Relaciones entre redes sociales y recursos digitales de instrucción en la universidad: comparativa España – Colombia
Relationship between social
media and digital resources of
instruction in the university: comparative Spain – Colombia
Dr. Luis Matosas-López. Personal docente e investigador. Universidad Rey Juan Carlos, España
Dra. Marianela Luzardo-Briceño. Personal docente e investigador. Universidad Pontificia Bolivariana,
Colombia
Dra. Alba-Soraya Aguilar-Jiménez. Personal docente e investigador. Universidad Pontificia Bolivariana,
Colombia
Dra. Ludym Jaimes-Carrillo. Personal docente e investigador. Universidad Pontificia Bolivariana,
Colombia
Recibido: 2020/02/18 Revisado: 2020/03/20 Aceptado: 2020/07/03 Preprint: 2020/11/05
Publicado: 2021/01/01
Como citar:
Matosas-López,
L., Luzardo-Briceño, M., Aguilar-Jiménez, A. S., & Jaimes-Carrillo,
L. (2021). Relaciones entre redes sociales y recursos educativos digitales en
la universidad: comparativa España – Colombia. Píxel-Bit. Revista de Medios y Educación, 60, 77-93 https://doi.org/10.12795/pixelbit.77522
ABSTRACT
El presente trabajo analiza
la influencia que los patrones de uso en las redes sociales de referencia
(Twitter, Facebook, Instagram) tienen a la hora de predecir la utilidad
percibida por el universitario en un listado de recursos educativos digitales
(vídeo tutoriales, foros, podcasts, test auto evaluables, blogs o eBooks entre
otros). Los autores abordan además esta tarea adoptando un enfoque comparativo
examinando el fenómeno objeto de estudio en dos muestras de estudiantes en
España y Colombia. El estudio, desarrollado mediante encuesta sobre una muestra
de 549 participantes, emplea técnicas de análisis factorial exploratorio y
confirmatorio (AFE y AFC), análisis univariado y regresión logística ordinal.
Los resultados revelan que,
si bien existen asociaciones entre los patrones de uso de redes sociales y la
utilidad percibida en ciertos recursos educativos digitales, e incluso, se
pueden detectar modelos de estimación óptimos en algunos casos; el uso de estas
plataformas tiene escasa capacidad predictiva a la hora de determinar la
importancia que el universitario otorga a los recursos educativos digitales de
interés en ambos países.
RESUMEN
The present work analyzes the
influence that use patterns in the social networks of reference (Twitter,
Facebook, Instagram) have when predicting the utility perceived by the
university student in a list of digital educational resources (video tutorials,
forums, podcasts, self-assessable test, blogs or eBooks among others). The
authors carry out this task adopting a comparative approach examining the
phenomenon under observation in two samples of students in Spain and Colombia.
The study, developed using a survey in a sample of 549 participants, applies
techniques of exploratory and confirmatory factor analysis (EFA and CFA),
univariate analysis and ordinal logistic regression.The results reveal that,
although there are associations between use patterns in social networks and the
utility perceived in certain digital educational resources, and even, optimal
estimation models can be identified in some cases; the use of these platforms
has little predictive power in determining the importance that the university
student grants to digital educational resources of interest in both countries.
PALABRAS
CLAVES · KEYWORDS
Medios sociales; recursos
educacionales; universidades; España; Colombia.
Social media; educational
resources; universities; Spain; Colombia.
1. Introducción
La dinámica de las
Tecnologías de la Información y la Comunicación (TIC) ha abierto nuevos
escenarios en todos los ámbitos y el educativo no es ajeno a ello. Las
características de flexibilidad, interactividad, ubicuidad y accesibilidad de
las TIC ofrecen múltiples alternativas en la esfera educativa, posibilitando
nuevas formas de generar y transmitir conocimiento. La comunidad docente es
consciente de ello y esto ha empujado a los profesionales de la educación a
adaptarse a una nueva realidad en las que las TIC juegan un papel determinante
en la formación de la ciudadanía.
