Uso del
smartphone en jóvenes universitarios: una oportunidad para el aprendizaje
Smartphone
use in university students: An
opportunity for learning
Dr. Alberto Dafonte-Gómez. Profesor contratado doctor. Universidad de Vigo. España
Dr. Marcelo Fabián Maina. Profesor
agregado. Universidad Oberta de Catalunya, España
Dr. Oswaldo García-Crespo. Profesor contratado doctor interino. Universidad de Vigo. España
Recibido: 2019/12/04 Revisado: 2019/12/10 Aceptado: 2020/09/21
Preprint: 2020/12/08 Publicado: 2021/01/01
Como citar:
Dafonte-Gómez, A., Maina,
M. F., & García-Crespo, O. (2021). Uso del smartphone en jóvenes
universitarios: una oportunidad para el aprendizaje. Píxel-Bit. Revista de Medios y Educación, 60, 211-227. https://doi.org/10.12795/pixelbit.76861
RESUMEN
El
elevado nivel de penetración del smartphone junto con su reducido coste de
implementación en el ámbito educativo hace que el m-learning sea una tendencia
en crecimiento a nivel mundial.
Este artículo
presenta los hábitos de uso de
aplicaciones para la comunicación y el aprendizaje móvil del alumnado de
educación superior e identifica factores que pueden favorecer la intención de
adoptar herramientas de m-learning basadas en el smartphone entre el alumnado
universitario. Para ello se administró un cuestionario basado en el modelo
UTAUT2 de adopción de tecnología a 176 estudiantes de distintos cursos del
Grado en Publicidad y Relaciones Públicas de la Universidad de Vigo. Los
resultados muestran los principales usos que hacen los estudiantes del
smartphone, sus preferencias en cuanto a la utilización del dispositivo para el
aprendizaje y la importancia de la dimensión lúdica del m-learning en la
intención de adoptar este modelo, un aspecto que no muchas investigaciones del
campo destacan, pero que convenientemente utilizado por los docentes– puede
suponer una gran oportunidad para su implementación.
ABSTRACT
The
high level of penetration of the smartphone together with its low
implementation cost in the educational field is the reason why m-learning is a
growing educational trend worldwide.
This
article presents the habits of use of applications for communication and mobile
learning of the higher education students and identifies factors that can favour
the intention of adopting m-learning tools based on the smartphone among
university students. To this end, a questionnaire based on the UTAUT2 model of
technology adoption was administered to 176 students from different courses of
the Advertising and Public Relations Degree at the University of Vigo. The
results show the main uses that students make of the smartphone, their
preferences regarding the use of the device for learning and the importance of
the playful dimension of m-learning in the intention of adopting this model, an
aspect that not many researches in the field highlight, but that – conveniently
used by teachers– can be a great opportunity for its implementation.
PALABRAS
CLAVES · KEYWORDS
Mobile
learning; competencia digital; blended learning; UTAUT.
Mobile
learning; digital competence; blended learning; UTAUT.
1. Introducción
En términos generales, se aplican
las etiquetas de mobile learning o m-learning a los modelos de enseñanza y
aprendizaje basados en el uso de los dispositivos móviles como herramientas
educativas. Grant (2019) pone de manifiesto que la diversidad de enfoques que
adoptan las definiciones del m-learning usadas en el ámbito académico limitan
la capacidad de los investigadores de identificar, describir e implementar sus
características y propósitos para la mejora del aprendizaje; a este respecto
Pimmer, Mateescu, y Gröhbiel, (2016) apuntan: “tras más de 20 años de
investigación sobre aprendizaje móvil, todavía se dispone de relativamente poco
conocimiento sistemático, especialmente en lo que respecta al uso de la
tecnología móvil en los entornos de enseñanza superior” (p. 492).
A pesar de las posibles
divergencias en matices con respecto a la definición del m-learning son muchos
los autores e instituciones que ven en él una gran oportunidad puesto que
permite diseñar actividades formativas que facilitan la interconexión de
alumnado, docente y materiales sin limitaciones geográficas o cronológicas
(Kukulska-Hulme, 2005; Peters, 2007; Wu et al., 2012), máxime cuando la mayor
parte de la investigación se centra, concretamente, en el uso de teléfonos
móviles en los procesos de enseñanza y aprendizaje (Crompton & Burke, 2018;
Krull & Duart, 2017). Estudios de
revisión bibliográfica, como los de Sung, Chang, y Liu (2016) indican, además
que el uso de dispositivos móviles en la educación tiene un efecto más positivo
en el aprendizaje que el de ordenadores de sobremesa o el “no-uso” de ningún
dispositivo, y que este efecto positivo es mayor en aquellas experiencias que
usaron dispositivos pequeños (handhelds) como teléfonos móviles o tabletas.
Entre las principales
características y potencialidades del m-learning tratadas por la literatura
académica destacan: a) mantener al alumnado “enganchado” con la conectividad
constante que permiten los dispositivos b) fomentar el trabajo colaborativo y
c) permitir el aprendizaje ubicuo y en movimiento (Gikas & Grant, 2013, p.
19).
