Adaptación y validación de la AI Attitude Scale (AIAS-4) en el contexto argentino
Palabras clave:
actitudes , evaluación, inteligencia artificial , adaptaciónResumen
Resumen: Este artículo presenta la adaptación y validación de la AI Attitude Scale (AIAS-4) de Grassini (2023) en el contexto argentino. La escala evalúa la actitud general hacia la inteligencia artificial (IA) como un constructo unidimensional, abarcando la percepción de utilidad personal, el impacto en la vida y el trabajo, las intenciones futuras de uso y la valoración de su efecto global en la humanidad. El estudio se realizó sobre una submuestra de 426 adultos argentinos usuarios de IA, extraída de un total de 525 participantes. La escala adaptada mostró una adecuada consistencia interna: α de Cronbach = .784 y ω de McDonald = .787. Mediante análisis factorial confirmatorio, se confirmó la estructura unidimensional de la escala, con excelentes índices de ajuste: CFI escalado = .983, TLI escalado = .949, SRMR robusto = .027. Las cargas factoriales estandarizadas fueron todas significativas (p < .001) y oscilaron entre .683 y .790. El análisis de invarianza de medida por género indicó que la escala es invariante a nivel escalar (ΔCFI ≤ .010), permitiendo comparaciones válidas de medias entre varones y mujeres. Se discuten las implicancias de contar con este instrumento adaptado al contexto local para investigar las actitudes hacia la IA en Argentina, así como las limitaciones, derivadas del muestreo no probabilístico y el alto nivel educativo de la muestra. La escala resulta apropiada para su uso en investigación sobre aceptación y actitudes hacia la IA en población argentina.
Referencias
Ajzen, I. (1991). The theory of planned behavior. Organizational Behavior and Human Decision Processes, 50(2), 179–211. https://doi.org/10.1016/0749-5978(91)90020-T
Allport, G. W. (1935). Attitudes. In C. Murchison (Ed.), A handbook of social psychology (Vol. 2, pp. 798–844). Clark University Press.
Almaraz-López, C., Almaraz-Menéndez, F., & López-Esteban, C. (2023). Comparative study of the attitudes and perceptions of university students in business administration and management and in education toward artificial intelligence. Education Sciences, 13(6), 609. https://doi.org/10.3390/educsci13060609
Becerra, G., Mezzadra, J. I., & Movia, G. (Eds.). (2025). Mitos y representaciones de la inteligencia artificial. Editorial de la Universidad de Flores. https://doi.org/10.63790/978-987-710-129-4
Becerra, G., Mezzadra, J., Ruiz Ortiz, I., & Gambino, B. (2025). Representaciones sociales de la inteligencia artificial: Una comparación entre 2021 y 2024. Cultura y Representaciones Sociales, 20(39), e0002048. https://www.culturayrs.unam.mx/index.php/CRS/article/view/12860
Chen, F. F. (2007). Sensitivity of goodness of fit indexes to lack of measurement invariance. Structural Equation Modeling, 14(3), 464–504. https://doi.org/10.1080/10705510701301834
Chen, J., Xie, W., Xie, Q., Hu, A., Qiao, Y., Wan, R., & Liu, Y. (2025). A systematic review of user attitudes toward GenAI: Influencing factors and industry perspectives. Journal of Intelligence, 13(7), 78. https://doi.org/10.3390/jintelligence13070078
Cheung, G. W., & Rensvold, R. B. (2002). Evaluating goodness-of-fit indexes for testing measurement invariance. Structural Equation Modeling, 9(2), 233–255. https://doi.org/10.1207/S15328007SEM0902_5
Clark, L. A., & Watson, D. (2019). Constructing validity: New developments in creating objective measuring instruments. Psychological Assessment, 31(12), 1412–1427. https://doi.org/10.1037/pas0000626
Congreso de la Nación Argentina. (2000). Ley de protección de los datos personales n° 25.326. https://www.argentina.gob.ar/normativa/nacional/ley-25326-64790
Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
Gallucci, M., & Jentschke, S. (2021). SEMLj: Jamovi SEM analysis. Computer software. https://semlj.github.io
Grassini, S. (2023). Development and validation of the AI attitude scale (AIAS-4): A brief measure of general attitude toward artificial intelligence. Frontiers in Psychology, 14, 1191628. https://doi.org/10.3389/fpsyg.2023.1191628
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage.
