Código Científico Revista de Investigación/ V.6/ N. E2/ www.revistacodigocientifico.itslosandes.net
ISSN: 2806-5697
Vol. 6 – Núm. E2 / 2025
pág. 2567
Impacto del uso de inteligencia artificial generativa en la
procrastinación académica de estudiantes universitarios
Impact of the use of generative artificial intelligence on academic
procrastination among university students
Impacto do uso da inteligência artificial generativa na procrastinação
académica de estudantes universitários
Muñoz Mazacón Noraya Marieli
1
Universidad Técnica Estatal de Quevedo
nmunozm2@uteq.edu.ec
https://orcid.org/0009-0009-4152-9545
Hernández Ordinola Liseth Estefanía
2
Universidad Tecnológica Empresarial de Guayaquil
ligasakuraliss@gmail.com
https://orcid.org/0009-0005-3976-0896
Tello Soria Lady Estefani
3
Universidad Técnica Estatal de Quevedo
ltellos@uteq.edu.ec
https://orcid.org/0009-0009-7931-4929
Bravo Vera Lucía Karelys
4
Universidad Técnica Estatal de Quevedo
lbravov@uteq.edu.ec
https://orcid.org/0009-0002-1403-7712
DOI / URL: https://doi.org/10.55813/gaea/ccri/v6/nE2/1164
Como citar:
Muñoz, N., Hernandez, L., Tello, L. & Bravo, L. (2025). Impacto del uso de inteligencia
artificial generativa en la procrastinación académica de estudiantes universitários. Código
Científico Revista de Investigación, 6(E2), 2567-2590.
Recibido: 15/08/2025 Aceptado: 10/09/2025 Publicado: 30/09/2025
Código Científico Revista de Investigación/ V.6/ N. E2/ www.revistacodigocientifico.itslosandes.net
pág. 2568
Research Article
Volumen 6, Número Especial 2, 2025
Resumen
Esta revisión sistemática, guiada por PRISMA 2020, analiza el efecto del uso de inteligencia
artificial generativa (IAGen) en la procrastinación académica (PA) de estudiantes
universitarios, integrando evidencia empírica reciente publicada en bases de alto impacto
(Scopus, Q1–Q2) entre 2022 y 2025. De 251 estudios inicialmente elegidos y revisados, solo
12 cumplieron con los criterios metodológicos y de medición rigurosa. Los hallazgos revelan
una relación dual: la IA Generativa puede intensificar la procrastinación cuando se utiliza de
forma improvisada para cumplir tareas sin reflexión, generando dependencia tecnológica,
disminución del compromiso cognitivo y falsa percepción de ahorro de esfuerzo; pero también
puede reducirla si se emplea en intervenciones estructuradas basadas en principios
psicológicos, como recordatorios personalizados, tutores automáticos con feedback formativo
o chatbots semi-generativos que promueven autorreflexión y gestión del tiempo. La
comparación entre estudiantes que usan y no usan IAGen demuestra que los grupos expuestos
a aplicaciones educativas diseñadas para fomentar autorregulación presentan reducciones
significativas en procrastinación, especialmente en estudio para exámenes, entrega de tareas y
planificación semanal. Asimismo, se identificaron factores mediadores y moderadores que
explican la naturaleza contradictoria de la evidencia: la autorregulación, el estrés académico,
las creencias de autoeficacia, la impulsividad, las emociones negativas, el tipo de herramienta,
la intensidad de uso, la etapa formativa y el entorno institucional. Estos resultados plantean
que, la IA Generativa no es un factor intrínsecamente positivo o negativo, sino una tecnología
de impacto condicionado que puede convertirse en aliada de la disciplina cognitiva o en
catalizador de hábitos dilatorios.
Palabras clave: Procrastinación académica, Inteligencia artificial generativa, Autorregulación,
Software educativo, Dependencia tecnológica.
Abstract
This systematic review, guided by PRISMA 2020, analyzes the effect of generative artificial
intelligence (GAI) on academic procrastination (AP) among university students, integrating
recent empirical evidence published in high-impact databases (Scopus, Q1–Q2) between 2022
and 2025. Of the 251 studies initially selected and reviewed, only 12 met the methodological
and rigorous measurement criteria. The findings reveal a dual relationship: Generative AI can
intensify procrastination when used in an unplanned manner to complete tasks without
reflection, generating technological dependence, decreased cognitive engagement, and a false
perception of effort savings; but it can also reduce it when used in structured interventions
based on psychological principles, such as personalized reminders, automatic tutors with
formative feedback, or semi-generative chatbots that promote self-reflection and time
management. A comparison between students who use and do not use GAI shows that groups
exposed to educational applications designed to encourage self-regulation show significant
reductions in procrastination, especially in studying for exams, submitting assignments, and
weekly planning. Likewise, mediating and moderating factors were identified that explain the
contradictory nature of the evidence: self-regulation, academic stress, self-efficacy beliefs,
impulsivity, negative emotions, type of tool, intensity of use, stage of education, and
institutional environment. These results suggest that Generative AI is not an intrinsically
positive or negative factor, but rather a technology with a conditional impact that can become
an ally of cognitive discipline or a catalyst for procrastination habits.
Keywords: Academic procrastination, Generative artificial intelligence, Self-regulation,
Educational software, Technological dependence.
Código Científico Revista de Investigación/ V.6/ N. E2/ www.revistacodigocientifico.itslosandes.net
pág. 2569
Research Article
Volumen 6, Número Especial 2, 2025
Resumo
Esta revisão sistemática, orientada pelo PRISMA 2020, analisa o efeito do uso da inteligência
artificial generativa (IAGen) na procrastinação académica (PA) de estudantes universitários,
integrando evidências empíricas recentes publicadas em bases de alto impacto (Scopus, Q1–
Q2) entre 2022 e 2025. De 251 estudos inicialmente selecionados e revisados, apenas 12
cumpriram os critérios metodológicos e de medição rigorosa. As descobertas revelam uma
relação dual: a IA Generativa pode intensificar a procrastinação quando usada de forma
improvisada para realizar tarefas sem reflexão, gerando dependência tecnológica, diminuição
do compromisso cognitivo e falsa percepção de economia de esforço; mas também pode reduzi-
la se for empregada em intervenções estruturadas baseadas em princípios psicológicos, como
lembretes personalizados, tutores automáticos com feedback formativo ou chatbots semi-
generativos que promovem a autorreflexão e a gestão do tempo. A comparação entre estudantes
que usam e não usam IAGen demonstra que os grupos expostos a aplicações educativas
concebidas para promover a autorregulação apresentam reduções significativas na
procrastinação, especialmente no estudo para exames, entrega de tarefas e planeamento
semanal. Da mesma forma, foram identificados fatores mediadores e moderadores que
explicam a natureza contraditória das evidências: autorregulação, stress académico, crenças de
autoeficácia, impulsividade, emoções negativas, tipo de ferramenta, intensidade de uso, estágio
formativo e ambiente institucional. Esses resultados sugerem que a IA Generativa não é um
fator intrinsecamente positivo ou negativo, mas uma tecnologia de impacto condicionado que
pode se tornar uma aliada da disciplina cognitiva ou um catalisador de hábitos dilatórios.