Según señala Park (2011) es esa
portabilidad del dispositivo la que permite dos de los factores clave del
m-learning: la individualización y la comunicación interactiva, entendidas no
solo como atributos de su uso para el aprendizaje a distancia, sino también en
modelos de blended learning que combinan la formación presencial con la no
presencial (Motiwalla, 2007). En palabras de López y Silva (2016, p. 177): “No
cabe duda de que los dispositivos móviles interactúan con los procesos de
aprendizaje, haciendo más fluida y frecuente la comunicación” y existen
evidencias de que la presencia social y la facilidad de contacto entre
participantes, principalmente del alumnado con el docente, tienen repercusiones
positivas en el aprendizaje (Grieve, Padgett, & Moffitt, 2016; Ma, Han,
Yang, & Cheng, 2015; Molinillo, Aguilar-Illescas, Anaya-Sánchez, & Vallespín-Arán,
2018).
No obstante, a día de hoy no se
puede identificar el simple uso de dispositivos en el aula (o fuera de ella)
como m-learning sino que “se debe demandar que estos dispositivos vengan
acompañados de un enfoque pedagógico y/o de un marco educativo que redunde en
alguna mejora del proceso formativo” (Ramírez-Montoya & García-Peñalvo,
2017, p. 32). Esta posición sobre la tecnología educacional es concordante con
la de Mateus, Aran-Ramspott, y Masanet (2017) cuando, al hablar de la evolución
del concepto de aprendizaje móvil, lo relacionan con “una pedagogía centrada en
el estudiante y en el aprovechamiento de las propiedades intrínsecas de los
dispositivos en cuestión: portabilidad, conectividad, adaptabilidad e
interactividad” (p. 50).
El uso
del m-learning requiere, por un lado, facilidad de acceso a la tecnología por
parte de los implicados pero también necesita que los docentes tengan las
competencias necesarias para integrar la tecnología en los procesos de
enseñanza y aprendizaje aprovechando las prácticas que ya son habituales para
el alumnado en otros contextos.
1.1 Antecedentes en la
investigación sobre la adopción del m-learning
La mayor parte de las
investigaciones sobre adopción de m-learning se basan en dos teorías sobre la
adopción de tecnologías de la información procedentes de la psicología: el
Modelo de Aceptación Tecnológica o TAM (Technology Acceptante Model) y la Teoría
Unificada de Aceptación y Uso de la Tecnología o UTAUT (Unified Theory of
Acceptance and Use of Tecnology) (López & Silva, 2016).
En esta investigación se opta por
usar el enfoque de la Teoría Unificada de Aceptación y Uso de la Tecnología
(UTAUT), que concentra los principales constructos de los modelos precedentes y
explica su nivel de incidencia en las decisiones de los usuarios a la hora de
aceptar y usar una nueva tecnología.
En el modelo UTAUT existen cuatro
determinantes principales en la aceptación y uso de la tecnología: expectativa
de desempeño (performance expectancy o PE), expectativa de esfuerzo (effort
expectacy o EE), influencia social (social influence o SI) y condiciones
facilitadoras (facilitating conditions o FC), moderadas en diferente medida por
género, edad, experiencia y voluntariedad de uso. Es necesario destacar en este
punto que el modelo distingue entre la intención de uso (behavioral intention o
BI) y el uso efectivo (use behavior o UB), de manera que ciertos elementos de
la teoría tendrán influencia directa en la intención de uso –que a su vez
influye positivamente en el comportamiento efectivo de uso– mientras que otros
tendrán repercusión directa en el comportamiento de uso. En 2012 el modelo es
actualizado (UTAUT2) (Venkatesh, Thong, & Xu, 2012) y pasa a incorporar 3
nuevos elementos con influencia en la intención de uso: la motivación hedonista
(hedonic motivation o HM), precio y valor (price and value o PV) y hábito
(habit o HT).
Las distintas investigaciones
llevadas a cabo para valorar la aceptación de modelos educativos basados en
m-learning y/o e-learning realizadas bajo el paraguas del modelo UTAUT ofrecen
resultados relativamente desiguales en función de las condiciones
socioeconómicas del universo de la investigación de modo que, dependiendo de
factores como el área geográfica en la que se realiza el estudio, el nivel
educativo de la muestra o su estracto social, el peso de los determinantes del
modelo UTAUT en la intención de uso varía.
La expectativa de desempeño (PE) –referida a la percepción que tiene el individuo de que
la innovación que se propone puede mejorar su actividad académica o
profesional– es una de las que con mayor frecuencia muestra correlaciones
positivas con la intención de uso (BI) y, en muchas ocasiones, coincide en los
estudios con la constatación, a su vez, de la influencia de otra variable en
esa intención de adopción tecnológica: la expectativa de esfuerzo (EE), que es
la estimación que hace el individuo del esfuerzo que tendrá que realizar para aprender
a manejar la innovación que se le propone (Abu-Al-Aish & Love, 2013;
Dakduk, Santalla-Banderali, & van der Woude, 2018; Lowenthal, 2010;
Mosunmola, Mayowa, Okuboyejo, & Adeniji, 2018; Ngampornchai & Adams,
2016; Wang, Wu, & Wang, 2009) si bien también existen estudios en los que,
constatando correlaciones positivas entre PE y BI no se obtienen resultados
positivos para la correlación entre EE y BI (García Botero, Questier,
Cincinnato, He, & Zhu, 2018; Karimi, 2016; Martín García, García del Dujo,
& Muñoz Rodríguez, 2014; Salloum & Shaalan, 2019; Thongsri, Shen, Bao,
& Alharbi, 2018).
