1. Introducción

El despliegue masivo de la inteligencia artificial generativa a finales de 2022 transformó, en menos de cuatro años, la relación entre las escuelas y el conocimiento computacional. Lo que durante décadas fue una promesa restringida a laboratorios de informática educativa se convirtió en una infraestructura de uso cotidiano: estudiantes que redactan con modelos de lenguaje, docentes que planifican con asistentes conversacionales y sistemas escolares que ensayan tutores adaptativos. Sin embargo, la literatura científica coincide en que esta adopción no se distribuye de manera uniforme: la IA puede funcionar simultáneamente como causa y como remedio de la desigualdad digital (Božić, 2023), y su potencial para reducir brechas depende de condiciones sociales, económicas e institucionales que no se satisfacen por defecto (Hussein et al., 2025; Peters & Tukdeo, 2025).

La pregunta que orienta esta revisión no es si la IA llegará a las aulas —ya está en ellas—, sino quién aprende con ella, en qué condiciones y con qué resultados. La UNESCO advirtió desde 2021 que la integración de la IA en educación exigía orientación normativa para evitar la profundización de las desigualdades existentes (Miao et al., 2021), y en 2023 constató que la velocidad de la IA generativa había superado la capacidad regulatoria de los Estados, dejando "la privacidad de los datos sin protección y a las instituciones sin preparación" (Miao & Holmes, 2023). En este contexto, el concepto de brecha educativa requiere una actualización teórica: ya no basta con medir el acceso a dispositivos y conectividad, sino la capacidad diferencial de estudiantes y docentes para comprender, usar y crear con sistemas de IA.

El presente artículo revisa el estado del arte sobre las brechas educativas en el aprendizaje de la IA en las aulas. Se formulan tres preguntas de investigación: (1) ¿qué tipos de brechas documenta la literatura reciente y mediante qué mecanismos se reproducen?; (2) ¿qué evidencia empírica existe sobre su magnitud en distintos contextos sociales y geográficos?; y (3) ¿qué respuestas pedagógicas, curriculares y normativas propone la investigación disponible? La contribución esperada es doble: ofrecer una tipología analítica útil para la investigación doctoral en educación y tecnología, y sintetizar implicaciones accionables para sistemas escolares que, como los de América Latina, enfrentan la incorporación de la IA con recursos heterogéneos.

2. Marco conceptual: de la brecha digital a la brecha de IA

La investigación sobre desigualdad digital distingue clásicamente tres niveles: la brecha de primer nivel (acceso a infraestructura), la de segundo nivel (habilidades y competencias de uso) y la de tercer nivel (conversión diferencial del uso en resultados tangibles). La literatura reciente muestra que esta arquitectura conceptual sigue siendo operativa frente a la IA generativa, pero con desplazamientos sustantivos. Zhang et al. (2026), en un estudio sobre estudiantes universitarios desde la perspectiva de la brecha digital, demuestran que el estatus socioeconómico y la alfabetización digital y en IA predicen las actividades, los resultados educativos y la confianza en el uso de ChatGPT: la desigualdad digital convencional "persiste y evoluciona" con la IA generativa. En la misma línea, Hargittai et al. (2026) documentan desigualdades significativas en el conocimiento —no solo en el acceso— sobre ChatGPT, asociadas al nivel educativo y a la exposición previa a información sobre IA.

Frente a estos hallazgos, el concepto de alfabetización en IA (AI literacy) se ha consolidado como el constructo central del segundo nivel de la brecha. Faruqe et al. (2021) propusieron un modelo de competencias que articula conocimientos, habilidades y actitudes hacia la IA; Carolus et al. (2023) extendieron el modelo hacia la interacción competente con sistemas de IA conversacional; y Choi et al. (2025) sintetizaron definiciones, competencias y desafíos de la alfabetización en IA en educación, destacando que la preparación docente constituye el cuello de botella más citado. Para poblaciones específicas, Atias y Mawasi (2025) revisaron sistemáticamente los programas de alfabetización en IA dirigidos a niños y jóvenes, mostrando una dispersión paradigmática considerable: no existe consenso sobre qué significa "saber IA" en cada etapa educativa, lo que dificulta tanto la enseñanza como la medición de la brecha (Mauermeister et al., 2025).

