Análisis Neutrosófico Fuzzy-Set QCA del Impacto de la Inteligencia Artificial Generativa en el Desempeño Académico de Estudiantes de Programación: Una Perspectiva Epistémica Basada en Datos

Este estudio emplea Análisis Cualitativo Comparativo de Conjuntos Difusos Neutrosóficos (N-fsQCA v2.0) para examinar las configuraciones causales que conducen al desempeño académico percibido en estudiantes de programación que utilizan herramientas de inteligencia artificial generativa (IAG). A diferencia del fsQCA tradicional que cuantifica únicamente consistencia [1], N-fsQCA extiende el marco analítico calculando tres indicadores epistémicos independientes: Truth (T), Indeterminacy (I) y Falsity (F) [2]. Crucialmente, estos valores representan estimados basados en datos que cuantifican evidencia observada, incertidumbre y contra-evidencia, respectivamente—no propiedades ontológicas de las configuraciones [3]. Analizando datos de 73 estudiantes universitarios ecuatorianos (92.5% tasa de adopción de IA), identificamos 16 configuraciones que cumplen criterios de suficiencia (T ≥ 0.80, I ≤ 0.30), con 100% de las configuraciones analizadas alcanzando suficiencia evidencial. Los hallazgos revelan equifinalidad sustancial con valores neutrosóficos notablemente robustos: T media = 0.990 (rango: 0.859–1.000), I media = 0.037 (rango: 0.032–0.049), F media = 0.010 (rango: 0.000–0.141). La configuración de mayor cobertura (50 casos, 68.5%) combina facilidad de uso, influencia social y condiciones facilitadoras, incluso en ausencia de alta expectativa de desempeño (T=1.000, I=0.044). La baja indeterminación promedio sugiere que el modelo UTAUT captura adecuadamente la relación causal, aunque la equifinalidad perfecta (16/16 suficientes) indica potencial saturación del espacio causal. Los intervalos de confianza bootstrap al 95% confirman estabilidad de los estimados neutrosóficos. Este trabajo contribuye metodológicamente al demostrar la utilidad de N-fsQCA v2.0 implementado en NeutroLab (Python v1.4.0) [4] para investigación educativa, y sustantivamente al revelar que el desempeño académico con IAG emerge de configuraciones organizacionales más que factores individuales aislados.