Aunque se podría decir que estos
dos factores –expectativa de desempeño y expectativa de esfuerzo– son los más
frecuentemente identificados en la literatura científica, junto a ellos, de
forma más esporádica, se detectan otros elementos del modelo UTAUT que
correlacionan positivamente con la intención de uso y que suelen aparecer junto
con EE y PE: por ejemplo, las condiciones facilitadoras (FC) y la influencia
social (SI) se constatan como elementos influenciadores en la intención de uso
en los estudios de Kallaya, Prasong, y Kittima (2009), Martín García et al.,
(2014), Mosunmola et al. (2018) y
Salloum y Shaalan (2019). En otros casos se detecta la influencia de uno de
estos factores de manera aislada; López & Silva (2016, pp. 189) señalan que
“la influencia social (SI) incrementa la probabilidad de adoptar la tecnología
para el aprendizaje en un 96% por cada unidad en que se incremente esta
variable” y también que resulta significativo el factor de entretenimiento
percibido (PE) mientras que las condiciones facilitadoras (FC) no tienen
influencia significativa en la adopción del m-learning, que se realiza
independientemente de los recursos que ofrezca la universidad.
Por último, son también varios los
estudios (Karimi, 2016; Masrek & Samadi, 2017; Terzis & Economides,
2011; Wang et al., 2009) que destacan la influencia de la diversión percibida
(perceived playfulness o PP), un constructo que, si bien no figura como tal en
el modelo UTAUT, guarda relación con la motivación hedonista (HM) por la
dimensión lúdica del uso de m-learning que pretende medir. Karimi (2016)
destaca especialmente que “entre las características percibidas de la
plataforma, la diversión es un fuerte indicador de la adopción del m-learning.
Los estudiantes usan plataformas móviles cuando el entorno capta su atención
focalizada y ofrece curiosidad y disfrute” (p. 774). Entre los resultados que
obtiene destaca la ausencia de relación significativa entre EE y BI, algo que
contrasta con la mayor parte de las investigaciones del ámbito –como reconoce
la propia autora–, y el impacto limitado de la expectativa de desempeño (PE) en
la intención de uso (BI), que solamente resulta significativo para los modelos de
aprendizaje formal. Destaca también la relación positiva significativa entre
diversión percibida (PP) e intención de uso (BI), hasta el punto de ser la
variable con más incidencia en la varianza de BI del modelo presentado.
Lo expuesto hasta aquí nos permite
observar que, aunque los modelos permiten una cierta estandarización de las
investigaciones del campo y de sus resultados, es frecuente que los
investigadores traten de ampliarlos y perfeccionarlos a través de la prueba
estadística de nuevas variables que pueden afectar a la intención de uso del
m-learning por parte del alumnado universitario.
2. Metodología
Los objetivos del presente
estudio son los siguientes:
O1: Identificar los hábitos de uso
de herramientas de m-learning por parte del alumnado universitario en cuanto a
frecuencia, tipos de aplicaciones usadas y finalidad del uso.
O2:
Identificar factores que puedan favorecer la intención de adoptar herramientas
de m-learning basadas en el smartphone en el alumnado universitario.
La población sobre la que se realizó el estudio fue
el alumnado matriculado en 2º (109 personas), 3º (107 personas) y 4º (115
personas) del Grado en Publicidad y Relaciones Públicas de la Universidad de Vigo. La muestra del estudio se compuso
finalmente de 176 personas de las cuales el 33,52% correspondía al segundo
curso, el 25% al tercero y el 41,48% al cuarto curso.
A partir de los modelos identificados
como predominantes en la investigación sobre adopción de tecnología por parte
del alumnado y de los distintos cuestionarios utilizados en investigaciones
previas en este campo, se construyó un cuestionario (ver anexo) basado
fundamentalmente en el modelo UTAUT2 de Venkatesh, Thong, y Xu (2012) que
propone como determinantes principales de la intención de uso de una tecnología
(BI), la expectativa de desempeño (PE), la expectativa de esfuerzo (EE) y la
influencia social (SI), las condiciones facilitadoras (FC), motivación
hedonista (HM), valor y precio (PV) y hábito (HT). Edad, género y experiencia
previa se plantean como moderadores –en distinto grado– del efecto de estos
elementos en la intención de uso (BI) o en el
comportamiento de uso (UB). Como referencias adicionales en la redacción
de las preguntas se tomaron los cuestionarios elaborados por Abu-Al-Aish y Love
(2013), Kallaya et al. (2009), Lowenthal (2010) y Wang, Wu, y Wang, (2009).
Durante el proceso de elaboración del cuestionario
se decidió prescindir de la variable precio (PV) tras la revisión de otros
estudios en los que no se detecta incidencia en el uso de m-learning.