En síntesis, el marco que guía esta revisión conceptualiza la brecha de IA como un fenómeno multinivel que hereda la estructura de la brecha digital, pero incorpora mecanismos específicos: el costo de los modelos avanzados, la hegemonía del inglés en los datos y las interfaces, y la demanda de nuevas competencias de interacción (formulación de consignas, verificación crítica, comprensión de sesgos) que los currículos escolares aún no integran de forma sistemática.

3. Metodología

Se realizó una revisión narrativa del estado del arte con criterios sistemáticos de selección. El corpus comprende veintiséis trabajos publicados entre 2021 y 2026: artículos en revistas revisadas por pares (por ejemplo, Computers and Education: Artificial Intelligence, New Media & Society, Teaching Education, TechTrends, Journal of Academic Ethics, Education Sciences, Contemporary Education Dialogue), capítulos de editoriales académicas (Taylor & Francis, IGI Global), preprints con revisión en curso (SocArXiv, Preprints.org, arXiv), actas de congresos internacionales (EDULEARN) e informes institucionales de la UNESCO ampliamente citados por la literatura. Los criterios de inclusión fueron: (a) foco explícito en IA, educación y desigualdad o brechas; (b) publicación en el periodo 2021-2026; (c) metadatos verificables (autoría, año, medio de publicación, DOI o URL). El análisis siguió un procedimiento de síntesis temática: codificación de cada fuente según tipo de brecha documentada, mecanismo causal propuesto, población estudiada y respuestas recomendadas.

4. Estado del arte: una tipología de cinco brechas

4.1. Primera brecha: acceso e infraestructura

La brecha de acceso persiste como condición de posibilidad de todas las demás. Tripathi et al. (2025), en una revisión sistemática sobre educación rural, muestran que la conectividad limitada y la escasez de dispositivos mantienen la fractura urbano-rural incluso cuando existen herramientas de IA capaces de personalizar el aprendizaje: sin infraestructura mínima, la promesa de la IA no alcanza a las poblaciones que más podría beneficiar. La evidencia latinoamericana apunta en la misma dirección: Valdivieso y González (2025) documentan que en la educación superior salvadoreña los factores socioeconómicos condicionan quién puede integrar herramientas de IA generativa a su trabajo académico, de modo que la tecnología reproduce jerarquías previas en lugar de nivelarlas.

Un fenómeno nuevo dentro de esta brecha es la estratificación por suscripción: los modelos más capaces operan bajo esquemas de pago, de modo que el acceso pleno a la IA se convierte en un bien posicional. Caporarello y Trabskaia (2026) describen esta "cara oscura" de la educación mediada por IA: en universidades del Sur Global, el acceso a programas de IA de pago se convierte en un diferenciador entre instituciones y estudiantes, profundizando la división Norte-Sur. La primera brecha, por tanto, ya no se mide solo en megabits por segundo, sino en la jerarquía de modelos a los que cada estudiante puede acceder.

4.2. Segunda brecha: competencias y alfabetización en IA

Aun cuando el acceso está garantizado, la capacidad de usar la IA de manera informada se distribuye desigualmente. Hargittai et al. (2026) muestran que el conocimiento efectivo sobre ChatGPT varía sistemáticamente con el nivel educativo y el capital social de los usuarios; Zhang et al. (2026) confirman que la alfabetización en IA media entre el estatus socioeconómico y los resultados educativos obtenidos con herramientas generativas. En términos del marco conceptual, la segunda brecha convierte la alfabetización en IA en un nuevo capital cultural: quienes la poseen extraen beneficios educativos; quienes no, enfrentan riesgos de dependencia acrítica o exclusión.

La literatura coincide en que esta brecha comienza antes de la universidad. Atias y Mawasi (2025) hallan que los programas de alfabetización en IA para niños y jóvenes son heterogéneos, escasos y raramente articulados con los currículos oficiales; Choi et al. (2025) añaden que la falta de definiciones operativas compartidas dificulta escalar programas. En respuesta, la UNESCO publicó en 2024 el Marco de competencias de IA para estudiantes, con doce competencias en cuatro dimensiones —mentalidad centrada en el ser humano, ética de la IA, técnicas y aplicaciones, y diseño de sistemas— organizadas en tres niveles de progresión: comprender, aplicar y crear (Miao & Shiohira, 2024). La existencia del marco, sin embargo, no garantiza su adopción: la distancia entre el estándar global y los currículos nacionales es en sí misma una manifestación de la brecha.

