Spanish (pdf)
Article in xml format
Article references
Automatic translation
Send this article by e-mail
Cited by SciELO 
Similars in
SciELO 
Permalink
Introducción
La tecnología es un aspecto fundamental de la educación y su efecto en el aprendizaje ha sido profusamente estudiado. Cada vez más instituciones de educación superior han adoptado herramientas digitales que posibilitan el uso de recursos tecnológicos como parte de la cátedra. Estas plataformas se conocen por muchos nombres: medio basado en internet, entorno virtual de aprendizaje o sistema de gestión de cursos (Bermúdez-Rodríguez y Fueyo-Gutiérrez, 2018). Sin embargo, en este trabajo se empleará sistema de gestión de aprendizaje (SGA).
Hay muchos SGA diferentes y todos comparten herramientas para crear contenido, administrar mecanismos de comunicación y gestionar evaluaciones (Arteaga Sánchez y Duarte Hueros, 2010). Entre ellos, los sistemas comerciales más utilizados provienen de Blackboard Corporation, mientras que los de código abierto más populares son Sakai, OLAT y Moodle. No obstante, la implementación de cualquiera de ellos implica una considerable inversión de recursos por parte de los centros educativos
A pesar de su eficiencia comprobada, su nivel de éxito dependerá en gran medida del uso y aceptación que obtenga del estudiantado (Arteaga Sánchez y Duarte Hueros, 2010). Establecer el SGA por sí mismo no proporciona beneficio alguno, si el estudiantado no lo utiliza. Por lo tanto, es imprescindible entender la compleja interrelación de factores que determinan dicho comportamiento, con el fin de diseñar estrategias, acciones e iniciativas efectivas que promuevan su uso.
Existen varios modelos para predecir la aceptación tecnológica. Uno de los más referidos es el modelo de aceptación tecnológica (TAM, por sus siglas en inglés) desarrollado por Davis (1989). Este se basa en la teoría de la acción razonada de Fishbein y Ajzen (Figura 1), la cual plantea un sistema general para comprender el comportamiento humano a partir de las creencias individuales (Hill, 1977). De acuerdo con la teoría, la creencia de que realizar una determinada conducta va a producir un resultado particular, mediatizado por la actitud hacia dicha conducta y las normas subjetivas, determina la intención que precede la acción en sí (Montaño y Kasprzyk, 2015).
Nota: Elaboración propia, a partir de Montaño y Kasprzyk (2015).
Figura 1: Teoría de la Acción Razonada de Fishbein y Ajzen
Con base en dicho sistema, el TAM evalúa dos variables clave en la aceptación tecnológica, la utilidad percibida y la facilidad de uso. La primera es la valoración subjetiva que hace un individuo de que el uso de un sistema tecnológico podría mejorar su rendimiento en una acción específica y la segunda es el grado de esfuerzo que tendría que invertir para obtener un beneficio (Cabero-Almenara et al., 2018). Posteriormente, otras revisiones ahondaron en las innumerables variables externas que podrían influir en las creencias individuales, la actitud y el uso del sistema en sí (Govender y Rootman-le Grange, 2015).
Estos factores pueden dividirse en intrínsecos y extrínsecos. En el caso de los SGA, el modelo original ha sido expandido para incluir factores como la actitud de resistencia, conveniencia percibida, experiencia previa, esfuerzo esperado, condiciones facilitadoras, infraestructura tecnológica, entre otras (Cabero-Almenara et al., 2018). Pero como explican Sánchez Prieto et al. (2017), la adición de nuevos factores debe basarse en las circunstancias particulares del contexto estudiado con el fin, no solo de enriquecer el modelo y potenciar su poder explicativo, sino más bien de adaptarlo a cada caso.
Una extensa revisión de la bibliografía muestra que el TAM ha sido ampliamente utilizado en el estudio de diversos sistemas tecnológicos incluidos los SGA (Tarhini et al., 2017). También ha sido replicado con éxito en muestras latinoamericanas (Cabero-Almenara et al., 2018; González-Bravo y Valdivia-Peralta, 2015; Samperio Pacheco y Barragán López, 2018). Con base en dicha revisión, se propone el siguiente modelo (Figura 2).