La integración de las TIC en
el ámbito académico evidencia notables transformaciones; no obstante, no todos
sus efectos son positivos. Bossolasco, Chiecher y Dos Santos (2020), por ejemplo, apuntan que el comportamiento de los jóvenes
en este entorno digital no siempre implica el desarrollo de competencias
susceptibles de aprovechamiento en un contexto académico. Linne (2014), por su parte, señala que el avance de la tecnología incluso
ha introducido una cierta dispersión de la atención del alumnado en el contexto
universitario.
El impacto de las TIC en el
ámbito de la educación superior tiene, indudablemente, distintos efectos e
implicaciones. Entre estas destacan dos: por un lado, la proliferación del uso
de redes sociales entre el alumnado y, por otro, el desarrollo de múltiples
recursos digitales de instrucción para los procesos de aprendizaje. Aspectos,
ambos, que pasaremos a desarrollar en los dos siguientes epígrafes.
1.1. Redes sociales.
La expansión del fenómeno de
las redes sociales está estrechamente vinculada con la evolución de las TIC y
de Internet de forma más específica. La repercusión adquirida por estas
plataformas en los últimos años es incuestionable, y su integración en la vida
de la franja más joven de la población, una realidad constatada. Son muchos los
jóvenes que han incorporado las redes sociales a sus rutinas diarias. De hecho,
estas plataformas se posicionan entre la juventud como lugar frecuente para el
intercambio de información y el ocio. Por tanto, el fenómeno de las redes
sociales no parece una moda pasajera, sino un espacio asentado en el que los
jóvenes cobran protagonismo convirtiéndose en consumidores y generadores de
contenido de diversa índole (García-Ruíz,
Ramirez-Garcia, & Rodriguez-Rosell, 2014).
En el contexto de la
educación superior, aunque el uso académico de las redes sociales es aún
limitado, la actitud del alumnado hacia la introducción de estas plataformas en
la enseñanza es altamente favorable (Gómez-Aguilar,
Roses-Campos, & Farias-Batlle, 2012). El grado de adopción y la penetración de uso de redes
sociales entre los estudiantes universitarios proporciona, sin lugar a duda,
los cimientos para la progresiva integración de estas tecnologías en el ámbito
de la educación superior. Esta normalización del empleo de redes sociales en
universitarios queda constatada tanto en España como en Colombia.
En España diferentes autores
han remarcado la incidencia del empleo de redes sociales en el contexto de la
formación superior (Aymerich-Franch
& Fedele, 2015; Cabero-Almenara & Marín-Díaz, 2014). Así, distintas investigaciones muestran la considerable
penetración de uso de plataformas como Facebook, Twitter o Instagram entre el
alumnado universitario (Matosas-López
& Romero-Ania, 2019; Sánchez-Rodríguez, Ruiz-Palmero, & Sánchez-Rivas,
2015).
En Colombia, por su parte,
distintos autores apuntan que el uso de redes sociales está también cada vez
más extendido dentro de la comunidad universitaria (Cabero
Almenara et al., 2020; Guzmán-Duque, Luzardo-Briceño, &
Aguilar-Jiménez, 2013). En este caso, diferentes
estudios revelan, de nuevo, que las redes sociales Facebook, Twitter e
Instagram se encuentran entre las plataformas con mayor grado de adopción y
frecuencia de uso entre los estudiantes (Tejedor
Calvo et al., 2016; Tejedor, Carniel Bugs, & Giraldo Luque, 2018).
Esta regularización en el uso
de redes sociales entre el alumnado universitario ha llevado a las
instituciones de educación superior a tomar conciencia del potencial útil de
las mismas. Hecho este que ha obligado a una integración progresiva de estas
tecnologías, tanto en la gestión de las comunicaciones institucionales (Barquero
Cabrero, 2015; Túñez López, Valdiviezo Abad, & Martínez Solana, 2015) como en el apoyo al profesorado en su labor docente (Mayor
Buzón, García Pérez, & Rebollo Catalán, 2019; Vrocharidou & Efthymiou,
2012).
1.2. Recursos digitales de instrucción
Los recursos de instrucción,
entendidos como aquellas herramientas empleadas durante el proceso de enseñanza
con el propósito de que el estudiante desarrolle un aprendizaje, no permanecen
ajenos al impacto de las TIC. La inclusión de la tecnología en la educación ha
contribuido también a generar cambios sustanciales en los recursos educativos
empleados en los procesos de instrucción. Fernández (2014) apunta que la incorporación de la tecnología contribuye a
alcanzar una educación más flexible e integradora en la que el docente puede
brindar al estudiante una atención más individualizada. Urbina Nájera (2019), por su parte, señala que la introducción de estrategias
digitales en el aprendizaje puede aumentar el volumen de aprobados en
diferentes materias. No obstante, la consecución efectiva de estas mejoras
requiere de la elaboración y aplicación de nuevos recursos educativos apoyados
en las TIC.
