Revista de Ciencias Sociales (RCS)
Vol. XXX, No. 2, Abril - Junio 2024. pp. 139-159
FCES - LUZ ●
ISSN: 1315-9518 ● ISSN-E: 2477-9431
Como
citar: Trejos-Gil, C. A. (2024). Apropiación del b-learning en docentes de educación
superior de Colombia a partir de análisis factorial. Revista De Ciencias
Sociales, XXX(2), 139-159.
Apropiación del b-learning en docentes
de educación superior de Colombia a partir de análisis factorial
Trejos-Gil, Carlos Andrés
Resumen
Estudios relacionan la
aplicación de nuevos modelos pedagógicos mediados por herramientas TIC, y la
implementación del aprendizaje combinado como método más eficiente para
estudiantes universitarios. Para la presente investigación se elaboró una
escala de 12 dimensiones de la apropiación del aprendizaje combinado en la
docencia universitaria con análisis exploratorio y confirmatorio, con el
objetivo de evaluar el nivel de conocimiento de los docentes sobre el
aprendizaje combinado y su apropiación en procesos de blended-learning en
contextos de educación universitaria. La muestra estuvo constituida por 265
profesores de enseñanza superior. Los resultados confirman ampliamente que los
docentes confunden el uso de herramientas TIC con el aprendizaje combinado, solo
el 13% usan herramientas afines al complemento pedagógico y específicas para su
área de conocimiento. El instrumento de medida tiene estructura de consistencia
excelente (α = 0.93) y entre 0.78 y 0.82 de fiabilidad de las subescalas
así como la adecuación del modelo de 6 dimensiones elegido: SRMR = 0.052; CFI =
0.95; RMSEA = 0.41 y PClose = 0.94, por lo que cabe concluir que el instrumento
diseñado y denominado en este estudio como ABDU es fiable y válido para evaluar
la apropiación del aprendizaje combinado de los profesores.
Palabras clave: Aprendizaje combinado;
estrategia de aprendizaje; innovación pedagógica; análisis factorial;
estudiante universitario.
Appropriation of b-learning of Colombian
teachers higher education based on factorial analysis
Abstract
Studies
relate the application of new pedagogical models mediated by ICT tools, and the
implementation of blended learning as the most efficient method for university
students. For this research, a scale of 12 dimensions of the appropriation of
blended learning in university teaching was developed with exploratory and
confirmatory analysis, with the objective of evaluating the level of knowledge
of teachers about blended learning and its appropriation in blended processes.
-learning in university education contexts. The sample consisted of 265 higher
education professors. The results widely confirm that teachers confuse the use
of ICT tools with blended learning; only 13% use tools related to the
pedagogical complement and specific to their area of knowledge. The measurement
instrument has an excellent consistency structure (α = 0.93) and between
0.78 and 0.82 reliability of the subscales as well as the adequacy of the
6-dimensional model chosen: SRMR = 0.052; CFI = 0.95; RMSEA = 0.41 and PClose =
0.94, so it can be concluded that the instrument designed and called in this
study as ABDU is reliable and valid to evaluate teachers' appropriation of
blended learning.
Keywords: Blended learning; learning strategy; pedagogical
innovation; factorial analysis; college student.
Introducción
La
incorporación de las Tecnologías de la Información y la Comunicación (TIC) en
los procesos formativos en educación superior (García-Valcárcel, 2007; González, Perdomo y Pascuas, 2017; Aparicio, 2019; Cedillo-Hernández y Velázquez-García,
2022; Bernate y Fonseca, 2023) ya se ha identificado más que como una
necesidad, como un cambio del tradicional modelo de aprendizaje a nuevos
métodos de enseñanza-aprendizaje mediados por la tecnología (Aguaded y
Romero-Rodríguez, 2015; González et al., 2017; Paredes-Chacín,
Inciarte y Walles-Peñaloza, 2020).
Sin duda, los
estudiantes son cada vez más digitales, tanto que “ya vienen con un chip
insertado” (Rodelo, 2016, p. 304), para el manejo de todos aquellos aparatos
tecnológicos diseñados para mejorar la calidad de vida, previendo que
cuidadosamente estos no se conviertan en fondo y sino en un fin.
Si se está en
búsqueda de mejorar su calidad en el aprendizaje, no es solo responsabilidad
del estudiante su adaptación a que el potencial de las TIC (Agreda, Hinojo y Sola, 2016) se implemente en sus procesos
académicos y metodologías de aprendizaje, sino también es responsabilidad de
los formadores trabajar con TIC y su apropiación tecnológica (Aparicio, 2019;
Trejos-Gil y Castro-Escobar, 2020) de las herramientas como iniciativas en su
práctica (Losada, Karrera y Jimenez, 2012), apalancando procesos
formativos y dejando de lado su renuencia a cambiar sus tradicionales métodos e
implementar nuevas estrategias de aprendizaje que dinamice el logro eficaz en
el aprendizaje del educando (Gargallo, Suárez-Rodríguez y Pérez-Pérez, 2009; Cedillo-Hernández
y Velázquez-García, 2022; Barrientos et al., 2022; Romero, Oruna y Sánchez, 2023).
Actualmente, se
encuentran otros modelos de aprendizaje, como los invertidos (Flipped Classroom) (Staker, 2011; Graham,
Henrie y Gibbons, 2014;
Eduland.es,
2014; Del Arco, Flores y Silva, 2019; Trejos-Gil y Castro-Escobar, 2020; Montes
et al., 2023); aprendizaje electrónico, aprendizaje móvil M-learning (Sánchez, Olmos y García-Peñalvo, 2017); P-learning, T-learning, U-learning y
otros con cada vez más fuerza y que se vienen abordando desde el 2004 como lo
es el Blended learning «B-learning» (en adelante, BL); traducido
al español como aprendizaje combinado.
Este modelo de
aprendizaje se basa sobre la metodología de combinar los estados de presencia y
ausencia de clase para ejercer aprendizaje constante mediados por las TIC
(Aguaded y Romero-Rodríguez, 2015; González, et al., 2017; Trejos-Gil y
Castro-Escobar, 2020; Hernández, Nieto y
Bajonero, 2021; Cedillo-Hernández y Velázquez-García, 2022; Montes et
al., 2023).
Este concepto
se viene interpretando en términos de combinaciones, mixturas, presencial-online o hibridez, del aprendizaje
presencial con el virtual (Bartolomé, 2004; Morán, 2012; Picciano, 2014;
Tayebinik y Puteh, 2012), más que con la innovación educativa con herramientas
TIC (Losada et al., 2012), así es como dos modelos (presencial y virtual) se
fusionan para crear uno más eficaz. Esto es lo que se conoce como BL a nivel de
programa formativo (Graham et al., 2014).
En diferentes
estudios realizados, Tayebinik y Puteh (2012); Güzer y Caner (2014); Siemens,
Gašević y Dawson (2015);
y, Salinas et al. (2018), señalan que en la medida que se han desarrollado
estudios investigativos sobre el BL cada vez gana más fuerza el concepto y sus
beneficios, pues se reportan resultados positivos sobre su efectividad.
Del mismo modo,
la implementación del modelo combinado aporta flexibilidad horaria y espacial,
oportunidad de involucrarse en su propio aprendizaje, trabajo colaborativo (García-Ruiz,
Aguaded y Bartolomé-Pina, 2018;
Del Arco et al., 2019), interacción multi y bidireccional, aprendizaje
cooperativo (AC) (Atxurra, Villardón-Gallego
y Calvete, 2015;
Acosta, 2017; Izquierdo et al., 2019; Compte y Sánchez, 2019), autonomía y
responsabilidad del estudiante en su propio proceso (Area y Adell, 2009), como
elementos de mejora educativa, además de fortalecer en el estudiante
competencias digitales que aseguren competitividad como egresados, en sus competencias,
habilidades e innovación (Almanza y Vargas-Hernández, 2015; Trejos-Gil y
Castro-Escobar, 2020) para la inserción al mundo laboral (Martínez y González,
2018; Salinas et al., 2018; Rabanal et al., 2020).
Aunque la
responsabilidad de la apropiación del BL no recae únicamente en los docentes,
como sugieren otros estudios que proponen nuevos modelos con inferencia directa
no solo en los docentes, sino también en los estudiantes y particularmente en
la institución (Meriño, Martínez, Ortiz y Trejos, 2020; Meriño,
Martínez, Ortiz, Trejos, López y Beltrán, 2020; Trejos-Gil y Castro-Escobar,
2020), es un problema que los docentes muestran apatía en el uso de la
tecnología y las nuevas metodologías de enseñanza para incorporar las TIC y la Inteligencia
Artificial (IA) en sus procesos de enseñanza (Mahanta et al., 2022; Huang et
al., 2019; Ocaña-Fernández, Valenzuela-Fernández y Garro-Aburto, 2019; UNESCO, 2021).
