Narrativas algorítmicas y cultura digital universitaria: usos de ChatGPT, TikTok y herramientas de IA generativa en el sur de México

Resumen

Este artículo analiza cómo estudiantes universitarios del sur de México articulan usos académicos de ChatGPT, TikTok y otras inteligencias artificiales generativas. Se empleó un diseño mixto secuencial explicativo que integró una encuesta no probabilística a 412 estudiantes de cinco entidades, 102 registros de diario digital y 96 extractos procedentes de 32 entrevistas semiestructuradas. Los resultados muestran que el uso académico de ChatGPT se vincula tanto con el apoyo percibido al aprendizaje como con tensiones relacionadas con dependencia, plagio y autoría. La verificación de fuentes aparece asociada con la orientación docente y la discusión ética, mientras que TikTok funciona como recurso de descubrimiento y microaprendizaje, aunque con niveles variables de confianza. El análisis cualitativo identificó procesos de apropiación instrumental, mediación en plataforma, negociación ética e identidad narrativa. La matriz de narrativas algorítmicas es una propuesta interpretativa exploratoria; sus resultados describen la muestra, sin validación psicométrica, causalidad ni generalización estadística.

Palabras clave: inteligencia artificial generativa; cultura digital; narrativas algorítmicas; alfabetización algorítmica; métodos mixtos.

1 Instituto Latinoamericano de Educación a Distancia. https://orcid.org/0000-0003-1962-3892. correo electrónico: victor.avendano o iled.edu.mx

2 Centro de Investigaciones Multidisciplinarias de los Altos de Chiapas. https://orcid.org/0000-0002-1714-5965. correo electrónico: iris.alfonzo@cimachiapas.edu.mx

Algorithmic narratives and university digital

culture: uses of ChatGPT, TikTok, and

generative AI tools in southern Mexico

Abstract

This article examines how university students in southern Mexico articulate academic uses of ChatGPT, TikTok, and other generative artificial intelligence tools. A sequential explanatory mixed-methods design combined a nonprobability survey of 412 students from five states, 102 digital diary entries, and 96 excerpts from 32 semi-structured interviews. The findings show that academic ChatGPT use is linked both to perceived learning support and to tensions involving dependence, plagiarism, and authorship. Source verification is associated with teacher guidance and classroom ethical discussion, while TikTok operates as a resource for discovery and microlearning, although levels of trust vary. The qualitative analysis identifies processes of instrumental appropriation, platform mediation, ethical negotiation, and narrative identity. The four dimensions constitute an exploratory interpretative matrix, rather than a validated psychometric scale. The findings describe practices within the nonprobability sample and do not establish causality or support statistical generalization.

Keywords: generative artificial intelligence; digital culture; algorithmic narratives; algorithmic literacy; mixed methods.

Introducci

La expansión de la inteligencia artificial generativa en la educación superior constituye una transformación comunicativa, cultural y pedagógica que rebasa la incorporación de una herramienta técnica; ChatGPT, los buscadores conversacionales, los asistentes de escritura, las funciones generativas integradas en plataformas de diseño y edición, y los sistemas capaces de producir imágenes, audio o video participan ya en actividades ordinarias de búsqueda, explicación, síntesis, traducción, argumentación y creación. Las revisiones iniciales sobre ChatGPT han documentado posibilidades de tutoría, retroalimentación y apoyo a la escritura, pero también riesgos relacionados con errores factuales, dependencia, opacidad y prácticas de integridad académica (Lo, 2023). Esta coexistencia de oportunidades y tensiones obliga a observar las formas mediante las cuales sus usos se explican, justifican, normalizan o cuestionan dentro de la vida universitaria.

Desde una perspectiva comunicativa, la IA generativa no opera de manera aislada. Sus respuestas se incorporan a circuitos en los que intervienen estudiantes, docentes, interfaces, plataformas, tutoriales, reglamentos institucionales y expectativas de rendimiento. Un texto producido con asistencia algorítmica puede comenzar en un video breve, continuar en una conversación con un modelo generativo, pasar por una aplicación de diseño y terminar en un documento académico. En ese recorrido se toman decisiones sobre selección, verificación, edición, atribución y conservación de la voz propia. Por ello, el fenómeno no puede reducirse a la relación instrumental entre una persona y una aplicación: se configura como una práctica sociotécnica en la que distintas mediaciones definen lo que se considera útil, legítimo, creativo o problemático (Gillespie, 2018; van Dijck et al., 2018).

La cultura universitaria resulta especialmente relevante porque articula exigencias de aprendizaje, producción intelectual, evaluación y autoría. En este contexto, la IA puede funcionar como apoyo para comprender un concepto, organizar una estructura argumentativa o explorar alternativas de redacción, pero también como mecanismo de sustitución del trabajo cognitivo o de apariencia de competencias no desarrolladas. La frontera entre asistencia y delegación no depende únicamente de la cantidad de texto generado. También involucra el propósito de la tarea, el grado de intervención humana, la trazabilidad de las decisiones y las reglas que cada comunidad académica establece. La responsabilidad ética del uso de ChatGPT, en consecuencia, requiere marcos de interpretación que permitan distinguir prácticas de apoyo, revisión, paráfrasis, producción completa, comprobación y atribución (Miao & Holmes, 2023; Otero Escobar & Suárez-Jasso, 2025).

En México, esta transformación se despliega dentro de un ecosistema digital de alcance amplio, aunque marcado por desigualdades persistentes. A inicios de 2025 se estimaban 110 millones de personas usuarias de internet, equivalentes al 83.3 % de la población, y 93 millones de identidades activas en redes sociales (Kemp, 2025). Estas cifras expresan una expansión considerable de la conectividad, pero no eliminan las diferencias en estabilidad de acceso, dispositivos disponibles, competencias informacionales, acompañamiento docente y posibilidades de pago por servicios digitales; por el contrario, la presencia de una tecnología no implica condiciones homogéneas de apropiación. En consecuencia, cualquier interpretación sobre estudiantes, universidades o regiones debe distinguir entre disponibilidad técnica, uso efectivo, comprensión crítica y capacidad de convertir el acceso en una práctica académica significativa.