Pese a la efectividad del TAM, son pocos los estudios revisados por pares sobre los factores motivacionales relacionados al uso de SGA en muestras estudiantiles ecuatorianas. Por ello, este estudio pretende analizar los factores que influyen en la aceptación de un SGA en una muestra de estudiantado universitario ecuatoriano, con el fin de suplir la carencia de investigación en este aspecto. Se espera que las conclusiones sirvan como lineamientos para ejecutar acciones que fomenten la aceptación y uso de los SGA.
Método
Con base en la clasificación de Ato et al. (2013), este estudio es selectivo, porque su característica distintiva es el empleo de la técnica del autoinforme para recopilar información empírica de las personas participantes; analítico, debido a que su objetivo es explicar el comportamiento, y transversal, debido a que se estudia una muestra en un único periodo de tiempo definido.
Participantes
Se empleó un muestreo por conveniencia, frecuente en estudios empíricos sobre aceptación tecnológica (Tarhini et al., 2017). Este permite al grupo investigador recopilar datos basados en la disponibilidad de la muestra. Pese a que se comparten las limitaciones propias del muestreo no probabilístico, los resultados de la investigación presente apuntan a una población diana con una problemática particular y, por lo tanto, es posible hacer uso de esta técnica (Etikan et al., 2016).
Participaron 309 estudiantes de la unidad curricular básica, correspondiente a los primeros tres semestres, de las carreras de Psicología Clínica, Psicología Organizacional, Comunicación Social y Pedagogía de la Universidad Católica de Santiago de Guayaquil (Tabla 1). Cinco fueron excluidos por incompletitud de respuestas. La muestra final consistió en 304 estudiantes entre 17 y 38 años (M=19.69; DT = 2.57). El 73% de la muestra es femenina con una edad promedio de 19,50 años (DT = 2.51) y el 23% es masculina con una edad promedio de 20,22 años (DT = 2,68). El 56,25% pertenece a Psicología clínica. El 75,65% utiliza Moodle en cuatro o más materias y el 68,75% lo hace semanalmente.
Instrumento
El instrumento está estructurado de la siguiente manera. La primera parte abarca la información demográfica de las personas participantes: género, edad, carrera, número de cursos en los que utiliza Moodle y frecuencia con la que usa dicho sistema. La segunda parte constituye el cuestionario basado en el TAM. Este fue diseñado por Venkatesh y Bala (2008) como revisión teórica del cuestionario propuesto por Venkatesh y Davis (2000). El cuestionario contiene veintitrés reactivos en escala de Likert de siete puntos desde “totalmente en desacuerdo” hasta “totalmente de acuerdo”.
Los reactivos evalúan cinco factores: utilidad percibida (La plataforma Moodle me ayuda a aprender de forma más eficiente), autoeficacia computacional (Puedo acceder a los contenidos de la plataforma Moodle), facilidad de uso percibida (Usar la plataforma Moodle no representa esfuerzo alguno), actitud con respecto al uso (Usar la plataforma Moodle es una buena idea) y uso del sistema (Uso la plataforma Moodle en una escala de 1 (nunca) y 7 (siempre). Estos reactivos han sido empleados en múltiples investigaciones (Fathema et al., 2015; Govender y Rootman-le Grange, 2015; Solano Cóndor y Abella García, 2017; Tarhini et al., 2017).
Procedimiento
La recolección de datos fue realizada en sesiones colectivas dentro de los salones de clases y en el horario regular de cátedra. Además, se realizó durante los meses intermedios del curso académico para garantizar que incluso estudiantes de ingreso reciente estuvieran familiarizados con el SGA. Todas las personas participantes fueron informadas de i) el propósito de la investigación, ii) la voluntariedad de su participación y iii) del anonimato y confidencialidad de sus respuestas. La participación fue voluntaria y sin incentivo alguno. El tiempo de respuesta osciló entre 10 y 15 minutos, durante el cual al menos una persona encuestadora permaneció con las personas participantes para aclarar dudas.
Análisis de datos
Se utilizó IBM SPSS Statistics 20 y SmartPLS v3.2.7. Primero se evaluó la confiabilidad del instrumento empleando el coeficiente alfa de Cronbach, la correlación inter-reactivo y la correlación reactivo-total. A continuación, se realizó un análisis factorial exploratorio (AFE) para valorar la unidimensionalidad del instrumento y explorar su estructura factorial latente en aras de evaluar su validez. Después se llevó a cabo un análisis descriptivo de medias por factor para cotejarlas en función del género, empleando la prueba U de Mann-Whitney para corroborar la significación estadística.