Los docentes
deben adaptarse a los cambios metodológicos que el entorno actual les exige sin
generar mayor carga de trabajo ni intimidación por el uso de dispositivos
(Sánchez et al., 2016), sino por conveniencia, convicción y por el público que
enfrenta en la actualidad (Trejos-Gil y Castro-Escobar, 2020); curiosamente,
estos se adaptan por ejemplo, realizando un análisis de las motivaciones de los
estudiantes ante la impartición de educación virtual (Li, 2016), así como de
sus expectativas y percepciones (Stefanic et al., 2020). Todo esto a través de
la construcción del conocimiento como medio de desarrollo, género nuevos
profesionales inmersos en la revolución digital en el que se miden a los
docentes por conexiones electrónicas apropiados en estas iniciativas digitales
en su práctica (Losada et al., 2012; Pérez et al., 2018).
Estudios recientes
de Trejos-Gil y Castro-Escobar (2020), aportan el modelo COTABLI de
Convergencia Ontológica de los tres actores fundamentales del b-learning integral, que resalta la
conexión y articulación del estudiante, los docentes y la institución, cada uno
con sus propias características para proporcionar un entorno propicio para el
desarrollo del b-learning integral.
El estudio de Esparza, Salinas y Glasserman (2015), destaca los
impactos positivos del b-learning en
el desempeño gramatical del idioma inglés. Asimismo, Min, Wang y Liu
(2019)
respaldan mejoras en el aprendizaje del inglés mediante esta técnica. Agreda et
al. (2016), subrayan la importancia de la competencia digital del profesorado
para implementar estas metodologías.
Otros
referentes, como el instrumento EFICIT (Losada et al., 2012), la escala
CEVEAPEU Estrategias de Aprendizaje (Gargallo et al., 2009), ACRA (Román y
Gallego, 2008), LCS (Villardón-Gallego et al., 2013), CEAM (Ayala, Martínez y Yuste,
2004), COIL (Martínez y González, 2017), ACRA abreviada (Jiménez et al., 2018),
Modelo TAM extendido (Sánchez et al., 2017), AMAES (Trejos-Gil y Castro-Escobar,
2020), MEAC-TIC (Acosta, 2017), CLAS (Atxurra et al., 2015), respaldan la
importancia de estrategias y competencias en el ámbito educativo universitario.
Agreda et al. (2016), destaca la competencia digital docente como un punto
clave en la universidad.
La gran mayoría de los estudios evidencian a
nivel metodológico que, el análisis confirmatorio es esencial para examinar las
relaciones causales entre las variables y su influencia en el aprendizaje
combinado, permite identificar factores clave que afectan la adopción efectiva
de las TIC en el aprendizaje combinado, y proporciona información sobre cómo
mejorar el diseño y la implementación de instrumentos de medida para el
aprendizaje combinado en las universidades (Al-Rahmi et al., 2022;
Cedillo-Hernández y Velázquez-García, 2022; Montes et al., 2023).
Finalmente, el análisis confirmatorio también
puede identificar factores clave que afectan la adopción efectiva de las TIC en
el aprendizaje combinado o e-learning
y otros (Naveed, Alam y Tairan, 2020; Rajeh et al., 2021). Por ejemplo, puede revelar la covarianza y
correlación entre factores o dimensiones que determinen su experiencia y
actitud hacia la tecnología o cómo afectan la adopción de las TIC en el proceso
de enseñanza (Romero-Rodríguez et al., 2020; Al-Rahmi et al., 2022).
En razón de lo anterior, el presente estudio
tiene como objetivo evaluar el nivel de conocimiento de los docentes sobre el
aprendizaje combinado y su apropiación en procesos de blended-learning (BL) en contextos de la educación universitaria.
1. Metodología
La
investigación se basa en un estudio cuantitativo con validación estadística
realizado en una población total (N) de 917 docentes universitarios, se
seleccionó una muestra óptima y eficiente de población (con una confianza del
95% y un margen de estimación del 5%), de 271 docentes (n) modalidad
presencial; de los docentes encuestados (271), 6 encuestas se determinaron como
descartadas por error en la resolución del instrumento de medición definiendo
un total de 265 encuestas válidas de la población total de docentes de
educación superior (ver Tabla 1).
Tabla 1
Distribución de la muestra
|
Docentes de educación superior
|
Población (N docentes)
|
Nivel de confianza (%)
|
Margen de estimación (%)
|
Muestra poblacional
(n docentes)
|
Datos no válidos
|
Muestra final
|
|
Universidades
|
917
|
95
|
5
|
271
|
6
|
265
|
Fuente: Elaboración propia, 2023.
De la muestra
final, el 26% de los docentes pertenecen a la Facultad de Psicología y Ciencias
Sociales; el 25,3% a la Facultad de Educación y Humanidades; el 18,5% a
Ciencias Administrativas, Económicas y Contables; el 11,7% a Comunicación,
Publicidad y Diseño; 7,9% Derecho y Ciencias Políticas; 5,3% a la Facultad de
Ingenierías y Arquitectura; 2,6% al Departamento de Ciencias Básicas; 1,5% al
Departamento de Idiomas; y, 1,2% corresponden al Área de Formación
Investigativa, Departamento de Formación Socio-Humanística y Departamento de
Informática.
1.1.
Instrumento
La
investigación requirió un cuestionario llamado ABDU: Apropiación
del B-learning en la labor Docente
Universitaria (Trejos-Gil, 2023a),
con 51 preguntas divididas en 5 segmentos. Las preguntas estuvieron
estructuradas de diferentes tipos, incluyendo selección múltiple, respuestas
abiertas, dicotómicas y tipo Likert (ver Figura I).
Fuente: Elaboración propia, 2023.
Figura
I: Estructura
del cuestionario de la Apropiación del B-learning en la labor Docente Universitaria (ABDU)
De las
preguntas tipo Likert, 9 eran de carácter de frecuencia con una escala
valorativa (ver Figura II). Cuatro preguntas del cuestionario se subdividieron
en más variables, resultando en un total de 81 preguntas (ver Figura I). Se
proporcionaron equivalencias de opciones de respuestas para facilitar la
comprensión y reducir el sesgo en el análisis de resultados.
Fuente: Elaboración propia, 2023.
Figura II: Escala de valoración y medición de las preguntas de frecuencia tipo
Likert en el instrumento ABDU
1.2.
Procedimiento
Se contactó al
cuerpo docente de la universidad, informándoles sobre el estudio y solicitando
su colaboración de forma voluntaria para aplicar el instrumento a través de sus
correos electrónicos institucionales, la muestra se recolectó mediante muestreo
probabilístico aleatorio, con instrucciones de resolución del instrumento ABDU,
informándoles la naturaleza de la investigación; este ejercicio de campo fue
aplicado entre las fechas 7 de noviembre hasta el 01 de diciembre de 2021. Fue
aplicado colectivamente y de forma virtual en aproximadamente 25 minutos.
1.3. Análisis
estadísticos
Con
el propósito de dar fiabilidad interna (George y Mallery, 2019) en el diseño
del instrumento ABDU, se analizó y validó mediante la prueba estadística Alpha
de Combrach (α) para estimar los indicadores de la dependencia e
independencia de las variables medidas, así como su respectivo análisis
descriptivo con medidas de frecuencia, tendencia central y dispersión.
La adecuación
de la matriz de correlaciones se verificó asegurando su posible factorización
ejecutando con técnica multivariante y normalización la prueba KMO bajo el
criterio de Kaiser-Mayer-Olkin, que
mide la adecuación de la muestra (idoneidad de los datos) y una extracción bajo
el método «Componentes Principales» (Guisande, Vaamonde y Barreiro, 2013). Se elaboró un
Análisis Factorial Exploratorio (AFE), con la reducción de dimensiones bajo el
método de componentes principales con análisis de rotación Varimax, permitiendo
de manera sencilla interpretar el conjunto de datos altamente complejos,
reduciendo el conjunto de ítems a
grupos más pequeños que representen la mayoría de la información.
Se utilizó el
paquete software estadístico SPSS®
v25 y el plugin AMOS® v26 (Gaskin y Lim, 2016) para los análisis estadísticos de
ámbito unidimensional y la relación entre las variables bajo la hipótesis nula
de independencia 
se validó con la
estadística Chi-cuadrada de Briones representada por 
(Quezada, 2017; Holgado, Suárez y Morata, 2019).
Por
consiguiente, se utiliza el test de
esfericidad de Bartlett para
verificar la existencia de correlaciones entre los ítems y justificar el análisis factorial exploratorio. También se
analiza la correlación entre las variables 22 y 62 con los ítems y factores, dada su importancia para el estudio. Adicional, se
evalúa la idoneidad de la muestra y se analiza la fiabilidad de los factores en
relación al conocimiento del BL. Posteriormente, se realiza una comparación
inferencial de medias entre los factores y la variable 22 utilizando la prueba
de T-Student para muestras independientes.
