² = .053; β = .237; p < .001), lo que indica que la procrastinación explica alrededor del 5 % de la varianza en la dependencia a ChatGPT. Entre los tres tipos de motivación analizados, la única directamente asociada con la dependencia a ChatGPT fue la motivación extrínseca (R² = .026; β = .122; p = .022). Aunque este efecto fue estadísticamente significativo, la proporción de varianza explicada es relativamente baja, lo que sugiere que otros factores probablemente contribuyen de manera más relevante a la dependencia a ChatGPT.

La Tabla 2 también presenta los efectos indirectos, que muestran si la variable independiente influye sobre la variable dependiente a través de la variable mediadora. La significancia se establece cuando el intervalo de confianza no incluye el cero (MacKinnon et al., 2002).

En este estudio, y dando respuesta a la pregunta de investigación RQ₃, se encontró que la procrastinación medía las relaciones desde motivación intrínseca (β = −.076; LL = −.121; UL = −.037) y amotivación (β = .090; LL = .041; UL = .144) hacia la dependencia a ChatGPT. En otras palabras, una alta motivación intrínseca y baja amotivación se asocia con menor procrastinación, lo que a su vez contribuye a reducir la dependencia a ChatGPT. Una representación de estos resultados principales se puede observar en la Figura 2.

Asimismo, se calcularon los valores de Proporción de Mediación (PM) para determinar el tamaño del efecto de estas relaciones indirectas. Para la relación desde motivación intrínseca hacia dependencia a ChatGPT mediado por la procrastinación el PM fue .764, indicando que aproximadamente el 76,4 % del efecto total está mediado por la procrastinación. Esto sugiere una mediación casi completa, con una relevancia muy alta de la procrastinación. Similarmente, para la relación desde amotivación hacia dependencia a ChatGPT mediado por la procrastinación, el PM fue .493, mostrando que la procrastinación media casi la mitad (49,3 %) del efecto total.

En ambos casos, la procrastinación resulta clave para comprender la relación entre motivación intrínseca, amotivación y dependencia a ChatGPT, destacando su papel como mecanismo mediador central.

DISCUSIÓN

El objetivo del presente estudio fue triple: primero, analizar el impacto de la motivación sobre la dependencia a ChatGPT; segundo, examinar el impacto de la procrastinación sobre la dependencia a ChatGPT; y, finalmente, determinar si la asociación entre los diferentes tipos de motivación y la dependencia a ChatGPT está mediada por los niveles de procrastinación.

Los resultados revelaron que el único tipo de motivación que tuvo un efecto directo sobre la dependencia a ChatGPT fue la motivación extrínseca, aunque la proporción de varianza explicada fue relativamente baja, lo que sugiere que otros factores pueden ejercer una influencia más fuerte sobre la dependencia a ChatGPT. En cuanto a la motivación intrínseca y la amotivación, se observó que su relación con la dependencia a ChatGPT está significativamente mediada por los niveles de procrastinación de los estudiantes, de manera que altos niveles de motivación intrínseca y bajos niveles de amotivación se asocian con una reducción de la procrastinación, lo que a su vez disminuye la dependencia a ChatGPT.

Aunque estos hallazgos son novedosos, ya que, hasta donde conocen los autores, no existen análisis de mediación previos que vinculen estas variables, son consistentes con la literatura existente. Por un lado, diversos estudios indican que una mayor motivación intrínseca hacia el aprendizaje se asocia con una menor dependencia a ChatGPT (p. ej., Hong y Chen, 2024; Stojanov, 2024), mientras que altos niveles de motivación impulsada por factores externos (p. ej., Huang et al., 2024; Stojanov, 2024), la falta de motivación o interés por el aprendizaje (p. ej., Ahmad et al., 2023; Ye et al., 2024) se relacionan con un aumento de la dependencia a ChatGPT. Asimismo, estudios cuantitativos y cualitativos previos señalan que los estudiantes con tendencia a procrastinar son más propensos a depender de ChatGPT para sus tareas académicas (p. ej., Ayele, 2024; Feng et al., 2023; Paraso et al., 2024; Stojanov, 2024; Swargiary, 2024).