La desigualdad también se manifiesta en la posibilidad de comprender los sistemas que organizan la experiencia digital. La familiaridad cotidiana con plataformas no equivale a reconocer cómo se recopilan datos, cómo se jerarquiza contenido o por qué determinadas recomendaciones adquieren visibilidad; en ese sentido, la alfabetización algorítmica comprende la conciencia de que existen procesos automatizados, el conocimiento básico de su funcionamiento, la capacidad de evaluar sus resultados y la posibilidad de actuar críticamente frente a ellos (Dogruel et al., 2022; Long & Magerko, 2020). Los estudios sobre conciencia algorítmica muestran, además, que esta capacidad se distribuye de manera desigual y puede convertirse en una nueva forma de brecha digital (Gran et al., 2021). Por tanto, analizar prácticas universitarias de IA exige considerar no solo las habilidades de uso, sino el nivel de comprensión con el que las personas interpretan las mediaciones tecnológicas.

TikTok

TikTok ocupa un lugar singular dentro de este entorno, aunque conviene evitar atribuciones que la evidencia disponible no sostiene. Montero Corrales (2025) documenta prácticas informativas entre universitarios de la generación Z y concluye que el entretenimiento conserva un peso dominante; por ello, los resultados del estudio no bastan para afirmar que la plataforma funcione como canal académico consolidado. En los diarios y entrevistas analizados, TikTok aparece entre algunos participantes como recurso de descubrimiento, explicación breve y acceso inicial a temas académicos, pero también como fuente de distracción y contenidos de calidad desigual. El hallazgo se interpreta como una práctica situada de la muestra y no como una generalización sobre toda la población universitaria.

La relación entre TikTok e IA generativa evidencia que las plataformas no son canales neutrales. Los algoritmos de recomendación ordenan la atención, conectan contenidos y producen impresiones sobre lo que otras personas hacen o consideran aceptable. Al observar repetidamente videos que presentan la IA como atajo, tutor, asistente creativo o amenaza, los usuarios construyen expectativas sobre sus posibilidades y riesgos. El poder de la plataforma no consiste únicamente en ocultar reglas técnicas, sino en convertir determinadas prácticas en opciones culturalmente disponibles (Bucher, 2017; Gillespie, 2018). De esta manera, las narraciones sobre eficiencia, creatividad, plagio, sustitución laboral o futuro educativo se incorporan a la experiencia cotidiana antes de que las instituciones formulen políticas explícitas.

Este proceso se relaciona con los imaginarios algorítmicos: formas ordinarias de pensar, sentir y anticipar lo que hacen los algoritmos, aun cuando su funcionamiento interno no sea conocido (Bucher, 2017). Los imaginarios no son simples errores de comprensión; orientan decisiones concretas, como confiar en una recomendación, modificar una publicación, aceptar una respuesta automática o evitar ciertos usos. En el caso de la IA, las expectativas sociales combinan discursos de innovación, automatización, vigilancia, creatividad y pérdida de control. Sūna y Hoffmann (2024) plantean que el tránsito de los imaginarios hacia la alfabetización requiere vincular experiencias cotidianas con capacidades críticas. Para la investigación universitaria, esta conexión permite analizar cómo las representaciones sobre la IA se traducen en prácticas de aprendizaje, evaluación y autoría.

La literatura reciente ha examinado la frecuencia de uso de ChatGPT, la utilidad percibida, las actitudes, la confianza y la preocupación por el plagio. En México se han realizado aproximaciones diagnósticas sobre el impacto, las percepciones y el uso de estas herramientas en la formación universitaria (Molina-Montalvo et al., 2025). Estos estudios son necesarios para dimensionar la presencia del fenómeno, pero las variables aisladas pueden resultar insuficientes para comprender cómo se conectan plataformas, reglas institucionales, emociones, expectativas y decisiones de escritura. Dos estudiantes con una frecuencia similar de uso pueden atribuir sentidos completamente distintos a la herramienta: uno puede considerarla un apoyo provisional sujeto a verificación y otro una fuente autosuficiente de respuestas. La diferencia no se explica solo por el número de interacciones, sino por la trama narrativa que orienta la práctica.

El artículo propone el concepto de narrativas algorítmicas para estudiar esa trama. La expresión no designa los textos producidos automáticamente por una máquina. Se refiere al conjunto de relatos, prácticas, justificaciones y posiciones mediante los cuales los actores dan sentido a su relación con sistemas algorítmicos. Una narrativa algorítmica puede articular lo que la persona hace con la herramienta, lo que cree que la plataforma recomienda, las normas con las que evalúa su conducta y la manera en que preserva o reformula su identidad académica. En esta perspectiva, aprender, copiar, crear, verificar, optimizar o participar no son categorías puramente técnicas: son posiciones negociadas dentro de una cultura digital.

La noción se distingue de dos conceptos próximos. El imaginario algorítmico describe concepciones y afectos mediante los cuales se interpreta la acción de los algoritmos; la alfabetización algorítmica se concentra en conocimientos, competencias y disposiciones críticas. Las narrativas algorítmicas, en cambio, buscan reconstruir cómo esas concepciones y competencias se enlazan con acciones, plataformas, reglas y formas de autorrepresentación. Esta distinción permite pasar de una medición fragmentada a una matriz relacional. La propuesta organiza cuatro dimensiones: apropiación instrumental, mediación algorítmica, negociación ética e identidad narrativa. Su utilidad potencial reside en conectar indicadores cuantitativos con materiales cualitativos sin asumir que una sola escala agota la complejidad del fenómeno.

