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.

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).

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 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?

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

Figura 1 Figura 1 Análisis de mediación propuesto Figura 1 Análisis de mediación propuesto

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.

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).

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.

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).