4.3. Tercera brecha: uso y apropiación diferencial

La tercera brecha concierne a la conversión del acceso y las competencias en resultados educativos reales. La evidencia muestra que estudiantes con trayectorias previas más sólidas utilizan la IA de manera más estratégica —para verificar, contrastar y elaborar—, mientras que estudiantes con menor preparación tienden a usos sustitutivos que pueden erosionar el aprendizaje (Nguyen, 2025; Zhang et al., 2026). Katona y Gyönyörű (2025) aportan evidencia en sentido contrario desde una intervención: la educación en programación adaptativa basada en IA dirigida a estudiantes socialmente desfavorecidos logró reducir la brecha digital cuando el diseño pedagógico era deliberado y con andamiaje. La lección es que la apropiación no es una propiedad de la herramienta sino del diseño instruccional que la enmarca.

Esta brecha tiene también una cara ética. Kayyali (2025) advierte que la privacidad, el sesgo algorítmico y la integridad académica afectan de manera diferenciada a estudiantes según su edad, geografía y origen socioeconómico, y Nguyen (2025) muestra que la falta de principios pedagógicos claros amplifica las disparidades en las oportunidades de aprendizaje entre grupos. La apropiación diferencial, en suma, no solo distribuye beneficios de manera desigual: también distribuye riesgos.

4.4. Cuarta brecha: formación docente

Ninguna de las brechas anteriores puede cerrarse sin docentes preparados, y la literatura es unánime en diagnosticar un déficit estructural en este punto. Guan et al. (2025) estudiaron a docentes en formación inicial y encontraron que su preparación para la educación integrada con IA depende de actitudes, autoeficacia y alfabetización en IA aún insuficientes, con implicaciones directas sobre su identidad profesional. Kundu et al. (2025), en escuelas de la India, muestran que la alfabetización docente en IA es simultáneamente cognitiva, pedagógica, ética y contextual, y que los programas de desarrollo profesional rara vez atienden las cuatro dimensiones. Caspari-Sadeghi (2026) documenta el eslabón previo: los propios formadores de docentes carecen de currículos holísticos de alfabetización en IA, de modo que el déficit se transmite generacionalmente dentro del sistema formativo. No sorprende, por tanto, que la literatura especializada califique la integración de la IA en la formación docente como una urgencia (Bekdemir, 2024).

En respuesta, la UNESCO publicó el Marco de competencias de IA para docentes, que define quince competencias en cinco dominios —mentalidad centrada en el ser humano, ética de la IA, fundamentos y aplicaciones, pedagogía de la IA e IA para el desarrollo profesional— con tres niveles de dominio: adquirir, profundizar y crear (Miao & Cukurova, 2024). El marco ofrece un estándar de referencia global; su implementación efectiva, no obstante, exige inversión sostenida en formación inicial y continua que la mayoría de los sistemas escolares aún no programan.

4.5. Quinta brecha: gobernanza curricular Norte-Sur

La quinta brecha opera a escala sistémica: la capacidad de los Estados para regular, currilar y financiar la IA educativa. Miao y Holmes (2023) constataron que la IA generativa avanzaba más rápido que los marcos regulatorios, y propusieron una agenda de gobernanza centrada en el ser humano que incluye límites de edad, protección de datos y exigencias a los proveedores. Peters y Tukdeo (2025) advierten que, sin una agenda propia de investigación para el Sur Global (AI4ED), la región oscilará entre marcos utópicos y distópicos importados, sin producción endógena de evidencia. Okolo (2023) subraya que una gobernanza inclusiva de la IA en el Sur Global requiere capacidades institucionales que van más allá de la conectividad: regulación, datos, talento y participación.

Dentro de esta brecha sistémica operan dimensiones transversales. La lengua es una de las más decisivas: Finardi (2025) muestra que la IA en la educación superior tiende a reproducir la hegemonía del inglés, con implicaciones para la diversidad lingüística y la inclusión de saberes del Sur Global. La ruralidad, ya señalada, y las desigualdades de género documentadas en el acceso y la confianza tecnológica completan un panorama en el que la brecha de IA es, ante todo, una reconfiguración de desigualdades preexistentes bajo nuevas condiciones técnicas (Hussein et al., 2025; Valdivieso & González, 2025).