Finalmente,
se realizaron diferentes análisis confirmatorios, siguiendo las recomendaciones
de Bollen, Byrne, Steiger, Hu, así como Bentler (Holgado et al., 2019), para
modelos estructurales de máxima verosimilitud y la estimación de los parámetros
en muestras mayores (N>250), la bondad de ajuste del modelo se calculó con
ji cuadrado (
); y a través del índice de ajuste comparativo (CFI), y el
índice de ajuste no normado (NNFI), cuyos valores mayores de 0.95 indican que
el modelo se ajusta adecuadamente a los datos.
Adicionalmente,
la bondad de ajuste de la raíz cuadrada de la media de residuos estandarizados
(SRMR) y error de aproximación cuadrático medio (RMSEA) con valores menores de
0.08 y 0.06 respectivamente, indican que el modelo se ajusta adecuadamente a
los datos. Los índices de bondad de ajuste (GFI) y de ajuste comparado (CFI)
con el criterio de medida con valores que deben ser > 0.90, contrario al criterio
de información de Akaike (AIC) que espera valores bajos para indicar mayor
parsimonia (Holgado et al., 2019).
El análisis de
los resultados termina con la varianza media extractada (AVE) con criterio de
valoración de Fornell y Larcker (Hilkenmeier et al., 2020; Alfonso-Mora et al.,
2023), valores adecuados superiores a 0.50, y el coeficiente de fiabilidad
compuesta (CR) en el que se consideran óptimos los valores mayores de 0.70
según Hair et al. (2017), e indican validez convergente y confiabilidad
compuesta (Gaskin y Lim, 2016; Ringle et al., 2020; Ogbeibu et al., 2021; Ghasemy,
Akbarzadeh y Gaskin, 2022).
2. Resultados
y discusión
De
los 265 docentes, el 55,8% están en rango de edad entre los 25 y los 40 años.
La minoría de los docentes son mayores de 41 a 45 años. El 61,5% de ellos
simultáneamente trabajan en varias Instituciones de Educación Superior (IES).
El mayor porcentaje 67,2% tienen Maestría como nivel de formación (ver Tabla
2). En otros resultados generales, se puede destacar que para el 90,9% de los
docentes, el computador portátil es el dispositivo con mayor frecuencia de uso
en su labor docente; 71,7% considera el computador de escritorio; el celular
con 69,4%; y por último, la tableta con apenas el 21,1%.
Tabla
2
Caracterización
- Estadísticos descriptivos de la muestra en términos de frecuencias – variable
22 y 62
|
Variables
|
TOTAL
|
Conozco el concepto BL
|
Empleo alguna estrategia B-learning con mis estudiantes
|
|
Frec
|
%
|
Sí %
|
No %
|
N %
|
R %
|
O %
|
F %
|
MF %
|
|
|
Sexo
|
Hombre
|
128
|
48,30
|
32,1
|
16,2
|
11,7
|
8,7
|
14,0
|
10,2
|
3,8
|
|
Mujer
|
137
|
51,69
|
35,1
|
16,6
|
12,9
|
9,1
|
17,7
|
10,6
|
1,5
|
|
|
Edad
|
25-30
|
32
|
12,1
|
8,7
|
3,4
|
3,8
|
1,5
|
3,0
|
3,8
|
0,0
|
|
31-35
|
56
|
21,1
|
14,3
|
6,8
|
4,9
|
4,9
|
5,3
|
4,9
|
1,1
|
|
|
36-40
|
60
|
22,6
|
17,4
|
5,3
|
5,7
|
3,0
|
9,1
|
3,8
|
1,1
|
|
|
41-45
|
31
|
11,7
|
7,2
|
4,5
|
4,5
|
0,8
|
3,0
|
2,6
|
0,8
|
|
|
46-50
|
39
|
14,7
|
8,7
|
6,1
|
2,3
|
4,2
|
4,2
|
2,3
|
1,9
|
|
|
51 o más
|
47
|
17,7
|
10,9
|
6,8
|
3,4
|
3,4
|
7,2
|
3,4
|
0,4
|
|
|
Nivel educativo
|
Pregrado
|
9
|
3,4
|
2,6
|
0,8
|
0,8
|
0,4
|
1,1
|
0,8
|
0,4
|
|
Especialización
|
57
|
21,51
|
12,5
|
9,1
|
7,2
|
3,0
|
5,7
|
4,5
|
1,1
|
|
|
Maestría
|
178
|
67,17
|
47,2
|
20,0
|
15,1
|
11,7
|
23,0
|
14,0
|
3,4
|
|
|
Doctorado
|
21
|
7,92
|
4,9
|
3,1
|
1,5
|
2,6
|
1,9
|
1,5
|
0,4
|
|
|
TOTAL
|
265
|
100
|
67,2
|
32,9
|
24,6
|
17,7
|
31,7
|
20,8
|
5,3
|
Nota:
N=
nunca; R= raramente; O= ocasionalmente, F= frecuentemente, MF= muy frecuentemente.
Fuente: Elaborado por el autor, Base de datos en SPSS® v25
Fuente: Elaboración propia, 2023.
En
el caso del ítem 62 (DT=1.21), el
mismo evidencia una asimetría de 0.046; es decir, el 70,2% de los datos se
concentran en la respuesta 2, 3 y 4. Frente al ítem 31 de tipo abierta realizada a los docentes se evidencia los
resultados en el Gráfico I. En esta pregunta se pretendió conocer qué tanto
usan herramientas TIC los docentes, cuáles usan, cuántos usan las mismas
herramientas; básicamente como pregunta confirmatoria.
Fuente: Elaboración propia, 2023 a
partir de datos en SPSS® v25.
Gráfico I: Herramientas TIC que usan los docentes con sus estudiantes
Apenas el 24,5%
mencionaron más de 3 herramientas, solo el 13,3% citaron herramientas válidas
para su ejercicio como docente; y en la categoría “Otras”, se citaron 122
aplicaciones que solo tuvieron 1 o 2 menciones realizadas por 109 docentes, 78,7%
de ellas referidas solo una vez y 10,7% herramientas que se citaron 2 veces.
El 63,3% de los
docentes refirieron herramientas que sirven como complemento para el proceso
enseñanza-aprendizaje, dado que son herramientas de almacenamiento en la nube,
de uso en trabajos colaborativos y de apoyo didáctico, tales como Google Drive, Dropbox (Artal, Navarro y Carballo, 2014; Cedeño, 2019; Morales-Salas,
Jiménez-Arévalo y Casas-Flores, 2023; Peinado, 2023); motores de búsqueda como Google, Wikipedia, hasta Diapositivas y redes sociales como Hangout, Facebook, WhatsApp, YouTube, entre otros (Jiménez-Cortés,
2019; Morales-Salas et al., 2023). El 13,6% de profesores mencionaron
herramientas afines al complemento pedagógico y especiales para su ejercicio
específico.
Con el fin de
garantizar confianza en el constructo, inicialmente el ABDU fue validado en
términos de confiabilidad (George y Mallery, 2019), según la relevancia del
hallazgo e hipótesis que se quiere validar, tal como se aprecia en la Tabla 3;
tomando en consideración que el cuestionario cuenta con un alto número de
variables, se reduce al máximo posible el error y aumenta considerablemente la
validez y confiabilidad del instrumento.
Tabla 3
Fiabilidad del instrumento con Alfa de Cronbach (α)
|
Análisis de
fiabilidad variables - Escala: Todas las variables
|
|
Resumen de procesamiento de casos
|
|
|
N
|
%
|
|
Casos
|
Válido
|
265
|
100.0
|
|
Excluidoa
|
0
|
0.0
|
|
Total
|
265
|
100.0
|
|
|
Estadísticas de fiabilidad
|
|
Alfa
de Cronbach (α)
|
Alfa de Cronbach basada
en elementos estandarizados
|
N
de elementos
|
|
0.924
|
0.924
|
63
|
|
|
Estadísticas de fiabilidad
|
|
Alfa
de Cronbach (α)
|
Alfa de Cronbach basada
en elementos estandarizados
|
N
de elementos
|
|
0.925
|
0.924
|
57
|
|
|
Estadísticas de fiabilidad
|
|
Alfa
de Cronbach (α)
|
Alfa de Cronbach basada
en elementos estandarizados
|
N
de elementos
|
|
0.931
|
0.933
|
54
|
|
Fuente: Elaboración propia, 2023 a partir de
datos en SPSS® v25
A la muestra de
los resultados obtenidos mediante los diferentes métodos estadísticos aplicados
al ABDU, la consistencia interna y su validez de constructo queda de manifiesto
con los 63 elementos según la prueba Alfa de Crombach con resultado de (α
= 0.92), del mismo modo con 57 elementos (α = 0.92); pero eliminando los ítems de menor grado de correlación
exigible entre variable y factor según el criterio que propone Comrey (1985); y,
Pérez (2004) de 0.3, se eliminan los ítems
número 9, 12, 21, 52, 61, 72, 80, 79, 57 y 81, se obtiene el Alfa de Cronbach
más alto con 54 elementos (α= 0.93) con fiabilidad y consistencia
excelente, según George y Mallery (2019).
El instrumento
de medición ABDU aplicado con las variables tipo Likert es altamente fiable y
robusta para determinar el grado de aplicación de los docentes del BL. En otras
palabras, el instrumento ABDU mide adecuadamente lo que pretende medir.