Adicionalmente, se considera que dada la accesibilidad y gran nivel de
implantación actual del smartphone, no sería una variable relevante en esta
investigación. También se opta por alterar el orden de presentación de las
preguntas relacionadas con el hábito de uso (HT) y utilizarlas como
introducción al cuestionario, por entender que su respuesta requeriría menor
esfuerzo para la persona encuestada y favorecería que continuase hasta
completarlo.
Además del análisis de cuestionarios basados en el
modelo UTAUT y UTAUT2 referenciados, para la elaboración de la primera parte
del del nuestro –relacionada con el uso de distintas herramientas y
aplicaciones a través del smartphone–, se ha tenido en cuenta el ECAR Study
of Undergraduate Students and Information Technology, 2017 de EDUCASE,
considerado por los expertos del campo como referencia y ejemplo a seguir en el
análisis de la relación entre las TIC y la universidad (Gómez, 2016) y la
investigación sobre usos del portátil en universitarios españoles de
Sevillano-García, Quicios-García, y González-García (2016).
El cuestionario se administró a través de correo
electrónico al alumnado matriculado en 2º (109 personas), 3º (107 personas) y
4º (115 personas) del Grado en Publicidad y Relaciones Públicas de la
Universidad de Vigo. Se descartó la participación del alumnado de primer curso
dado que en las fechas previstas para la recopilación de datos (07/12/2017 –
15/12/2017) su experiencia académica en la universidad era muy limitada y
podría condicionar los resultados.
Una vez finalizado el plazo de recepción de
respuestas (15/12/2017) se procedió al análisis de los datos.
3. Análisis y resultados
La muestra del estudio se compone de 176 personas, el 82,95% mujeres y el
17,05% hombres, cifras que se corresponden con la proporción de mujeres y
hombres matriculados en la titulación.
El 33,52% de muestra es alumnado
de segundo curso, el 25% cursa tercero y el 41,48% de la muestra es alumnado de cuarto curso. La
media de edad se sitúa en los 21 años (21,625) con la siguiente distribución:
18-19: 20,45%; 20-21: 46,59%; 22-23: 19,32%; 24-25: 6,25%; resto (26-45):
7,39%.
El coeficiente alfa de Cronbach se
calculó para el conjunto de las variables y de manera agrupada para cada una de
las dimensiones del modelo UTAUT (Tabla 1).
Tabla
1
Valores alfa de
Cronbach y confiabilidad del cuestionario
Fuente:
Elaboración propia
*Según los niveles de confiabilidad establecidos por
George y Mallery (2003)
Para el conjunto de variables el
coeficiente alfa de Cronbach fue de 0,91, lo que supone un nivel de
confiabilidad del instrumento elevado.
A continuación se presentan los
resultados de algunas de las preguntas del cuestionario y un análisis de
correlaciones entre las dimensiones del modelo UTAUT2 utilizadas y la intención
de uso del m-learning. La finalidad de este análisis no es la validación del
modelo utilizado –algo que no forma parte de los objetivos de esta
investigación– sino mejorar la comprensión de los datos obtenidos, a través de
una interpretación complementaria a la descriptiva.
3.1. Posesión de
dispositivos, frecuencia de uso en clase y percepción de importancia
El 100% de la muestra posee
ordenador portátil, el 98,8% dispone de smartphone y el 38,6% posee tablet.
Todas las personas con tablet disponen, adicionalmente de ordenador portátil y
de smartphone. El 61,4% del alumnado no dispone de tablet.
Se
observa en la Tabla 2 que existe un volumen elevado de alumnado que usa en el
aula asiduamente tanto el ordenador portátil como el teléfono móvil. El mayor
nivel de uso de estos dispositivos se corresponde también con una mayor
proporción de poseedores de ambos dispositivos que de poseedores de tablet. Con respecto a esta última el
71,6% de las personas encuestadas no la usa nunca en el aula.
Tabla
2
Respuestas a la pregunta Q3 ¿Con qué frecuencia usas estos dispositivos en clase?
Fuente:
Elaboración propia
Para
poder interpretar mejor las cifras relativas al uso de tablet cruzamos los datos de uso y los de posesión del
dispositivo de manera que se puedan equiparar a los de smartphone y portátil. De este modo, de entre los poseedores de tablet el 33,82% no la usa nunca y
solamente el 11,76% la usa varias veces al día, cifra que solo asciende a 13,23
si sumamos el dato de “una vez al día”.
El
93,76% de la muestra considera muy importante o imprescindible el ordenador
portátil para el desempeño de su actividad académica, frente al 8,52% que
afirma lo mismo sobre la tablet y el
40,91% que tiene esta consideración sobre el smartphone (Tabla 3).
Tabla
3
Respuestas a la pregunta Q4 ¿Qué importancia
consideras que tiene cada uno de estos dispositivos en el desempeño de tu actividad
académica?
Fuente: Elaboración propia
3.2. Herramientas de
aprendizaje móvil más valoradas
Como
se puede observar en la Figura 1 el ítem que obtiene valoraciones más altas es
el servicio de alertas académicas a través del smartphone, con un 69,32% de
usuarios que lo considera muy útil, que asciende a un 89,77% si añadimos a
aquellos que lo consideran bastante útil.