Para estudiar esta trama se requiere un diseño capaz de vincular patrones de uso con las razones, tensiones y significados que los acompañan. Las mediciones de frecuencia, confianza, verificación o dependencia permiten reconocer regularidades, pero no explican por sí solas cómo las personas justifican una práctica, negocian una norma

o conservan su voz al utilizar asistencia algorítmica. Por esa razón, el estudio articula encuesta, diario digital y entrevistas semiestructuradas dentro de una estrategia mixta secuencial explicativa. La integración permite contrastar los indicadores cuantitativos con extractos cualitativos y examinar convergencias, matices y casos que no pueden reducirse a una sola medida.

El trabajo se desarrolló con estudiantes de licenciatura vinculados con veinte sedes anonimizadas en Chiapas, Oaxaca, Veracruz, Tabasco y Guerrero. Las entidades corresponden al lugar de la sede o residencia académica reportada, pero las instituciones concretas se mantienen en reserva. Debido al carácter no probabilístico de la muestra, las comparaciones territoriales son descriptivas y no representan estimaciones poblacionales. Esta delimitación permite reconocer variaciones internas sin convertirlas en jerarquías regionales ni atribuirlas automáticamente a una entidad federativa.

El propósito general es analizar cómo se articulan los usos de ChatGPT, TikTok y otras herramientas de IA generativa en las narrativas de cultura digital de estudiantes universitarios del sur de México. La pregunta central es: ¿cómo se relacionan la apropiación instrumental, la mediación algorítmica, la negociación ética y la identidad narrativa en las prácticas académicas reportadas por el estudiantado? De ella se derivan tres interrogantes: ¿qué patrones de uso, alfabetización y verificación caracterizan a la muestra?; ¿qué asociaciones descriptivas se observan entre uso académico, apoyo, dependencia, orientación docente y evaluación crítica?; y ¿qué tensiones comunicativas, éticas e identitarias emergen de las entrevistas y los diarios digitales?

La contribución se sitúa en tres planos. En el conceptual, se delimita la noción de narrativas algorítmicas frente a imaginarios y alfabetización algorítmica. En el metodológico, se propone una matriz que integra estadísticas descriptivas, asociaciones bivariadas, categorías temáticas y una herramienta visual llamada Joint display. En el empírico, se documentan prácticas y tensiones observadas en una muestra universitaria del sur de México, con un alcance exploratorio y no generalizable. El artículo desarrolla primero la fundamentación teórica y la matriz conceptual; después describe el diseño, los participantes, los instrumentos y el análisis; posteriormente presenta los resultados integrados, la discusión, las limitaciones y las conclusiones.

Fundamentaci teica y conceptual

Comunicaci, plataformas y cultura digital

La cultura digital comprende prácticas, valores y expectativas de interacción que conectan entornos en línea y fuera de línea. La participación, la reelaboración de medios y la combinación de recursos permiten comprender esa cultura (Deuze, 2006). Las plataformas no son simples canales: seleccionan, jerarquizan y estabilizan formas de atención, autoridad y visibilidad (Gillespie, 2018; van Dijck et al., 2018). Zuboff (2019) aporta una crítica macroscópica de la extracción de datos conductuales y de las asimetrías de poder que la acompañan; su planteamiento se emplea aquí para delimitar el problema del poder infraestructural, no como explicación directa de las prácticas universitarias.

Desde la tradición latinoamericana, la mediación no se reduce a un efecto técnico situado entre un emisor y un receptor. Martín-Barbero (1987) desplaza la mirada hacia las articulaciones entre tecnologías, matrices culturales, temporalidades, instituciones y usos sociales. Esta perspectiva permite estudiar la IA y las plataformas desde lo que las comunidades hacen con ellas, las competencias que movilizan y los conflictos que emergen en su apropiación. La circulación del conocimiento también se vuelve propagable cuando usuarios y grupos recontextualizan contenidos y los insertan en nuevas cadenas de significado (Jenkins et al., 2013).

La mediación pedagógica articula docentes, estudiantes y contenidos en actividades concretas; el potencial técnico no equivale a una mejora educativa (Coll et al., 2008). Aquí, apoyo al aprendizaje y microaprendizaje designan percepciones y prácticas, no rendimiento medido.

Alfabetizaci algorítmica e imaginarios de IA

La familiaridad práctica de las juventudes con las redes sociales no implica una comprensión crítica de los sistemas que organizan sus experiencias. La alfabetización algorítmica distingue, al menos, la conciencia de que existen decisiones automatizadas y el conocimiento necesario para comprenderlas y evaluarlas (Dogruel et al., 2022). En un plano más amplio, la alfabetización en IA reúne competencias para comprender, usar, evaluar y discutir críticamente sistemas inteligentes (Long & Magerko, 2020). Brites et al. (2024) identifican perfiles que van desde la ineptitud hasta el encantamiento y muestran que el aprendizaje sobre algoritmos se produce mediante observación, conversación informal y ensayo cotidiano, más que por formación escolar explícita. Una persona puede dominar tácticamente TikTok o ChatGPT y, al mismo tiempo, carecer de criterios sólidos para evaluar sesgos, fuentes, trazabilidad o derechos de autor.

Los imaginarios de IA articulan narrativas previas sobre automatización, creatividad, vigilancia y futuro laboral. El imaginario algorítmico designa las formas ordinarias de pensar, sentir y anticipar lo que hacen los algoritmos, aun cuando su funcionamiento permanezca opaco (Bucher, 2017). La conciencia algorítmica, además, no se distribuye de manera homogénea y puede constituir una nueva dimensión de la desigualdad digital (Gran et al., 2021). Sūna y Hoffmann (2024) sostienen que la alfabetización en IA no se reduce a competencias funcionales: también exige reconocer cómo las personas imaginan, sienten y juzgan los sistemas inteligentes en planos cognitivos, afectivos y prácticos. En educación superior, esos imaginarios se entrelazan con presión de productividad, ansiedad académica y deseo de pertenecer a una cultura tecnológica que cambia con rapidez. En diez universidades mexicanas, Molina-Montalvo et al. (2025) documentan percepciones positivas sobre el aporte de ChatGPT al rendimiento, junto con inquietudes por originalidad y honestidad académica.