Afortunadamente la
democratización de la tecnología y del uso de Internet facilita, primero, el
desarrollo de multitud de recursos educativos de carácter digital, y segundo,
un acceso cómodo y ágil a los mismos. Todo esto ha disparado tanto la aparición
de nuevos recursos digitales de instrucción (webinars, Massive Online Open
Courses o MOOCs, pizarras virtuales, vídeo clases…), como la reconversión de
herramientas digitales ya existentes para satisfacer fines formativos (foros,
podcasts, blogs, wikis…).
Si bien el abanico de
recursos educativos digitales contemplados en la literatura es muy amplio y las
propuestas para categorizar los mismos son diversas, destacaremos las
clasificaciones planteadas por Quirós-Meneses (2009) y Cacheiro (2011).
La categorización realizada
por Quirós-Meneses (2009) contempla tres tipos de recursos digitales de instrucción:
transmisivos, activos e interactivos. Los recursos transmisivos se apoyan en la
trasferencia eficaz de información del emisor a los destinarios. Aquí quedarían
recogidos: bibliotecas, videotecas, enciclopedias digitales, tutoriales en
línea o sistemas de reconocimiento de texto y voz. Los recursos activos, por su
parte, posibilitan que el alumno trabaje sobre el objeto de estudio, con el
propósito de generar a partir de ahí su conocimiento. Esta categoría
contemplaría: juegos de creatividad, traductores, buscadores, procesadores de
texto u hojas de cálculo. Por último, los recursos interactivos tienen el
propósito de generar el conocimiento mediante el dialogo desarrollado a través
de herramientas sincrónicas o asincrónicas de comunicación digital.
Quirós-Meneses (2009) considera aquí: juegos colaborativos en línea, chats, foros,
correo electrónico, pizarras virtuales, aplicaciones de videoconferencia,
blogs, o wikis.
Por otro lado, la
categorización desarrollada por Cacheiro (2011) contempla también tres tipos de recursos educativos
digitales: recursos de información, recursos de colaboración y recursos de
aprendizaje. Los recursos de información representan una fuente de obtención de
datos que, a posteriori, pueden emplearse como complemento para profundizar en
temáticas de distinta índole. Aquí se recogerían: infografías, enciclopedias
virtuales, bases de datos en línea, YouTube, o buscadores. Los recursos de
colaboración, por su parte, posibilitan el trabajo conjunto y la participación
en redes de conocimiento entre instituciones o profesionales con intereses
comunes. Esta categoría contemplaría: foros, wikis, blogs o webinars. Por
último, los recursos de aprendizaje son aquellos que facilitan el desarrollo de
un conocimiento conducente a la obtención de los resultados de formación
esperados. Cacheiro (2011) considera aquí: vídeo tutoriales, test auto evaluables,
eBooks, o podcasts.
1.3. Objetivo
Algunos autores evidencian
que a pesar de la buena predisposición del alumnado, existen ciertas
reticencias por parte de la comunidad docente hacia la incorporación de las TIC
en la educación superior (Escobedo
Seguel & Arteaga Viveros, 2015). La única de manera de garantizar una integración
satisfactoria de la tecnología en el ámbito universitario es contar con
información clara sobre las implicaciones reales del uso de TIC en este
contexto. De ahí la necesidad de desarrollar estudios que permitan profundizar
en los aspectos relativos al uso de elementos como las redes sociales o los
recursos digitales de instrucción. No obstante, a pesar de la expansión del uso
de medios sociales y al auge de los recursos educativos digitales, la
literatura no contempla investigaciones que examinen ambas cuestiones de manera
simultánea.