Para examinar las hipótesis se usó el modelamiento de ecuaciones estructurales por mínimos cuadrados parciales. Este es un análisis de variables latentes que explora la dependencia de las relaciones multivariables que, en su modalidad de mínimos cuadrados parciales (PLS-SEM, por sus siglas en inglés), es una aproximación de modelación causal que maximiza la varianza explicada por los constructos dependientes (Hair et al., 2012). Investigaciones pasadas del TAM han empleado esta técnica (Govender y Rootman-le Grange, 2015; Heflin et al., 2018; Samperio Pacheco y Barragán López, 2018).
Modelo de investigación e hipótesis
Se propuso un modelo que examina cuatro constructos (Figura 2). El primero es la autoeficacia computacional (AC), la cual da cuenta del grado en que el individuo cree tener la capacidad de realizar una tarea específica usando un dispositivo tecnológico (Venkatesh y Bala, 2008). Tiene un rol crucial modificando las actitudes que puede tener una persona con respecto a un sistema particular (Govender y Rootman-le Grange, 2015). Además, estudios previos han encontrado relaciones significativas entre esta y los factores originales (Venkatesh y Davis 1996; Venkatesh et al., 2000). Las siguientes hipótesis fueron planteadas:
H1. Autoeficacia computacional (AC) tiene un efecto positivo en facilidad de uso percibida (FUP).
H2. Autoeficacia computacional (AC) tiene un efecto positivo en utilidad percibida (UP).
H3. Autoeficacia computacional (AC) tiene un efecto positivo en actitud con respecto al uso (ARU).
La influencia directa y positiva de la facilidad de uso percibida (FUP) en la utilidad percibida (UP) ha sido frecuentemente confirmada desde el origen del modelo (Davis, 1989; Venkatesh y Davis, 2000; Venkatesh et al., 2007; Venkatesh et al., 2000). De la misma manera, la FUP influye en la actitud con respecto al uso (ARU) y el uso del sistema (US) (Franco Castaño, 2016). Con base en lo mencionado, se proponen las siguientes hipótesis:
H4. Facilidad de uso percibida (FUP) tiene un efecto positivo en la utilidad percibida (UP).
H5. Facilidad de uso percibida (FUP) tiene un efecto positivo en actitud con respecto al uso (ARU).
H6. Facilidad de uso percibida (FUP) tiene un efecto positivo en el uso del sistema (US).
La bibliografía también indica que la UP es uno de los principales predictores de la intención de uso, por lo tanto, está estrechamente relacionada a la ARU (Davis 1989; Venkatesh y Davis, 2000). Además, Yong Varela (2004) plantea que existe una influencia significativa de esta variable con el US. Por lo tanto, se propone:
H7. La utilidad percibida (UP) tiene un efecto positivo en la actitud con respecto al uso (ARU).
H8. La utilidad percibida (UP) tiene un efecto positivo en el uso del sistema (US).
Por último, tanto el modelo original como sus revisiones concuerdan en que la actitud con respecto al uso tiene un efecto directo y positivo en el uso del sistema (Davis, 1989; Torres Albero et al., 2017; Venkatesh y Davis, 2000; Venkatesh et al., 2007; Venkatesh et al., 2000). Por ende, como última hipótesis se propone la siguiente.
H9. La actitud con respecto al uso (ARU) tiene un efecto positivo en el uso del sistema (US).
Resultados y discusión
Previo a la recolección de datos, el instrumento fue evaluado en dos fases: una revisión preliminar y una prueba piloto. El objetivo de la revisión preliminar fue optimizar el contenido de los reactivos y corregir posibles errores de inteligibilidad o ambigüedad en estos. Para esto se solicitó a cuatro profesionales del área de psicología, no pertenecientes al proyecto, examinar el cuestionario. Se realizaron leves ajustes para mejorar la claridad del instrumento, de acuerdo con las observaciones dadas.