La orientación de UNESCO sobre IA generativa en educación propone una perspectiva centrada en la agencia humana, la protección de datos, la validación ética y la pertinencia pedagógica (Miao & Holmes, 2023). Estas dimensiones permiten distinguir entre dominio operativo, comprensión de la recomendación algorítmica, evaluación de información, atribución transparente y capacidad de conservar la autonomía intelectual. En consecuencia, una medición rigurosa no debería condensar automáticamente todos esos planos en un único indicador.

TikTok como mediaci pedagica informal

TikTok añade otra capa al problema. La plataforma participa en prácticas informativas juveniles, aunque su uso universitario continúa atravesado por el predominio del entretenimiento y por una valoración desigual de su utilidad informativa (Montero Corrales, 2025). En este estudio, algunos registros y entrevistas muestran que los videos breves pueden operar como puerta de entrada a conceptos, tutoriales y herramientas, pero también que la recomendación algorítmica mezcla explicaciones útiles con distracción y ruido. Jylhä et al. (2025) muestran, en otro contexto, que las recomendaciones se incorporan a la vida cotidiana juvenil mediante recursos, expectativas y formas de agencia que incluyen aprovechamiento, sospecha y adaptación.

La circulación de procedimientos en video breve produce una pedagogía informal de alta disponibilidad, pero con criterios variables de calidad. Reconocer que el feed está personalizado no garantiza evaluar la fiabilidad de lo que entrega. La distinción empírica entre conciencia y conocimiento algorítmico señalada por Dogruel et al. (2022), así como la desigual distribución de esa conciencia descrita por Gran et al. (2021), justifican analizar por separado reconocimiento del algoritmo, comprensión de sus operaciones y verificación de fuentes.

Narrativas algorítmicas: matriz interpretativa

La noción propuesta no es sinónimo de imaginario algorítmico ni de alfabetización algorítmica. El imaginario se refiere a las concepciones y afectos con los que se interpreta la acción del algoritmo (Bucher, 2017); la alfabetización describe capacidades para reconocer, comprender, evaluar y usar sistemas automatizados (Dogruel et al., 2022; Long & Magerko, 2020). La narrativa algorítmica se define como una configuración situada mediante la cual una persona o comunidad enlaza acciones, justificaciones, normas, mediaciones de plataforma y posiciones sobre sí misma. Su unidad no es una opinión aislada, sino una secuencia de sentido que explica qué se hizo, con qué mediación, bajo qué criterio y con qué efecto sobre la autoría.

La matriz articula cuatro dimensiones relacionales. La apropiación instrumental remite a usos prácticos y a sus efectos percibidos. La mediación algorítmica recupera la tradición de Martín-Barbero (1987): no atribuye la acción exclusivamente al sistema de recomendación, sino a la relación entre plataforma, institución, repertorios culturales y prácticas de uso. La negociación ética concentra atribución, verificación, responsabilidad y reglas situadas. La identidad narrativa se apoya en Ricoeur (1990/1996), para quien la identidad se configura narrativamente entre continuidad y transformación; en este caso, permite examinar cómo la asistencia técnica se incorpora —o entra en tensión— con la voz académica, el reconocimiento de la autoría y la imagen de quien aprende.

Figura 1. Matriz relacional de narrativas algorítmicas en la cultura digital universitaria

Nota. Elaboraci propia a partir de Martín-Barbero (1987), Ricoeur (1990/1996), Brites et al. (2024), Bucher (2017), Dogruel et al.

(2022), Gillespie (2018), Long y Magerko (2020), Sūna y Hoffmann (2024) y van Dijck et al. (2018).

Las cuatro dimensiones no constituyen etapas ni tipos puros: pueden activarse simultáneamente en una misma práctica. Una unidad narrativa puede expresar apropiación instrumental al solicitar una estructura, mediación algorítmica al recuperar un procedimiento aprendido en TikTok, negociación ética al decidir si declara la asistencia recibida e identidad narrativa al revisar el resultado para conservar una voz propia. La matriz, por tanto, no propone una secuencia causal; organiza focos de observación que deben operacionalizarse con indicadores y materiales cualitativos diferenciados. Su alcance es conceptual e interpretativo, de carácter exploratorio; no constituye una escala validada.

Metodología y método

Dise y participantes

Se empleó un diseño mixto secuencial explicativo (DEXPLIS). La fase cuantitativa describió patrones de uso y relaciones entre indicadores mediante una encuesta estructurada. La fase cualitativa profundizó en los significados de esos patrones mediante entrevistas semiestructuradas y diarios digitales. La integración se realizó al contrastar resultados cuantitativos con códigos y extractos cualitativos en un joint display, con atención a convergencias, tensiones y casos discordantes (Creswell & Plano Clark, 2018; Hernández-Sampieri & Mendoza Torres, 2018). La documentación conservada permite auditar la integración interpretativa, pero no reconstruir cómo la encuesta orientó la selección de participantes o la guía cualitativa.

La muestra cuantitativa estuvo integrada por 412 estudiantes de licenciatura vinculados con veinte sedes anonimizadas en cinco entidades: Chiapas (n = 101), Oaxaca (n = 88), Veracruz (n = 84), Tabasco (n = 76) y Guerrero (n = 63). La selección fue no probabilística, mediante invitación distribuida por correo institucional y docentes colaboradores. Las edades oscilaron entre 18 y 29 años (M = 21.34; DE = 2.04); 54.6 % se identificó como mujer, 41.7 % como hombre, 1.2 % como persona no binaria u otra y

2.4 % prefirió no responder. Participaron estudiantes de siete campos de formación y de cinco tipos de institución pública. La fase cualitativa incluyó 32 estudiantes seleccionados por variación de entidad, campo formativo y experiencia de uso.