Le
siguen en valoración por parte del alumnado los sistemas LMS para centralizar
la actividad de la materia, con un 84,66% de encuestados que los considera
bastante o muy útiles y un 78,98% para los que mantendría esta consideración
incluso si la plataforma solamente sirviese como repositorio de material
docente.
El
uso de redes sociales generalistas con finalidad docente, por su parte, se
sitúa como la herramienta menos valorada de las propuestas en el cuestionario,
junto con las clases grabadas en audio.
Figura 1
Distribución de respuestas
a la pregunta Q5
Fuente: Elaboración propia
3.3. Frecuencia de uso de
aplicaciones de comunicación y aprendizaje
Con
respecto al uso que el alumnado da al smartphone, la mensajería instantánea, la
actividad en redes sociales y la búsqueda de información online son actividades
que más del 80% de la muestra afirma realizar varias veces al día, con datos
especialmente destacados para las dos primeras: mientras que el 92,61% usa apps
de mensajería instantánea varias veces al día, el 89,20% hace lo propio con las
redes sociales (ver Figura 2).
Figura 2
Distribución de respuestas
a la pregunta Q7 (HT1, HT2, HT3, HT4, HT5, HT6, TH7.
HT8, HT9
Fuente: Elaboración propia
Les
siguen en frecuencia de uso la consulta de correo electrónico (69,32% lo
consulta varias veces al día) y el visionado de vídeos online (65,34% realiza
esta actividad varias veces al día).
El
resto de actividades recogidas en el cuestionario muestran frecuencias de uso
mucho menores que, no obstante reflejan también niveles de uso elevados; por
ejemplo, un 47,73% accede a herramientas de edición de documentos en la nube a
través del smartphone al menos con frecuencia diaria y un 76,14% lo hace con
una frecuencia mínima de varias veces por semana; un 42,04% lee diariamente
textos largos a través del smartphone.
3.4. Uso de herramientas
digitales para tareas académicas concretas
La
pregunta Q8 del cuestionario, subdividida en secciones en función de usos
académicos, era la única de respuesta abierta por lo que la recodificación se
llevó a cabo manualmente para homogeneizar las respuestas. Los resultados se
presentan agrupados por actividades en la figura 3.
La
herramienta favorita para la comunicación con compañeros y coordinación de trabajos
de grupo es WhatsApp, mencionada por el 90,34% de los participantes en la
encuesta. Dentro de este grupo el 67,94% (el 61,36% del total de participantes)
la mencionan en exclusiva, mientras que el resto citan al menos una herramienta
más. La combinación más frecuente –registrada en el 22,15% del total de los
casos– es WhatsApp más Google Drive,
seguida por la combinación de WhatsApp más correo electrónico (6,25%) y
WhatsApp más Facebook Messenger (2,84%).
El
93,75% de los participantes mencionan Google Drive como herramienta de uso más
frecuente para compartir archivos con compañeros para realizar trabajos de
grupo. Dentro de este colectivo el 75,75% citan Google Drive como única
herramienta mientras que el resto mencionan al menos dos. Las herramientas que
complementan el uso de Google Drive para esta tarea con más frecuencia son el
correo electrónico (13,06%), WhatsApp (7,38%), WeTransfer y Dropbox (ambas
presentes, respectivamente en el 3,40% de las respuestas).
La
herramienta más citada para avisar o recibir avisos de asuntos de interés para
toda la clase es WhatsApp, mencionada por el 82,95% de los participantes; de
ellos el 80,82% la cita como única herramienta.
La
mayor parte de las personas que mencionan dos herramientas optan por WhatsApp
más correo electrónico (el 12,5% del total de participantes). La plataforma de
teledocencia de la Universidad es mencionada en el 4,54% de los casos.
Figura 3
Aplicaciones y herramientas citadas con mayor
frecuencia en cada subapartado de Q8
Fuente: Elaboración propia
El
correo electrónico es la herramienta más citada para plantear consultas al
docente: el 95,45% de los participantes la citan, el 97,57% de ellos de forma
exclusiva. La plataforma de teledocencia de la universidad es mencionada en el
6,25% del total de los casos.
3.5. Análisis de los
elementos del modelo UTAUT
Como
ya señalamos, las preguntas relacionadas con el constructo hábito (HT) fueron
integradas en los primeros apartados del cuestionario como introductorias y
hemos optado por conservar ese orden al comentar los resultados. La exposición
de los datos obtenidos con respecto a HT pueden verse en la pregunta Q7. A
continuación presentamos en la Tabla 4 los datos obtenidos con respecto al
resto de elementos del modelo de forma individual. Posteriormente plantearemos
las correlaciones correspondientes.
Dado
que la distribución de la muestra no es normal optamos por métodos no
parámetricos y, concretamente, por la prueba de correlación de Spearman. Todos
los coeficientes muestran correlaciones de signo positivo y significativas al
nivel de 0,01. No se aprecian correlaciones positivas considerables y solamente
en un caso se plantea una correlación positiva media entre las dimensiones de
motivación hedonista (HM) e intención de uso (BI). También destaca –aunque con
un coeficiente de 0,44 se considera como correlación positiva débil– la
correlación entre la expectativa de esfuerzo (EE) y la intención de uso (BI)
(ver Tabla 5).