Este estudio integra estos hallazgos mediante análisis de mediación, revelando que una motivación intrínseca fuerte y baja amotivación son clave para reducir la procrastinación de los estudiantes, la cual, a su vez, constituye un factor crítico para disminuir la dependencia a ChatGPT. Esto puede explicarse desde la Teoría de la Autodeterminación que propone un continuo de internalización (Ryan y Deci, 2020), de manera que la motivación extrínseca opera de forma directa, ya que los estudiantes utilizan ChatGPT como una solución rápida para cumplir demandas externas con el mínimo esfuerzo, mientras que la motivación intrínseca y la amotivación influyen en el coste cognitivo percibido de las tareas, lo que activa un mecanismo de afrontamiento: la procrastinación. Nuestros hallazgos sugieren que esta procrastinación actúa como el verdadero mediador, facilitando el uso de ChatGPT para evitar la tarea aversiva, de modo que la motivación intrínseca influye indirectamente sobre la dependencia a través de la procrastinación, mientras que la motivación extrínseca parece conducir a un uso directo.

Posteriormente, el presente estudio tiene implicaciones relevantes para diversos interesados. En primer lugar, estos hallazgos pueden ser valiosos para los investigadores, ya que contribuyen a un mejor entendimiento y consolidación de un marco teórico reciente sobre el impacto de factores emocionales en la dependencia a la inteligencia artificial generativa, como ChatGPT.

Asimismo, estos hallazgos pueden ser útiles para el profesorado universitario, ya que demuestran que incrementar la motivación intrínseca y reducir la amotivación y la procrastinación puede disminuir significativamente la dependencia a los estudiantes universitarios hacia ChatGPT. Como se señaló en el marco teórico de este trabajo, según la SDT, la motivación intrínseca está influida por las necesidades psicológicas básicas de competencia, autonomía y relación (Ryan y Deci, 2020). Dado que los resultados muestran que la procrastinación media las relaciones tanto de la motivación intrínseca como de la amotivación con la dependencia a ChatGPT, existe una amplia literatura que aporta estrategias para fortalecer cada una de estas necesidades, con efectos consecuentes sobre la motivación intrínseca de los estudiantes.

Entre las estrategias que el profesorado podría aplicar para fomentar las necesidades psicológicas básicas se incluyen: promover la retroalimentación positiva y constructiva (García et al., 2019; Koike y Pearson, 2005), utilizar técnicas de andamiaje o apoyo gradual (Mulatsih, 2011; Neitzel y Stright, 2003), fomentar el uso de funciones ejecutivas como la planificación de metas a corto y largo plazo (Benavides-Nieto et al., 2017; Ganesalingam et al., 2011; Roebers et al., 2012), impulsar habilidades metacognitivas como la autorreflexión (Roebers et al., 2012; Jho y Chae, 2014), promover técnicas de aprendizaje cooperativo, como 1-2-4 o Jigsaw (Fernández-Río et al., 2017; Namaziandost et al., 2019), y usar estrategias de aprendizaje que ayuden a organizar la información y vincularla con conocimientos previos, como aprendizaje distribuido, recuperación activa de información (practice testing), práctica intercalada, resúmenes, mapas conceptuales o subrayado de información relevante (Donoghue y Hattie, 2021; Maldonado-Sánchez et al., 2019).

Estas estrategias resultan especialmente relevantes en entornos de aprendizaje en línea y educación a distancia, ya que pueden adaptarse fácilmente a plataformas digitales. Por ejemplo, los sistemas de aprendizaje en línea pueden integrar funciones que proporcionen retroalimentación automática e instantánea, los módulos de los cursos pueden diseñarse con una estructura escalonada que fomente la autonomía, y los proyectos grupales virtuales pueden facilitar el aprendizaje cooperativo, ayudando a mitigar la sensación de aislamiento que puede favorecer la amotivación y la dependencia a herramientas externas. En este contexto, mediante estrategias digitales de aprendizaje y promoción de la autorregulación, los educadores pueden guiar a los estudiantes a percibir la IA como un apoyo complementario y no como un reemplazo de sus propias capacidades (Darvishi et al., 2024).