5. Síntesis del estado del arte

La Tabla 1 sintetiza la tipología resultante, el mecanismo causal dominante documentado por la literatura y las respuestas propuestas para cada brecha.

Tabla 1. Tipología de brechas educativas en el aprendizaje de IA, mecanismos y respuestas documentadas (2021-2026)
BrechaMecanismo dominanteEvidencia representativaRespuestas propuestas
1. Acceso e infraestructuraConectividad, dispositivos y suscripciones de pago jerarquizan el acceso a modelosTripathi et al. (2025); Caporarello & Trabskaia (2026); Valdivieso & González (2025)Inversión en infraestructura rural; acceso institucional a modelos; licencias educativas
2. Competencias y alfabetizaciónLa alfabetización en IA opera como nuevo capital cultural vinculado al nivel socioeconómicoHargittai et al. (2026); Zhang et al. (2026); Atias & Mawasi (2025)Currículos de alfabetización en IA; marco UNESCO para estudiantes (Miao & Shiohira, 2024)
3. Uso y apropiaciónUsos estratégicos vs. sustitutivos según trayectoria previa; diseño instruccional como moderadorKatona & Gyönyörű (2025); Nguyen (2025); Zhang et al. (2026)Andamiaje pedagógico; principios éticos y pedagógicos explícitos (Kayyali, 2025)
4. Formación docenteDéficit cognitivo, pedagógico, ético y contextual en docentes y formadoresGuan et al. (2025); Kundu et al. (2025); Caspari-Sadeghi (2026); Bekdemir (2024)Formación inicial y continua basada en el marco UNESCO para docentes (Miao & Cukurova, 2024)
5. Gobernanza curricularRegulación más lenta que la tecnología; dependencia de marcos del Norte GlobalMiao & Holmes (2023); Peters & Tukdeo (2025); Okolo (2023); Finardi (2025)Agendas propias de investigación (AI4ED); regulación centrada en derechos; diversidad lingüística

6. Discusión

El estado del arte permite formular una tesis sintética: la brecha de IA en las aulas presenta una triple especificidad frente a la brecha digital clásica. Primero, se hereda: los determinantes sociales de la desigualdad digital —ingreso, escolaridad, geografía, género— predicen también el acceso, las competencias y la apropiación de la IA (Hargittai et al., 2026; Zhang et al., 2026). Segundo, se amplifica por propiedades propias de la IA generativa: la estratificación por suscripción (Caporarello & Trabskaia, 2026), la hegemonía idiomática del inglés (Finardi, 2025) y la demanda de competencias de interacción crítica que la escuela aún no enseña (Atias & Mawasi, 2025; Choi et al., 2025). Tercero, se institucionaliza: cuando los sistemas educativos no forman docentes ni actualizan currículos, la desigualdad deja de ser una contingencia del mercado tecnológico y se convierte en una producción del propio sistema (Caspari-Sadeghi, 2026; Miao & Holmes, 2023).

Esta lectura matiza la metáfora, frecuente en el discurso divulgativo, de la IA como "gran igualador". La evidencia revisada sugiere más bien una igualación condicionada: intervenciones deliberadas, con diseño pedagógico explícito y foco en poblaciones desfavorecidas, sí logran reducir brechas concretas (Katona & Gyönyörű, 2025); pero la difusión espontánea de la tecnología tiende a reproducir y profundizar las jerarquías previas (Božić, 2023; Hussein et al., 2025). La variable decisiva no es la tecnología sino la institucionalidad que la enmarca: políticas de acceso, formación docente, currículos explícitos y regulación protectora (Miao et al., 2021; Miao & Holmes, 2023).

Para la investigación doctoral, esta tipología abre al menos tres frentes: la necesidad de instrumentos de medición específicos para la brecha de IA en educación básica (Mauermeister et al., 2025); el estudio longitudinal de los efectos de la alfabetización en IA sobre trayectorias educativas; y la investigación aplicada sobre modelos de formación docente en contextos de escasos recursos, particularmente en el Sur Global y en lenguas distintas del inglés (Peters & Tukdeo, 2025; Finardi, 2025).

