Este estudio tuvo como objetivo observar el impacto de ocho técnicas de explicación de IA explicables (XAI) en la confianza y satisfacción del usuario en el contexto de análisis de aprendizaje mejorado por XAI, al comparar dos grupos de estudiantes universitarios de STEM según su nivel de estudio de Bolonia, utilizando varias técnicas de relevancia de características establecidas, explicaciones de certeza y comparación. En general, los estudiantes informaron la mayor confianza en la explicación de características locales en forma de gráfico de barras. Además, los estudiantes de máster presentados con explicaciones de características globales también informaron una alta confianza en esta forma de explicación. La satisfacción con la explicación medida más alta se observó con la técnica de explicación de características locales en el grupo de estudiantes de licenciatura y máster, con los estudiantes de máster expresando además una alta satisfacción con la explicación de la importancia de características globales. Una visión general detallada muestra que los dos grupos observados de estudiantes mostraron consenso en las técnicas de explicación favoritas al evaluar la confianza y la satisfacción con la explicación. Las técnicas de explicación de certeza fueron percibidas con menor confianza y satisfacción que las técnicas de explicación de relevancia de características locales. La correlación entre los resultados detallados se documentó y midió con el cuestionario de Confianza en la Automatización y el cuestionario de Satisfacción con la Explicación. Los estudiantes de nivel de máster informaron en general un mayor entendimiento de las explicaciones y una mayor satisfacción general con las explicaciones, y percibieron las explicaciones como menos perjudiciales.