Hambleton, R. K., Merenda, P. F., & Spielberger, C. D. (Eds.). (2004). Adapting educational and psychological tests for cross-cultural assessment. Psychology Press.
International Test Commission. (2017). The ITC guidelines for translating and adapting tests (Second edition). https://www.intestcom.org/files/guideline_test_adaptation_2ed.pdf
Jordan Muiños, F. M. (2021). Valor de corte de los índices de ajuste en el análisis factorial confirmatorio. Psocial, 7(1), 66–71. https://publicaciones.sociales.uba.ar/index.php/psicologiasocial/article/view/6764
Kenny, D. A., Kaniskan, B., & McCoach, D. B. (2015). The performance of RMSEA in models with small degrees of freedom. Sociological Methods & Research, 44(3), 486–507. https://doi.org/10.1177/0049124114543236
Kline, R. B. (2016). Principles and practice of structural equation modeling (4th ed.). Guilford Press.
Li, C.-H. (2016). Confirmatory factor analysis with ordinal data: Comparing robust maximum likelihood and diagonally weighted least squares. Behavior Research Methods, 48(3), 936–949. https://doi.org/10.3758/s13428-015-0619-7
Luque-Reca, O., Peñacoba, C., Catalá, P., Gutiérrez Hermoso, L., & Grassini, S. (2026). Artificial intelligence attitudes in higher education: Spanish validation of the AIAS-4 and its associations with well-being and academic AI usage. Current Psychology, 45(4), 370. https://doi.org/10.1007/s12144-025-08566-5
Møgelvang, A., & Grassini, S. (2025). Validating the AI attitude scale (AIAS-4) and exploring attitudinal differences in a large sample of norwegian university students. Discover Education, 4(1), 212. https://doi.org/10.1007/s44217-025-00657-6
Morales-García, W. C., Sairitupa-Sanchez, L. Z., Morales-García, S. B., & Morales-García, M. (2024). Adaptation and psychometric properties of an attitude toward artificial intelligence scale (AIAS-4) among peruvian nurses. Behavioral Sciences, 14(6), 437. https://doi.org/10.3390/bs14060437
Muthén, L. K., & Muthén, B. O. (2017). Mplus user’s guide: Statistical analysis with latent variables (8th ed.). Muthén & Muthén.
Satici, S. A., Okur, S., Yilmaz, F. B., & Grassini, S. (2025). Psychometric properties and turkish adaptation of the artificial intelligence attitude scale (AIAS-4): Evidence for construct validity. BMC Psychology, 13(1), 297. https://doi.org/10.1186/s40359-025-02505-6
Schepman, A., & Rodway, P. (2020). Initial validation of the general attitudes towards artificial intelligence scale. Computers in Human Behavior Reports, 1, 100014. https://doi.org/10.1016/j.chbr.2020.100014
Schepman, A., & Rodway, P. (2022). The general attitudes towards artificial intelligence scale (GAAIS): Confirmatory validation and associations with personality, corporate distrust, and general trust. International Journal of Human-Computer Interaction, 39(13), 2724–2741. https://doi.org/10.1080/10447318.2022.2085400
Veith, J., Bauer, A., Becker, E., & Bitzenbauer, P. (2026). Exploring physics students’ attitudes toward ChatGPT using the ABC model. EURASIA Journal of Mathematics, Science and Technology Education, 22(2), em2770. https://doi.org/10.29333/ejmste/17822
Zanetti, M. A., & Usseglio Prinsi, A. (2026). La AI attitude scale (AIAS-4): Validazione nel contesto italiano di una misura breve dell’atteggiamento verso l’intelligenza artificiale. In Lo smart working in italia. Una lettura socio-tecnica del lavoro agile tra mutamenti organizzativi e trasformazioni tecnologiche (Vol. 1, pp. 216–230). FrancoAngeli. https://hdl.handle.net/20.500.14087/18762
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Desarrollos en Ciencias Sociales Computacionales
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