Tabla
4
Media, moda y desviación de las repuestas relativas al modelo UTAUT
Fuente: Elaboración propia
Tabla
5
Correlación de
Spearman
4. Discusión y conclusiones
Los datos obtenidos muestran que
el alumnado posee los dispositivos necesarios (Q2), que considera mayoritariamente
que dispone de los recursos para usar herramientas de m-learning (FC1) y que el
m-learning es compatible con otros usos que hacen de sus smartphones (FC3). El
estudio de correlaciones muestra una relación significativa –aunque débil– entre
la valoración de las condiciones facilitadoras y la intención de uso del
m-learning.
En relación con el uso de
aplicaciones y herramientas a través del smartphone la pregunta Q7 muestra,
además, que existe también un volumen muy elevado de individuos que hacen un
uso diario del smartphone para comunicación a través de mensajería instantánea,
actividades en redes sociales, consulta de correo electrónico, búsqueda de
información en Internet y consumo de vídeo online a través del smartphone (+80%
en todos los casos). La comparación con el volumen de usuarios que usa
herramientas de edición en la nube (47,73%), lee textos largos (42,04%) escucha
podcasts (26,07%) o consulta la plataforma de teledocencia de la universidad
(17,62%) a través del smartphone a diario muestra que existen claramente dos
grupos de aplicaciones o herramientas por frecuencia de utilización y que
destacan especialmente aquellas que tienen un uso principal relacionado con el
ocio o con la vida personal, además del potencial uso académico que se les
pueda dar.
El análisis de correlaciones
muestra además, que, si bien la relación entre este conjunto de variables y la
intención de uso es significativa y positiva, su nivel de influencia en la
intención de uso es el menor de todos los estudiados. Esto implica que, tal y
como se ha planteado para el caso estudiado, un gran hábito de uso de
herramientas de comunicación y productividad a través del smartphone no supone
una gran intención de uso del m-learning, a pesar de que exista una cierta
relación.
Las preferencias mostradas por los
encuestados en la pregunta Q5 se corresponden en gran medida con las expuestas
por el informe ECAR (Brooks & Pomerantz, 2017): el acceso online a los
contenidos y lecciones, los sistemas de notificación y alertas o el uso de LMS
son las herramientas mejor valoradas mientras que las actividades en redes
sociales cuentan con la segunda peor valoración del listado propuesto, si bien
la percepción sobre ellas es positiva.
En cuanto a la pregunta Q8 son
destacables los elevados índices de acuerdo en las respuestas teniendo en
cuenta que eran las únicas preguntas del cuestionario de respuesta abierta. El
alumnado usa mayoritariamente un número muy limitado de herramientas dedicadas
a funciones concretas: WhatsApp para la coordinación de trabajos grupales y
avisos de interés para toda la clase, Google Drive para la realización de
trabajos en grupo y el correo electrónico para el contacto con el docente.
Con respecto al resto de variables
contempladas por el modelo UTAUT 2 se considera necesario destacar los
resultados relacionados con la expectativa de esfuerzo y con la influencia
social, a pesar de que ambas variables presentan una correlación débil con la
intención de uso del m-learning. En lo que se refiere a la expectativa de
esfuerzo, las preguntas relativas a la
capacidad de aprendizaje del alumnado (EE1, EE2, EE3 y EE6) obtienen mayor
valoración media que aquellas que se refieren a la percepción sobre sus
competencias actuales. En este sentido, tanto la percepción de capacidad actual
como la de aprendizaje son muy positivas y muestran una percepción de
competencia digital elevada en la muestra. Por otro lado, en lo que respecta a
la influencia social, los resultados muestran con claridad que el alumnado
considera importante contar con una comunidad de apoyo en el uso del m-learning
y que, dentro de ella, el papel del profesor como orientador es preeminente.
Para finalizar, aunque la
correlación de todas las variables con la intención de uso del m-learning es
positiva y significativa, lo cierto es que solamente una presenta valores
destacables dentro del modelo y es la motivación hedonista, que relaciona la
intención de uso del m-learning con su capacidad para hacer el aprendizaje más
entretenido, para estimular la curiosidad y para facilitar que el alumnado
busque información adicional sobre contenidos académicos. A pesar de que, en
relación con otras investigaciones basadas en este modelo, cabría esperar que
la correlación entre las variables expectativa de desempeño y expectativa de
esfuerzo con la intención de uso fuese mayor, lo cierto es que el respaldo
hacia la influencia de constructos similares al de la motivación hedonista,
como la diversión percibida, puede observarse también en las investigaciones de
Karimi (2016), Masrek y Samadi (2017), Terzis y Economides (2011) y Wang et al.
(2009).
