Artificial Intelligence in Initial Teacher Education: Acceptance and Pedagogical Tensions
DOI:
https://doi.org/10.55040/mqhrpk97Keywords:
technology acceptance, teacher education, artificial intelligence, higher educationAbstract
Despite the high levels of acceptance and use of Artificial Intelligence among higher education students, there is limited evidence regarding how it relates to self-efficacy, anxiety, and ethical awareness in initial teacher education. In response, this study analyzed the perceptions of first-year preservice teachers at the Centro de Actualización del Magisterio of Durango, Mexico, regarding the use and acceptance of Artificial Intelligence in their academic training, using the Technology Acceptance Model proposed by Zhai et al. (2024). The study was conducted within the positivist paradigm, with a quantitative approach and an exploratory cross-sectional design. A 27-item questionnaire, comprising five dimensions, was administered to 55 students enrolled in the Bachelor’s programs in Primary and Preschool Education. The results revealed a high willingness toward Artificial Intelligence, particularly in the dimensions of Behavioral Intention and Perceived Usefulness, while Anxiety and Self-efficacy showed low and dispersed ratings. Reliability yielded robust coefficients (Cronbach’s alpha = .918; McDonald’s omega = .951). The Friedman test was significant (p < 0.05), and post hoc analysis using the Wilcoxon test confirmed differences in eight dimension pairings, except for Self-efficacy–Perceived Usefulness (p = .145) and Behavioral Intention–Perceived Ease of Use (p = .112). It is concluded that, although acceptance of Artificial Intelligence is high, reservations persist related to anxiety and the need to strengthen digital literacy. The promotion of responsible and ethical pedagogical use throughout professional teacher education is therefore proposed.
References
Barac, M., y López-Rodríguez, M. I. (2024). ¿Cómo integra el estudiantado universitario la IA en sus procesos de aprendizaje? European Public & Social Innovation Review, 9, 1–14. https://doi.org/10.31637/epsir-2024-707
Boell, M. (2025). La relación con el saber y la inteligencia artificial en la educación superior. Trayectorias Universitarias, 11(21), e196. https://doi.org/10.24215/24690090e196
Boza Torres, Pedro Emilio, Liriano Leyva, Oslaidis, Pérez Sánchez, Yaderine, & Fonseca González, Ramón Luis. (2022). Practical guide to select a statistical test to apply in biomedical research. Multimed, 26(6), Retrieved November 18, 2025, from http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1028-48182022000600008&lng=en&tlng=en.
Cajide Val, J. (2024). Investigación cuantitativa y cualitativa: algunas consideraciones. Innovación Educativa, (34). https://doi.org/10.15304/ie.34.10166
Carbajal-Degante, E. (2025). De la UNESCO a la UNAM: adaptación de un marco de competencias docentes en inteligencia artificial para la educación. Revista Mexicana De Bachillerato a Distancia, 17(33). https://doi.org/10.22201/cuaieed.20074751e.2025.33.90977
Codina, L. (2020). Revisiones sistematizadas en Ciencias Humanas y Sociales. 2: Búsqueda y Evaluación. En C. Lopezosa, J. Díaz-Noci & L. Codina (Eds.), Methodos. Anuario de Métodos de Investigación en Comunicación Social (Vol. 1, pp. 61-72). Universitat Pompeu Fabra. https://doi.org/10.31009/methodos.2020.i01.06
Correa Mosquera, D., & Pérez Piñón, F. A. (2022). La transversalidad y la transversalidad curricular: una reflexión necesaria. Pedagogía Y Saberes, (57), 39–50. https://doi.org/10.17227/pys.num57-13588
Estévez-Méndez, J. L., & Moraleda Ruano, Álvaro. (2022). Análisis de la percepción docente sobre la gestión educativa del confinamiento por covid-19 en España. Revista Iberoamericana De Educación, 90(1), 119–131. https://doi.org/10.35362/rie9015276