El presente trabajo analiza la influencia que los patrones de uso de las
redes sociales de referencia (Twitter, Facebook, Instagram) tienen a la hora de
predecir la utilidad percibida por el estudiante en los recursos educativos
digitales comúnmente empleados en la docencia universitaria (vídeo tutoriales,
foros, podcasts, test auto evaluables, blogs o e-books entre otros). Los
autores abordan además esta tarea adoptando un enfoque comparativo, explorando
el fenómeno objeto de estudio en dos muestras de estudiantes en España y
Colombia.
2. Metodología
2.1. Participantes
El estudio cuenta con una
muestra de 549 participantes de dos universidades; seleccionados, en ambos
casos, por muestreo incidental (Mayorga
Fernández & Ruiz Baeza, 2002). Por un lado, alumnos de la Universidad Pontificia
Bolivariana (UPB) en Colombia y, por otro, estudiantes de la Universidad Rey
Juan Carlos (URJC) en España.
La muestra recogida en la UPB
consta de 255 alumnos de Ingeniería en Organización Industrial. La edad
promedio de los participantes se sitúa en 20.77 (DT = 2.37), siendo la
distribución de género de 56.39% (femenino), 43.61% (masculino). Por su parte,
la muestra tomada en la URJC consta de 294 estudiantes de Administración y
Dirección de Empresas. El promedio de edad se sitúa en 19.58 (DT = 2.67), con
una distribución género de 32.32% (femenino), 67.68% (masculino).
Si bien es cierto, que los
sujetos objeto de estudio en cada país provienen de titulaciones distintas; la
fuerte carga de competencias de organización, administración y gestión
subyacente en ambos programas hace, en opinión de los autores, que los
colectivos sean susceptibles de comparación.
2.2. Instrumento
Los datos se obtienen
empleando un cuestionario elaborado ad hoc por los investigadores. El contenido
del cuestionario es validado a través de la evaluación de un equipo de jueces
expertos en el ámbito de la educación superior. El panel de expertos encargado
de validar el contenido del instrumento estuvo compuesto por ocho profesores:
cuatro de la UPB y cuatro de la URJC.
Tras tres rondas sucesivas de
revisión, el equipo de jueces consensua un cuestionario con treinta y tres
ítems. En estas tres rondas, el panel de expertos evalúa la pertinencia,
relevancia y concreción en la redacción de cada pregunta. En cada ronda, los
jueces reciben una plantilla en la que valoran cada ítem en términos
cuantitativos en una escala Likert de diez niveles.
Durante la primera ronda de
valoración, los expertos aportan elevadas puntuaciones sobre la pertinencia de
las preguntas (M = 7.97, DT = .87). En la segunda etapa se recogen también
valoraciones positivas entorno a la relevancia de los ítems del cuestionario (M
= 8.05, DT = 1.13). Para terminar, la tercera ronda refleja igualmente
resultados óptimos en lo concerniente al nivel de concreción en la redacción de
las preguntas (M = 8.57, DT = .96).
El instrumento emplea
diecinueve ítems para recoger aspectos relacionados con el uso de redes
sociales (variables independientes) y catorce ítems que plasman un listado de
recursos educativos de carácter digital (variables dependientes). Las variables
independientes quedan representadas mediante ítems de tipo categórico. Por su
parte, las variables dependientes son presentadas con ítems de tipo ordinal en
forma de escalas de Likert con cinco niveles (de 1 a 5).
El listado de variables
independientes se desarrolla a partir de los trabajos de Monge Benito y
Olabarri Fernández (2011), Sánchez-Rodríguez, Ruiz-Palmero y Sánchez-Rivas (2015), Tejedor Calvo et al. (2016), y Tejedor et al. (2018). Por su parte, el listado de variables dependientes se
elabora tomando como referencia los trabajos de Quirós-Meneses (2009) y Cacheiro (2011).
2.3. Procedimiento
Recogida la información, el
análisis se desarrolla en tres fases: 1) análisis factorial exploratorio (AFE)
para revelar los constructos subyacentes en el conjunto de variables
independientes y análisis factorial confirmatorio (AFC) para corroborar la
estructura de constructos identificada; 2) análisis univariado entre los
constructos representativos de las variables independientes, generadas durante
análisis factorial, y las variables dependientes de interés; y 3) regresión
logística ordinal para analizar el poder de los constructos independientes a la
hora de predecir el comportamiento de las variables dependientes.