Palavras-chave: Procrastinação académica, Inteligência artificial generativa, Autorregulação,
Software educativo, Dependência tecnológica.
Introducción
El ámbito educativo actual, experimenta una transformación acelerada como
consecuencia del avance tecnológico, en la que la Inteligencia Artificial (IA) se convierte en el
principal elemento de los procesos formativos. La Inteligencia Artificial Generativa (IAGen),
a través de herramientas como ChatGPT y Gemini, se presenta como una oportunidad para
innovar los procesos de enseñanza - aprendizaje, pues facilitan la personalización de
contenidos, la adaptación a los ritmos individuales y el fortalecimiento de la interacción
pedagógica (Camas et al., 2025; Proaño et al., 2025). No obstante, la rápida expansión de estas
herramientas también presenta desafíos éticos y metodológicos, particularmente relacionado a
la procrastinación académica (PA), entendida como la postergación irracional de tareas
escolares, fenómeno que afecta de manera significativa el rendimiento y el bienestar del
Código Científico Revista de Investigación/ V.6/ N. E2/ www.revistacodigocientifico.itslosandes.net
pág. 2570
Research Article
Volumen 6, Número Especial 2, 2025
alumnado (Rodríguez et al., 2016; Valente et al., 2024). Comprender la relación entre la
eficiencia que brinda la IAGen y la tendencia estudiantil a postergar sus actividades
académicas, resulta necesaria para garantizar una integración tecnológica responsable y
pedagógicamente orientada.
La IAGen es definida como el conjunto de sistemas capaces de producir contenidos
originales, tales como textos, imágenes o materiales didácticos, contribuyendo a la
construcción de estrategias de enseñanza flexibles que responden a las necesidades de
aprendizaje de cada estudiante (Cuenca et al., 2025; Choez & Miranda, 2024). Esta tecnología
promueve la creatividad, la autonomía y el aprendizaje personalizado, permitiendo expandir la
forma en que los estudiantes abordan tareas académicas; sin embargo, la facilidad con la que
produce respuestas inmediatas promueve debates en torno a su impacto ético y cognitivo, ya
que podría promover la dependencia tecnológica y limitar la reflexión de los estudiantes
(Barrera, 2025; Georgiou, 2025).
La procrastinación académica se conceptualiza como el acto de aplazar tareas escolares
sin justificación objetiva, priorizando actividades placenteras o menos relevantes en su lugar
(Escolano & Herrero, 2017; Bautista et al., 2023). Este fenómeno es recurrente en las nuevas
generaciones y se asocia con déficits en autorregulación, habilidad esencial para el aprendizaje
autónomo, manteniéndose a lo largo del período académico cuando no se aplican estrategias
específicas de intervención (Yao et al., 2021). Asimismo, su asociación con el uso
descontrolado de tecnología se expresa en patrones de dependencia digital que obstaculizan la
planificación, la disciplina cognitiva y la capacidad de pensamiento crítico (Beşaltı, 2025;
Georgiou, 2025).
A nivel internacional, se estima que la PA afecta a cerca del 70% de los estudiantes,
situación que se complejiza con la introducción masiva de la IA-G en el entorno escolar,
generando debates sobre la necesidad de su incorporación ética y formativa (Kaushik et al.,
Código Científico Revista de Investigación/ V.6/ N. E2/ www.revistacodigocientifico.itslosandes.net
pág. 2571
Research Article
Volumen 6, Número Especial 2, 2025
2025; Storey, 2023). Entre las preocupaciones más frecuentes se encuentran la posibilidad de
plagio, la desinformación, la reproducción de sesgos algorítmicos y la urgente necesidad de
repensar los modelos tradicionales de evaluación (Zapata Ros, 2024). En el contexto
latinoamericano, estudios realizados en Perú evidencian niveles moderados de PA en
estudiantes de secundaria, relacionados con la dependencia de herramientas tecnológicas de
ocio en ambientes educativos con recursos limitados (Bautista-Quispe et al., 2023).
En Ecuador, la expansión del uso de IAGen se ha consolidado en los últimos años, con
una alta proporción de estudiantes que emplean estas herramientas para tareas, consultas e
investigación académica (Montoya et al., 2024). No obstante, se identifican debilidades éticas,
pues muchos estudiantes copian y pegan información generada por IA sin realizar una lectura
comprensiva ni aportar análisis personal, afectando su desarrollo cognitivo y académico
(Barrera, 2025). Además, la desigualdad digital condiciona el acceso equitativo a estas
herramientas, y su empleo excesivo puede derivar en patrones de dependencia tecnológica
(Viturco, 2024). Investigaciones en Quito y Santo Domingo muestran que la PA se presenta en
todos los niveles educativos, predominando niveles bajos y medios, y que el uso de tecnologías
recreativas influye significativamente en la postergación de tareas, afectando la gestión del
tiempo y el autocontrol de estudiantes de Educación General Básica (Carrillo Pardo et al.,
2025).
Si bien la integración de IAGen mejora el rendimiento académico y optimiza el tiempo
de los estudiantes, su uso puede reforzar patrones procrastinadores, reducir la autorregulación
y comprometer procesos de razonamiento autónomo (Duan et al., 2024; Cuenca et al., 2025).
Esta tensión entre eficiencia tecnológica y disciplina cognitiva evidencia una brecha científica
respecto al impacto real de la IAGen en los hábitos de estudio y la planificación académica del
estudiantado de Educación Básica. Surge, por tanto, la interrogante: ¿cuál es el impacto del uso
Código Científico Revista de Investigación/ V.6/ N. E2/ www.revistacodigocientifico.itslosandes.net
pág. 2572
Research Article
Volumen 6, Número Especial 2, 2025
de inteligencia artificial generativa en los niveles de procrastinación académica de los
estudiantes universitarios?
Diversos estudios internacionales respaldan la relación entre dependencia tecnológica
y PA. En Irán, se encontró una correlación positiva y significativa entre adicción a redes
sociales y PA en estudiantes secundarios (r = 0.520, p < 0.01), lo que sugiere que el uso no
regulado de tecnologías limita la autorregulación académica (Bautista-Quispe et al., 2023). En
Perú, se identificaron niveles moderados de PA asociados con la obsesión por herramientas
tecnológicas de entretenimiento (Bautista-Quispe et al., 2023). En Ecuador, estudios
cuasiexperimentales demuestran que la implementación de IAGen mejora el rendimiento
académico (+3.3 puntos), pero advierten riesgos éticos y formas de dependencia que tensionan
la relación entre eficiencia tecnológica y autonomía crítica (Montoya et al., 2024; Camas
Camas et al., 2025).
Las investigaciones recientes coinciden en que la IAGen constituye un recurso
transformador capaz de fortalecer la creatividad, la personalización del aprendizaje y el
rendimiento académico, pero también alertan sobre riesgos éticos y pedagógicos, entre ellos el
plagio, la sobre dependencia tecnológica y la necesidad de fortalecer la formación docente para
su integración crítica (Proaño Sánchez et al., 2025; Wecks et al., 2024; Zapata Ros, 2024).
Aunque la PA se ha vinculado con el uso inadecuado de tecnologías como redes sociales,
persiste la ausencia de evidencia empírica que permita comprender de qué manera la forma e
intensidad del uso de IAGen influyen directamente en los niveles de procrastinación y
autorregulación de estudiantes de Educación Básica.
