| dc.contributor.advisor | Martínez de Ibarreta Zorita, Carlos | es-ES |
| dc.contributor.author | Riesgo Yanes, Carlota | es-ES |
| dc.contributor.other | Universidad Pontificia Comillas, Facultad de Ciencias Económicas y Empresariales | es_ES |
| dc.date.accessioned | 2025-08-26T15:18:39Z | |
| dc.date.available | 2025-08-26T15:18:39Z | |
| dc.date.issued | 2026 | es_ES |
| dc.identifier.uri | http://hdl.handle.net/11531/102572 | |
| dc.description | Grado en Análisis de Negocios/Business Analytics y Grado en Derecho | es_ES |
| dc.description.abstract | Este 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.abstract | This 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.mimetype | application/pdf | es_ES |
| dc.language.iso | es-ES | es_ES |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 United States | es_ES |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/us/ | es_ES |
| dc.subject.other | KBA | es_ES |
| dc.title | El fenómeno de la SHADOW IA, ¿por qué ocultamos que usamos la IA en el trabajo? | es_ES |
| dc.type | info:eu-repo/semantics/bachelorThesis | es_ES |
| dc.rights.accessRights | info:eu-repo/semantics/openAccess | es_ES |
| dc.keywords | Shadow AI, inteligencia artificial generativa, Economía del Comportamiento, present bias, integridad académica, educación superior, clustering k-means | es-ES |
| dc.keywords | Shadow AI, generative artificial intelligence, Behavioral Economics, present bias, academic integrity, higher education, k-means clustering | en-GB |