2.3.1. Análisis factorial
exploratorio y confirmatorio (AFE y AFC)
El análisis factorial se
centra en el conjunto variables independientes. El AFE se desarrolla empleando
el método de extracción de componentes principales con rotación Varimax,
fijándose como criterio para la extracción de factores el de autovalores
superiores a 1.
Después de un primer AFE se
realiza un análisis de fiabilidad mediante el cálculo del estadístico Alpha de
Cronbach. En este se observan índices de homogeneidad, por un lado, y de
fiabilidad al eliminar cada ítem por otro. En consonancia con Lacave et al. (2015) se eliminan aquellos ítems en los que el índice de homogeneidad
presenta valores por debajo de .20 y en los que además la eliminación del ítem
ayuda a incrementar sustancialmente la fiabilidad expresada por el Alpha de
Cronbach.
Una vez eliminados los ítems
que permiten mejorar la fiabilidad del análisis, se realiza un segundo y
definitivo AFE. Este segundo análisis revela el número de constructos o
factores subyacentes en el conjunto de variables independientes y el porcentaje
de la varianza que estos son capaces de explicar. Conocida la estructura factorial
óptima, se analiza de nuevo la fiabilidad global y la fiabilidad de cada uno de
los factores empleando, una vez más, el estadístico Alpha de Cronbach. El
puntaje generado durante el segundo AFE, para cada uno de los constructos, pasa
a ser utilizado en los análisis ulteriores.
Tras el AFE, y siguiendo la
línea de estudios anteriores (Gómez-García, Matosas-López, &
Palmero-Ruiz, 2020; Martínez Clares, Pérez Cusó, & González Morga, 2019) se lleva a cabo un AFC. Este AFC posibilita que los investigadores
puedan corroborar que la estructura factorial apuntada, a priori, por el AFE es
la adecuada. El AFC se desarrolla estimando los parámetros del modelo bajo el
criterio de máxima verosimilitud, mientras que la evaluación de este se realiza
examinando los indicadores habituales: CFI, GFI, RMSEA y SRMR.
2.3.2. Análisis univariado
De manera previa a la
regresión se realiza un análisis univariado. Este análisis posibilita la
identificación de potenciales asociaciones entre los constructos representativos
de las variables independientes generadas durante el análisis factorial y las
variables dependientes de interés.
Acorde con la metodología
presentada por Rodríguez-Ayán (2005), el análisis de asociaciones entre factores representativos
del conjunto de variables independientes y las variables dependientes se
desarrolla mediante el estadístico de Kruskal-Wallis.
El propósito último de la
aplicación de la prueba de Kruskal-Wallis es el de obtener un criterio de
inclusión de las variables predictoras en el modelo de regresión logística
ordinal. Atendiendo a los resultados de la prueba de Kruskal-Wallis, se
introducirán en la regresión tan solo aquellos constructos, representativos de
las variables independientes, que presenten un nivel de significación
univariado < .05.
2.3.3. Modelo de regresión
logística ordinal
Considerando la naturaleza
cualitativa ordinal de las variables dependientes, el estudio de la incidencia
de los constructos independientes sobre las variables de interés se lleva a
cabo empleando una regresión logística ordinal.
Para simplificar el análisis,
los autores, siguiendo la metodología de Leguey Galán, Leguey Galán y Matosas
López (2018) optan por un modelo de regresión ordinal en el que las
variables independientes son consideradas como continuas, incorporándose a la
regresión en forma de covariables. El modelo empleado utiliza la función de
enlace Logit, aplicando el método de máxima verosimilitud.
Una vez desarrollados los
modelos, conforme al criterio de Rodríguez-Ayán (2005), las variables regresivas menos significativas y con valores
de Wald por debajo de dos son descartadas con el propósito de alcanzar modelos
de estimación más parsimoniosos.
Finalmente, la evaluación de
los modelos de regresión se realiza mediante la observación de tres
indicadores: a) la bondad de ajuste pseudo R2 de Nagelkerke, b) el
supuesto de rectas paralelas, y c) el porcentaje de coincidencia entre el
pronóstico y el valor observado.
Todos los análisis son
desarrollados de manera paralela en ambas muestras empleado el software IBM
SPSS V25. Los resultados son presentados de manera desglosada para cada una de
las dos universidades por separado, sintetizándose las conclusiones
comparativas en la parte final del trabajo.