A partir de esta brecha investigativa, el objetivo general del presente estudio es analizar
el impacto del uso de herramientas de IAGen en los niveles de procrastinación académica de
estudiantes universitarios. Los objetivos específicos son: (a) sintetizar la evidencia empírica
sobre la relación entre IAGen y PA en estudiantes de este nivel; (b) comparar los niveles de
Código Científico Revista de Investigación/ V.6/ N. E2/ www.revistacodigocientifico.itslosandes.net
pág. 2573
Research Article
Volumen 6, Número Especial 2, 2025
procrastinación entre estudiantes que emplean IAGen y quienes no la utilizan; y (c) identificar
factores moderadores y mediadores asociados al impacto de la IAGen sobre la PA, tales como
forma e intensidad de uso, nivel educativo, estrategias de autorregulación y características del
contexto escolar.
Metodología
La presente investigación se desarrolló como una revisión sistemática de literatura
empírica, bajo un enfoque cualitativo de integración analítica, orientado a identificar, examinar
y sintetizar evidencia científica sobre el impacto del uso de inteligencia artificial generativa
(IA-G) en los niveles de procrastinación académica en estudiantes universitarios de Educación
Básica.
Se adoptó un método sistemático sustentado en los lineamientos PRISMA 2020
(Preferred Reporting Items for Systematic Reviews and Meta-Analyses), el cual orientó la
identificación, cribado, selección, evaluación metodológica y síntesis de los estudios,
garantizando rigurosidad, transparencia y reproducibilidad. El enfoque cualitativo permitió
interpretar el efecto de la IA-G como una variable tecnológica y como un factor psicológico y
conductual escolar, con impacto en la autorregulación y el cumplimiento académico.
La búsqueda se realizó en Scopus, por ser la base de datos multidisciplinaria más
extensa en producción científica revisada por pares y por permitir filtros avanzados por cuartil,
acceso editorial y tipología de estudio. Se escogió este índice debido a que la literatura asociada
a IA generativa es reciente (posterior a 2022) y se publica predominantemente en revistas de
alta visibilidad digital y rápida indexación académica.
La ecuación fue formulada considerando: 1) Variable dependiente: procrastinación
académica; 2) Variable independiente: uso de IA generativa; 3) Población: estudiantes
universitarios de Educación Básica; 4) Exclusión de educación superior; 5) Tecnologías
específicas (LLM: ChatGPT, Gemini, Copilot, etc.).
Código Científico Revista de Investigación/ V.6/ N. E2/ www.revistacodigocientifico.itslosandes.net
pág. 2574
Research Article
Volumen 6, Número Especial 2, 2025
Figura 1.
Código de búsqueda empleado.
Nota. Elaboración propia.
Adicionalmente a la ecuación, se aplicaron filtros manuales, establecidos en la tabla 1:
Tabla 1.
Filtros manuales empleados en la búsqueda de información
Filtro
2022–2025
Cuartil Q1 y Q2 del SCImago Journal Rank
(SJR)
Artículo de investigación (Article) y Reportes
de caso
Exclusión de preprints
Nota. Elaboración propia.
Los criterios de inclusión fueron:
• Artículos en revistas Q1 o Q2 y con acceso abierto.
• Participantes: estudiantes universitarios
• Uso explícito de inteligencia artificial generativa: ChatGPT, Gemini, Copilot, DALL-
E, LLMs, sistemas de tutoría automatizada o escritura con IA.
• Medición de procrastinación académica como variable central u outcome.
• Estudios con diseño: RCT, No RCT, observacionales o informes de caso.
• Publicaciones en inglés o español.
(TITLE-ABS-KEY("academic procrastination" OR "study procrastination" OR
"homework procrastination"))
AND
(TITLE-ABS-KEY("generative artificial intelligence" OR "generative AI" OR "large
language model" OR "LLM" OR ChatGPT OR Gemini OR "Microsoft Copilot" OR
"AI writing assistant" OR "AI homework tutor" OR "AI tutoring system"))
AND
(TITLE-ABS-KEY("university students" OR undergraduate OR "higher education"
OR "preservice teachers" OR "student teachers"))
AND
(TITLE-ABS-KEY("basic education" OR "primary education" OR "elementary
education" OR "primary teacher training" OR "teacher education" OR "education
major"))
Código Científico Revista de Investigación/ V.6/ N. E2/ www.revistacodigocientifico.itslosandes.net
pág. 2575
Research Article
Volumen 6, Número Especial 2, 2025
Por su parte, los criterios de exclusión fueron:
• Investigaciones basadas en IA no generativa (machine learning tradicional,
buscadores, TIC convencionales, plataformas no automáticas).
• Revisiones, editoriales, análisis teóricos, reflexiones educativas o simulaciones sin
estudiantes reales.
• Artículos que midan solo rendimiento académico sin evaluación de procrastinación.
A continuación, en la figura 1, se presenta el diagrama de flujo con la cantidad de
artículos considerada y analizada.
Figura 1.
Diagrama de flujo empleado de PRISMA para la revisión documental
Nota. Elaboración propia.
IDENTIFICACIÓN
Duplicados eliminados:
Duplicados eliminados: 640
Registros tras depuración: 413
CRIBADO
Títulos y resúmenes evaluados: 413
Excluidos: 162
- Baja relevancia semántica.
ELIGIBILIDAD
Textos completos revisados: 251
Excluidos: 239
No medían procrastinación académica como variable o outcome
Aplicaciones tecnológicas sin uso de IA generativa
Escalas o instrumentos sin validez.
INCLUSIÓN
Estudios empíricos incluidos: 12
(Todos estudiantes universitarios de Educación Básica y uso
explícito de IA generativa para tareas, apoyo académico, tutorías o
generación asistida de contenido escolar.)
Registros totales: 1053
Código Científico Revista de Investigación/ V.6/ N. E2/ www.revistacodigocientifico.itslosandes.net
pág. 2576
Research Article
Volumen 6, Número Especial 2, 2025
Resultados y discusión
Primer resultado: síntesis de la evidencia empírica sobre relación entre variables.
En este apartado se dará cumplimiento al objetivo de sintetizar la evidencia empírica
disponible sobre la relación entre el uso de inteligencia artificial generativa y los niveles de
procrastinación académica en estudiantes universitarios. A continuación, se generará una
síntesis de los resultados obtenidos:
1. Primer bloque de evidencias: el impacto dual de la IAGen en la procrastinación
Académica.
La evidencia empírica sobre el efecto de la IAGen en la procrastinación es notablemente
contradictoria, dividiéndose en dos corrientes principales de pensamiento. Mientras un cuerpo
de investigación sugiere que estas herramientas exacerban la dilación al fomentar la
dependencia y la evitación del esfuerzo, otra línea de estudios demuestra su potencial como
herramientas de mitigación a través de intervenciones estructuradas y de apoyo. Esta sección
analizará ambas perspectivas para desentrañar los mecanismos subyacentes que explican cómo
una misma tecnología puede, en diferentes contextos y bajo distintas condiciones de uso, tanto
fomentar como mitigar el comportamiento procrastinador.
