Predictive analysis of cognitive dependence level associated with generative Artificial Intelligence use in university students through supervised classification algorithms

Resumen

Introducción: La adopción y uso de herramientas de inteligencia artificial generativa (IAG) se ha convertido en una práctica cada vez más común en las actividades académicas de los estudiantes universitarios. El debate científico actual se centra en comprender cómo el uso intensivo de estas tecnologías puede influir en la autonomía intelectual, el pensamiento crítico y la delegación de tareas cognitivas.
Objetivo: Construir y comparar tres modelos de clasificación supervisada capaces de predecir el nivel de dependencia cognitiva percibida en estudiantes de la Universidad de La Guajira, a partir de variables sociodemográficas, tecnológicas, patrones de uso y percepción académica, incorporando un proceso de ingeniería de variables.
Método: Se aplicó un cuestionario estructurado a 299 estudiantes universitarios durante el periodo académico 2026-1. El proceso de investigación se organizó mediante la metodología CRISP-DM. La variable objetivo se construyó como un índice sumativo a partir de dos ítems tipo Likert: pérdida de pensamiento crítico y disminución de autonomía, categorizados en tres niveles: bajo, medio y alto. Se construyeron once variables derivadas mediante ingeniería de variables y se aplicó SMOTE para balancear las clases de entrenamiento. Posteriormente, se entrenaron los modelos Árbol de Decisión, k-NN y Random Forest, utilizando GridSearchCV para la búsqueda de hiperparámetros.
Resultados: El modelo Random Forest obtuvo el mejor desempeño en la fase de prueba, con una exactitud de 0,89 y un F1-macro de 0,84. Asimismo, la curva ROC multiclase presentó valores AUC de 0,99, 0,96 y 0,96 para las tres clases. Siete de las once variables construidas aparecieron entre las 20 más importantes, destacándose especialmente la razón de tareas de reemplazo cognitivo como una variable relevante para la predicción.
Conclusiones: La dependencia cognitiva percibida frente a la inteligencia artificial generativa puede predecirse a partir de variables sociotécnicas. Los resultados sugieren que los predictores más fuertes no están asociados con la cantidad de uso, sino con el tipo de tareas que los estudiantes delegan en la IA. Estos hallazgos ofrecen evidencia útil para el diseño de políticas institucionales orientadas al uso responsable y crítico de la inteligencia artificial generativa en la educación superior.