De manera similar, autores como Kachgal et al. (2001) proponen estrategias efectivas para reducir la procrastinación, tales como fomentar la autoconciencia de cómo los estudiantes gestionan su procrastinación, estimular la reflexión sobre los beneficios obtenidos al evitar tareas, realizar evaluaciones formales que permitan a los estudiantes comprender sus niveles de procrastinación (por ejemplo, utilizando la escala PASS), promover estrategias de autorregulación con impacto en la gestión del tiempo (como preparar calendarios que permitan hacer seguimiento del progreso) y enseñar estrategias de manejo del estrés. Estas recomendaciones abordan directamente el hallazgo de que la procrastinación es un mediador clave en la relación entre amotivación y dependencia a ChatGPT, sugiriendo que atacar la procrastinación es esencial para reducir esta forma de dependencia.

En entornos e-learning, estas estrategias pueden implementarse mediante herramientas digitales, como aplicaciones de gestión del tiempo, cuestionarios integrados para autoevaluación y foros de discusión entre pares sobre manejo del estrés académico, proporcionando a los estudiantes la estructura y el apoyo necesarios para combatir la procrastinación y, con ello, disminuir su dependencia a la IA generativa.

Finalmente, este estudio presenta varias limitaciones que deben considerarse al interpretar los resultados. En primer lugar, la muestra proviene íntegramente del ámbito de las ciencias sociales, con la mayoría de los participantes matriculados en el programa de Educación Primaria, mientras que una proporción menor corresponde al programa de Educación Infantil o al Máster en Formación del Profesorado de Educación Secundaria. Este desequilibrio, junto con el uso de un método de muestreo por conveniencia, puede haber sesgado parcialmente los resultados y limita la generalización de los hallazgos. En esta línea, estudios futuros podrían realizar análisis comparativos entre diferentes programas de grado y universidades, lo que permitiría examinar posibles variaciones en el uso educativo de la IA. Replicar estos hallazgos en estudiantes de otras disciplinas, como ciencias experimentales o de la salud, sería valioso y podría confirmar la robustez de los resultados en distintos contextos educativos. Además, el diseño transversal restringe las inferencias causales, subrayando la necesidad de estudios longitudinales para fortalecer las conclusiones. Es por ello que los diseños que combinen enfoques longitudinales y métodos mixtos podrían explorar con mayor profundidad la evolución del uso educativo de la IA a lo largo del tiempo. Asimismo, los datos también se recopilaron mediante autoinformes, lo que pudo introducir sesgos como la varianza común de método y la deseabilidad social, afectando potencialmente a las relaciones observadas. Finalmente, aunque el estudio actual evaluó un único modelo de mediación teórico, investigaciones futuras podrían aportar información más precisa sobre las condiciones en que el modelo propuesto opera de manera más efectiva mediante la incorporación de posibles variables moderadoras. Por ejemplo, la falta de confianza en las propias habilidades podría llevar a que estudiantes con baja autoeficacia académica perciban la IA como un recurso que proporciona respuestas inmediatas, reduciendo así la necesidad de enfrentar desafíos de forma autónoma. Este comportamiento, especialmente bajo presión académica o estrés, podría reforzar su dependencia a la tecnología (Rodríguez et al., 2024). Por ende, variables como la autoeficacia académica y la carga de trabajo podrían servir como factores de control o moderadores en futuros modelos, ayudando a explicar las condiciones específicas bajo las cuales los estudiantes son más propensos a desarrollar dependencia a la IA. No obstante, a pesar de estas limitaciones, este trabajo proporciona una base sólida para futuras investigaciones que exploren el impacto de variables emocionales en la dependencia a la inteligencia artificial generativa, ejemplificada por ChatGPT.

CONCLUSIÓN

Este estudio demuestra que una alta motivación intrínseca y una baja amotivación reducen la procrastinación de los estudiantes, lo que a su vez disminuye la dependencia a ChatGPT. Estos hallazgos sugieren que fomentar las necesidades psicológicas básicas de los estudiantes e implementar estrategias para mejorar la motivación y la autorregulación podría ayudar a mitigar la dependencia a la IA generativa en contextos educativos. Con base en estos hallazgos, investigaciones futuras podrían replicar estos resultados en distintas disciplinas, empleando diseños longitudinales, reemplazando las medidas de autoinforme y explorando factores adicionales moderadores o mediadores que influyan en la dependencia de los estudiantes a las herramientas basadas en la IA.