Esta
consistencia interna es igualmente alta y positiva en la mayoría de los
componentes/factores DIB α =
0.81; PUB α = 0.81; PIC α = 0.82; SMC α = 0.80; UDC
α = 0.80; GD α = 0.81 y EBD α = 0.82. Los factores MRS, ABT,
HFB, TAD y UYC tienen
coeficientes aceptables de α = 0.79; α = 0.79, α = 0.78, α
= 0.79 y α = 0.79 respectivamente, tal como se puede observar en la Tabla
4.
Se calculó el
índice KMO (la media de adecuación muestral de Kaiser-Meyer-Olkin) arrojando
como resultado (KMO = 0.861) hallando un índice de idoneidad adecuado teniendo
en cuenta su aproximación a 1, los datos son idóneos. El test de esfericidad de Bartlett (Chi cuadrado = 8109.500; gl =
1596; p = 0.000). Según estos
resultados, sugieren que es adecuada la interrelación entre los 57 ítems del ABDU e indican la posibilidad
de aplicar el modelo de AFE para explicar los datos.
Se desestimaron
los ítems 57, 79 y 81 teniendo en
cuenta su baja extracción con coeficiente factorial < 0.3. Como resultado
final se presentan 12 factores explicando el 62,67% de la varianza de los
datos. El componente 1 (Factor MRS)
tiende a explicar mejor el problema en un 22,05% en tanto que el factor EBD es
el que menos tiende a explicarlo solo con el 1,9% (ver Tabla 4).
En resumen, el
texto analiza las diferencias de impacto en los ítems 13 y 23 en relación a su estadística F y p. Además, se señala
que los ítems 23 y 24 tienen la mayor
correlación con la variable 62, mostrando una asociación significativa y
positiva. Por consiguiente, los ítems
oscilan entre 0.25 y 0.94, con un promedio de 0.58. El modelo utilizado puede
reproducir el 89,6% de la variabilidad original; mientras que los ítems 81 y 53 tienen una reproducción
del 39,8% y 49,5% respectivamente. Los parámetros analizados son importantes
para explicar el problema y se pueden agrupar en componentes o factores.
De
estos 12 factores, el valor de la media total es 2.93 en un rango de 1 a 5,
obteniendo el valor más bajo de la media 1.17 (ítem 36) y el máximo 4.59 (ítem
13). En términos de varianza se presenta grandes desviaciones en la variable 49
con un valor de 1.56 diferenciándolo de los demás datos. Asimétricamente, se
hallaron valores atípicos y variados, como valor máximo y mínimo
respectivamente se encontró 4.13 y -2.25, resaltando que el 54,4% de los ítems presentan asimetrías negativas (ver
Tabla 4).
Según el
análisis de varianza (Valores F y p) de los participantes se analizó la
respuesta media en cada ítem con
relación al «Empleo de alguna estrategia BL con sus estudiantes»; se
encontraron diferencias altamente significativas en 24 ítems con (p < 0.001) y en 9 ítems
con (p < 0.01).
2.1. Medidas de tendencia central de las
dimensiones extraídas
En cuanto a
correlaciones entre las 57 variables, se encontraron correlaciones fuertes en
el ítem 29 con el 33 (0.75), y dentro
de las correlaciones más débiles está el ítem
60 con el 79 (-0.48). Del mismo modo, en cuanto a la correlación entre los
factores extraídos se halló una correlación fuerte positiva entre el factor HFB y el factor TAD (0.63), caso contrario sucede con la correlación muy débil
negativa entre los factores PIC y EBD (-0.04).
Los factores
con resultados mejor implementados son EBD
(M = 4.5, DT = 0.669) y PUB (M = 4.42, DT = 0.765) y DIB (M = 3.920, DT = 0.605) el peor implementado es el factor MRS (M = 1.660, DT = 0.879) (ver Tabla 5).
Tabla
5
Matriz
de Estadísticos Descriptivos y validaciones internas por cada factor
|
Factor
|
Número
de Elementos
|
M
|
DT
|
V
|
As
|
K
|
F
|
Sig.
|
α
|
|
MRS
|
7
|
1.66
|
0.87
|
0.77
|
1.47
|
2.21
|
10.136
|
0.000***
|
0.79
|
|
ABT
|
6
|
3.61
|
0.93
|
0.87
|
-0.18
|
-0.69
|
100.29
|
0.000***
|
0.79
|
|
DIB
|
6
|
3.92
|
0.60
|
0.36
|
-0.1
|
0.32
|
11.07
|
0.000***
|
0.81
|
|
PUB
|
7
|
4.42
|
0.76
|
0.58
|
-1.63
|
3.79
|
7.76
|
0.000***
|
0.80
|
|
HFB
|
6
|
1.98
|
0.96
|
0.93
|
0.98
|
0.78
|
13.61
|
0.000***
|
0.78
|
|
TAD
|
4
|
2.32
|
1.17
|
1.37
|
0.62
|
-0.45
|
12.06
|
0.000***
|
0.79
|
|
PIC
|
4
|
3.65
|
0.89
|
0.79
|
-0.32
|
-0.30
|
1.88
|
0.113
|
0.82
|
|
SMC
|
3
|
2.80
|
1.33
|
1.78
|
0.18
|
-1.10
|
3.08
|
0.017*
|
0.80
|
|
UYC
|
3
|
3.22
|
1.14
|
1.30
|
-0.19
|
-0.72
|
20.63
|
0.000***
|
0.79
|
|
UDC
|
4
|
3.70
|
0.88
|
0.78
|
-0.16
|
-0.69
|
7.74
|
0.000***
|
0.80
|
|
GD
|
2
|
2.94
|
1.34
|
1.81
|
0.00
|
-1.13
|
3.01
|
0.019*
|
0.80
|
|
EBD
|
2
|
4.50
|
0.66
|
0.44
|
-1.13
|
0.71
|
1.20
|
0.309
|
0.82
|
Nota: * p < .05; ** p < .01; *** p <
.001. MRS = Mediaciones por redes
sociales; ABT = Apropiación BL
mediadas por TIC; DIB = Disposición
a implementación BL; PUB =
Percepción de utilidad de plataformas para el BL; HFB = Herramientas funcionales BL; TAD = TIC para asesoría y docencia virtual; PIC = Percepción del docente hacia la IES frente a conectividad; SMC = Uso de Social Media Chat; UYC = Uso de YouTube en clase; UDC = Uso de dispositivos en clase; GD = Gestores de documentos; EBD = Elementos básicos para la
docencia.
Fuente: Elaboración propia, 2023 a
partir de datos en SPSS® v25.
Por otra parte,
se validó la hipótesis nula (ver Tabla 6), 
, la igualdad de medias entre los factores y la
variable 22 («Conoce el concepto BL») con la prueba de t-Student. Por un lado,
no se rechaza la hipótesis nula en los factores HFB, TAD, PIC, SMC,
GD y EBD, por lo cual, se acepta la hipótesis nula con coeficientes p < 0.05. Por otro lado, se acepta la
hipótesis alterna en los factores MRS,
ABT, DIB, PUB, UYC y UDC. En este sentido, existe una diferencia significativa entre la
media de docentes que conocen el concepto BL y la media que no lo conocen.
Tabla
6
Diferencias
de las Medias de los factores en relación a la variable 22 («Conozco el
concepto BL»)
|
Prueba de muestras independientes
|
|
|
Prueba de
Levene de igualdad de varianzas
|
|
|
|
|
95% de
intervalo de confianza de la diferencia
|
|
|
|
|
|
F
|
Sig.
|
t
|
gl
|
Sig.b.
|
≠ M
|
Inf.
|
Sup.
|
|
MRS
|
2.24
|
0.13
|
2.27
|
263
|
0.024*
|
0.25
|
0.03
|
0.48
|
|
ABT
|
0.003
|
0.96
|
10.04
|
263
|
0.000***
|
1.04
|
0.84
|
1.25
|
|
DIB
|
5.01
|
0.02
|
3.18
|
172.5
|
0.002**
|
0.24
|
0.09
|
0.40
|
|
PUB
|
7.80
|
0.006
|
3.05
|
122.4
|
0.003**
|
0.34
|
0.12
|
0.56
|
|
HFB
|
0.008
|
0.92
|
1.77
|
263
|
0.077
|
0.22
|
-0.02
|
0.47
|
|
TAD
|
3.47
|
0.06
|
1.44
|
263
|
0.151
|
0.22
|
-0.08
|
0.52
|
|
PIC
|
0.30
|
0.57
|
0.70
|
263
|
0.483
|
0.08
|
-0.14
|
0.31
|
|
SMC
|
0.05
|
0.82
|
-0.03
|
263
|
0.969
|
-0.007
|
-0,35
|
0.33
|
|
UYC
|
1.39
|
0.23
|
2.90
|
263
|
0.004**
|
0.42
|
0.13
|
0.71
|
|
UDC
|
2.18
|
0.14
|
3.75
|
263
|
0.000***
|
0.42
|
0.20
|
0.64
|
|
GD
|
0.90
|
0.34
|
1.30
|
263
|
0.193
|
0.23
|
-0.11
|
0.57
|
|
EBD
|
4.60
|
0.03
|
1.15
|
144.3
|
0.248
|
0.10
|
-0.07
|
0.29
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Nota: * p < .05; ** p <
.01; *** p < .001.