Si bien la muestra usada
constituye una limitación evidente a la hora de generalizar resultados más allá
del universo del estudio, la investigación viene a sumarse a un acervo de experiencias
en comunidades educativas similares. Por otra parte, debemos señalar también
que la pregunta Q7 pretendía describir el hábito de uso de distintas
aplicaciones y servicios susceptibles de utilización académica a través del
smartphone en modelos de m-learning, aunque esta no fuese su función principal;
la investigación de Venkatesh et al. (2012) en la que se plantea este factor
como relacionado con la intención de uso se refiere en ambos casos al hábito y
a la intención de usar Internet a través del móvil; en este caso no existía una
herramienta de referencia común a la muestra que se pudiese identificar
netamente con m-learning (la herramienta de teledocencia de la universidad a la
que se hace alusión en este estudio tampoco está concebida para ese uso) por lo
que se optó por explorar los hábitos de uso del smartphone a través de varias
herramientas y aplicaciones. Este planteamiento resultó útil para el análisis
descriptivo, pero la heterogeneidad del constructo tal y como se planteó supone
ciertas debilidades en cuanto a confiabilidad con respecto al resto de
elementos estudiados.
El presente artículo muestra que
el alumnado cuenta con los medios técnicos, con el conocimiento y con la
capacidad de aprendizaje necesaria para adoptar modelos basados en los
dispositivos móviles. Se entiende que esta familiaridad con el uso es una
ventana de oportunidad siempre que los docentes sepan aprovechar su capacidad
de influencia, las prácticas ya asumidas por el alumnado en otras esferas no
académicas o informales y la percepción del m-learning como un modelo de
aprendizaje lúdico, que favorece la ampliación de conocimientos de una manera
menos dirigida.
Referencias.
Abu-Al-Aish, A., & Love, S. (2013). Factors influencing
students’ acceptance of m-learning: An investigation in higher education. International
Review of Research in Open and Distance Learning, 14(5), 82-107. https://doi.org/10.19173/irrodl.v14i5.1631
Brooks,
D. C., & Pomerantz, J. (2017). ECAR Study of Undergraduate Students and
Information Technology, 2017. https://i.gal/25RZP
Crompton,
H., & Burke, D. (2018). The use of mobile learning in higher education: A
systematic review. Computers & Education, 123, 53-64. https://doi.org/10.1016/j.compedu.2018.04.007
Dakduk,
S., Santalla-Banderali, Z., & Van der Woude, D. (2018). Acceptance of Blended Learning in
Executive Education. SAGE Open, 8(3). https://doi.org/10.1177/2158244018800647
García
Botero, G., Questier, F., Cincinnato,
S., He, T., & Zhu, C. (2018). Acceptance and usage of mobile assisted
language learning by higher education students. Journal of Computing in
Higher Education, 30(3), 426-451. https://doi.org/10.1007/s12528-018-9177-1
George,
D., & Mallery, P. (2003). SPSS for Windows step by step: A simple guide
and reference 11.0 update (4th ed.). Allyn & Bacon.
Gikas,
J., & Grant, M. M. (2013). Mobile computing devices in higher education:
Student perspectives on learning with cellphones, smartphones & social
media. Internet and Higher Education, 19, 18-26. https://doi.org/10.1016/j.iheduc.2013.06.002
Gómez,
J. (2016). UNIVERSITIC 2016. Análisis de las TIC en las Universidades Españolas. https://i.gal/alOEz
Grant,
M. M. (2019). Difficulties in defining mobile learning: analysis, design
characteristics, and implications. Educational Technology Research and
Development, 67(2), 361-388. https://doi.org/10.1007/s11423-018-09641-4
Grieve,
R., Padgett, C. R., & Moffitt, R. L. (2016). Assignments 2.0: The role of
social presence and computer attitudes in student preferences for online versus
offline marking. The Internet and Higher Education, 28, 8-16. https://doi.org/10.1016/j.iheduc.2015.08.002
Kallaya,
J., Kittima, M., & Prasong,
P. (2009, diciembre 18). An Acceptance of Mobile
Learning for Higher Education Students in Thailand. The Sixth International
Conference on eLearning for Knowledge-Based Society, Tailandia.
https://i.gal/8CnGz
Karimi, S. (2016). Do learners’ characteristics matter? An
exploration of mobile-learning adoption in self-directed learning. Computers
in Human Behavior, 63(Supplement C), 769-776. https://doi.org/10.1016/j.chb.2016.06.014
Krull, G., & Duart, J. M. (2017). Research
Trends in Mobile Learning in Higher Education: A Systematic Review of Articles
(2011 – 2015). The International Review of Research in Open and Distributed
Learning, 18(7). https://doi.org/10.19173/irrodl.v18i7.2893
Kukulska-Hulme,
A. (2005). Introduction. En A. Kukulska-Hulme
& J. Traxler (Eds.), Mobile learning: a handbook for educators and
trainers (pp. 1-6). Routledge.