Forero Villalobos, J., Salgado Huaiquian, J. F., y Salibe Langenbach, S. (2024). Ética y uso de inteligencia artificial en la docencia: desafíos y buenas prácticas. Etic@net. Revista científica, 25(2), 100–116. https://doi.org/10.30827/eticanet.v25i2.33441
Gamarra Astuhuaman, G., Pujay Cristóbal, O. E., & Ventura Janampa, M. (2020). Aplicación de las pruebas estadísticas de Wilcoxon y Mann-Whitney con SPSS. Revista De Investigación Multidisciplinaria CTSCAFE, 2(4), 15. Recuperado a partir de https://ctscafe.pe/index.php/ctscafe/article/view/51
Gil Iranzo, R., Gutiérrez-Ujaque, D., y Teixidó Cairol, M. (2024). De la ansiedad al empoderamiento: Impacto del uso de la inteligencia artificial en la percepción de los estudiantes en educación superior. REDU. Revista De Docencia Universitaria, 22(2), 85–104. https://doi.org/10.4995/redu.2024.22009
González, M. A., & Rodríguez, J. C. (2021). Consideraciones metodológicas para el uso de pruebas no paramétricas en investigación educativa. Revista Electrónica de Investigación Educativa, 23(1), 1–15. https://www.redalyc.org/pdf/2631/263153520009.pdf
González-Rivera, M. D., & Rodríguez-Díaz, C. J. (2021). Diseño de investigación cuantitativo transversal en contextos educativos: Fundamentos y aplicaciones. Revista Electrónica Educare, 25(3), 1–20. https://doi.org/10.15359/ree.25-3.6
Guevara-Moreira, L. F., Benites-Proaño, M. X., Meza-Herrera, A. P., & Lino-Casquete, R. M. (2024). La inteligencia artificial en el contexto de la Formación Educativa Superior. Revista Científica Arbitrada De Investigación En Comunicación, Marketing Y Empresa REICOMUNICAR. ISSN 2737-6354., 7(14), 957-971. Recuperado a partir de https://reicomunicar.org/index.php/reicomunicar/article/view/369
Hayes, A. F., y Coutts, J. J. (2020). Use Omega Rather than Cronbach’s Alpha for Estimating Reliability. But. Communication Methods and Measures, 14(1), 1–24. https://doi.org/10.1080/19312458.2020.1718629
Hernández Coló, M. R., y Chávez Romero, E. (2025). Análisis de la percepción estudiantil sobre la inteligencia artificial generativa en la formación universitaria: hacia una práctica ética e informada. Decires, 25(34, julio a diciembre de 2025), 55-102. https://doi.org/10.22201/cepe.14059134e.2025.25.34.461
Hernández González, M., Ramos Quiroz, J. M., Chávez Maciel, F. J., y Trejo Cázares, M. del C. (2024). Ventajas y riesgos de la Inteligencia Artificial Generativa desde la percepción de los estudiantes de educación superior en México. European Public & Social Innovation Review, 9, 1–19. https://doi.org/10.31637/epsir-2024-495
Hernández-Sampieri, R., y Mendoza, C. (2020). Metodología de la investigación: las rutas cuantitativa, cualitativa y mixta. McGraw-Hill.
López-Pina, J.-A., & Veas, A. (2024). Validation of Psychometric Instruments with Classical Test Theory in Social and Health Sciences: A practical guide. Anales de Psicología / Annals of Psychology, 40(1), 163–170. https://doi.org/10.6018/analesps.583991
Merino Acosta, Z. N., & Peña Fernández, J. M. (2023). Desempeño docente y su influencia en el rendimiento académico de los estudiantes de la Unidad Educativa “Diez de Agosto”. Ciencia Y Educación, 4(5), 13 - 34. https://doi.org/10.5281/zenodo.8192223
Montero Peñalba, L. A. (2025). Consideraciones éticas sobre el uso de la inteligencia artificial en la educación superior. Revista Contacto, 4(3), 176–186. https://doi.org/10.48204/contacto.v4n3.7460
Niebla Zataraín, V. B., Beltrán-Lizárraga, M. G., Niebla Zataraín, J. M., & Sandoval-Chávez, D. A. (2025). Perspectivas de Adopción de Inteligencia Artificial en Estudiantes de Ingeniería en Administración del ITES Los Cabos, México. RIDE Revista Iberoamericana Para La Investigación Y El Desarrollo Educativo, 15(30). https://doi.org/10.23913/ride.v15i30.2348
Niño-Carrasco, S. A., Castellanos-Ramírez, J. C., Perezchica Vega, J. E., & Sepúlveda Rodríguez, J. A. (2025). Percepciones de estudiantes universitarios sobre los usos de inteligencia artificial en educación. Revista Fuentes, 27(1), 94–106. https://doi.org/10.12795/revistafuentes.2025.26356