La IAGen como factor exacerbante de la procrastinación
Un conjunto significativo de hallazgos demuestra una correlación positiva entre el uso
no regulado de la IAGen y un aumento en la procrastinación académica. Los mecanismos
psicológicos identificados apuntan a una peligrosa combinación de dependencia, exceso de
confianza y pereza. Un estudio clave de Mukhtar et al. (2025) encontró que la dependencia de
la IA se correlaciona positivamente (r=.241*), y predice (p=.010*) la procrastinación. Este
hallazgo sugiere que la percepción de poder completar tareas con menor esfuerzo y en un
tiempo reducido motiva a los estudiantes a posponer estas responsabilidades hasta el último
Código Científico Revista de Investigación/ V.6/ N. E2/ www.revistacodigocientifico.itslosandes.net
pág. 2577
Research Article
Volumen 6, Número Especial 2, 2025
momento, creando un ciclo de dilación reforzado por la disponibilidad inmediata de la
herramienta.
Este ciclo se ve agravado por una disminución del compromiso cognitivo. Los
estudiantes que dependen excesivamente de la IA pueden experimentar una disminución en su
capacidad para pensar de forma independiente y limitar involuntariamente su compromiso con
el material (Zhang et al., 2024). Esta reducción del esfuerzo mental es consistente con la idea
de que el compromiso con las herramientas de IA puede generar una sensación de pereza entre
los estudiantes (Yilmaz & Yilmaz, 2023, citado en Mukhtar et al., 2025). En este escenario, la
IA-G no se utiliza como un asistente para el aprendizaje, sino como un atajo que refuerza el
comportamiento procrastinador, ya que los procrastinadores tienden a buscar soluciones
rápidas para cumplir con los plazos (Song y Liu, 2025).
La IAGen como herramienta para la mitigación de la procrastinación
En marcado contraste, otra corriente de investigación evidencia que la IA-G, cuando se
implementa a través de intervenciones estructuradas y con un propósito pedagógico claro,
puede reducir significativamente la procrastinación. Un estudio de Ma & Chen (2024) observó
una reducción sustancial en la procrastinación académica en un grupo de estudiantes expuesto
a aplicaciones educativas con IA. Este grupo no solo procrastinó menos, sino que también
demostró niveles significativamente más altos de compromiso afectivo, cognitivo y
conductual, lo que sugiere que la IA puede ser un catalizador del compromiso cuando se diseña
para ello.
Las intervenciones de IA que incorporan marcos psicológicos validados han
demostrado ser particularmente efectivas. Un estudio de Lee et al. (2025) evaluó un chatbot
semi-generativo llamado "Moa", basado en los principios de la Terapia Cognitivo-Conductual
(TCC). La aplicación con el chatbot fue más eficaz para reducir la procrastinación irracional y
el estrés percibido, ya que fomentaba la autorreflexión del usuario y lograba crear una alianza
Código Científico Revista de Investigación/ V.6/ N. E2/ www.revistacodigocientifico.itslosandes.net
pág. 2578
Research Article
Volumen 6, Número Especial 2, 2025
con la aplicación, un factor clave en la adherencia terapéutica. De manera similar, el enfoque
de Duan et al. (2024), que combinó recordatorios personalizados impulsados por IA con
motivación entre pares, resultó en una disminución estadísticamente significativa de las
puntuaciones de procrastinación (p < 0.001). Estos hallazgos refuerzan la conclusión de
Ibrahim et al. (2025) de que los sistemas educativos apoyados por IA tienen un potencial
significativo para reducir el comportamiento de procrastinación académica.
Esta evidencia contradictoria sugiere que la relación entre IA-G y procrastinación no es
directa, sino que está moderada por una serie de factores individuales y contextuales que
determinan si la herramienta se convierte en un aliado o un obstáculo para la autorregulación
del estudiante.
Factores mediadores: ¿Por qué la evidencia es contradictoria?
La aparente contradicción en los hallazgos puede resolverse al analizar los factores
mediadores y moderadores que influyen en la relación entre IAGen y procrastinación. La
evidencia sugiere que el impacto de estas herramientas no es universal, sino que depende de
una compleja interacción entre las características psicológicas del usuario, la naturaleza de la
herramienta y, fundamentalmente, el propósito de su uso. Que la IAGen actúe como un
catalizador o un mitigador de la procrastinación no es una propiedad inherente de la tecnología,
sino el resultado de cómo esta interactúa con el contexto individual y educativo del estudiante.
Segundo resultado: comparación de niveles de procastinación: estudiantes que usan
IAGen y no la usan.
El siguiente análisis comparativo se basa en estudios empíricos que investigan la
relación entre el uso o la dependencia de herramientas de IAGen y la procrastinación académica
en estudiantes universitarios. La evidencia de las fuentes presenta hallazgos contradictorios:
mientras que las intervenciones con IA diseñadas para ayudar a la gestión del tiempo y la
motivación tienden a reducir la procrastinación, la dependencia excesiva o el uso inadecuado
Código Científico Revista de Investigación/ V.6/ N. E2/ www.revistacodigocientifico.itslosandes.net
pág. 2579
Research Article
Volumen 6, Número Especial 2, 2025
de herramientas de IAGen (como ChatGPT) se correlacionan con un aumento en la
procrastinación.
Varios estudios con diseños cuasiexperimentales o controlados por medio de
aplicaciones demuestran que la implementación de herramientas de IA como apoyo a las tareas
académicas puede mitigar la procrastinación, en comparación con los grupos de control que no
reciben dicha intervención.
1. Estudio de Ma y Chen (2024) sobre aplicaciones potenciadas por IA
El estudio cuasiexperimental de Ma y Chen (2024) involucró a 350 estudiantes de inglés
como lengua extranjera (EFL) en China, divididos en un grupo experimental (expuesto a
aplicaciones potenciadas por IA) y un grupo de control (instrucción tradicional)
Tabla 2.
Resultados del estudio cuasiexperimental de Ma y Chen (2024)
Dimensión de Procrastinación
Grupo de
Control
(M)
Grupo
Experimental (M)
Resultado
Estadístico
Hallazgo Principal
Procrastinación Total
22.23
(DE=4.20)
14.60 (DE=4.89)
F(1,348)=490.38,
p<.001,
η2=0.998
Reducción sustancial en el grupo
experimental.
Tareas de Redacción (Writing Term
Assignments)
24.30
19.25
F(1,348)=214.34,
p<.001
Disminución significativa en el grupo
experimental.
Asignaciones Semanales (Weekly
Assignments)
25.50
16.50
F(1,348)=609.18,
p<.001
Disminución significativamente menor en
el grupo experimental.
Estudio para Exámenes (Studying
for Examinations)
17.14
12.52
F(1,348)=203.69,
p<.001
El grupo experimental mostró
significativamente menor procrastinación.
Nota. Obtenido de Ma y Chen (2024)
Los hallazgos indican que la exposición a aplicaciones potenciadas por IA llevó a una
reducción sustancial en la procrastinación académica en el grupo experimental a través de todas
las dimensiones evaluadas, promoviendo hábitos de estudio oportunos y disciplinados.