REFERENCIAS

Ahmad, S. F., Han, H., Alam, M. M., Rehmat, M. K., Irshad, M., Arraño-Muñoz, M. y Ariza-Montes, A. (2023). Impact of artificial intelligence on human loss in decision making, laziness and safety in education. Humanities & Social Sciences Communications, 10(1), 311. https://doi.org/10.1057/s41599-023-01842-4

Ahmad, S. F., Rahmat, M. K., Mubarik, M. S., Alam, M. M. y Hyder, S. I. (2021). Artificial intelligence and its role in education. Sustainability, 13(22), 12902. https://doi.org/10.3390/su132212902

Ali, K., García, A. y Vadsariya, A. (2024). Impact of the AI dependency revolution on both physical and mental health. Journal of Strategic Innovation and Sustainability, 19(2), 70-81. https://doi.org/10.33423/jsis.v19i2.7006

American Psychiatric Association. (2013). Diagnostic and statistical manual of mental disorders (5ª ed.). American Psychiatric Publishing.

Ayele, N. (2024). The usage of new AI technologies by college students and its influence on learning and dependence [Manuscrito, Caldwell University Archives]. JSTOR Community Collections. https://www.jstor.org/stable/community.37312365

Baird, A. y Maruping, L. M. (2021). The next generation of research on IS use: A theoretical framework of delegation to and from agentic IS artifacts. MIS Quarterly, 45(1), 315-341. https://doi.org/10.25300/MISQ/2021/15882

Benavides-Nieto, A., Romero-López, M., Quesada-Conde, A. B. y Alba, G. (2017). Basic executive functions in early childhood education and their relationship with social competence. Procedia - Social and Behavioral Sciences, 237, 471-478. https://doi.org/10.1016/j.sbspro.2017.02.092

Bolden, J. y Fillauer, J. P. (2020). “Tomorrow is the busiest day of the week”: Executive functions mediate the relation between procrastination and attention problems. Journal of American College Health, 68(8), 854–863. https://doi.org/10.1080/07448481.2019.1626399

Bucur, A. M., Cosma, A. y Dinu, L. P. (2021). Early risk detection of pathological gambling, self-harm and depression using BERT [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2106.16175

Carroll, N., Lang, M. y Connolly, C. (2025). An extended community of inquiry framework supporting students in online and digital education. Innovations in Education and Teaching International, 62(2), 369-385. https://doi.org/10.1080/14703297.2024.2326658

Chai, C. S., Chiu, T. K. F., Wang, X., Jiang, F. y Lin, X.-F. (2023). Modeling Chinese secondary school students’ behavioral intentions to learn artificial intelligence with the theory of planned behavior and self-determination theory. Sustainability, 15, 605. https://doi.org/10.3390/su15010605

Chen, N.-S., Yin, C., Isaias, P. y Psotka, J. (2020). Educational big data: Extracting meaning from data for smart education. Interactive Learning Environments, 28(2), 142-147. https://doi.org/10.1080/10494820.2019.1635395

Cheon, S. H., Reeve, J. y Vansteenkiste, M. (2020). When teachers learn how to provide classroom structure in an autonomy-supportive way: Benefits to teachers and their students. Teaching and Teacher Education, 90, 103004. https://doi.org/10.1016/j.tate.2019.103004

Chiu, T. K. F. (2024). A classification tool to foster self-regulated learning with generative artificial intelligence by applying self-determination theory: A case of ChatGPT. Educational Technology Research & Development.https://doi.org/10.1007/s11423-024-10366-w

Chiu, T. K. F. y Chai, C.-S. (2020). Sustainable curriculum planning for artificial intelligence education: A self-determination theory perspective. Sustainability, 12(14), 5568. https://doi.org/10.3390/su12145568

Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2ª ed.). Lawrence Erlbaum Associates.

Coppock, A., Leeper, T. J. y Mullinix, K. J. (2018). Generalizability of heterogeneous treatment effect estimates across samples. Proceedings of the National Academy of Sciences, 115(49), 12441-12446. https://doi.org/10.1073/pnas.1808083115

Darvishi, A., Khosravi, H., Sadiq, S., Gašević, D. y Siemens, G. (2024). Impact of AI assistance on student agency. Computers & Education, 210, 104967. https://doi.org/10.1016/j.compedu.2023.104967

Del Cisne, M., Romero, J., Sancho, D. y Romero, A. (2024). Consecuencias de la dependencia a la inteligencia artificial en habilidades críticas y aprendizaje autónomo en los estudiantes. Ciencia Latina Revista Científica Multidisciplinar, 8(2), 2368-2382. https://doi.org/10.37811/cl_rcm.v8i2.10678