3.
Análisis y resultados
3.1. Universidad Rey Juan Carlos (España)
3.1.1. Análisis factorial exploratorio y confirmatorio (AFE y AFC) URJC
El
estudio de la fiabilidad en el AFE inicial, considerando los bajos valores de
homogeneidad y los elevados valores de Alpha de Cronbach al desechar el
elemento, sugiere la eliminación de tres ítems: frecuencia de uso Twitter,
frecuencia de uso Facebook y frecuencia de uso Instagram.
Eliminados estos tres ítems
se procede a realizar el segundo AFE. Las saturaciones de los ítems en la
matriz final de componentes rotados revelan la existencia de cinco factores
capaces de explicar el 67.09% de la varianza total (ver Tabla 1). Este
porcentaje de varianza explicada invita a los autores a aceptar el modelo a pesar
de la presencia de coeficientes por debajo de .700 en ciertos constructos.
Revelada la estructura
factorial, se analiza la fiabilidad global y la fiabilidad de cada uno de los
cinco constructos o factores. El estadístico Alpha de Cronbach global presenta
un valor de .823.
Con el objetivo de corroborar
la estructura factorial mostrada por el modelo previo, los autores llevan a
cabo también un AFC. El ajuste del modelo a razón de chi-cuadrado sobre los
grados de libertad χ2/g.l. = 2.989 presenta los siguientes indicadores:
CFI = .901, GFI = .912, RMSEA = .065 y SRMR = .058. Los mencionados
coeficientes, de acuerdo con lo postulado en estudios anteriores (Gómez-García
et al., 2020; Martínez Clares et al., 2019), sirven para constatar la robustez
del modelo propuesto.
Los ítems considerados en
cada factor, así como la denominación dada por los investigadores a los mismos
es descrita a continuación.
Factor 1 (importancia
otorgada a publicar fotos y videos, a publicar reflexiones personales y a
seguir amigos) publicar contenido;
factor 2 (importancia otorgada a ver videos, a la búsqueda de información y a
ver fotos) visualizar y buscar contenido;
factor 3 (importancia otorgada a participar en debates y al acceso a
promociones) debates y promociones;
factor 4 (importancia otorgada a seguir y mencionar personajes públicos e
importancia otorgada a mencionar amigos) intensivo
personajes públicos y factor 5 (utilización de menciones, hashtags y
likes) intensivo hashtags menciones
likes.
Tabla 1
Matriz final de componentes
rotados URJC
3.1.2. Análisis univariado URJC
Los resultados de la prueba Kruskal Wallis (ver Tabla 2) muestran
la ausencia de asociaciones entre los constructos representativos de las
variables predictoras y seis de los recursos digitales de instrucción
considerados: vídeo tutorial, webinar, blog, MOOC, wiki y eBook. Al no existir
asociaciones significativas, los recursos educativos indicados dejan de ser
considerados para la posterior regresión logística ordinal. En los ocho
recursos educativos restantes se toman, para su introducción en la regresión,
las variables con un nivel de significación univariado < .05.
3.1.3. Modelo de regresión logística ordinal URJC
Inicialmente se desarrollan
ocho modelos de regresión para las variables dependientes que presentan
asociaciones univariadas significativas: PowerPoint, Foros, Podcast, PDF, Test
auto evaluable, Presentación Prezi, Pizarra virtual y Vídeo clase.
De estos ocho modelos, el de
la variable Podcast cuenta con única variable regresiva, cuyo coeficiente de
Wald, reducido (menor de 2) y poco significativo, sugiere su exclusión del
modelo. En consecuencia, el modelo de regresión para la variable Podcast
resulta desechado.
Tabla 2
Asociaciones univariadas
estadístico Kruskal Wallis URJC
*Nivel de
significación univariado de <. 05 / **Nivel de
significación univariado de <.01
Para la variable dependiente
Foros, conforme al criterio de ajuste anterior, la variable regresiva Debates y promociones es eliminada del
modelo predictivo. Esto reduce el modelo de estimación para esta variable a dos
variables regresivas Publicar contenido
e Intensivo personajes públicos,
generando así un modelo más parsimonioso.