A continuación, se realizó una prueba piloto con una muestra no aleatoria (n=25) con características similares a las de la población diana, y se obtuvo una consistencia interna satisfactoria (α > 0.80). Esto permitió recoger in situ las reacciones de los encuestados para asegurar la completa comprensión del instrumento. Se examinaron los criterios de i) compresión de las instrucciones, ii) comprensión de los reactivos, iii) entendimiento del sistema de respuesta e iv) inteligibilidad de vocabulario. No se identificaron posibles errores de formato o contenido que puedan sesgar los resultados.
Confiabilidad y validez del instrumento
El cuestionario presentó un α de Cronbach de 0,942, lo cual indica una consistencia interna óptima dentro de los rangos convencionales y congruente con los hallazgos de estudios pasados en la región (Bedregal-Alpaca et al., 2019; Patiño-Toro et al., 2020). También presentó una media de correlación inter-reactivo de 0,433, que sugiere que estos son razonablemente homogéneos sin llegar a ser isomórficos (Piedmont, 2014). Finalmente, todos los reactivos reportaron correlaciones reactivo-total mayores a 0,350 (M = 0,623; DT = 0,08), o sea, ninguno es inconsistente con el comportamiento promedio del cuestionario (de Vaus, 2002). La Tabla 2 presenta estos resultados.
Tabla 2: Estadísticos descriptivos y de confiabilidad por reactivo
M: media; DT: desviación típica; α: coeficiente alfa de Cronbach sin el reactivo; ri-t: correlación reactivo-total.
Nota: Elaboración propia.
Dado que el instrumento pretende medir varios factores latentes, se optó por evaluar su unidimensionalidad. Tras confirmar la idoneidad de la muestra con el coeficiente de Kaiser-Meyer-Olkin (0.936) y la prueba de esfericidad de Bartlett (χ2 (253) = 5627.67; p<.001), se realizó un análisis factorial exploratorio (AFE) por el método de componentes principales con rotación promax. Se encontraron cuatro factores con eigenvalores superiores a la unidad que explican el 70,66% de la varianza y corresponden a FUP-AC, UP, ARU y US (Tabla 3). Se rechaza la hipótesis concluyendo que el instrumento mide más de un factor y su estructura tetrafactorial concuerda con la construcción teórica de los reactivos.
Análisis descriptivo
El reactivo con la mayor media fue FP2 (“Aprender a usar la plataforma Moodle fue fácil para mi”; M=5.49; DT=1.65) y el reactivo con la menor fue UP1 (“La plataforma Moodle me ayuda a aprender de forma más eficiente”; M=3.73; DT=1.74). Similarmente, el factor con la media más alta fue FUP (M = 5.24; DT = 1.71) y el factor con la más baja fue UP (M = 4.13; DT = 1.77). Además, la asimetría y curtosis se mantuvieron en el rango de ±1, ello sugiere que la muestra no se distribuye normalmente (Gravetter y Wallnau, 2014). Por último, los factores presentaron correlaciones significativas entre muy pobres y moderadas, según los criterios de Chan (2003). El estudiantado en promedio percibe que el sistema es fácil de aprender y utilizar; pero les representa poco beneficio o utilidad, lo cual afecta su actitud respecto a este. Así concuerda con trabajos pasados en que la facilidad de uso no antecede ni prevé la utilidad percibida, especialmente en sujetos nativos digitales (Urquidi et al., 2019).
Posteriormente, se analizaron las diferencias de medias en los factores según las submuestras por género. Considerando que los datos no siguen una distribución normal y las variables son del tipo ordinal, se empleó la prueba U de Mann-Whitney. Con base en los resultados de esta prueba, se rechaza la hipótesis nula y se reporta que los varones obtuvieron medias mayores que las mujeres en UP (U=6900, p < .05), AC (U=7581, p < .05) y ARU (U=7637, p < .05). Esto difiere con estudios previos que no han encontrado diferencias significativas por género (Al-Azawei et al. 2016; Cabero-Almenara et al., 2018). También contrasta con aquellos que encontraron diferencias significativas, con puntuaciones mayores en mujeres (González Aponcio y Calvo Aizpuru, 2018).
Confiabilidad y validez del modelo
Las cargas factoriales se utilizaron para evaluar la confiabilidad de los reactivos y el índice de fiabilidad compuesta (IFC) de los constructos. Todos los reactivos reportaron cargas factoriales adecuadas (>0,70) a excepción de UP3 y AC4 que se mantuvieron por encima del valor crítico (0,4), por lo que fueron conservados, mientras que el IFC de cada constructo (>0,70) se mantuvo en los rangos óptimos (Hair et al., 2012).