Delgado, N., Campo Carrasco, L., Sainz de la Maza, M. y Etxabe-Urbieta, J. M. (2024). Application of artificial intelligence (AI) in education: Benefits and limitations of AI as perceived by primary, secondary, and higher education teachers. Revista Electrónica Interuniversitaria de Formación del Profesorado, 27(1), 207-224. https://doi.org/10.6018/reifop.577211

Donoghue, G. M. y Hattie, J. A. C. (2021). A meta-analysis of ten learning techniques. Frontiers in Education, 6, 581216. https://doi.org/10.3389/feduc.2021.581216

Duru, E. y Balkis, M. (2017). Procrastination, self-esteem, academic performance, and well-being: A moderated mediation model. International Journal of Educational Psychology, 6(2), 97-119. https://doi.org/10.17583/ijep.2017.2584

Estrada-Araoz, E. G., Mamani-Roque, M., Quispe-Aquise, J., Manrique-Jaramillo, Y. V. y Cruz-Laricano, E. O. (2025). Academic self-efficacy and dependence on artificial intelligence in a sample of university students. Sapienza: International Journal of Interdisciplinary Studies, 6(1), e25008. https://doi.org/10.51798/sijis.v6i1.916

Feng, M., Xia, A. y Xia, X. (2023). The association between ChatGPT usage and college students’ online learning burnout: The mediating role of self-control. En X. Chen y Q. Liu (Eds.), Proceedings of the International Conference of Educational Innovation through Technology (pp. 209-212). IEEE. https://doi.org/10.1109/EITT61659.2023.00046

Fernández-Río, J., Sanz, N., Fernández-Cando, J. y Santos, L. (2017). Impact of a sustained cooperative learning intervention on student motivation. Physical Education and Sport Pedagogy, 22(1), 89-105. https://doi.org/10.1080/17408989.2015.1123238

Field, A. (2013). Discovering statistics using IBM SPSS statistics (4ª ed.). Sage.

Filgona, J., Sakiyo, J., Gwany, D. M. y Okoronka, A. U. (2020). Motivation in learning. Asian Journal of Education and Social Studies, 10(4), 16-37. https://doi.org/10.9734/ajess/2020/v10i430273

Ganesalingam, K., Yeates, K. O., Taylor, H. G., Chertkoff, N., Stancin, T. y Wade, S. (2011). Executive functions and social competence in young children 6 months following traumatic brain injury. Neuropsychology, 25(4), 466-476. https://doi.org/10.1037/a0022768

Ganotice, F. A., Mendoza, N. B., Dizon, J. I. W. T., Shen, X., Lee, J. C.-Y., Chan, E., Luk, P., Manio, M. M., He, Q., Khoo, U. S., Lam, M. P. S., Chan, S. C., Chow, A. Y. M., Wang, N. y Tipoe, G. L. (2024). Students’ motivation and engagement in interprofessional education: The mediating role of peer relatedness. Medical Education Online, 29(1), 2430593. https://doi.org/10.1080/10872981.2024.2430593

García, J. A., Carcedo, R. J. y Castaño, J. L. (2019). The influence of feedback on competence, motivation, vitality, and performance in a throwing task. Research Quarterly for Exercise and Sport, 90(2), 172-179. https://doi.org/10.1080/02701367.2019.1571677

Garon-Carrier, G., Boivin, M., Guay, F., Kovas, Y., Dionne, G., Lemelin, J. P., Séguin, J. R., Vitaro, F. y Tremblay, R. E. (2016). Intrinsic motivation and achievement in mathematics in elementary school: A longitudinal investigation of their association. Child Development, 87(1), 165-175. https://doi.org/10.1111/cdev.12458

Grund, A. y Fries, S. (2018). Understanding procrastination: A motivational approach. Personality and Individual Differences, 121, 120-130. https://doi.org/10.1016/j.paid.2017.09.035

Guay, F., Stupnisky, R., Boivin, M., Japel, C. y Dionne, G. (2019). Teachers’ relatedness with students as a predictor of students’ intrinsic motivation, self-concept, and reading achievement. Early Childhood Research Quarterly, 48(3), 215-225. https://doi.org/10.1016/j.ecresq.2019.03.005

Hair, J. F., Black, W. C., Babin, B. J. y Anderson, R. E. (2010). Multivariate data analysis (7ª ed.). Pearson Education International.

