Show simple item record

dc.contributor.advisorMartínez de Ibarreta Zorita, Carloses-ES
dc.contributor.authorRiesgo Yanes, Carlotaes-ES
dc.contributor.otherUniversidad Pontificia Comillas, Facultad de Ciencias Económicas y Empresarialeses_ES
dc.date.accessioned2025-08-26T15:18:39Z
dc.date.available2025-08-26T15:18:39Z
dc.date.issued2026es_ES
dc.identifier.urihttp://hdl.handle.net/11531/102572
dc.descriptionGrado en Análisis de Negocios/Business Analytics y Grado en Derechoes_ES
dc.description.abstractEste trabajo estudia por qué los estudiantes universitarios utilizan herramientas de inteligencia artificial generativa de forma no declarada o no autorizada, fenómeno conocido como Shadow AI. A partir de modelos de adopción tecnológica y la Economía del Comportamiento, se administró un cuestionario cuantitativo a estudiantes de diversas universidades españolas e internacionales, con especial atención a la Universidad Pontificia Comillas (ICADE) y Cardiff University. Los resultados apuntan a que el present bias es el factor con mayor asociación observada con el uso de Shadow AI, seguido de la utilidad percibida y el riesgo percibido. Una segmentación k-means identifica tres perfiles de usuario, "Tramposos", "Intermedios" y "Cautelosos", con patrones actitudinales y sociodemográficos diferenciados. Estos hallazgos deben interpretarse como tendencias exploratorias y no como conclusiones generalizables, dada la naturaleza no probabilística del muestreo y el tamaño moderado de la muestra.es-ES
dc.description.abstractThis study examines why university students use generative artificial intelligence tools in an unauthorized or undeclared way, a phenomenon known as Shadow AI. Drawing on technology adoption models and Behavioral Economics, a quantitative survey was administered to students from multiple Spanish and international universities, with a focus on Universidad Pontificia Comillas (ICADE) and Cardiff University. Results show that present bias is the strongest predictor of Shadow AI use, followed by perceived utility and perceived risk. A k-means segmentation identifies three user profiles, "Rulebenders", "In-betweeners" and "Cautious", with distinct attitudinal and sociodemographic patterns. These findings should be interpreted as exploratory tendencies rather than generalizable conclusions, given the convenience sampling method and moderate sample size.en-GB
dc.format.mimetypeapplication/pdfes_ES
dc.language.isoes-ESes_ES
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United Stateses_ES
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/es_ES
dc.subject.otherKBAes_ES
dc.titleEl fenómeno de la SHADOW IA, ¿por qué ocultamos que usamos la IA en el trabajo?es_ES
dc.typeinfo:eu-repo/semantics/bachelorThesises_ES
dc.rights.accessRightsinfo:eu-repo/semantics/openAccesses_ES
dc.keywordsShadow AI, inteligencia artificial generativa, Economía del Comportamiento, present bias, integridad académica, educación superior, clustering k-meanses-ES
dc.keywordsShadow AI, generative artificial intelligence, Behavioral Economics, present bias, academic integrity, higher education, k-means clusteringen-GB


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

Attribution-NonCommercial-NoDerivs 3.0 United States
Except where otherwise noted, this item's license is described as Attribution-NonCommercial-NoDerivs 3.0 United States