López, F. A., & Silva, M. M. (2016). Factors
of mobile learning acceptance in higher education. Estudios
Sobre Educacion, 30,
175-195. https://doi.org/10.15581/004.30.175-195
Lowenthal,
J. N. (2010). Using Mobile Learning: Determinates Impacting Behavioral
Intention. American Journal of Distance Education, 24(4),
195-206. https://doi.org/10.1080/08923647.2010.519947
Ma,
J., Han, X., Yang, J., & Cheng, J. (2015). Examining the necessary
condition for engagement in an online learning environment based on learning
analytics approach: The role of the instructor. The Internet and Higher
Education, 24, 26-34. https://doi.org/10.1016/j.iheduc.2014.09.005
Martín
García, A., García del Dujo, Á. G. del, & Muñoz
Rodríguez, J. M. M. (2014). Factores determinantes de adopción de
blended learning en educación
superior. Adaptación del modelo
UTAUT*. Educación XX1, 17(2). https://doi.org/10.5944/educxx1.17.2.11489
Masrek,
M. N., & Samadi, I. (2017). Determinants of
mobile learning adoption in higher education setting. Asian Journal of
Scientific Research, 10(2), 60-69. https://doi.org/10.3923/ajsr.2017.60.69
Mateus,
J. C., Aran-Ramspott, S., & Masanet,
M.-J. (2017). Revisión de la literatura
sobre dispositivos móviles en la universidad
española. RIED. Revista Iberoamericana
de Educación a Distancia,
20(2), 49-72. https://doi.org/10.5944/ried.20.2.17710
Molinillo,
S., Aguilar-Illescas, R., Anaya-Sánchez, R., & Vallespín-Arán, M. (2018). Exploring the impacts of
interactions, social presence and emotional engagement on active collaborative
learning in a social web-based environment. Computers and Education,
123, 41-52. https://doi.org/10.1016/j.compedu.2018.04.012
Mosunmola, A., Mayowa, A., Okuboyejo,
S., & Adeniji, C. (2018). Adoption and use of
mobile learning in higher education: The UTAUT model. IC4E ’18: Proceedings
of the 9th International Conference on E-Education, E-Business, E-Management
and E-Learning, 20-25. https://doi.org/10.1145/3183586.3183595
Motiwalla,
L. F. (2007). Mobile learning: A framework and evaluation. Computers and
Education, 49(3), 581-596. https://doi.org/10.1016/j.compedu.2005.10.011
Ngampornchai,
A., & Adams, J. (2016). Students’ acceptance and readiness for E-learning
in Northeastern Thailand. International Journal of Educational Technology in
Higher Education, 13(1). https://doi.org/10.1186/s41239-016-0034-x
Park,
Y. (2011). A pedagogical framework for mobile learning: Categorizing
educational applications of mobile technologies into four types. International
Review of Research in Open and Distance Learning, 12(2), 78-102. https://doi.org/10.19173/irrodl.v12i2.791
Peters,
K. (2007). m-Learning: Positioning educators for a mobile, connected future. The
International Review of Research in Open and Distributed Learning, 8(2).
https://doi.org/10.19173/irrodl.v8i2.350
Pimmer,
C., Mateescu, M., & Gröhbiel,
U. (2016). Mobile and ubiquitous learning in higher education settings. A
systematic review of empirical studies. Computers in Human Behavior, 63,
490-501. https://doi.org/10.1016/j.chb.2016.05.057
Ramírez-Montoya,
M. S., & García-Peñalvo, F. J. (2017). La integración efectiva del dispositivo móvil en la educación y en el aprendizaje. RIED.
Revista Iberoamericana de Educación
a Distancia, 20(2), 29-47. https://doi.org/10.5944/ried.20.2.18884
Salloum, S. A., & Shaalan, K. (2019). Factors
Affecting Students’ Acceptance of E-Learning System in Higher Education Using
UTAUT and Structural Equation Modeling Approaches. Advances in Intelligent
Systems and Computing, 845, 469-480. https://doi.org/10.1007/978-3-319-99010-1_43
Sung,
Y.-T., Chang, K.-E., & Liu, T.-C. (2016). The effects of integrating mobile
devices with teaching and learning on students’ learning performance: A
meta-analysis and research synthesis. Computers & Education, 94(Supplement
C), 252-275. https://doi.org/10.1016/j.compedu.2015.11.008
Terzis,
V., & Economides, A. A. (2011). The acceptance and use of computer based assessment. Computers and Education, 56(4),
1032-1044. https://doi.org/10.1016/j.compedu.2010.11.017
Thongsri,
N., Shen, L., Bao, Y., & Alharbi, I. M. (2018). Integrating UTAUT and UGT
to explain behavioural intention to use M-learning: A
developing country’s perspective. Journal of Systems and Information
Technology, 20(3), 278-297. https://doi.org/10.1108/JSIT-11-2017-0107
Venkatesh,
V., Thong, J. Y. L., & Xu, X. (2012). Consumer Acceptance and Use of
Information Technology: Extending the Unified Theory of Acceptance and Use of
Technology. MIS Quarterly, 36(1), 157-178. https://doi.org/10.2307/41410412
Wang,
Y.-S., Wu, M.-C., & Wang, H.-Y. (2009). Investigating the determinants and
age and gender differences in the acceptance of mobile learning. British
Journal of Educational Technology, 40(1), 92-118. https://doi.org/10.1111/j.1467-8535.2007.00809.x
Wu,
W.-H., Jim, W., Chen, C.-Y., Kao, H.-Y., Lin, C.-H., & Huang, S.-H. (2012).
Review of trends from mobile learning studies: A meta-analysis. Computers
and Education, 59(2), 817-827. https://doi.org/10.1016/j.compedu.2012.03.016