Hen, M. y Goroshit, M. (2018). General and life-domain procrastination in highly educated adults in Israel. Frontiers in Psychology, 9, 1173. https://doi.org/10.3389/fpsyg.2018.01173

Hong, J.-C. y Chen, N. (2024). Effects of achievement motivation and ChatGPT self-efficacy on ChatGPT addiction and ChatGPT continuance intention [Preprint]. SSRN. https://doi.org/10.2139/ssrn.5064583

Hooper, D., Coughlan, J. y Mullen, M. R. (2008). Structural equation modeling: Guidelines for determining model fit. Electronic Journal of Business Research Methods, 6(1), 53-60.

Huang, S., Lai, X., Ke, L., Li, Y., Wang, H., Zhao, X., Dai, X. y Wang, Y. (2024). AI technology panic—Is AI dependence bad for mental health? A cross-lagged panel model and the mediating roles of motivations for AI use among adolescents. Psychology Research and Behavior Management, 17, 1087-1102. https://doi.org/10.2147/PRBM.S440889

Jara, I. y Ochoa, J. M. (2020). Usos y efectos de la inteligencia artificial en educación. Banco Interamericano de Desarrollo.https://doi.org/10.18235/0002380

Jho, M. Y. y Chae, M. O. (2014). Impact of self-directed learning ability and metacognition on clinical competence among nursing students. Journal of Korean Academic Society of Nursing Education, 20(4), 513-522. https://doi.org/10.5977/jkasne.2014.20.4.513

Johnson, J. L. y Bloom, A. M. (1995). An analysis of the contribution of the five factors of personality to variance in academic procrastination. Personality and Individual Differences, 18(1), 127-133. https://doi.org/10.1016/0191-8869(94)00109-6

Kachgal, M. M., Hansen, L. S. y Nutter, K. J. (2001). Academic procrastination prevention/intervention: Strategies and recommendations. Journal of Developmental Education, 25(1), 14-24. https://www.jstor.org/stable/42775842

Kamalov, F., Santandreu Calonge, D. y Gurrib, I. (2023). New era of artificial intelligence in education: Towards a sustainable multifaceted revolution. Sustainability, 15(16), 12451. https://doi.org/10.3390/su151612451

Klingbeil, A., Grützner, C. y Schreck, P. (2024). Trust and reliance on AI—An experimental study on the extent and costs of overreliance on AI. Computers in Human Behavior, 160, 108352. https://doi.org/10.1016/j.chb.2024.108352

Klingsieck, K. B. (2013). Procrastination: When good things don’t come to those who wait. European Psychologist, 18, 24-34. https://doi.org/10.1027/1016-9040/a000138

Koike, D. A. y Pearson, L. (2005). The effect of instruction and feedback in the development of pragmatic competence. System, 33(3), 481-501. https://doi.org/10.1016/j.system.2005.06.008

Kok, J. K. (2016). The relationships between procrastination and motivational aspects of self-regulation. Jurnal Psikologi Malaysia, 30(1), 30-39.

Korteling, J. E., van de Boer-Visschedijk, G. C., Blankendaal, R. A. M., Boonekamp, R. C. y Eikelboom, A. R. (2021). Human-versus artificial intelligence. Frontiers in Artificial Intelligence, 4, 622364. https://doi.org/10.3389/frai.2021.622364

Kotera, Y., Conway, E. y Green, P. (2023). Construction and factorial validation of a short version of the Academic Motivation Scale. British Journal of Guidance & Counselling, 51(2), 274-283. https://doi.org/10.1080/03069885.2021.1903387

Lee, D., Arnold, M., Srivastava, A., Plastow, K., Strelan, P., Ploeckl, F., Lekkas, D. y Palmer, E. (2024). The impact of generative AI on higher education learning and teaching: A study of educators’ perspectives. Computers and Education: Artificial Intelligence, 6, 100221. https://doi.org/10.1016/j.caeai.2024.100221

Legood, A., Lee, A., Schwarz, G. y Newman, A. (2018). From self-defeating to other defeating: Examining the effects of leader procrastination on follower work outcomes. Journal of Occupational and Organizational Psychology, 91, 430-439. https://doi.org/10.1111/joop.12205