La encuesta se aplicó mediante un formulario en línea. La fase cualitativa reunió entrevistas semiestructuradas y diarios digitales. El corpus analítico comprende 96 extractos de 32 entrevistas y 102 registros voluntarios de diario, que documentan la herramienta utilizada, situación de uso, duración, producto generado, verificación con otras fuentes y resultado percibido. Estos materiales se emplearon para interpretar los patrones cuantitativos; las limitaciones de su trazabilidad se explicitan en los apartados 3.3 y 6.

Instrumentos y variables

El cuestionario reunió variables sociodemográficas, dos indicadores conductuales en minutos —tiempo diario en TikTok y tiempo semanal en ChatGPT—, un conteo de herramientas utilizadas y catorce ítems individuales tipo Likert de cinco puntos. Estos cubrieron frecuencia de uso académico, TikTok para aprendizaje, IA para imagen y audio, orientación docente, discusión ética, alfabetización algorítmica, verificación de fuentes, confianza en ChatGPT y TikTok, ansiedad de autoría, preocupación por plagio, dependencia percibida, apoyo al aprendizaje y creatividad multimodal. La pertinencia y claridad fueron revisadas por tres especialistas en comunicación educativa, cultura digital y metodología. En los análisis presentados, cada indicador corresponde a la puntuación de un ítem y se analiza por separado; los catorce no se suman ni promedian para representar un constructo único. Por ello, no se reporta un alfa de consistencia interna del conjunto, que reúne contenidos distintos, ni de cada ítem aislado. La revisión experta aporta un examen de pertinencia y claridad del contenido, pero no sustituye una evaluación psicométrica ni permite afirmar fiabilidad. La documentación disponible no incluye el cuestionario con los enunciados y anclajes completos; la operacionalización se describe hasta el nivel verificable de los indicadores y sus puntuaciones.

La guía de entrevista exploró uso, confianza, relación docente, sanciones, verificación, algoritmos y voz propia; el diario registró usos académicos y no académicos. El libro define diez códigos con criterios de inclusión y exclusión: apoyo escrito incluye borradores y revisión, excluyendo usos exclusivamente audiovisuales; verificación incluye cotejo de fuentes, excluyendo confianza sin revisión; brecha de acceso exige restricciones materiales, no preferencias. Estas reglas delimitan los códigos de la Tabla 3.

El archivo analítico contenía un índice exploratorio de narrativa algorítmica de 0 a 100 y una medida de intensidad cualitativa de 1 a 5. Debido a que la documentación disponible no conserva la fórmula completa del índice ni una rúbrica suficientemente detallada para la intensidad, ambas variables se excluyeron de los resultados centrales, las correlaciones y las figuras. Esta decisión evita que las conclusiones dependan de medidas cuya construcción no puede reproducirse de manera independiente.

Procedimiento y análisis

Se verificaron identificadores, rangos, duplicados y faltantes de la copia analítica disponible, sin la exportación original. La copia incluye anotaciones de intervención sobre vacíos para pruebas de limpieza, cuya correspondencia con el levantamiento no pudo verificarse. Los catorce indicadores contienen 75 vacíos de 5,768 celdas en 68 registros; acceso a internet añade uno: 76 de 6,180 celdas en 69 registros (63 con una ausencia, cinco con dos y uno con tres). No son tasas de no respuesta verificadas. No se imputó ni se determinó el mecanismo de omisión. Los descriptivos usan casos válidos; los coeficientes de correlación Pearson y Spearman, usan los los mismos pares completos (n = 395–405). Pearson resume covariación de puntuaciones sin acreditar equidistancia; Spearman contrasta su sensibilidad ordinal, con rangos medios en los empates.

Los diez códigos se definieron mediante reglas explícitas de inclusión y exclusión para delimitar aspectos concretos del uso de la tecnología. Después se alinearon con las cuatro dimensiones de la matriz: escritura y multimodalidad, con apropiación instrumental; microaprendizaje y percepción del algoritmo, con mediación algorítmica; verificación y plagio, con negociación ética; autoría y cultura local, con identidad narrativa. Docencia y acceso atraviesan esta organización. La codificación siguió una lógica abductiva de contraste entre categorías y fragmentos, examinando coincidencias y tensiones sin forzar equivalencias (Tavory & Timmermans, 2014). Dos investigadoras codificaron de forma independiente y resolvieron las discrepancias por consenso. El corpus analítico se conformó mediante la selección de tres extractos de cada una de las 32 entrevistas, para un total de 96. La selección tuvo una finalidad ilustrativa: mostrar la diversidad de tensiones, significados y vivencias cualitativas expresadas por los estudiantes. A cada extracto se le asignó un código primario y una etiqueta secundaria; las frecuencias contabilizan únicamente el primario y tienen como unidad el extracto. Las citas conservan su literalidad e identificadores anonimizados.

En la revisión de la integración interpretativa, los resultados cuantitativos orientaron las decisiones de contraste entre fuentes (Tabla 4). Se tomaron como ejes las asociaciones de la Figura 3 y los descriptivos pertinentes de la Tabla 2; para cada eje se relacionaron los códigos y extractos de la Tabla 3 y, cuando correspondía, los diarios, formulando una metainferencia con su alcance. Por ejemplo, la relación uso–apoyo se contrastó con relatos sobre escritura y creatividad; la relación uso–dependencia se mantuvo como una tensión que esos relatos no explican. El vínculo verificación–orientación docente se contrastó con criterios docentes y con diarios que registran verificación parcial o ausente, lo que matiza una lectura de correspondencia uniforme. En TikTok, la asociación débil entre uso para aprender y verificación, junto con los relatos de microaprendizaje y percepción del algoritmo, permitió distinguir descubrimiento de contenidos y evaluación crítica. Así se explicita una conexión analítica entre fases (Guetterman et al., 2015), sin atribuirle decisiones históricas de selección de participantes o modificación de la guía que no pueden reconstruirse. La correspondencia es temática, sin emparejamiento individual ni inferencia causal; los resultados se restringen a la muestra no probabilística.