Núñez-Valdés, Karen P., Sepulveda-Irribarra, Cristian A., Villegas-Dianta, Cristian A., y Castillo-Paredes, Antonio J. (2025). Artificial intelligence and professor training: analysis of student perceptions. Formación universitaria, 18(4), 1-12. https://dx.doi.org/10.4067/s0718-50062025000400001
Perdomo, B., & Alberto González, O. (2025). Inteligencia artificial en educación superior: revisión integrativa de la literatura. Cuadernos De Investigación Educativa, 16(2). https://doi.org/10.18861/cied.2025.16.2.4034
Ramírez Romero, L. Y., y Pájaro, E. (2025). Impacto del uso de la inteligencia artificial en la educación superior: perspectivas éticas, pedagógicas y legales. Congreso Internacional Ciencia, Educación E Innovación, 1(1), 18-19. https://plagcis.org/proceedings/index.php/home/article/view/1
Ramírez, A., & Polack, A. (2020). Estadística inferencial. Elección de una prueba estadística no paramétrica en investigación científica. Horizonte de la Ciencia, 10(19), 191-208. https://doi.org/10.26490/uncp.horizonteciencia.2020.19.597
Rentería García, C. D. (2024). El impacto de la Inteligencia Artificial en la Educación Superior: representaciones sociales y transformación institucional. TIES, Revista De Tecnología E Innovación En Educación Superior, (11), 53–71. https://doi.org/10.22201/dgtic.26832968e.2024.11.47
Reyes-Montalván, M., Rangel-Anchundia, L., & Loor-Vélez, D. (2024). Herramientas tecnológicas en el proceso de enseñanza-aprendizaje en estudiantes de la carrera de Ingeniería industrial de la Universidad Laica Eloy Alfaro de Manabí: Technological tools in the teaching-learning process in students of the industrial engineering career of the secular Eloy Alfaro of Manabi University. Revista Científica FINIBUS - Ingeniería, Industria Y Arquitectura, 7(14), 165–172. https://doi.org/10.56124/finibus.v7i14.016
Roco-Videla, Á., Aguilera-Eguía, R., & Olguin-Barraza, M. (2024). Ventajas del uso del coeficiente de omega de McDonald frente al alfa de Cronbach. Nutrición Hospitalaria, 41(1), e04879. https://doi.org/10.20960/nh.04879
Roco-Videla, Ángel, Landabur-Ayala, Rodrigo, Maureira-Carsalade, Nelson, & Olguin-Barraza, Mariela. (2023) ¿Cómo determinar efectivamente si una serie de datos sigue una distribución normal cuando el tamaño muestral es pequeño? Nutrición Hospitalaria, 40(1), 234-235. Epub 17 de abril de 2023. https://dx.doi.org/10.20960/nh.04519
Rodríguez-Rodríguez, J., y Reguant-Álvarez, M. (2020). Calcular la fiabilidad de un cuestionario o escala mediante el SPSS: el coeficiente alfa de Cronbach. REIRE. Revista d' Innovación i Recerca en Educación, 13(2), 1–13. https://doi.org/10.1344/reire2020.13.230048
Rondón Morel, R. O., Pacotaipe Delacruz, R., Alarcón Núñez, E. A., y Nieves Yepez Salvatierra, P. (2024). El impacto de la inteligencia artificial en la formación docente. Revista Tecnológica-Educativa Docentes 2.0, 17(2). https://doi.org/10.37843/rted.v17i2.566
Sánchez-Solis, Yuri, Raqui-Ramirez, Christian Efrain, Huaroc-Ponce, Edwin Jhon, & Huaroc-Ponce, Nilton Marx. (2024). Importancia de Conocer la Normalidad de los Datos Utilizados en los Trabajos de Investigación por Tesistas. Revista Tecnológica-Educativa Docentes 2.0, 17(2), 404-413. Epub 14 de abril de 2025. https://doi.org/10.37843/rted.v17i2.554
Zambrana Copaja, R., Salinas Montemayor, A. D., Macías García, F. A., & Escobar, E. E. (2025). Inteligencia artificial en la educación superior para promover un aprendizaje personalizado e inclusivo: una revisión sistemática. https://doi.org/10.5281/zenodo.16147008
Zhai, X., Guo, M., & Shi, L. (2024). Validating an instrument for teachers' acceptance of artificial intelligence in education. arXiv preprint. https://doi.org/10.48550/arXiv.2406.10506
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Edgar Jarib Castro-Luna
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
https://creativecommons.org/licenses/by-nc-nd/4.0