Los siete modelos de
regresión propuestos para cada recurso educativo digital, tras los ajustes
descritos, aparecen expuestos en la tabla 3.
Tabla 3
Modelo final de regresión
logística ordinal URJC
La evaluación de los siete
modelos se realiza observando los indicadores estadísticos presentados en la
tabla 4. La bondad de ajuste reflejada a través del estadístico pseudo R2 de
Nagelkerke presenta valores entre .05 y .13 para las siete variables
dependientes de interés. La prueba de líneas paralelas muestra valores
significativos (por encima de .05) para los modelos predictivos de cuatro de
las siete variables dependientes: PowerPoint, PDF, Test auto evaluable y
Presentación Prezi. En consecuencia, se acepta la hipótesis de paralelismo confirmando
la adecuación de estos modelos. Sin embargo, el modelo para la variable Test
auto evaluable es desechado por su escaso porcentaje de pronósticos correctos.
Tabla 4
Evaluación del modelo URJC
3.2. Universidad Pontificia Bolivariana (Colombia)
3.2.1. Análisis factorial exploratorio y confirmatorio (AFE y AFC) UPB
El
examen de fiabilidad en el AFE inicial, observando los bajos valores de homogeneidad y los elevados
coeficientes de Alpha de Cronbach al eliminar el ítem, sugiere la exclusión del
elemento: frecuencia de uso Twitter.
Desechado el elemento
indicado se realiza el AFE definitivo. Las saturaciones de los ítems en la
matriz final de componentes rotados muestran la presencia de cinco factores,
los cuales son capaces de explicar el 63.44% de la varianza total (ver Tabla
5). La buena proporción de varianza explicada apoya la aceptación del modelo,
aun cuando se observan coeficientes inferiores a .700 en algunos factores.
Conocida la estructura
factorial, se analiza la fiabilidad global y la fiabilidad de cada uno de los
cinco constructos o factores. El estadístico Alpha de Cronbach global presenta
un valor de .812.
Con el propósito de constatar
la adecuación de la estructura matricial previa, los investigadores realizan
además un AFC. La evaluación del modelo para chi-cuadrado y los grados de
libertad χ2/g.l. = 2.724, muestra los siguientes indicadores: CFI = .909,
GFI = .920, RMSEA = .072 y SRMR = .056. Los mencionados coeficientes, en línea
con lo apuntado por otros autores (Gómez-García et al., 2020; Martínez Clares
et al., 2019), corroboran el óptimo ajuste del modelo.
Tabla 5
Matriz final de componentes
rotados UPB
Los ítems considerados en
cada factor, así como la denominación dada por los autores a estos es descrita
a continuación.
Factor 1 (importancia
otorgada a ver fotos, a la búsqueda de información, a ver videos, a seguir
amigos y a mencionar amigos) Intensivo
amigos – Visualizar y buscar contenido; factor 2 (importancia otorgada a
la participación en debates, al acceso a promociones y a publicar reflexiones
personales) Debates y promociones; factor
3 (importancia otorgada a seguir y mencionar personajes públicos y a publicar
videos y fotos) Intensivo Personajes
públicos – Publicación fotos y videos; factor 4 (frecuencia de uso
Facebook e Instagram) Facebook e
instagram y factor 5 (utilización de menciones, hashtags y likes) Intensivo hashtags menciones likes.
3.2.2. Análisis univariado UPB
Los valores de la prueba de Kruskal Wallis (Tabla 6) revelan la
ausencia de asociaciones entre los constructos representativos de las variables
predictoras y dos de los recursos educativos digitales considerados: test auto
evaluable y pizarra virtual. Al no existir asociaciones significativas, los
mencionados recursos de instrucción dejan de ser considerados para la posterior
regresión logística ordinal. En los doce recursos educativos restantes se
seleccionan, para su inclusión en la regresión, tan solo aquellas variables con
un nivel de significación univariado < .05.
Tabla 6
Asociaciones univariadas
estadístico Kruskal Wallis UPB
*Nivel de significación univariado de <. 05 / **Nivel de significación univariado de <.01
3.2.3. Modelo de regresión logística ordinal UPB.
Inicialmente se desarrollan
doce modelos de regresión para las variables dependientes que presentan
asociaciones univariadas significativas: PowerPoint, Vídeo tutorial, Foros,
Podcast, PDF, Webinar, Blog, MOOC, Presentación Prezi, Wiki, Vídeo clase y
eBook.