2. Estudio de Duan et al. (2024) sobre Recordatorios Personalizados con IA
Duan et al. (2024) realizaron un experimento con 34 estudiantes universitarios para
evaluar un enfoque académico anti-procrastinación que combinaba la motivación entre pares
con recordatorios personalizados impulsados por IAGen, ver tabla 2.
Código Científico Revista de Investigación/ V.6/ N. E2/ www.revistacodigocientifico.itslosandes.net
pág. 2580
Research Article
Volumen 6, Número Especial 2, 2025
Tabla 3.
Resultados del estudio de Duan et al. (2024)
Medida de Procrastinación (GPS)
Grupo
Diferencia de
Media (Pre-Post)
Resultado
Estadístico
Hallazgo Principal
Puntuación de Procrastinación
Experimental
(n=17)
5.76
t(16)=4.53,
p<0.001
Disminución estadísticamente significativa
en la procrastinación.
Puntuación de Procrastinación
Control
(n=13)
−0.71
t(13)=−0.25,
p=0.808
No hubo cambio significativo.
Nota. Obtenido de Duan et al. (2024)
El análisis cuantitativo de Duan et al. (2024) reveló una disminución significativa en
las puntuaciones de procrastinación en el grupo experimental que recibió los recordatorios
personalizados de IA y la motivación entre pares, en contraste con la falta de cambio en el
grupo de control.
3. Ensayo Controlado Aleatorizado (RCT) de Lee et al. (2025) con Chatbot
semigenerativo
Lee et al. (2025) llevaron a cabo un RCT piloto para probar una intervención móvil
(una aplicación de lista de tareas) aumentada con un chatbot semigenerativo (Moa) en 85
estudiantes universitarios de Corea del Sur, sus resultados se establecen en la tabla 3.
Tabla 4.
Resultados del estudio de Lee et al. (2025)
Escala de Procrastinación
Grupo
Diferencia Media
(T0 a T1)
Interacción
Tiempo x
Grupo
Hallazgo Principal
Procrastinación Irracional (IPS)
Tratamiento
(con Moa)
−4.54 (DE=5.59)
Cercana a la
significancia
(P=.07) en
análisis de
completadores.
Fuerte tendencia a disminuir en el grupo de
tratamiento (P<.001 de T0 a T1).
Procrastinación Irracional (IPS)
Control
(solo app
To-do)
−2.53 (DE=6.13)
N/A
Variación significativa menor (P=.02 de T0
a T1).
Subescala de Procrastinación
(TMBS)
Tratamiento
4.61 (DE=4.47)
Significativa
(P=.01) en
análisis de
completadores.
Variaciones más altas en la reducción de la
procrastinación en comparación con el
control.
Procrastinación General
Interacción
Tiempo x
Grupo
N/A
Significativa en
la subescala de
Procrastinación
del TMBS
(P=.03).
La aplicación integrada con el chatbot
demostró mayor eficacia en influir en el
comportamiento y reducir la
procrastinación.
Nota. Obtenido de Lee et al. (2025)
Código Científico Revista de Investigación/ V.6/ N. E2/ www.revistacodigocientifico.itslosandes.net
pág. 2581
Research Article
Volumen 6, Número Especial 2, 2025
El grupo de tratamiento, que utilizó la aplicación con el chatbot semigenerativo, mostró
una mayor variación en la mejora de las puntuaciones de procrastinación y gestión del tiempo
que el grupo de control que solo usó la aplicación de lista de tareas, especialmente entre los
participantes que se comunicaron sinceramente con el chatbot.
Es por ello que, a partir de la comparativa, se puede decir que la IAGen no es
inherentemente un factor que aumenta o disminuye la procrastinación; su impacto está mediado
por el diseño de la herramienta (intervención vs. herramienta de apoyo general) y el patrón de
uso individual del estudiante (uso constructivo vs. dependencia mal adaptativa). Es como una
navaja suiza académica: puede usarse para construir un plan de estudios más sólido (reduciendo
la procrastinación mediante la organización) o para afilar la tendencia a esperar hasta el último
momento (aumentando la procrastinación a través de la dependencia).
Tercer resultado: factores moderadores y mediadores asociados al impacto de la
IAGen sobre la procrastinación académica en estudiantes universitarios de Educación Básica.
Para finalizar la investigación, se dará cumplimiento al último objetivo específico de
identificar factores moderadores y mediadores asociados al impacto de la IA generativa sobre
la procrastinación académica en estudiantes universitarios. Los factores identificados en la
revisión cualitativa de la literatura se irán enlistando uno a uno a continuación:
1. Factores mediadores claves: vías psicológicas.
La evidencia sugiere que no es el uso de la IA-G en sí mismo lo que determina la
procrastinación, sino los procesos psicológicos internos que se activan en el estudiante. Estos
mecanismos mediadores, que incluyen la autorregulación, las emociones y las cogniciones,
explican la ruta a través de la cual la tecnología ejerce su influencia. Posteriormente, se
detallará cada uno de los factores determinantes de índole psicológico.
1.1. Autorregulación, dependencia de la IA y rasgos de personalidad.
Código Científico Revista de Investigación/ V.6/ N. E2/ www.revistacodigocientifico.itslosandes.net
pág. 2582
Research Article
Volumen 6, Número Especial 2, 2025
La procrastinación es definida consistentemente en la literatura como un fallo por
excelencia de la autorregulación (Steel, 2007). La autorregulación actúa como un mediador
central, a menudo afectado por rasgos de personalidad preexistentes que predisponen a una
dependencia tecnológica. Ciertos rasgos de personalidad, como el neuroticismo, el
perfeccionismo autocrítico y la impulsividad, están asociados con una mayor frustración de las
necesidades psicológicas básicas y la aparición de emociones académicas negativas. Según
Zhong et al. (2024), esta frustración refuerza las creencias positivas sobre el rendimiento de la
IA, profundizando la dependencia de la herramienta. De manera similar, Song y Liu (2025)
encontraron que los rasgos oscuros de la personalidad (materialismo, narcisismo, psicopatía y
maquiavelismo) están asociados tanto con la procrastinación como con los hábitos de uso de la
IAGen.
El análisis integrado de estos hallazgos sugiere una ruta mediacional clara: la falta de
autorregulación, exacerbada por ciertos rasgos de personalidad, conduce a una mayor
dependencia de la IA (Zhong et al., 2024), y es esta dependencia la que, a su vez, media el
incremento de la procrastinación, como lo demuestra la investigación de Mukhtar et al. (2025).
1.2. Emociones académicas y creencias cognitivas.
El impacto de la IAGen también está mediado por las emociones y cogniciones que los
estudiantes experimentan y construyen en torno a la herramienta. El uso de la IA puede generar
un amplio espectro de respuestas emocionales, que van desde negativas -como ansiedad por el
rendimiento, frustración técnica y desconexión emocional- hasta positivas, como el apoyo
emocional y un aumento de la participación (Lin & Chen, 2024).