La varianza media extraída se empleó para evaluar la validez convergente, alcanzando el valor recomendado (>0,50) en todos los constructos (Hair et al., 2012). Para evaluar la validez discriminante se empleó el criterio de Fornell-Larcker, que sugiere que un constructo no debe compartir mayor varianza con otros que con sus variables asociadas, y el de cargas cruzadas, en el que cada reactivo debe presentar una asociación más fuerte con el constructo al cual fue teóricamente asignado que con los otros (Henseler et al., 2015). La Tabla 4 y 5 presenta los estadísticos de confiabilidad y validez del modelo.
Tabla 4: Confiabilidad, validez convergente y validez discriminante por criterio de Fornell-Larcker
IFC: índice de fiabilidad compuesta; AVE: varianza media extraída; α: coeficiente alfa de Cronbach
*** p < .001
Nota: Elaboración propia.
Evaluación del modelo de medida
Como recomienda Hair et al. (2013), se empleó el bootstrapping con remuestreo de 5000 para probar el nivel de significancia de los coeficientes path dentro del modelo propuesto (Figura 3). H1 plantea que la AC tiene un efecto positivo en la FUP. El el coeficiente path y el estadístico t presentan magnitudes adecuadas y son significativos (β = 0,859; t = 29,649; p < 0,001). Por lo tanto, se admite H1. Igualmente, H2 plantea que la AC tiene un efecto positivo en la UP y se admite bajo los mismos criterios (β = 0,747; t = 4.236; p < 0.001). Por último, H3, la cual plantea que la AC tiene un efecto positivo en la ARU, fue rechazada por superar el nivel de error máximo establecido (β = -0,110; t = 0,732; p > 0,05).
Nota: Elaboración propia.
Figura 3: Resultados del análisis de mínimos cuadrados parciales para el modelo propuesto
A continuación, la H4 establece que la FUP tiene un efecto positivo en la UP, pero con base en los resultados obtenidos, es rechazada (β = -0,250; t = 1,373; p > 0,05). En cambio, la H5, que plantea la FUP tiene un efecto positivo en la ARU es confirmada (β = 0,415; t = 3,194; p < 0,05). No obstante, la H6 que plantea que la FUP tiene un efecto positivo en la US también fue rechazada, con base en la magnitud de su coeficiente path, estadístico t y nivel de significancia (β = -0,022; t = 0,241; p > 0,05).
H7 plantea que la UP tiene un efecto positivo en la ARU y los resultados obtenidos soportan esta hipótesis (β = 0,690; t = 11,691; p < 0,001). La H8, en cambio, establece que la UP tiene un efecto positivo en el US, pero no alcanza el nivel de significancia necesaria y por lo tanto es rechazada (β = 0,107; t = 0,831; p > 0,05). Para finalizar, la H9 afirma que la ARU tiene un efecto positivo en el US y esta fue admitida tras el respectivo análisis de resultados, alcanza el nivel de significación adecuado (β = 0,480; t = 3,271; p < 0,05). Así, las hipótesis aceptadas fueron H1, H2, H5, H7 y H9, mientras que se rechazaron las hipótesis H3, H4, H6 y H8 (Tabla 6).
Tabla 6: Resultado de la prueba de hipótesis
| # | Hipótesis | Efecto | Coef. path | t | p | Resultados |
|---|---|---|---|---|---|---|
| 1 | AC (+) ® FUP | Directo | .859 | 29.649 | *** | Apoyada |
| 2 | AC (+) ® UP | Directo | .747 | 4.236 | *** | Apoyada |
| 3 | AC (+) ® ARU | Directo | -.110 | .732 | NS | No apoyada |
| 4 | FUP (+) ® UP | Directo | -.250 | 1.373 | NS | No apoyada |
| 5 | FUP (+) ® ARU | Directo | .415 | 3.194 | ** | Apoyada |
| 6 | FUP (+) ® US | Directo | -.022 | .241 | NS | No apoyada |
| 7 | UP (+) ® ARU | Directo | .690 | 11.691 | *** | Apoyada |
| 8 | UP (+) ® US | Directo | .107 | .831 | NS | No apoyada |
| 9 | ARU (+) ® US | Directo | .480 | 3.271 | ** | Apoyada |
*** p < .001
** p < .01
Nota: Elaboración propia.