7. Implicaciones para la política educativa y la práctica

De la revisión se desprenden cuatro implicaciones. Primera, el acceso debe conceptualizarse de manera ampliada: garantizar conectividad y dispositivos es necesario pero insuficiente; los sistemas deben asegurar acceso institucional a modelos de IA capaces, evitando que la calidad del modelo disponible dependa del ingreso familiar (Caporarello & Trabskaia, 2026). Segunda, la alfabetización en IA debe incorporarse al currículo oficial con progresiones explícitas, para lo cual el marco de la UNESCO para estudiantes ofrece una arquitectura de referencia adaptable a contextos nacionales (Miao & Shiohira, 2024). Tercera, la formación docente es la palanca de mayor multiplicador: los marcos de competencias existentes (Miao & Cukurova, 2024) solo producirán efectos si se traducen en programas de formación inicial y continua con tiempo, acompañamiento y evaluación (Bekdemir, 2024; Kundu et al., 2025). Cuarta, la gobernanza debe proteger la diversidad: lingüística, cultural y de saberes locales, de modo que la IA educativa no opere como vector de homogeneización (Finardi, 2025; Okolo, 2023).

8. Limitaciones

Esta revisión tiene limitaciones propias de su diseño. Se trata de una revisión narrativa con criterios sistemáticos, no de una revisión sistemática exhaustiva con protocolo PRISMA; el corpus, aunque representativo del debate 2021-2026, no agota la producción disponible. La literatura empírica se concentra en educación superior y en un número reducido de países, por lo que las inferencias sobre educación básica y sobre América Latina requieren cautela. Parte de la evidencia más reciente procede de preprints en proceso de revisión, cuyos resultados deben considerarse preliminares. Finalmente, el campo evoluciona con rapidez: las conclusiones deben leerse como una fotografía del estado del arte a agosto de 2026, no como un cierre del debate.

9. Conclusiones

Las brechas educativas en el aprendizaje de la inteligencia artificial no son un efecto secundario accidental de una tecnología nueva, sino la expresión actualizada, bajo nuevas condiciones técnicas, de las desigualdades educativas estructurales. La literatura 2021-2026 converge en una tipología de cinco brechas interdependientes —acceso, competencias, apropiación, formación docente y gobernanza curricular— atravesadas por las dimensiones de género, lengua y ruralidad. Frente a ellas, el estado del arte ofrece tanto diagnósticos como instrumentos: marcos de competencias para estudiantes y docentes, evidencia sobre intervenciones eficaces y una agenda de gobernanza centrada en derechos. La pregunta práctica que queda abierta es si los sistemas educativos —y en particular los del Sur Global— lograrán convertir esos instrumentos en políticas sostenidas antes de que la brecha de IA se sedimente como una nueva capa de la desigualdad educativa. La respuesta no depende de la tecnología, sino de decisiones institucionales que están, todavía, por tomarse.