Li, Y., Zhang, L., Zhang, R., Xu, T. y Feng, T. (2021). The neural basis linking achievement motivation with procrastination: Left precuneus connectivity with right anterior cingulate cortex. Personality and Social Psychology Bulletin, 48, 1382-1392. https://doi.org/10.1177/01461672211040677

Liu, M., Ren, Y., Nyagoga, L. M., Stonier, F., Wu, Z. y Yu, L. (2023). Future of education in the era of generative artificial intelligence: Consensus among Chinese scholars on applications of ChatGPT in schools. Future in Educational Research, 1(1), 72-101. https://doi.org/10.1002/fer3.10

Ljubin-Golub, T., Rijavec, M. y Olčar, D. (2020). Student flow and burnout: The role of teacher autonomy support and student autonomous motivation. Psychological Studies, 65, 145-156. https://doi.org/10.1007/s12646-019-00539-6

MacKinnon, D. P., Lockwood, C. M., Hoffman, J. M., West, S. G. y Sheets, V. (2002). A comparison of methods to test mediation and other intervening variable effects. Psychological Methods, 7(1), 83-104. https://doi.org/10.1037/1082-989X.7.1.83

Maldonado-Sánchez, M., Aguinaga-Villegas, D., Nieto-Gamboa, J., Fonseca-Arellano, F., Shardin-Flores, L. y Cadenillas-Albornoz, V. (2019). Learning strategies for the development of the autonomy of secondary school students. Propósitos y Representaciones, 7(2), 415–439. https://doi.org/10.20511/pyr2019.v7n2.290

Morales-García, W. C., Sairitupa-Sánchez, L. Z., Morales-García, S. B. y Morales-García, M. (2024). Development and validation of a scale for dependence on artificial intelligence in university students. Frontiers in Education, 9, 1323898. https://doi.org/10.3389/feduc.2024.1323898

Morandín-Ahuerma, F. (2022). What is artificial intelligence? International Journal of Research Publication and Reviews, 3(12), 1947-1951. https://doi.org/10.55248/gengpi.2022.31261

Mulatsih, S. (2011). The use of scaffolding technique to improve the students’ competence in writing genre-based texts. Parole: Journal of Linguistics and Education, 2(1), 101-109.

Namaziandost, E., Shatalebi, V. y Nasri, M. (2019). The impact of cooperative learning on developing speaking ability and motivation toward learning English. Journal of Language and Education, 5(3), 83-101. https://doi.org/10.17323/jle.2019.9809

Naseer, A., Rafaqat, N. y Amjad, M. (2025). Psychological impacts of AI dependence: Assessing the cognitive and emotional costs of intelligent systems in daily life. Review of Applied Management and Social Sciences, 8(1), 291-307. https://doi.org/10.47067/ramss.v8i1.458

Neitzel, C. y Stright, A. D. (2003). Mothers’ scaffolding of children’s problem solving: Establishing a foundation of academic self-regulatory competence. Journal of Family Psychology, 17(1), 147-159. https://doi.org/10.1037/0893-3200.17.1.147

Paraso, Y. M., Sedon, S. B. y Mahilum, D. Z. E. (2024). Student’s artificial intelligence (AI) dependency: The lived experience of STEM students at Tongantongan National High School. International Journal of All Research Writings, 6(4), 34-43.

Reeve, J. y Cheon, S. H. (2021). Autonomy-supportive teaching: Its malleability, benefits, and potential to improve educational practice. Educational Psychologist, 56(1), 54-77. https://doi.org/10.1080/00461520.2020.1862657

Rodríguez, J., Marín, I. y Espejo, R. (2024). Is artificial intelligence use related to self-control, self-esteem, and self-efficacy among university students? Education and Information Technologies, 30, 2507-2524. https://doi.org/10.1007/s10639-024-12906-6

Roebers, C. M., Cimeli, P., Röthlisberger, M. y Neunschwander, R. (2012). Executive functioning, metacognition, and self-perceived competence in elementary school children: An explorative study on their interrelations and their role for school achievement. Metacognition and Learning, 7, 151-173. https://doi.org/10.1007/s11409-012-9089-9