Fuente: Elaboración propia, 2023 a
partir de datos en SPSS® v25.
Finalmente,
en este estudio se realizó la prueba de Chi-cuadrado(1) (
(Trejos-Gil, 2023b) que
indica la dependencia del cruce entre la variable: «Empleo alguna estrategia de
BL con mis estudiantes» y las 81 variables restantes obteniendo alto grado de
dependencia con dos niveles de confianza 99% y 95%. Se encontraron 37 variables
con nivel de confianza del 99%, y 8 variables con nivel de confianza del 95%.
Del mismo modo, se realizó el cruce entre la variable dependiente: «Conozco el
concepto de BL» con las 81 variables, en el cual se obtuvo un alto grado de
dependencia de 16 variables con nivel de confianza del 99%, y 6 variables con
nivel de confianza del 95%.
2.2.
Validez del constructo
Para validar el
constructo, se probaron tres modelos estructurales(2) (Trejos-Gil,
2023c) (ver Tabla 7): El modelo 1: 12 factores con 54 ítems correlacionados, descritos con anterioridad. El modelo 2: 12
factores con 49 ítems, eliminando 5
de ellos 19, 28, 74 y 62 del factor ABT;
y el ítem 47 del factor UYC; esta eliminación de ítems mejora sustancialmente los
coeficientes, así como los indicadores de consistencia interna.
Tabla
7
Modelos
Estructurales del ABDU Basados en Análisis Factorial Confirmatorio (n = 265)
|
Modelos
|
|
gl
|
AIC
|
CFI
|
GFI
|
NNFI
|
NFI
|
/gl
|
PClose
|
SRMR
|
RMSEA [90%
IC]
|
|
12F 54 ítems
|
2097.0
|
1270
|
2527.004
|
0.88
|
0.78
|
0.86
|
0.75
|
1.65
|
0.55
|
0.074
|
0.05
|
0.046
|
0.053
|
|
12F 49 ítems
|
1616.1
|
1030
|
2006.07
|
0.90
|
0.80
|
0.89
|
0.77
|
1.56
|
0.91
|
0.060
|
0.046
|
0.042
|
0.051
|
|
6F mejores α
|
323.5
|
225
|
473.52
|
0.95
|
0.90
|
0.94
|
0.85
|
1.43
|
0.94
|
0.052
|
0.041
|
0.03
|
0.05
|
Nota: χ2: Ji cuadrado; gl: Grados de libertad; χ2/
gl: ji cuadrado normado; GFI: Índice de bondad de ajuste; CFI: Índice de bondad comparativo;
NNFI: Índice de ajuste no normado; NFI: Índice de ajuste normado; RMSEA: Error de aproximación cuadrático
medio; PClose: p-value para prueba
de ajuste perfecto; AIC: Criterio de
información de Akaike; SRMR: Índice
residual de la raíz cuadrática estándar.
Fuente: Elaboración propia, 2023 a partir de
datos en SPSS® v25
El tercer
modelo contiene 6 factores, los factores que mejor alfa de Cronbach arrojaron
en el AFE, solo excluyendo la
dimensión PIC para optimizar los resultados
de ajuste, permitiendo obtener resultados excelentes en todos los indicadores.
La solución fue satisfactoria con excelentes índices de ajuste en el tercer
modelo de 6 factores correlacionados, se utilizaron estimadores robustos de
máxima verosimilitud; aunque en el valor 
normado (/gl) ninguno de los modelos es menor de 1 (lo cual
indicaría un sobreajuste) sus valores son muy cercanos a 1 sugieren que el
ajuste sea muy bajo. En el tercer modelo, el índice de GFI es acorde al criterio de ajuste superando el valor mínimo de
decisión (0.90), lo contrario sucede en los modelos 1 y 2 de 12 dimensiones sin
dejar de tener en ambos, resultados excelentes en general.
La Figura III, presenta el análisis
confirmatorio del modelo 3, de 6 factores (DIB,
PUB, SMC, UDC, GD y EBD)
en el que todos los coeficientes son positivos, lo que indica una correlación
fuerte y directa entre las variables latentes y los constructos. Sobre la
variable latente UDC, el constructo
que tiene mayor influencia son el i15, i54 y i14, cuyos coeficientes son 3,30,
2,96 y 2,82 respectivamente; por su parte, la variable latente DIB, PUB,
SMC, GD y EBD fue afectada en
mayor parte por los constructos i77= 1,25; i70= 1,01; i38= 1,55; i44= 1,43 y i55=
1,00, respectivamente.
Nota: DIB=
Disposición de implementar BL; PUB= Percepción de utilidad de las
plataformas para BL; SMC= Uso de social media chat; UDC= Uso de
dispositivos en clase; GD= Gestores documentales y EBD= Elementos
básicos para la docencia.
Fuente: Elaboración propia, 2023 a partir de datos en AMOSS® v26.
Figura III: Diagrama de análisis confirmatorio del ABDU (n= 265)
Los valores de
RMSEA son excelentes (<0.06) en todos los casos; el SRMR son aceptables
(>0.06) en el modelo 1 y 2 (0.074 y 0.060, respectivamente) y excelente en
el tercer modelo (0.052); por lo tanto, el mejor ajuste presentado es el tercer
modelo de 6 factores. Se seleccionó el tercer modelo teniendo en cuenta que
arrojó mejores índices según el criterio teórico de Bollen, Byrne, Steiger, Hu
y Bentler (Holgado et al., 2019). Este modelo presenta índices excelentes en
CFI, 
/gl, GFI, PClose, SRMR y RMSEA.
Además, los pesos/cargas factoriales (coeficientes lambda) son siempre mayores de 0.45 considerado como punto de corte
para la inclusión, excepto en el ítem
17, cuya carga es menor en el factor UDC
(
).
La fiabilidad
compuesta (CR) se calculó para cada factor, siendo superior a 0.70 en todos los
factores excepto en UDC, EBD y GD (CR= 0.65; CR= 0.37 y CR= 0.69, respectivamente). Del mismo
modo, el porcentaje de varianza media extractada (AVE), siendo en los factores PUB, HFB,
TAD, UDC, EBD y UYC valores menores a 0.50 (AVE= 0.42;
AVE= 0.46; AVE= 0.49; AVE= 0.33; AVE= 0.22 y AVE= 0.47, respectivamente), por
lo que, no se cumple la validez convergente en tales factores (ver Tabla 8).
Tabla
8
Varianza
Extractada (AVE), Fiabilidad Compuesta (CR), Validez Discriminante (VD)
|
FACTOR
|
AVE
|
CR
|
VD
|
|
FACTOR
|
AVE
|
CR
|
VD
|
|
MRS
|
0.50
|
0.87
|
0.70
|
|
UDC
|
0.33
|
0.65
|
0.57
|
|
ABT
|
0.53
|
0.85
|
0.72
|
|
SMC
|
0.59
|
0.80
|
0.76
|
|
DIB
|
0.50
|
0.85
|
0.70
|
|
PIC
|
0.50
|
0.79
|
0.71
|
|
PUB
|
0.42
|
0.83
|
0.64
|
|
EBD
|
0.22
|
0.37
|
0.47
|
|
HFB
|
0.46
|
0.83
|
0.67
|
|
GD
|
0.53
|
0.69
|
0.72
|
|
TAD
|
0.49
|
0.79
|
0.70
|
|
UYC
|
0.47
|
0.73
|
0.69
|
Fuente: Elaboración propia, 2023 a partir de
datos en SPSS® v25.
Según
el criterio de Hair, Byrne, Fornell y Larcker (Hilkenmeier et al., 2020; Ringle
et al., 2020; Alfonso-Mora et al., 2023), las correlaciones entre los factores
son menores que la raíz cuadrática del AVE; por lo tanto, se cumple la Validez
Discriminante excepto en el factor HFB.
De acuerdo con
los hallazgos encontrados en la presente investigación se puede evidenciar que
el 54,4% de los docentes se encuentran por debajo de la media del uso del BL en
su método de enseñanza-aprendizaje; diferente al estudio colectivo de Sánchez et
al. (2016), que muestra una intensión moderada propensa al uso de tecnologías
móviles en su práctica docente; así como adoptar nuevas metodologías como el Flipped
Classroom dado que se demuestra la aceptación con agrado (Del Arco et al.,
2019; Montes et al., 2023).