Pese a las diferencias étnicas entre las muestras, estos hallazgos concuerdan con trabajos previos con PLS-SEM en donde el factor más influyente directa o indirectamente en la actitud respecto al uso de Moodle es la utilidad, seguido por la facilidad de uso (Al-Azawei et al. 2016; Calvo Porral, 2019; Rabaa’i, 2016). Otro estudio empleando PLS-SEM en una plataforma distinta encontró mayor influencia en los mismos dos factores: utilidad y facilidad (Yáñez-Luna y Arias-Oliva, 2018). En adelante la variabilidad de procedimientos de recolección de datos y métodos de análisis imposibilitan realizar comparaciones directas; no obstante, se esclarecen patrones transculturales que necesitan de mayor investigación.
Conclusión
Este estudio contribuye a explorar la interrelación de factores intrínsecos que afectan la aceptación y uso de un sistema tecnológico determinado en un centro académico. No obstante, puede ser aprovechado para trazar una línea base que permita el abordaje de temáticas afines en contextos similares. De forma general, se proporciona evidencia empírica encaminada a esclarecer los procesos de adopción tecnológica en estudiantado universitario para que instituciones, docentes y otras partes involucradas puedan orientar de forma más efectiva sus esfuerzos.
Las personas autoras de este artículo concuerdan con estudios pasados en que el modelo de aceptación tecnológica es adecuado para emplearse en investigaciones sobre el uso de los sistemas de gestión de aprendizaje. Este provee un marco referencial robusto que facilita la comprensión de la aceptación tecnológica, pero a su vez permite integrar nuevos factores de estudio, pudiendo ser adaptado a cada caso. Así se cuenta con una metodología probada e internacionalmente cotejable que también respeta y asume eficientemente las diferencias contextuales.
La correlación entre la facilidad de uso y autoeficacia computacional, así como su convergencia factorial, puede denotar la pericia tecnológica de los sujetos encuestados, un alto grado de facilidad del sistema o una combinación de estos. También puede sugerir que los esfuerzos institucionales de alfabetización sobre el uso de la plataforma son exitosos. Dada la influencia de la autoeficacia computacional, se recomienda tomar acciones dirigidas a incrementar la exposición del alumnado a dispositivos tecnológicos para fomentar la automotivación por afianzar sus habilidades. El estudiantado, ahora con mayor experticia, percibiría el sistema como más útil y amigable. Además, siendo un factor transversal en otras tecnologías, también contribuiría a la aceptación y uso de diferentes recursos de e-learning.
Considerando la baja utilidad percibida del sistema, se insta a las instituciones a determinar los principales beneficios de la plataforma para el estudiantado, alineando e integrando las necesidades y deseos de este, para configurar una propuesta de valor efectiva. Así, sería posible brindar un mensaje claro y consistente que modifique las preconcepciones del cuerpo estudiantil. De esta manera, se pretende que el estudiantado concluya razonablemente que utilizar la herramienta le genera valor.
Entre las limitaciones del estudio, se reconoce que se centra en un grupo poblacional muy concreto, por lo que la muestra es de carácter no-probabilístico y se asume que los resultados podrían no ser representativos. Por otro lado, es imprescindible analizar la confiabilidad y validez del instrumento a profundidad para determinar su adecuación al contexto latinoamericano. Finalmente, existen otros posibles factores que no fueron considerados dentro del modelo propuesto, tales como influencia social, motivación intrínseca, utilidad interpersonal y el contenido para el que cada cátedra emplea la plataforma.
Por esta razón, se sugiere que futuros estudios extiendan el modelo para asimilar más factores predominantes en la aceptación tecnológica. Uno de estos puede ser las estrategias individuales que cada docente utiliza para fomentar o coaccionar el uso de la plataforma por parte de sus estudiantes. Esto permitirá esclarecer cómo operan otras aristas que influyan en este proceso comportamental. En esta misma línea, se vuelve imprescindible estudiar los factores que influyen en la aceptación por parte del personal docente, reconociendo que son figuras clave en la implementación de cualquier iniciativa educativa.