Es crucial señalar que las emociones no siempre actúan de manera directa sobre el
comportamiento. El estudio de Zhong, Luo y Lyu (2024) es particularmente revelador a este
respecto, al encontrar que las emociones académicas negativas no tienen un efecto directo sobre
la dependencia de la IA. En cambio, su influencia está mediada por las expectativas de
Código Científico Revista de Investigación/ V.6/ N. E2/ www.revistacodigocientifico.itslosandes.net
pág. 2583
Research Article
Volumen 6, Número Especial 2, 2025
rendimiento, un factor cognitivo clave. Es decir, cuando un estudiante se siente ansioso o
frustrado, es más probable que desarrolle la creencia de que la IA puede mejorar su
rendimiento, y es esta creencia la que conduce a la dependencia. De forma análoga, las actitudes
generales funcionan como un filtro cognitivo. Önal (2025) demostró que las actitudes positivas
hacia la IA aumentan la motivación académica intrínseca y extrínseca, mientras que las
actitudes negativas solo incrementan la desmotivación, un estado que indirectamente puede
fomentar la procrastinación.
Además de estos mecanismos internos, existen factores contextuales y relacionados con
el uso específico de la tecnología que moderan la fuerza y la dirección de esta compleja
relación, estos se detallan en el siguiente apartado, desagregando cada uno de los pilares que
actúan como moderadores.
2. Factores moderadores identificados: el contexto y el uso de la IAGen
Los factores moderadores son aquellas condiciones que alteran la relación entre la
IAGen y la procrastinación, determinando si el efecto será positivo, negativo o nulo. La
evidencia identifica principalmente el tipo de herramienta utilizada y las características del
usuario y su entorno como moderadores clave.
2.1. Tipo de herramienta y forma de uso.
La distinción entre el uso general de herramientas de IAGen y la implementación de
intervenciones específicas es, quizás, el moderador más influyente. El uso no estructurado de
herramientas como ChatGPT para completar tareas (Ajalo et al., 2025) se asocia con un mayor
riesgo de desarrollar una dependencia (Mukhtar et al., 2025) que potencia la procrastinación.
En cambio, cuando las aplicaciones de IA están diseñadas explícitamente para abordar la
procrastinación con una base psicológica, los resultados tienden a ser positivos. El diseño de la
intervención es, por tanto, un moderador crucial. Por ejemplo, el chatbot "Moa", que se
fundamenta en principios de la TCC para fomentar la autorregulación (Lee et al., 2025),
Código Científico Revista de Investigación/ V.6/ N. E2/ www.revistacodigocientifico.itslosandes.net
pág. 2584
Research Article
Volumen 6, Número Especial 2, 2025
demostró ser eficaz. De manera similar, el enfoque de Duan et al. (2024), que combina
recordatorios personalizados de IA con motivación de pares, también logró disminuir las
conductas de postergación.
1.2. Características individuales y contexto educativo
Las diferencias entre los estudiantes y las particularidades de sus entornos académicos
también moderan el efecto de la IAGen. La edad y la etapa formativa son factores relevantes.
Ajalo et al. (2025) encontraron que los estudiantes de mayor edad (35-46 años) eran un 31%
menos propensos a usar herramientas de IA en comparación con los más jóvenes. El mismo
estudio reveló que los estudiantes de segundo año eran menos propensos a usar IA que los de
primer año, sugiriendo que la familiaridad con las exigencias universitarias y el desarrollo de
estrategias de estudio propias pueden moderar la necesidad de recurrir a estas herramientas.
Finalmente, el entorno institucional juega un papel moderador en la adopción de la IA. El
estudio de Ajalo et al. (2025) ofrece un ejemplo claro, al encontrar que los estudiantes de la
Universidad de Makerere eran un 66% más propensos a usar herramientas de IA en
comparación con los de la Universidad de Gulu, una diferencia atribuida a factores contextuales
propios de cada institución.
Conclusiones
La revisión sistemática demuestra que la relación entre el uso de herramientas de
inteligencia artificial generativa (IAGen) y la procrastinación académica (PA) no sigue un
patrón homogéneo. La evidencia empírica revela un efecto dual: por una parte, el uso no
regulado y orientado a la resolución rápida de tareas puede incrementar la dilación al fomentar
dependencia tecnológica, disminución del compromiso cognitivo y retrasos intencionados
hasta el último momento. Por otra parte, intervenciones pedagógicamente diseñadas con IA -
como chatbots semigenerativos, recordatorios personalizados o aplicaciones educativas
basadas en principios psicológicos- muestran capacidad para disminuir la procrastinación,
Código Científico Revista de Investigación/ V.6/ N. E2/ www.revistacodigocientifico.itslosandes.net
pág. 2585
Research Article
Volumen 6, Número Especial 2, 2025
mejorar el compromiso afectivo y cognitivo, e impulsar una gestión más disciplinada del
tiempo. Por lo tanto, la relación entre IAGen y PA no depende de la tecnología en sí misma,
sino del propósito educativo de uso y de las condiciones bajo las cuales los estudiantes
interactúan con ella.
Asimismo, los estudios comparativos revisados evidencian que el impacto de la IAGen es
sustancialmente distinto entre quienes la utilizan sin estructura pedagógica y quienes la incorporan
mediante un diseño de intervención educativa. En grupos que reciben apoyo estructurado con IA, las
puntuaciones de procrastinación disminuyen de forma estadísticamente significativa, especialmente en
dimensiones relacionadas con la entrega oportuna de trabajos, la planificación semanal y el estudio para
evaluaciones. Por el contrario, su uso improvisado como herramienta rápida para resolver tareas sin
reflexión aumenta la postergación, debido a la falsa percepción de ahorro de esfuerzo y a la idea de que
la tarea puede ser completada fácilmente en el futuro. Por ello, la IA no puede entenderse como un
factor inherentemente protector o de riesgo: su efecto depende del patrón de uso construido por el
estudiante y del sentido formativo de su aplicación.
Finalmente, se confirmaron múltiples factores que explican por qué la IA puede mitigar o
incrementar la procrastinación. Entre los mediadores psicológicos, destacan la autorregulación, la
gestión emocional y las creencias de autoeficacia académica frente al rendimiento esperado con IA. La
baja autorregulación, reforzada por rasgos de personalidad específicos (como impulsividad o
perfeccionismo autocrítico), favorece una mayor dependencia de estas herramientas, incrementando así
la procrastinación. Asimismo, emociones negativas asociadas al estudio no impactan de forma directa,
sino a través de creencias que fortalecen la expectativa de que la IA puede resolver el problema, lo cual
incrementa el uso dependiente. En cuanto a los moderadores contextuales, el tipo de herramienta, su
diseño pedagógico, la edad del estudiante, la etapa formativa y el entorno institucional condicionan el
efecto final de la IAGen. La IA reduce la procrastinación cuando es utilizada para fomentar
planificación, reflexión y apoyo emocional; y la incrementa cuando opera como un sustituto del
esfuerzo académico.
