Los recientes avances en Modelos de Lenguaje Grande (LLMs), incluyendo ChatGPT, DeepSeek y Claude, han facilitado su creciente integración en la educación en ciencias de la computación, incluyendo cursos de estructuras de datos. A pesar de su adopción generalizada, la asociación entre el uso sostenido e informal de LLMs y los resultados de aprendizaje de los estudiantes sigue siendo insuficientemente comprendida. Este estudio busca abordar esta brecha mediante un examen empírico de la asociación entre el uso de LLMs y el rendimiento de los estudiantes de pregrado en la educación sobre estructuras de datos. Realizamos un estudio empírico de doce semanas que involucra a cincuenta y cuatro estudiantes de pregrado, en el que los LLMs se hicieron accesibles de forma gratuita, pero no se alentó ni desalentó explícitamente su uso durante el curso y las tareas. Se analizan los patrones de uso de LLMs de los estudiantes en relación con su rendimiento académico en diferentes tipos de tareas. Los hallazgos revelan una asociación negativa significativa entre la dependencia extensa de LLMs para tareas cognitivamente exigentes y los resultados de aprendizaje en general. Además, se observa una tendencia asociativa inversa entre la frecuencia de uso de LLMs en algunas actividades de aprendizaje y el rendimiento académico. En contraste, el uso de LLMs para propósitos suplementarios, incluyendo la clarificación conceptual y la comprensión teórica, exhibe una asociación notablemente positiva con el rendimiento final. Estos hallazgos sugieren una relación asociativa dependiente de la tarea entre el uso de LLMs y los resultados de aprendizaje: el uso de LLMs para el aprendizaje conceptual muestra una asociación positiva con el dominio del conocimiento relevante cuando se utiliza como una herramienta de aprendizaje suplementaria, mientras que el uso excesivo de LLMs muestra una asociación negativa con el desarrollo de habilidades analíticas y de resolución de problemas fundamentales. Este estudio destaca la importancia de integrar cuidadosamente los LLMs en la educación sobre estructuras de datos para apoyar el aprendizaje mientras se preserva el compromiso cognitivo independiente de los estudiantes.