Se mantiene
conexión con los estudiantes, pero por redes sociales como Hangout, Facebook y WhatsApp, pero no son implementadas como ejercicios metodológicos
con expectativas a aumentar el rendimiento (Jiménez-Cortés, 2019; Trejos-Gil y
Castro-Escobar, 2020) que complementen el
aprendizaje del estudiante. Teniendo en cuenta que los docentes tienen contacto
permanente con dispositivos electrónicos que les facilitarían la implementación
de metodologías en su ejercicio de enseñanza-aprendizaje apoyados en TIC (Orozco,
Tejedor y Calvo, 2017; Trejos-Gil y Castro-Escobar, 2020), no los están usando
con estos fines.
Tras completar
la validación del cuestionario ABDU, los resultados revelan su alta
confiabilidad y validez como instrumento de medición, compuesto por 54
elementos (α=0.93). Este cuestionario se muestra como una herramienta
efectiva para recabar información sobre la implementación del BL por parte de
los docentes en Instituciones de Educación Superior (IES).
Este
procedimiento permitió superar la consistencia interna en alto grado del
constructo, en comparación a los instrumentos LCS y la del cuestionario
CEVEAPEU de Gargallo et al. (2009) con coeficiente (α= 0.86 y α=
0.897;) respectivamente, de igual forma con el instrumento COIL (α= 0.898)
(Martínez y González, 2018); EFITIC, de Losada et al. (2012) con (α=
0.843); ACRA, de Jiménez et al. (2018) con (α = 0.920); Modelo TAM
extendido de Sánchez et al. (2017) con (α = 0.862); y el instrumento de
Agreda et al. (2016) con (α= 0.920). El instrumento CLAS (Atxurra et al.,
2015), muestra una validación más alta con (α= 0.95).
No solo la
validación de constructo realizado con resultados altamente satisfactorios,
sino también la cantidad de relación/dependencia validada con dos niveles de
confianza bastante altos como del 99% y 95%, dan fe de la calidad del
constructo, y la pertinencia del instrumento ABDU, que mide con eficacia lo que
pretende medir; métodos que facultan al presente trabajo de garantías para
estudios posteriores a este.
Este trabajo se
diferencia de los estudios anteriormente mencionados por ser un instrumento que
mide el aprendizaje combinado en docentes y no en el uso de las TIC para la
enseñanza; además, propone factores en términos de DIB, PUB, SMC, UDC,
GD y EBD como los aspectos más relevantes a considerar al analizar el BL
en la docencia.
Así como el
estudio realizado por Losada et al. (2012), sobre el éxito de la innovación con
TIC, las puntuaciones también fueron altas en todos los factores por encima de
0.78, del mismo modo con las correlaciones significativas, indicando que todos
los factores miden aspectos diferenciados del constructo ABDU.
Aunque se
evidencia el uso de redes sociales por parte del profesorado con sus educandos
para publicar, empoderar y comunicar información, es un mecanismo o medio que
requiere de protocolos, procesos claros, autorregulación y autodirección
(Jiménez-Cortés, 2019; Trejos-Gil y Castro-Escobar, 2020), y al ser un medio
tan informal y no tan abordado en la investigación educativa (Trejos-Gil y
González-Callejas, 2022), peca por ser en algunos casos, escaso para ejercer el
aprendizaje combinado, dado que solo es un medio y no el fondo del BL.
Conclusiones
Aunque los resultados
exploratorios indican 12 dimensiones para aplicar el ABDU, el mejor ajuste lo
evidencia el modelo 3, de 6 dimensiones con puntuaciones e índices de ajuste
excelentes según los criterios de ajuste. Las dimensiones: Disposición a
implementación BL, Percepción de utilidad de plataformas para el BL, Uso de Social Media Chat, Uso de dispositivos en clase, Gestores de documentos y
Elementos básicos para la docencia, confirman una estructura idónea, válida y
fiable para medir el grado de implementación del BL en los docentes de
educación superior, lo cual supone un importante avance en la investigación.
A pesar de
variaciones en modelos de 12 dimensiones con 54 o 49 ítems, ambos capturan la esencia del estudio y se corrobora que el
instrumento mide lo que pretende medir. Por tal razón, se sugiere no
descartarlos por su valiosa información que proveen sobre el tema. Finalmente,
para futuros estudios se podrían aplicar estos modelos a docentes de otras
universidades y en otros países de Latinoamérica, con el fin de contrastar
resultados y evaluar la efectividad del instrumento en la apropiación del
aprendizaje combinado “blended learning” en docentes de universidad o en
educación superior según como se considere y sea pertinente.
Notas
1
Tabla de prueba de ji Cuadrado en https://doi.org/10.6084/m9.figshare.22795142.v1
2 Gráficos del
Análisis Factorial Confirmatorio ABDU en https://doi.org/10.6084/m9.figshare.24501973
Referencias
bibliográficas
Acosta, R. (2017). Metodologías de aprendizaje colaborativo a
través de las TIC. Una propuesta formativa para el profesorado de las
modalidades bachillerato y técnico profesional de República Dominicana. En
Asociación Interuniversitaria de Investigación Pedagógica – ADIPE (Eds.), Interdisciplinaridad y transferencia: Actas I Encuentro de doctorados e investigadores noveles (pp. 237-245). AIDIPE.
Agreda, M., Hinojo, M. A.,
y Sola, J. M. (2016). Diseño y validación de un instrumento para evaluar la
competencia digital de los docentes en la Educación Superior española. Píxel-Bit. Revista de Medios y Educación, (49), 39-56. https://recyt.fecyt.es/index.php/pixel/article/view/61713
Aguaded, J. I., y
Romero-Rodríguez, L. M. (2015). Mediamorfosis y desinformación en la
infoesfera: Alfabetización mediática, digital e informacional ante los cambios
de hábitos de consumo informativo. Education in the Knowledge Society (EKS), 16(1), 44-57. https://doi.org/10.14201/eks20151614457
Alfonso-Mora, M. L.,
Riveros-Munévar, F., Castellanos-Garrido, A. L., Rengifo-Varona, M. L.,
Corredor-Nieto, L. P., Guerra-Balic, M. E., y Sánchez-Martín, R. (2023). Internal consistency and criterion, convergent, and discriminant
validity of the Start Back Screening Tool in a Colombian sample. Revista de la Facultad de Medicina, 71(1), e95638. https://doi.org/10.15446/revfacmed.v71n1.95638
Almanza, R., y
Vargas-Hernández, J. G. (2015). Las Competencias Profesionales y su relación
con la empleabilidad de los Ingenieros en Gestión Empresarial egresados del
ITLAC. Revista Gestión de las Personas y
Tecnología, (22), 14-19. https://bit.ly/3SsiU1P
Al-Rahmi, A. M., Shamsuddin, A., Wahab, E.,
Al-Rahmi, W. M., Alyoussef, I. Y., y Crawford J. (2022). Social media use in
higher education: Building a structural equation model for student satisfaction
and performance. Frontiers in Public Health, 10, 1003007. https://doi.org/10.3389/fpubh.2022.1003007
Aparicio, O. Y. (2019). Uso y apropiación de las TIC en educación. Revista Interamericana de Investigación,
Educación y Pedagogía, 12(1)
253-284. https://doi.org/10.15332/s1657-107X.2019.0001.04
Area, M., y Adell, J. (2009).
E-Learning: Enseñar y aprender en
espacios virtuales. En J. De Pablos (Coord.), Tecnología Educativa. La formación del
profesorado en la era de Internet (pp. 391- 424). Aljibe.
Artal, J. S., Navarro, J. L.,
y Carballo, J. (2014). Dropbox, Google-Drive
y Skydrive: Trabajo colaborativo en la nube. Comparativa entre servicios de
almacenamiento. En J. L. Alejandre (Coord.), Buenas prácticas en la docencia universitaria con
apoyo de TIC: Experiencias en 2013 (pp. 83-94).
Universidad de Zaragoza.
Atxurra, C.,
Villardón-Gallego, L., y Calvete, E. (2015). Design and Validation of the
Cooperative Learning Application Scale (CLAS). Revista de Psicodidáctica, 20(2), 339-357. https://doi.org/10.1387/RevPsicodidact.11917
Ayala, C. L., Martínez, R.,
y Yuste, C. (2004). Evaluación del cuestionario CEAM. Consejo General de
Colegios Oficiales de Psicólogos. https://www.cop.es/uploads/PDF/2013/CEAM.pdf
Barrientos,
N., Yáñez, V., Pennanen-Arias, C., y Aparicio, C. (2022). Análisis sobre la
educación virtual, impactos en el proceso formativo y principales tendencias. Revista
de Ciencias Sociales (Ve), XXVIII(4), 496-511. https://doi.org/10.31876/rcs.v28i4.39144
Bartolomé, A. (2004).
Blended Learning. Conceptos básicos. Pixel-Bit,
Revista de Medios y Educación, (23), 7-20. https://recyt.fecyt.es/index.php/pixel/article/view/61237
Bernate, J. A., y Fonseca, I. P. (2023). Impacto de las
Tecnologías de Información y Comunicación en la educación del siglo XXI:
Revisión bibliométrica. Revista de Ciencias Sociales (Ve), XXIX(1),
227-242. https://doi.org/10.31876/rcs.v29i1.39748
Cedeño, R. P. (2019). Herramientas
tecnológicas colaborativas como medio de aprendizaje en la Educación Superior
del Ecuador. RES NON VERBA Revista Científica, 9(2),
1-12. https://doi.org/10.21855/resnonverba.v9i2.212
Cedillo-Hernández,
A., y Velázquez-García, L. (2022). Impact of the b-Learning Model on University Teaching.