Código Científico Revista de Investigación/ V.6/ N. E2/ www.revistacodigocientifico.itslosandes.net
pág. 2586
Research Article
Volumen 6, Número Especial 2, 2025
Referencias bibliográficas
Abbass, H. (2021). What is artificial intelligence?. IEEE Transactions on Artificial
Intelligence, 2(2), 94–95. https://ieeexplore.ieee.org/document/9523786
Abuadas, M., Albikawi, Z., & Rayani, A. (2025). The impact of an AI-focused ethics education
program on nursing students’ ethical awareness, moral sensitivity, attitudes, and
generative AI adoption intention: a quasi-experimental study. BMC Nursing, 24(1),
720. https://link.springer.com/article/10.1186/s12912-025-03458-2
Acosta-Enriquez, B. G., Arbulú Ballesteros, M. A., Huamaní Jordan, O., López Roca, C., &
Saavedra Tirado, K. (2024). Analysis of college students' attitudes toward the use of
ChatGPT in their academic activities: effect of intent to use, verification of information
and responsible use. BMC Psychology, 12(1), 255.
https://link.springer.com/article/10.1186/s40359-024-01764-z
Ajalo, E., Mukunya, D., Nantale, R., Kayemba, F., Pangholi, K., Babuya, J., et al. (2025).
Widespread use of ChatGPT and other Artificial Intelligence tools among medical
students in Uganda: A cross-sectional study. PLoS ONE, 20(1), e0313776.
https://pubmed.ncbi.nlm.nih.gov/39787055/
Akinwalere, S. N., & Ivanov, V. (2022). Artificial intelligence in higher education: Challenges
and opportunities. Border Crossing, 12(1), 1–15.
https://www.researchgate.net/publication/359080609_Artificial_Intelligence_in_High
er_Education_Challenges_and_Opportunities
Barrera, W. A. (2025). La inteligencia artificial y el desarrollo cognitivo de los estudiantes de
noveno año de educación básica (22 p.). UPSE, Instituto de Postgrado.
https://repositorio.upse.edu.ec/handle/46000/13182
Bautista-Quispe, Judith Annie, Velazco Reyes, Benjamin, Estrada Araoz, Edwin Gustavo,
Córdova-Rojas, Lizbeth Maribel, & Ascona Garcia, Papa Pio. (2023). Adicción a las
redes sociales y procrastinación académica en adolescentes de educación básica
regular. Revista Universidad y Sociedad, 15(3), 509-517.
http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S2218-
36202023000300509&lng=es&tlng=es.
Becker, A. (2019). Artificial intelligence in medicine: What is it doing for us today?. Health
Policy and Technology, 8(2), 198–205.
https://www.sciencedirect.com/science/article/abs/pii/S2211883718301758
Beşaltı, M. (2025). Harnessing Self-Control and AI: Understanding ChatGPT’s Impact on
Academic Wellbeing [Aprovechando el autocontrol y la IA: Comprendiendo el impacto
de ChatGPT en el bienestar académico]. Behavioral Sciences, 15(9), 1181.
https://doi.org/10.3390/bs15091181
Bewersdorff, A., Hornberger, M., Nerdel, C., & Schiff, D. S. (2025). AI advocates and cautious
critics: How AI attitudes, AI interest, use of AI, and AI literacy build university
students' AI self-efficacy. Computers and Education: Artificial Intelligence, 8, 100340.
https://www.sciencedirect.com/science/article/pii/S2666920X24001437
Código Científico Revista de Investigación/ V.6/ N. E2/ www.revistacodigocientifico.itslosandes.net
pág. 2587
Research Article
Volumen 6, Número Especial 2, 2025
Camas Camas, R. F., Cislema Rivera, A. D., Mañay Mena, G. P., & Viñan Viñan, A. P. (2025).
Uso de Inteligencia Artificial Generativa (ChatGPT, DALL·E) como Herramienta de
Apoyo en Procesos Educativos. Ciencia Latina, 9(3), 9405–9414.
https://doi.org/10.37811/cl_rcm.v9i3.18585
Carrillo Pardo, M. M., Cevallos Campuzano, K. M., Zambrano Mera, N. P., & Criollo
Turusina, M. A. (2025). Juegos en línea y la procrastinación académica, en estudiantes
de una institución, Santo Domingo. Ciencia Y Educación, 6(10.1), 6 - 20. Recuperado
a partir de https://www.cienciayeducacion.com/index.php/journal/article/view/1715
Chen, C., & Gong, Y. (2025). The role of AI-assisted learning in academic writing: A mixed-
methods study on Chinese as a Second Language students. Education Sciences, 15(2),
141. https://www.mdpi.com/2227-7102/15/2/141
Chen, X., Xie, H., Zou, D., & Hwang, G. J. (2020). Application and theory gaps during the rise
of artificial intelligence in education. Computers and Education: Artificial Intelligence,
1, 100002. https://www.sciencedirect.com/science/article/pii/S2666920X20300023
Choez Calderón, C. J., & Miranda Bajaña, R. S. (2024). El rol de la inteligencia artificial en la
educación inclusiva: Oportunidades y retos para la enseñanza personalizada.: The role
of artificial intelligence in inclusive education: Opportunities and challenges for
personalized teaching. Revista Científica Multidisciplinar G-Nerando, 5(2), Pág. 997 –
. https://doi.org/10.60100/rcmg.v5i2.303
Chun Chu, A. H., & Choi, J. N. (2005). Rethinking procrastination: Positive effects of "active"
procrastination behavior on attitudes and performance. The Journal of Social
Psychology, 145(3), 245–264. https://pubmed.ncbi.nlm.nih.gov/15959999/
Corkin, D. M., Shirley, L. Y., & Lindt, S. F. (2011). Comparing active delay and procrastination
from a self-regulated learning perspective. Learning and Individual Differences, 21(5),
602–606. https://www.sciencedirect.com/science/article/abs/pii/S1041608011000823
Cuenca, E., Tonato, N., Ruiz, M., Salcedo, A., Caiza, J., & Molina, B. (2025). Implementación
de inteligencia artificial generativa para personalizar el aprendizaje: Implementation of
Generative Artificial Intelligence to Personalize Learning. Revista Multidisciplinar De
Estudios Generales, 4(3), 2301 – 2320. https://doi.org/10.70577/reg.v4i3.273
Deci, E. L., & Ryan, R. M. (2000). The "what" and "why" of goal pursuits: Human needs and
the self-determination of behavior. Psychological Inquiry, 11(4), 227–268.
https://www.tandfonline.com/doi/abs/10.1207/S15327965PLI1104_01
Duan, X., Yi, Z., Sun, Y. J., & Shabtai, I. (2024). The Academic Anti-Procrastination
Approach: Combining Peer Motivation and Personalized Artificial Intelligence
Reminders [El enfoque académico anti-procrastinación: Combinando motivación entre
pares y recordatorios personalizados con inteligencia artificial]. Proceedings of the
International Conference on AI Research, 4(1), 99–107.
https://doi.org/10.34190/icair.4.