Referencias

  1. Atias, O., & Mawasi, A. (2025). Conceptualizing AI literacies for children and youth: A systematic review on the design of AI literacy educational programs. Computers and Education: Artificial Intelligence. https://www.sciencedirect.com/science/article/pii/S2666920X25001316
  2. Bekdemir, Y. (2024). The urgency of AI integration in teacher training: Shaping the future of education. Journal of Research in Didactical Sciences. https://www.researchgate.net/publication/386107830
  3. Božić, V. (2023). Artificial intelligence as the reason and the solution of digital divide. Language Education and Technology Journal. http://www.langedutech.com/letjournal/index.php/let/article/view/53
  4. Caporarello, L., & Trabskaia, I. (2026). Global North-South divide: The dark side of AI-driven education. En EDULEARN26 Proceedings. https://library.iated.org/view/CAPORARELLO2026GLO
  5. Carolus, A., Augustin, Y., Markus, A., & Wienrich, C. (2023). Digital interaction literacy model–Conceptualizing competencies for literate interactions with voice-based AI systems. Computers and Education: Artificial Intelligence. https://www.sciencedirect.com/science/article/pii/S2666920X22000698
  6. Caspari-Sadeghi, S. (2026). AI literacy for teacher educators: A holistic curriculum for capacity-building in higher education. Frontiers in Education. https://doi.org/10.3389/feduc.2026.1745768
  7. Choi, W. C., Chang, C. I., Choi, I. C., Lam, L. C., Leong, K. I., & Ng, S. I. (2025). Artificial intelligence (AI) literacy in education: Definition, competencies, opportunities and challenges [Preprint]. Preprints.org. https://www.preprints.org/frontend/manuscript/11759de052eff1261d384254db19cefc/download_pub
  8. Faruqe, F., Watkins, R., & Medsker, L. (2021). Competency model approach to AI literacy: Research-based path from initial framework to model. arXiv. https://arxiv.org/abs/2108.05809
  9. Finardi, K. R. (2025). AI in higher education: Implications for diversity of languages and inclusion of knowledges from the global South. En Applied research in business and education. Taylor & Francis. https://doi.org/10.4324/9781003739920-12
  10. Guan, L., Zhang, Y., & Gu, M. M. (2025). Pre-service teachers preparedness for AI-integrated education: An investigation from perceptions, capabilities, and teachers' identity changes. Computers and Education: Artificial Intelligence. https://www.sciencedirect.com/science/article/pii/S2666920X24001449
  11. Hargittai, E., Lokaj, G., & Hess, L. (2026). Digital inequality in ChatGPT awareness and knowledge. En Connective AI. Taylor & Francis. https://doi.org/10.4324/9781003477587-7
  12. Hussein, S., Qureshi, S. S., & ul Emman, S. K. (2025). Analyzing how AI can both exacerbate and help overcome digital inequalities in education, especially in underserved regions. The Critical Review of Social Sciences Studies. http://thecrsss.com/index.php/Journal/article/view/437
  13. Katona, J., & Gyönyörű, K. I. K. (2025). AI-based adaptive programming education for socially disadvantaged students: Bridging the digital divide. TechTrends. https://doi.org/10.1007/s11528-025-01088-8
  14. Kayyali, M. (2025). Ethical implications of generative AI in education: Privacy, bias, and integrity. En Transformative AI practices for personalized learning. IGI Global. https://www.igi-global.com/chapter/ethical-implications-of-generative-ai-in-education/377145
  15. Kundu, A., Bej, T., & Mondal, R. (2025). Exploring teachers' AI literacy: Cognitive, pedagogical, ethical, and contextual insights from Indian schools. Teaching Education. https://doi.org/10.1080/10476210.2025.2570227
  16. Mauermeister, S., Biere, L., & Steinhardt, I. (2025). Measuring the digital divide among students caused by artificial intelligence [Preprint]. SocArXiv. https://osf.io/preprints/socarxiv/e824j
  17. Miao, F., & Cukurova, M. (2024). AI competency framework for teachers. UNESCO. https://doi.org/10.54675/ZJTE2084
  18. Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO. https://doi.org/10.54675/EWZM9535
  19. Miao, F., & Shiohira, K. (2024). AI competency framework for students. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000391105
  20. Miao, F., Holmes, W., Huang, R., & Zhang, H. (2021). AI and education: Guidance for policy-makers. UNESCO.
  21. Nguyen, K. V. (2025). The use of generative AI tools in higher education: Ethical and pedagogical principles. Journal of Academic Ethics. https://doi.org/10.1007/s10805-025-09607-1
  22. Okolo, C. T. (2023). AI in the Global South: Opportunities and challenges towards more inclusive governance. Brookings Institution. https://internationalpolicybrief.org/wp-content/uploads/2024/02/ARTICLE-9.pdf
  23. Peters, M. A., & Tukdeo, S. (2025). Beyond the utopic/dyspotic frames: Towards a research agenda for AI in education and development (AI4ED) in the Global South. Contemporary Education Dialogue. https://doi.org/10.1177/09731849241298118
  24. Tripathi, A., Yadav, V., & Kumar, S. (2025). Leveraging artificial intelligence for rural education: A systematic review of transforming learning opportunities and bridging the urban-rural divide [Preprint]. Preprints.org. https://www.preprints.org/frontend/manuscript/a6e02ac0561289ccf3b0dd2225026145/download_pub
  25. Valdivieso, T., & González, O. (2025). Generative AI tools in Salvadoran higher education: Balancing equity, ethics, and knowledge management in the global south. Education Sciences, 15(2), 214. https://www.mdpi.com/2227-7102/15/2/214
  26. Zhang, C., Rice, R. E., & Wang, L. H. (2026). College students' literacy, ChatGPT activities, educational outcomes, and trust from a digital divide perspective. New Media & Society. https://doi.org/10.1177/14614448241301741