Consideraciones éticas y de transparencia

La participación fue voluntaria y estuvo mediada por consentimiento informado. Los identificadores de estudiantes, entrevistas y sedes fueron anonimizados; no se publican nombres de instituciones ni datos personales. El protocolo fue aprobado por el comité institucional competente. Para preservar la evaluación doble ciega, el identificador del dictamen se proporciona al equipo editorial y se reincorporará en la versión identificada. Los materiales destinados a repositorio serán sometidos a una revisión adicional de anonimización y se compartirán de acuerdo con los alcances del consentimiento otorgado.

Resultados

Descriptivos por entidad federativa

La Tabla 1 resume los principales indicadores por entidad federativa. El tiempo diario en TikTok promedió 137.0 minutos (DE = 92.7), con valores entre 126.8 y 145.4 minutos. El tiempo semanal en ChatGPT promedió 200.4 minutos (DE = 215.5). La frecuencia académica de ChatGPT se ubicó en M = 2.96 (DE = 1.06), cerca del punto medio de la escala. Debido al muestreo no probabilístico, las diferencias territoriales se describen como variaciones internas de la muestra y no como estimaciones representativas de cada entidad.

Tabla 1. Promedios y desviaciones estándar de indicadores por entidad federativa

Veracruz 84 138.3 (80.7) 202.1 (197.8) 3.15 (1.02) 3.48 (0.79) 3.42 (0.84)

Tabasco 76 145.4 (100.5) 199.6 (228.7) 3.01 (1.13) 3.32 (0.93) 3.53 (0.85)

Guerrero 63 140.0 (98.6) 242.3 (272.8) 2.78 (0.94) 3.49 (0.91) 3.50 (1.04)

Total 412 137.0 (92.7) 200.4 (215.5) 2.96 (1.06) 3.42 (0.87) 3.44 (0.92)

Nota. Valores entre paréntesis: desviaciones estándar. N = 412. Las sedes están anonimizadas. El índice agregado se excluypor no contar con una fmula completamente reproducible.

La Tabla 1 muestra diferencias moderadas entre entidades. La alfabetización algorítmica (M = 3.42) y la verificación de fuentes (M = 3.44) se situaron ligeramente por encima del punto medio de la escala. Las dispersiones describen cada indicador; no se comparan directamente porque TikTok se registró por día y ChatGPT por semana. Estas variaciones no permiten establecer jerarquías regionales, pero sí muestran que la apropiación tecnológica no se distribuye de manera uniforme dentro de la muestra.

La Tabla 2 completa la información anterior con indicadores éticos, pedagógicos y de experiencia de uso que antes se reportaban sin soporte visible. Se incluyen n válido, media, desviación estándar y número de omisiones para que la interpretación pueda auditarse.

Tabla 2. Descriptivos globales de indicadores éticos, pedagicos y de experiencia

Nota. Escalas de 1 a 5. Los valores se calcularon con todos los casos válidos disponibles; no se imputaron omisiones.

La Tabla 2 muestra una configuración de alta utilidad percibida y alta preocupación normativa. El apoyo al aprendizaje (M = 4.06) y la confianza en ChatGPT (M = 3.97) se situaron por encima del punto medio, al igual que la preocupación por plagio (M = 3.95), mientras la orientación docente (M = 2.43) y la discusión ética en el aula (M = 2.39) se situaron por debajo del punto medio numérico. La dependencia percibida (M = 2.77) y la ansiedad de autoría (M = 2.94) ocuparon posiciones intermedias. En conjunto, los datos describen una zona gris en la que el reconocimiento de utilidad convive con incertidumbre sobre reglas, autoría y responsabilidad.

Plataformas, situaciones de uso y corpus cualitativo

La Figura 2 reúne tres vistas complementarias. El panel (a) compara tiempos de uso por entidad; el panel (b) presenta la distribución porcentual de las herramientas registradas en 102 entradas de diario; y el panel (c) muestra la frecuencia de diez códigos en 96 extractos procedentes de las entrevistas. La medida de intensidad se omitió porque su rúbrica no quedó suficientemente documentada.

El panel (b) concentra 59.8 % de las entradas en ChatGPT (31.4 %) y TikTok (28.4 %), seguidos por Canva con IA, Gemini, Perplexity, Copilot, CapCut con IA y YouTube Shorts. Las situaciones reportadas incluyen diseño de cartel, duda antes de clase, guion breve, búsqueda de ejemplo, preparación de examen, tarea escrita, resumen de lectura y exposición en equipo. La verificación con otra fuente apareció en 39.2 % de los registros, frente a 33.3 % sin verificación y 27.5 % con verificación parcial. El resultado percibido promedio fue moderado (M = 3.18; DE = 0.83), lo que matiza las narrativas de eficiencia inmediata asociadas con estas herramientas.

Figura 2. Perfil de uso y composición del corpus Nota. Elaboraci propia a partir de la encuesta (N = 412), el diario digital (n = 102) y el corpus cualitativo de 96 extractos procedentes de 32 entrevistas. Las barras de error del panel (a) equivalen a ±1 error estándar.

El panel (c) muestra que verificación y duda (n = 15) y TikTok como microaprendizaje (n = 14) fueron los códigos más frecuentes. IA como apoyo de escritura, ética y plagio, y cultura local y voz propia registraron diez extractos cada uno. La distribución sugiere que el uso de IA se articula simultáneamente con problemas cognitivos, normativos e identitarios. No se interpreta la intensidad de los códigos debido a la ausencia de una rúbrica plenamente reproducible.