Eltahir, M. E., & Babiker, F. M. E. (2024). The influence of artificial intelligence tools on
student performance in e-learning environments: Case study. Electronic Journal of e-
Código Científico Revista de Investigación/ V.6/ N. E2/ www.revistacodigocientifico.itslosandes.net
pág. 2588
Research Article
Volumen 6, Número Especial 2, 2025
Learning, 22(9), 91–110. https://academic-
publishing.org/index.php/ejel/article/view/3639
Escolano-Pérez, E., & Herrero-Nivela, M. L. (2017). ¿Por qué los estudiantes dejan todo para
última hora? Variables implicadas en el aprendizaje autorregulado - [Why do students
leave everything to the last minute? Variables underlying self-regulation learning]. 1–
6. https://doi.org/10.26754/CINAIC.2017.000001_057
Georgiou, G. P. (2025). ChatGPT produces more “lazy” thinkers: Evidence of cognitive
engagement decline [ChatGPT produce más “pensadores perezosos”: Evidencia de
disminución del compromiso cognitivo]. arXiv.Org, abs/2507.00181.
https://doi.org/10.48550/arxiv.250
Ibrahim, M. B., Mujahid, T., & Anshori, M. I. (2025). Optimization of artificial intelligence-
based research in minimizing student academic procrastination. International
Conference on Research Issues and Community Service.
https://www.researchgate.net/publication/389177278_Optimization_of_Artificial_Inte
lligence-Based_Research_in_Minimizing_Student_Academic_Procrastination
Kaushik, A., Yadav, S., Browne, A., Lillis, D., Williams, D., Donnell, J., Grant, P. J., Kernan,
S. C., Sharma, S., & Arora, M. (2025). Exploring the Impact of Generative Artificial
Intelligence in Education: A Thematic Analysis [Explorando el impacto de la
inteligencia artificial generativa en la educación: Un análisis temático].
https://doi.org/10.48550/arxiv.2501.10134
Lee, S., Jeong, J., Kim, M., Lee, S., Kim, S. P., & Jung, D. (2025). Development of a Mobile
Intervention for Procrastination Augmented With a Semigenerative Chatbot for
University Students: Pilot Randomized Controlled Trial. JMIR mHealth and uHealth,
13, e53133. https://mhealth.jmir.org/2025/1/e53133
Lin, H., & Chen, Q. (2024). Artificial intelligence (AI) -integrated educational applications and
college students’ creativity and academic emotions: students and teachers’ perceptions
and attitudes. BMC Psychology, 12(1), 487.
https://link.springer.com/article/10.1186/s40359-024-01979-0
Ma, Y., & Chen, M. (2024). AI-empowered applications effects on EFL learners’ engagement
in the classroom and academic procrastination. BMC Psychology, 12(739).
https://link.springer.com/article/10.1186/s40359-024-02248-w
Montoya, J. K., Chugñay, R. A., & Pilco, J. P. (2024, noviembre 22). Uso de la inteligencia
artificial en los estudiantes de la carrera de Educación Básica. Universidad Nacional
de Chimborazo. http://dspace.unach.edu.ec/handle/51000/14059
Mukhtar, M., Firdos, S. S., Zaka, I., & Naeem, S. (2025). Impact of AI dependence on
procrastination among university students. Research Journal of Psychology, 3(1), 246–
257. https://ctrjournal.com/index.php/19/article/view/62
Önal, G. (2025). The effect of university students’ attitudes toward artificial intelligence on
academic motivation and procrastination behavior. OPUS– Journal of Society
Research, 22(4), 753–768.
https://dergipark.org.tr/en/pub/opusjsr/issue/93906/1663214
Código Científico Revista de Investigación/ V.6/ N. E2/ www.revistacodigocientifico.itslosandes.net
pág. 2589
Research Article
Volumen 6, Número Especial 2, 2025
Proaño Sánchez, A. Y., Ambuludi Abrigo, M. G., Román Laínez, F. R., Córdova Vivanco, M.
J., & Guaycha Maza, A. R. (2025). Inteligencia Artificial Generativa en la Educación
Básica: Oportunidades y Consideraciones para el Diseño de Escenarios
Interdisciplinarios. Estudios Y Perspectivas Revista Científica Y Académica, 5(2),
1563–1580. https://doi.org/10.61384/r.c.a.v5i2.1226
Rodríguez, M. F. V., Pérez, F. T., Contreras, I. M. A., & Acuña, J. N. R. (2016). Procrastinación
académica en estudiantes de educación en Lenguas, Literatura y Comunicación:
Características, modos y factores. Horizonte de la Ciencia, 6(10), 185-194.
https://www.redalyc.org/journal/5709/570960870018/570960870018.pdf
Song, J., & Liu, S. (2025). Dark personality traits are associated with academic misconduct,
frustration, negative thinking, and generative AI use habits: the case of Sichuan art
universities. BMC Psychology, 13(633).
https://link.springer.com/article/10.1186/s40359-025-02949-w
Steel, P. (2007). The nature of procrastination: A meta-analytic and theoretical review of
quintessential self-regulatory failure. Psychological Bulletin, 133(1), 65–94.
https://studypedia.au.dk/fileadmin/www.studiemetro.au.dk/Procrastination_2.pdf
Storey, V. A. (2023). AI Technology and Academic Writing [Tecnología de IA y escritura
académica]. International Journal of Adult Education and Technology.
https://doi.org/10.4018/ijaet.325795
Valente, S., Dominguez-Lara, S., & Lourenço, A. (2024). Planning Time Management in
School Activities and Relation to Procrastination: A Study for Educational
Sustainability [Planificación de la gestión del tiempo en actividades escolares y relación
con la procrastinación: Un estudio para la sostenibilidad educativa]. Sustainability, 16,
6883. https://doi.org/10.3390/su16166883
Viturco, J. A. (2024). Uso de las redes sociales y la procrastinación académica en estudiantes
de una unidad educativa fiscomisionada al sur de Quito-Ecuador en el periodo
académico 2023-2024. http://dspace.ups.edu.ec/handle/123456789/28271
Wecks, J. O., Voshaar, J., Plate, B. J., & Zimmermann, J. (2024). Generative AI Usage and
Academic Performance [Uso de IA generativa y rendimiento académico].
https://doi.org/10.48550/arxiv.2404.19699
Yao, M., Zhao, S., Sahebi, S., & Behnagh, R. F. (2021). Stimuli-Sensitive Hawkes Processes
for Personalized Student Procrastination Modeling [Procesos de Hawkes sensibles a
estímulos para la modelación personalizada de la procrastinación estudiantil]. The Web
Conference, 1562–1573. https://doi.org/10.1145/}
Yilmaz, R., & Yilmaz, F. G. K. (2023). The effect of generative artificial intelligence (AI)-
based tool use on students' computational thinking skills, programming self-efficacy
and motivation. Computers and Education: Artificial Intelligence, 4, 100147.
https://www.sciencedirect.com/science/article/pii/S2666920X23000267
Código Científico Revista de Investigación/ V.6/ N. E2/ www.revistacodigocientifico.itslosandes.net
pág. 2590
Research Article
Volumen 6, Número Especial 2, 2025
Zapata Ros, M. (2024). IA generativa y ChatGPT en Educación: Un reto para la evaluación y
¿una nueva pedagogía? REVISTA PARAGUAYA DE EDUCACIÓN A DISTANCIA
(REPED), 5(1), 12–44. https://doi.org/10.56152/reped2024-vol5num1-art2
Zhang, S., Zhao, X., Zhou, T., & Kim, J. H. (2024). Do you have AI dependency? The roles of
academic self-efficacy, academic stress, and performance expectations on problematic
AI usage behavior. International Journal of Educational Technology in Higher
Education, 21(1), 34. https://link.springer.com/article/10.1186/s41239-024-00467-0
Zhong, W., Luo, J., & Lyu, Y. (2024). How do personal attributes shape AI dependency in
Chinese higher education context? Insights from needs frustration perspective. PLoS
ONE, 19(11), e0313314.
https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0313314