International Journal of Information and Education Technology, 12(5),
378-383. https://doi.org/10.18178/ijiet.2022.12.5.1630
Compte, M., y Sánchez, M. (2019). Aprendizaje
colaborativo en el sistema de educación superior ecuatoriano. Revista de Ciencias Sociales (Ve), XXV(2),
131-140. https://produccioncientificaluz.org/index.php/rcs/article/view/27342
Comrey, A. L. (1985). Manual de análisis factorial. Ediciones Cátedra.
Del
Arco, I., Flores, Ó., y Silva, P. (2019). El desarrollo del modelo flipped
classroom en la universidad: impacto de su implementación desde la voz del
estudiantado. Revista de Investigación
Educativa, 37(2), 451-469. http://dx.doi.org/10.6018/rie.37.2.327831
Eduland.es
(27 de junio de 2014). Webinar #1: The
Flipped Classroom, por Raúl Santiago [Archivo de Vídeo]. Youtube. https://www.youtube.com/watch?v=Bdd_Dr7QUQ4
Esparza, M. D.
C., Salinas, V., y Glasserman, L. D. (2015). La gestión del aprendizaje en la
modalidad b-learning frente a la modalidad presencial en la enseñanza de la
gramática inglesa. Apertura: Revista de Innovación Educativa, 7(2), 8-19. http://agora.edu.es/servlet/articulo?codigo=5547135
García-Ruiz,
R., Aguaded, I., y Bartolomé-Pina, A. (2018). La revolución
del blended learning en la educación a distancia. RIED-Revista
Iberoamericana de Educación a Distancia, 21(1),
25-32. https://doi.org/10.5944/ried.21.1.19803
García-Valcárcel, A. (2007). Herramientas tecnológicas para mejorar la
docencia universitaria. Una reflexión desde la experiencia y la investigación. RIED-Revista
Iberoamericana de Educación a Distancia, 10(2) 125-148. http://e-spacio.uned.es/fez/eserv/bibliuned:20548/herramientas_tecnologicas.pdf
Gargallo, B.,
Suárez-Rodríguez, J. M., y Pérez-Pérez, C. (2009). El cuestionario CEVEAPEU. Un
instrumento para la evaluación de las estrategias de aprendizaje de los
estudiantes universitarios. RELIEVE - Revista Electrónica de
Investigación y Evaluación Educativa, 15(2). https://doi.org/10.7203/relieve.15.2.4156
Gaskin, J., y Lim, J. (2016). Model Fit
Measures: AMOS Plugin. Gaskination's StatWiki, 37(3), 814-822.
George,
D., y Mallery, P. (2019). IBM SPSS Statistics 26 Step by Step: A simple guide and reference. Routledge. https://doi.org/10.4324/9780429056765
Ghasemy, M.,
Akbarzadeh, M., y Gaskin, J. E. (2022). Being satisfied and serving communities
as outcomes of servant leadership in the academic context: Policies based on a
multi-level structural equation model. Asia Pacific
Education Review, 23, 69-86. https://doi.org/10.1007/s12564-021-09702-z
González, M. A., Perdomo, K. V., y Pascuas, Y. (2017). Aplicación de
las TIC en modelos educativos blended learning: Una revisión sistemática de
literatura. Sophia, 13(1), 144-154. https://doi.org/10.18634/sophiaj.13v.1i.364
Graham, C.,
Henrie, C., y Gibbons, A. (2014). Developing models and theory for blended
learning research. In A. G. Picciano, C. D.
Dziuban y C. R. Graham (Eds.), Blended learning: Research perspectives (Vol. 2, pp. 13-33).
Routledge.
Guisande,
C., Vaamonde, A., y Barreiro, A. (2013). Tratamiento de Datos con R, Statistica y
SPSS. Ediciones Díaz
de Santos.
Güzer, B., y
Caner, H. (2014). The Past, Present and Future of Blended Learning: An in Depth
Analysis of Literature. Procedia - Social and Behavioral Sciences, 116,
4596-4603. http://doi.org/10.1016/j.sbspro.2014.01.992
Hair,
J. F., Sarstedt, M., Ringle, C. M., y Gudergan, S. P. (2017). Advanced
issues in Partial Least Squares Structural Equation Modeling (PLS-SEM). Sage Publications.
Hernández, M. D. J., Nieto, J., y
Bajonero, J. N. (2021). Aprendizaje híbrido generado desde las Instituciones de
Educación Superior en México. Revista de
Ciencias Sociales (Ve), XXVII(4), 49-61. https://doi.org/10.31876/rcs.v27i4.37233
Hilkenmeier, F., Bohndick, C., Bohndick, T.,
y Hilkenmeier, J. (2020). Assessing Distinctiveness in Multidimensional
Instruments Without Access to Raw Data – A Manifest Fornell-Larcker Criterion. Frontiers in Psychology, 11, 223.
https://doi.org/10.3389/fpsyg.2020.00223
Holgado, F. P., Suárez, J. C., y Morata,
M. D. L. A. (2019). Modelos de ecuaciones estructurales, desde
el «Path Analysis» al análisis multigrupo: Una guía práctica con LISREL. Sanz y Torres, S.L.
Huang,
Y.-H., Tu, Y.-L., Wu, H.-J., Wan, C.-P., Yeh, C.-H., Lu, L.-H., y Tsai, I.-C. (2019).
Applying
an innovative blended model to develop cross-domain ict talent for university
courses. IEEE Frontiers in Education Conference (FIE), Covington, KY, USA, 1-5, https://doi.org/10.1109/FIE43999.2019.9028651
Izquierdo, T., Asensio, E.,
Escarbajal, A., y Rodríguez, J. (2019). El aprendizaje cooperativo en la
formación de maestros de Educación Primaria. Revista de Investigación Educativa, 37(2), 543-559. http://dx.doi.org/10.6018/rie.37.2.369731
Jiménez, L., García, A.-J., López-Cepero, J., y Saavedra, F.-J. (2018). The
brief-ACRA scale on learning strategies for university students. Revista de Psicodidáctica, 23(1), 63-69. https://doi.org/10.1016/j.psicoe.2017.03.001
Jiménez-Cortés,
R. (2019). Aprendizaje de las mujeres en las redes sociales: Validación de la
escala MAIA con PLS. Revista de
Investigación Educativa, 37(2), 431-449. http://dx.doi.org/10.6018/rie.37.2.325721
Li, Z. (2016).
Rethinking
the relationship between learner, learning contexts, and technology: A critique
and exploration of Archer's morphogenetic approach. Learning, Media and Technology, 41(3), 501-520. https://doi.org/10.1080/17439884.2014.978336
Losada,
D., Karrera, I., y Jimenez, E. (2012). Factors facilitating successful
educational innovation with ICT in schools. Revista de Psicodidáctica, 17(1),
113-134. https://ojs.ehu.eus/index.php/psicodidactica/article/view/2243
Mahanta,
N., Prasaad, K. S., Sheeja, M. S., y Pattanayak, S. (2022). Impact of
COVID-19 on Blended Learning Culture for Media Education in UAE. Advances in
Science and Engineering Technology International Conferences (ASET), Dubai,
United Arab Emirates, 1-5. https://doi.org/10.1109/ASET53988.2022.9734858
Martínez, P., y González,
C. (2018). Validez de contenido y consistencia interna de un cuestionario sobre
el proceso de inserción socio-laboral desde la mirada del universitario. Revista Complutense de Educación, 29(3),
739-756. https://doi.org/10.5209/RCED.53721
Meriño,
V. H., Martínez, C. Y., Ortiz, L. M., y Trejos, C. A. (2020). Jerarquía de
valores de los estudiantes de Instituciones de Educación Superior. Revista
Venezolana de Gerencia, 25(E-4), 195-205. https://www.produccioncientificaluz.org/index.php/rvg/article/view/35185
Meriño, V., Martínez, C., Ortiz, L., Trejos, C.,
López, J., y Beltrán, J. (2020). Sistema axiológico de los alumnos del Programa
Contaduría Pública de la Universidad Católica Luis Amigó – Medellín – Colombia.