Relaciones entre indicadores

La Figura 3 presenta dos paneles temáticos de asociaciones y una relación focal. Para reducir la saturación, se muestran nueve coeficientes vinculados directamente con la discusión. Las correlaciones son descriptivas y exploratorias: no establecen causalidad ni sustituyen un diseño probabilístico.

El primer patrón se observa en la relación de la frecuencia académica de ChatGPT con apoyo al aprendizaje (r = .38; n = 404), dependencia percibida (r = .31; n = 400), preocupación por plagio (r = .22; n = 405) y ansiedad de autoría (r = .18; n = 402). En la muestra, una mayor frecuencia de uso coexistió con utilidad percibida y con tensiones de dependencia o autoría. La asociación no demuestra que el uso produzca esos efectos, pero sí muestra la conveniencia de analizarlos como dimensiones diferenciadas.

Figura 3. Relaciones descriptivas entre indicadores cuantitativos.

Nota. En los paneles (a) y (b) se muestran nueve coeficientes descriptivos seleccionados y su número de pares válidos; las

correlaciones se calcularon con pares completos. El panel (c) representa la relaci entre frecuencia académica de ChatGPT y

apoyo al aprendizaje con n = 404; la recta es exclusivamente descriptiva y no incluye banda de confianza.

El segundo patrón vincula verificación de fuentes con orientación docente (r = .23; n = 399), discusión ética (r = .16; n = 395) y confianza en TikTok (r = −.19; n = 402). El tercero relaciona el uso de TikTok para aprender con alfabetización algorítmica (r = .23; n = 400) y muestra, al mismo tiempo, una asociación débil con verificación (r = .08; n = 401). La inclusión de ambos valores evita convertir la selección gráfica en un

umbral inferencial y ayuda a formular una distinción para futuros estudios: reconocer la recomendación algorítmica no equivale a evaluar la calidad de la información.

Spearman conservó la dirección y magnitud aproximada de las nueve asociaciones presentadas (diferencia absoluta respecto de Pearson < .010; Tabla 4). Esta concordancia se limita a la copia disponible y no acredita validez de medición ni trazabilidad al levantamiento. El índice excluido no interviene en los cálculos.

Integraci mediante joint display

La Tabla 3 reúne los diez códigos, sus frecuencias, las dimensiones a las que contribuyen y citas literales con identificadores anonimizados. Este inventario cualitativo sirve de base para la integración de la Tabla 4.

Tabla 3. Inventario cualitativo de cigos, dimensiones y extractos representativos

Dimensi de

Discusi

Los hallazgos sugieren que la matriz exploratoria de narrativas algorítmicas puede operar como puente entre investigación de plataformas, alfabetización algorítmica y discusión educativa sobre IA generativa. Su aporte consiste en desplazar la atención desde el uso técnico aislado hacia prácticas situadas que vinculan herramienta, recomendación, norma y voz propia. Esta propuesta recoge la dimensión afectiva de los imaginarios algorítmicos (Bucher, 2017), pero añade una unidad orientada a acciones justificadas y observables. También se distingue de las escalas de alfabetización: estas miden capacidades, mientras la narrativa reconstruye cómo se movilizan, negocian u omiten en situaciones concretas (Dogruel et al., 2022; Long & Magerko, 2020). Esta lectura no supone validación psicométrica.

La dimensión de mediación algorítmica adquiere mayor precisión al dialogar con Martín-Barbero (1987). La plataforma no se entiende como causa autosuficiente ni como canal neutral, sino como componente de una trama en la que intervienen repertorios culturales, instituciones, competencias y usos. Montero Corrales (2025) advierte que el entretenimiento mantiene un peso dominante en las prácticas informativas universitarias de TikTok. Los datos de este estudio añaden que algunos participantes utilizan la plataforma como recurso de microaprendizaje, aunque los propios extractos señalan distracción, ruido y calidad desigual. Por ello, la metáfora de “aula paralela” describe una práctica situada, no un canal académico homogéneo.

La asociación de la frecuencia académica de ChatGPT con apoyo al aprendizaje y dependencia percibida es compatible con una apropiación ambivalente. Una misma herramienta puede facilitar el inicio de una tarea, la búsqueda de ejemplos o la organización de ideas y, al mismo tiempo, generar inquietud por pérdida de práctica o delegación excesiva. El vínculo débil entre orientación docente y verificación (r = .23) sugiere examinar prácticas de comparación de fuentes, declaración del uso y discusión de autoría, sin demostrar un efecto del acompañamiento.

La negociación ética tampoco puede reducirse a una oposición entre uso permitido y trampa. Los extractos diferencian apoyo para iniciar una tarea, entrega sin revisión, cotejo de fuentes, atribución y responsabilidad por el producto final. La orientación de UNESCO insiste en agencia humana, transparencia, protección de datos y validación pedagógica (Miao & Holmes, 2023), mientras los estudios universitarios muestran que la responsabilidad se interpreta de manera heterogénea (Otero Escobar & Suárez-Jasso, 2025). La preocupación por plagio y la menor discusión ética declarada sugieren examinar cómo se explicitan y comprenden las reglas de uso, sin demostrar su incompletitud.

La identidad narrativa permite analizar un problema que las medidas de frecuencia no capturan: cómo una persona mantiene o transforma una voz reconocible cuando escribe con asistencia técnica. En Ricoeur (1990/1996), la identidad narrativa articula permanencia y cambio sin reducir al sujeto a una sustancia fija. Los extractos sobre ansiedad de autoría y cultura local muestran preocupación por textos que “parecen de otra persona” o que eliminan formas regionales de explicar. Los relatos añaden a la utilidad percibida una negociación sobre pertenencia, estilo y reconocimiento de la propia producción.