Ryan, R. M. y Deci, E. L. (2020). Intrinsic and extrinsic motivation from a self-determination theory perspective: Definitions, theory, practices, and future directions. Contemporary Educational Psychology, 61, 101860. https://doi.org/10.1016/j.cedpsych.2020.101860

Siste, K., Assandi, P., Irawati, R., Setiawan, M. W. y Wiguna, T. (2019). Internet addiction: A new addiction? Medical Journal of Indonesia, 28(1), 82-91. https://doi.org/10.13181/mji.v28i1.2752

Stojanov, A. (2024). Achievement goal motivation and reliance on ChatGPT for learning. En C. Pracana y M. Wang (Eds.), Psychological Applications and Trends (pp. 547–551). inScience Press. https://doi.org/10.36315/2024inpact127

Swargiary, K. (2024). The impact of ChatGPT on student learning outcomes: A comparative study of cognitive engagement, procrastination, and academic performance [Preprint]. SSRN. https://doi.org/10.2139/ssrn.4914743

Tavakol, M. y Dennick, R. (2011). Making sense of Cronbach’s alpha. International Journal of Medical Education, 2, 53-55. https://doi.org/10.5116/ijme.4dfb.8dfd

Van Bergen, E., Hart, S. A., Latvala, A., Vuoksimaa, E., Tolvanen, A. y Torppa, M. (2022). Literacy skills seem to fuel literacy enjoyment, rather than vice versa. Developmental Science, 26(3), e13325. https://doi.org/10.1111/desc.13325

Venkatesh, V., Morris, M. G., Davis, G. B. y 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, Z., Liu, J. y Dong, R. (2018). Intelligent auto-grading system. En Proceedings of the 5th IEEE International Conference on Cloud Computing and Intelligence Systems (CCIS) (pp. 430-435). IEEE. https://doi.org/10.1109/CCIS.2018.8691244

Wu, F. y Fan, W. (2016). Academic procrastination in linking motivation and achievement-related behaviours: A perspective of expectancy-value theory. Educational Psychology, 37(6), 1-17. https://doi.org/10.1080/01443410.2016.1202901

Wypych, M., Matuszewski, J. y Dragan, W. Ł. (2018). Roles of impulsivity, motivation, and emotion regulation in procrastination—Path analysis and comparison between students and non-students. Frontiers in Psychology, 9, 891. https://doi.org/10.3389/fpsyg.2018.00891

Xia, Q., Chiu, T. K. F., Lee, M., Sanusi, I. T., Dai, Y. y Chai, C. S. (2022). A self-determination theory (SDT) design approach for inclusive and diverse artificial intelligence (AI) education. Computers & Education, 189, 104582. https://doi.org/10.1016/j.compedu.2022.104582

Yan, B. y Zhang, X. (2022). What research has been conducted on procrastination? Evidence from a systematical bibliometric analysis. Frontiers in Psychology, 13, 809044. https://doi.org/10.3389/fpsyg.2022.809044

Ye, J. H., Zhang, M., Nong, W., Wang, L. y Yang, X. (2024). The relationship between inert thinking and ChatGPT dependence: An I-PACE model perspective. Education and Information Technologies.https://doi.org/10.1007/s10639-024-12966-8

Yockey, R. D. (2016). Validation of the short form of the Academic Procrastination Scale. Psychological Reports, 118(1), 171-179. https://doi.org/10.1177/0033294115626825

Yu, S.-C., Chen, H.-R. y Yang, Y.-W. (2024). Development and validation the Problematic ChatGPT Use Scale: A preliminary report. Current Psychology, 43, 26080–26092. https://doi.org/10.1007/s12144-024-06259-z

Zhai, C., Wibowo, S. y Li, L. D. (2024). The effects of over-reliance on AI dialogue systems on students’ cognitive abilities: A systematic review. Smart Learning Environments, 11, 28. https://doi.org/10.1186/s40561-024-00316-7

Información adicional

Cómo citar: Galindo-Domínguez, H., Sainz-de-la-Maza, M., Campo, L., & Losada-Iglesias, D. (2026). The influence of learning motivation and procrastination on ChatGPT dependence [Influencia de la motivación hacia el aprendizaje y la procrastinación en la dependencia a ChatGPT]. RIED-Revista Iberoamericana de Educación a Distancia, 29(1). https://doi.org/10.5944/ried.45497

Información adicional

redalyc-journal-id: 3314

IR