Revista Espacios, 14(16) 12-18.
https://www.revistaespacios.com/a20v41n16/20411612.html
Min, Q., Wang, Z., y Liu, N. (2019). Integrating a
cloud learning environment into English-medium instruction to enhance non-native
English-speaking students’ learning. Innovations in Education and Teaching
International, 56(4), 493-504. https://doi.org/10.1080/14703297.2018.1483838
Montes, R.,
Zuheros, C., Morales, J., Zermeño, N., Duran, J., y Herrera, F. (2023). Design
and consensus content validity of the questionnaire for b-learning education: A
2-Tuple Fuzzy Linguistic Delphi based Decision Support Tool. Applied Soft Computing, 147,
110755. https://doi.org/10.1016/j.asoc.2023.110755
Morales-Salas, R. E.,
Jiménez-Arévalo, J. D. J., y Casas-Flores, A. A. (2023). Nivel de dominio de la
competencia digital en el uso y alfabetización tecnológica en docentes de
Educación Superior. Revista Científica Retos de la Ciencia, 7(16), 58-77. https://doi.org/10.53877/rc.7.16e.20230915.5
Morán, L. (2012). Blended-learning. Desafío y oportunidad para la educación
actual. Edutec. Revista
Electrónica de Tecnología Educativa, (39), a188. https://doi.org/10.21556/edutec.2012.39.371
Naveed,
Q. N., Alam, M. M., y Tairan, N. (2020). Structural Equation Modeling for mobile learning
acceptance by University students: An empirical study. Sustainability, 12(20), 8618. https://doi.org/10.3390/su12208618
Ocaña-Fernández,
Y., Valenzuela-Fernández, L. A., y Garro-Aburto, L. L. (2019). Inteligencia artificial y
sus implicaciones en la educación superior. Propósitos y Representaciones, 7(2),
536-568. http://dx.doi.org/10.20511/pyr2019.v7n2.274
Ogbeibu, S.,
Senadjki, A., Gaskin, J., y Awal, I. M. (2021). The predictive influences of team creativity, creativity
willingness, creative ideation, and leader openness on exploratory innovation.
In A.
McMurray, N. Muenjohn y C. Weerakoon (Eds.), The Palgrave Handbook of Workplace Innovation (pp. 135-154). Palgrave
Macmillan Cham. https://doi.org/10.1007/978-3-030-59916-4_8
Orozco, G. H., Tejedor, F.
J., y Calvo, M. I. (2017). Meta-análisis sobre el efecto del software educativo
en alumnos con necesidades educativas especiales. Revista de Investigación Educativa, 35(1), 35-52. http://dx.doi.org/10.6018/rie.35.1.240351
Paredes-Chacín, A. J., Inciarte, A., y Walles-Peñaloza, D.
(2020). Educación superior e investigación en Latinoamérica: Transición al uso
de tecnologías digitales por Covid-19. Revista
de Ciencias Sociales (Ve), XXVI(3), 98-117. https://doi.org/10.31876/rcs.v26i3.33236
Peinado, J. D. J. (2023).
Uso de herramientas digitales y competencias de investigación en estudiantes de
posgrado. Revista Conrado, 19(92), 8-17.
Pérez, C. (2004). Técnicas
de análisis multivariante de datos: Aplicaciones con SPSS. Pearson
Educación.
Pérez, R., Mercado, P,
Martínez, M., Mena, E., y Partida, J. Á. (2018). La sociedad del conocimiento y
la sociedad de la información como la piedra angular en la innovación
tecnológica educativa. RIDE. Revista Iberoamericana para la Investigación
y el Desarrollo Educativo, 8(16), 847-870. https://dx.doi.org/10.23913/ride.v8i16.371
Picciano,
A. G. (December 18, 2014). A critical reflection of the current research in
online and blended learning. ELM.
European Lifelong Learning Magazine. https://elmmagazine.eu/a-critical-reflection-of-the-current-research-in-online-and-blended-learning/
Quezada, N.
(2017). Estadística con SPSS 24. Editorial Macro.
Rabanal,
R., Huamán, C. R., Murga, N. L., y Chauca, P. (2020). Desarrollo de competencias
personales y sociales para la inserción laboral de egresados universitarios. Revista
de Ciencias Sociales (Ve), XXVI(2), 250-258. https://doi.org/10.31876/rcs.v26i2.32438
Rajeh, M. T., Abduljabbar,
F. H., Alqahtani, S. M., Waly, F. J., Alnaami, I., Aljurayyan, A., y Alzaman,
N. (2021). Students’ satisfaction and continued intention toward e-learning: A
theory-based study. Medical Education Online, 26(1) 1961348, https://dx.doi.org/10.1080/10872981.2021.1961348
Ringle, C. M.,
Sarstedt, M., Mitchell, R., y Gudergan, S. P. (2020). Partial least squares
structural equation modeling in HRM research. The International Journal of
Human Resource Management, 31(12), 1617-1643. https://doi.org/10.1080/09585192.2017.1416655
Rodelo, F. V. (2016). ¿Quién le teme a Facebook? Reseña de Trucos para el
maestro. Cómo utilizar la tecnología en el aula. Comunicación y Sociedad, (25), 303-307. https://doi.org/10.32870/cys.v0i25.4435
Román, J. M., y Gallego, R.
(2008). ACRA: Escalas de estrategias de
aprendizaje. Tea Ediciones.
Romero,
D., Oruna, A. M., y Sánchez, J. A. (2023). Enseñanza y aprendizaje digital:
Desafíos actuales en Latinoamérica. Revista de Ciencias Sociales (Ve), XXIX(3),
439-452. https://doi.org/10.31876/rcs.v29i3.40725
Romero-Rodríguez,
J.-M., Aznar-Díaz, I., Hinojo-Lucena, F.-J., y Gómez-García, G. (2020). Mobile Learning
in Higher Education: Structural Equation Model for Good Teaching Practices. IEEE, 15(8), 91761-91769. https://doi.org/10.1109%2FACCESS.2020.2994967
Salinas,
J., De Benito, B., Pérez, A., y Gisbert, M. (2018). Blended learning, más allá
de la clase presencial. RIED. Revista Iberoamericana de Educación a
Distancia, 21(1), 195-213. https://doi.org/10.5944/ried.21.1.18859
Sánchez, J. C., Olmos, S.,
y García-Peñalvo, F. J. (2017). ¿Utilizarán los futuros docentes las
tecnologías móviles? Validación de una propuesta de modelo TAM extendido. Revista
de Educación a Distancia (RED), 17(52). https://revistas.um.es/red/article/view/282191
Sánchez, J. C., Olmos, S.,
García, F. J., y Torrecilla, E. M. (2016). Las tabletas digitales en educación
formal: Características principales y posibilidades pedagógicas. In A. I. Callejas,
J. V. Salido y Ó. Jerez García (Eds.), Competencia
Digital y Tratamiento de la Información. Aprender en el Siglo XXI. IV Congreso
Internacional de Competencias Básicas, Ciudad Real, 9, 10 y 11 de abril de
2014 (pp. 269-280). Ediciones de la Universidad de Castilla-La Mancha.
Siemens,
G., Gašević, D., y Dawson, S. (Eds.) (2015). Preparing
for the digital university: A review of the history and current state of
distance, blended, and online learning. MOOC Research Initiative.
Staker, H. C. (2011).
The Rise of K-12 Blended Learning: Profiles
of emerging models. Innosight Institute.
Stefanic, I.,
Campbell, R. K., Russ, J. S., y Stefanic, E. (2020). Evaluation of a blended
learning approach for cross-cultural entrepreneurial education. Innovations
in Education and Teaching International, 57(2), 242-254. https://doi.org/10.1080/14703297.2019.1568901
Tayebinik,
M., y Puteh, M. (2012). Blended Learning or E-learning? International Magazine on Advances in Computer Science and
Telecommunications (IMACST), 3(1), 103-110.
https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2282881
Trejos-Gil, C.
A. (2023a). Structure of the questionnaire on the Appropriation of
B-learning in teaching work at the University (ABDU). figshare. Figure. https://doi.org/10.6084/m9.figshare.22794749.v1
Trejos-Gil, C. A. (2023b). Chi cuadrado con relación a la variable
dependiente - ABDU. figshare. Figure. https://doi.org/10.6084/m9.figshare.22795142.v1
Trejos-Gil, C.A. (2023c). Análisis confirmatorio ABDU modelo 1 y 2 de 12
factores y modelo final de 6 factores. figshare. Dataset. https://doi.org/10.6084/m9.figshare.24501973.v1
Trejos-Gil, C.
A., y Castro-Escobar, H. Y. (2020). Implicaciones ontológicas en el aprendizaje
a partir del distanciamiento social impuesto por la pandemia COVID-19. Revista
Utopía y Práxis Latinoamericana, 25(E-8), 231-247. http://doi.org/10.5281/zenodo.4087453
Trejos-Gil, C. A., y
González-Callejas, M. C. (2022). Formación de investigadores en pregrado.
Semillero de investigación comunicación digital y ciberculturas. Ciencia y
Academia, (3), 142-156. https://doi.org/10.21501/2744838X.4490
UNESCO (13 de octubre de 2021).
La inteligencia artificial en la
educación. UNESCO. https://www.unesco.org/es/digital-education/artificial-intelligence
Villardón-Gallego, L., Yániz, C., Achurra, C., Iraurgi, I., y
Aguilar, M. D. C. (2013). Learning competence in university: Development
and structural validation of a scale to measure. Revista de Psicodidáctica, 18(2),
357-374. https://doi.org/10.1387/RevPsicodidact.6470