Noheda, SaraRamírez, Eduar S.Rodriguez-Moreno, SaraMartín-Azañedo, CarolinaGeorgescu, AnaRoca, Pablo2026-09-302026-09-302026Noheda, S, Ramírez, E S, Rodriguez-Moreno, S, Martín-Azañedo, C, Georgescu, A & Roca, P 2026, 'Adoption of Artificial Intelligence–Based Precision Mental Health Technologies Among Psychology Trainees : Mixed Methods Cross-Sectional Survey Study', Journal of Medical Internet Research, vol. 28, e93893. https://doi.org/10.2196/938931439-4456PubMedCentral: PMC13331070https://hdl.handle.net/10641/8385Publisher Copyright: © Sara Noheda, Eduar Ramírez-Riveros, Sara Rodriguez-Moreno, Carolina Martín-Azañedo, Ana Georgescu, Pablo Roca.Antecedentes: A pesar de los beneficios significativos de la inteligencia artificial (IA) en la salud mental, su implementación en el mundo real sigue siendo limitada, lo que hace esencial comprender los factores que influyen en su adopción. Objetivo: Este estudio examinó la aceptabilidad y la intención de uso de tecnologías de precisión para la salud mental basadas en inteligencia artificial (AI-PMHT, por sus siglas en inglés) y propuso un modelo empírico guiado por la teoría que integra predictores tradicionales de aceptación tecnológica (por ejemplo, utilidad percibida, riesgo y facilidad de uso) con factores psicológicos emergentes (por ejemplo, ansiedad ante la IA, personalidad y pensamiento conspirativo) que pueden orientar futuras investigaciones sobre implementación, planificación estratégica y diseño de programas de formación. Métodos: Se distribuyó una encuesta en línea a una muestra de 357 psicólogos en formación, incluidos estudiantes de grado y de máster. Se utilizó un enfoque de métodos mixtos, combinando medidas cuantitativas (mediante cuestionarios validados psicométricamente) y datos cualitativos (a través de preguntas abiertas). Se realizaron estadísticas descriptivas y pruebas t para caracterizar la muestra, y se analizaron temáticamente las respuestas a las preguntas sobre facilitadores y barreras. Se empleó modelado de ecuaciones estructurales por mínimos cuadrados parciales para construir el modelo empírico. Resultados: Los participantes mostraron una aceptabilidad e intención de uso moderadas a altas de las AI-PMHT, aunque la ansiedad y el riesgo percibido variaron (con niveles más altos entre las mujeres), y un uso más frecuente se asoció con perfiles de aceptación más favorables sin reducir el miedo. El análisis temático reveló que los participantes consideraron las herramientas de IA como potenciadoras de la eficiencia, pero expresaron preocupaciones sobre la fiabilidad, la usabilidad, la dependencia excesiva y las limitaciones de acceso. El modelado de ecuaciones estructurales por mínimos cuadrados parciales respaldó una vía jerárquica de adopción en la que los factores disposicionales y demográficos moldean el miedo a la IA y el riesgo percibido, lo cual influye a su vez en las evaluaciones cognitivas y las actitudes, asociándose finalmente con la aceptabilidad y la intención de uso de las AI-PMHT. Las variables predisponentes (particularmente la resistencia al cambio y el pensamiento conspirativo) fueron los predictores más fuertes de la ansiedad relacionada con la IA, mientras que el género y la extraversión mostraron efectos menores pero significativos. El miedo actuó como un mediador afectivo clave, aumentando el riesgo percibido y debilitando indirectamente las actitudes positivas y la utilidad percibida. La aceptabilidad fue el constructo más influyente en la cadena causal, prediciendo directamente la satisfacción, la utilidad percibida, la experiencia previa y la intención futura de uso, coherente con un bucle de retroalimentación reforzante en el que la aceptación temprana favorece el compromiso sostenido. Conclusiones: Los hallazgos sugieren un marco estratificado que puede orientar futuras investigaciones sobre implementación y el diseño de programas de formación, abordando (1) los perfiles disposicionales y emocionales predisponentes; (2) el miedo precipitante y el riesgo percibido mediante una regulación transparente, un diseño explicable y políticas que fortalezcan la agencia profesional; y (3) el mantenimiento a través de experiencias tempranas de alta calidad, usabilidad y apoyo institucional sostenido. Este modelo guiado por la teoría aclara cómo los factores psicológicos, contextuales y experienciales moldean conjuntamente la adopción y el uso sostenido de las AI-PMHT entre psicólogos en formación, informando estrategias educativas e implementativas dirigidas a esta población. [Traducción automática al español; idioma original: inglés.]Background: Despite the significant benefits of artificial intelligence (AI) in mental health, real-world implementation remains limited, making it essential to understand the factors that influence adoption. Objective: This study examined the acceptability and intention to use artificial intelligence–based precision mental health technologies (AI-PMHTs) and proposed an empirical, theory-guided model that integrates traditional technology acceptance predictors (eg, perceived usefulness, risk, and ease of use) with emerging psychological factors (eg, AI anxiety, personality, and conspiratorial thinking) that may inform future implementation research, strategic planning, and training program design. Methods: An online survey was distributed to a sample of 357 psychologists in training, including both undergraduate and master’s students. A mixed methods approach was used, combining quantitative measures (via psychometrically validated questionnaires) and qualitative data (through open-ended questions). Descriptive statistics and t tests were conducted to characterize the sample, and responses to the open-ended questions on facilitators and barriers were thematically analyzed. Partial least squares structural equation modeling was used to build the empirical model. Results: Participants showed moderate-to-high acceptance and intention to use AI-PMHTs, yet anxiety and perceived risk varied (with higher levels among women), and more frequent use was linked to more favorable acceptance profiles without reducing fear. Thematic analysis revealed that participants viewed AI tools as efficiency-enhancing but raised concerns about reliability, usability, overdependence, and access constraints. Partial least squares structural equation modeling supported a hierarchical adoption pathway in which dispositional and demographic factors shape AI-related fear and perceived risk, which then influence cognitive evaluations and attitudes, ultimately being associated with acceptance and intention to use AI-PMHTs. Predisposing variables (particularly resistance to change and conspiratorial thinking) were the strongest predictors of AI-related anxiety, with gender and extraversion showing smaller but meaningful effects. Fear acted as a key affective mediator, increasing perceived risk and indirectly weakening positive attitudes and perceived usefulness. Acceptance was the most influential downstream construct, directly predicting satisfaction, perceived usefulness, prior experience, and future intention to use, consistent with a reinforcing feedback loop in which early acceptance supports sustained engagement. Conclusions: Findings suggest a layered framework that may inform future implementation research and training program design, addressing (1) predisposing dispositional and emotional profiles; (2) precipitating fear and perceived risk via transparent regulation, explainable design, and policies that strengthen professional agency; and (3) maintenance through high-quality early experiences, usability, and sustained institutional support. This theory-guided model clarifies how psychological, contextual, and experiential factors jointly shape adoption and sustained use of AI-PMHTs among psychologists in training, informing targeted educational and implementation strategies for this population.14362253enghttp://creativecommons.org/licenses/by-nc-nd/4.0/AIacceptabilityartificial intelligencedigital healthimplementationintention to useprecision mental healthstrategic planningHealth InformaticsSDG 3 - Good Health and Well-beingYesjournal articleopen access10.2196/93893https://www.scopus.com/pages/publications/105044060237https://www.scopus.com/pages/publications/105044060237#tab=citedBy