En términos metodológicos, la matriz permitió integrar indicadores y relatos, pero requiere desarrollo adicional. La apropiación instrumental debe separar frecuencia, propósito, apoyo y dependencia; la mediación algorítmica, distinguir conciencia, recomendación y evaluación crítica; la negociación ética, incorporar situaciones y reglas institucionales; y la identidad narrativa, profundizar mediante entrevistas, diarios y análisis de versiones de escritura. Antes de utilizar un índice consolidado será necesario documentar su fórmula y evaluar validez de contenido, estructura interna, fiabilidad y capacidad de discriminación entre dimensiones.

Limitaciones y líneas de investigaci

La muestra no probabilística y las sedes anonimizadas limitan generalización y comparación institucional. El autorreporte puede incorporar sesgos; los diarios voluntarios no representan el contenido recomendado. Sin exportación original, no se verifican la trazabilidad de la copia ni sus vacíos. La documentación no incluye el cuestionario con enunciados y anclajes completos ni permite reconstruir cómo la encuesta orientó el reclutamiento o la guía cualitativa. Aunque se explicitan las reglas de codificación y la finalidad de selección de extractos, no se conservan dos matrices independientes completas para calcular concordancia entre codificadoras. La concordancia Pearson–Spearman no subsana estos límites. Se excluyeron índice e intensidad por documentación insuficiente.

Las investigaciones posteriores deberán ampliar la diversidad de sedes, aplicar estrategias probabilísticas o de muestreo teórico según la pregunta, validar los instrumentos y documentar de manera reproducible las reglas de cálculo y codificación. También conviene comparar disciplinas, tipos de institución y condiciones de conectividad; examinar de manera longitudinal los cambios de uso; y profundizar en comunidades indígenas, contextos bilingües y formas locales de autoría. La relación entre uso, apoyo, dependencia y verificación requiere diseños que permitan distinguir asociación, temporalidad y posibles mecanismos explicativos.

Conclusiones

La pregunta central fue analizar cómo se articulan los usos de ChatGPT, TikTok y otras herramientas de IA generativa en las narrativas de cultura digital de estudiantes universitarios del sur de México. Los resultados muestran una articulación entre apropiación instrumental, mediación de plataforma, negociación ética e identidad narrativa. Las herramientas aparecen como apoyos para iniciar, organizar, explicar y producir, pero su incorporación se acompaña de dudas sobre dependencia, verificación, plagio y conservación de la voz propia. Las cuatro dimensiones se proponen como matriz interpretativa exploratoria, pendiente de validación.

La contribución conceptual radica en distinguir narrativas algorítmicas, imaginarios y alfabetización. Los imaginarios permiten comprender lo que las personas creen, anticipan o sienten respecto de los algoritmos; la alfabetización se refiere a conocimientos, competencias críticas y posibilidades de acción. La narrativa algorítmica enlaza esos elementos con prácticas, mediaciones, normas y posiciones identitarias. El diálogo con Martín-Barbero sitúa la tecnología en una trama de instituciones, usos y matrices culturales; el diálogo con Ricoeur permite comprender la autoría como negociación entre continuidad y transformación de la voz propia.

En el plano empírico, una mayor frecuencia académica de ChatGPT se relacionó con apoyo al aprendizaje, dependencia percibida, preocupación por plagio y ansiedad de autoría. La verificación se asoció con orientación docente y discusión ética, y de forma inversa con la confianza en TikTok. El uso de TikTok para aprender se relacionó con alfabetización algorítmica, pero mostró una asociación débil con verificación. Estas relaciones no son causales, aunque delimitan un campo de tensiones que los extractos cualitativos ayudan a interpretar.

El corpus cualitativo muestra que el estudiantado no organiza sus decisiones mediante una regla única. Las prácticas se distinguen según el propósito, el grado de revisión, la posibilidad de defender lo entregado, la comprobación de fuentes y la preservación de una voz reconocible. La oposición simple entre usar y no usar IA resulta insuficiente. El desafío pedagógico consiste en construir criterios explícitos para diferenciar asistencia, edición, generación, sustitución, verificación y atribución.

La IA generativa debe estudiarse como un ecosistema de mediaciones. Las herramientas no llegan al aula únicamente mediante políticas institucionales o decisiones individuales: sus usos circulan en tutoriales, comunidades, plataformas, grupos de pares y repertorios de productividad. En esos espacios se construyen explicaciones sobre utilidad, legitimidad, riesgo y autoría. El análisis comunicativo debe examinar quién enseña a utilizar la herramienta, qué sistemas ordenan ese aprendizaje, qué normas lo vuelven aceptable y cómo se preserva una voz propia.

El alcance de los resultados está limitado por el muestreo no probabilístico, el autorreporte, la anonimización de sedes y las limitaciones documentales de la copia analítica. En consecuencia, las cifras describen la muestra estudiada y no deben extrapolarse a todo el sur de México. Su valor reside en mostrar relaciones y narrativas que pueden orientar estudios comparativos, validaciones instrumentales y políticas pedagógicas más situadas.

Para el campo de la comunicación, el aporte final consiste en desplazar la atención desde la herramienta aislada hacia las narraciones y mediaciones que hacen posible su apropiación. Una pedagogía comunicativa de la transparencia debería incluir criterios de verificación, declaración de procesos, atribución, revisión crítica de tutoriales y discusión de la autoría. Más que una prohibición general, los hallazgos sugieren examinar el acompañamiento docente y reglas comprensibles que reconozcan la diversidad de usos y responsabilidades.

Declaraci de disponibilidad de materiales

Una vez que el artículo haya sido aceptado, la copia analítica anonimizada, el diccionario de variables, el libro de códigos, las figuras y los materiales complementarios se depositarán en Zenodo; el DOI se incorporará a la versión final publicada. Los extractos de entrevista y los diarios se compartirán únicamente en la medida permitida por el consentimiento informado y después de una revisión adicional de riesgo de reidentificación. No se incluirán nombres de personas, planteles ni datos de contacto. El índice agregado y la medida de intensidad se conservarán fuera de los resultados principales y se acompañarán de una advertencia sobre sus limitaciones documentales.