De estos doce modelos de
regresión, el de la variable dependiente Vídeo clase presenta una única
variable regresiva con un coeficiente de Wald reducido (menor de 2) y poco
significativo, lo cual sugiere la supresión del modelo. Los once modelos de
regresión restantes para cada recurso educativo digital aparecen expuestos en
la tabla 7.
La evaluación de los once
modelos se realiza explorando los indicadores estadísticos reflejados en la
tabla 8. La bondad de ajuste mostrada a través del estadístico pseudo R2
de Nagelkerke presenta valores entre .04 y .09 para las once variables
dependientes de interés. La prueba de líneas paralelas revela valores
significativos (por encima de .05) para los modelos predictivos de ocho de las
once variables: PowerPoint, Vídeo tutorial, Podcast, Webinar, Blog, MOOC,
Presentación Prezi y eBook. En consecuencia, se admite la hipótesis de
paralelismo, constatándose la adecuación de estos modelos. Sin embargo, cinco
de estos ocho modelos son desechados por su escaso porcentaje de pronósticos
correctos. Los modelos eliminados por su reducido poder de pronóstico son:
Webinar, Blog, MOOC, Presentación Prezi y eBook.
Tabla 7
Modelo final de regresión
logística ordinal UPB
Tabla 8
Evaluación del modelo UPB
4.
Conclusiones
Si bien la ausencia de
precedentes que aborden el análisis conjunto del uso de redes sociales y
recursos digitales de instrucción en el ámbito universitario dificulta el
desarrollo de una discusión en profundidad de los hallazgos, esto no impide la
realización de una síntesis conjunta de las conclusiones alcanzadas.
El trabajo llevado a cabo, a
pesar de la independencia de las muestras, presenta resultados con importantes
similitudes entre el grupo de alumnos de Ingeniería en Organización Industrial
de la UPV en Colombia y el conjunto de estudiantes del grado en Administración
y Dirección de Empresas de la URJC en España.
Los hallazgos obtenidos
mediante el AFE en el conjunto de variables representativas del uso que los
universitarios hacen de las redes sociales (variables independientes), revelan
la existencia de cinco constructos en cada una de las dos muestras analizadas.
En el colectivo de estudiantes de la URJC se identifican los siguientes cinco
factores o patrones de uso: 1) Publicar contenido, 2) Visualizar y buscar
contenido, 3) Debate y promociones, 4) Intensivo personajes públicos y 5)
Intensivo hashtags menciones likes. Por su parte, en el grupo de alumnos de la
UPV los constructos o patrones de uso identificados son: 1) Intensivo amigos –
Visualizar y buscar contenido, 2) Debates y promociones, 3) Intensivo
personajes públicos – Publicación de fotos y videos, 4) Facebook e Instagram, y
5) Intensivo hashtags menciones likes.
Estos resultados, en línea
con lo apuntado por diferentes autores (Monge Benito & Olabarri
Fernández, 2011; Sánchez-Rodríguez, Ruiz-Palmero, et al., 2015; Tejedor
Calvo et al., 2016; Valerio Ureña & Serna Valdivia, 2018), ponen de manifiesto la importancia que el estudiante
universitario otorga a las redes sociales en aspectos como la comunicación, la
visualización y búsqueda de contenidos o la obtención de entretenimiento.
Los resultados obtenidos
durante el análisis univariado revelan la existencia de asociaciones entre
varios de los constructos representativos de los patrones de uso de redes
sociales y distintos recursos digitales de instrucción en ambas muestras. En el
grupo de participantes de la URJC las asociaciones más fuertes se detectan en
tres casos: el patrón de uso Publicar contenido y el recurso presentación
Prezi, el constructo Visualizar y buscar contenido y los podcasts, y, por
último, entre el patrón de uso Intensivo hashtags menciones likes y el recurso
wiki. En el grupo de sujetos de la UPV las asociaciones más elevadas se
detectan en dos casos. Ambos relacionan el constructo representativo del patrón
de uso Intensivo amigos – visualizar y buscar contenido con los recursos
educativos digitales PowerPoint y PDF respectivamente.
Por último, los hallazgos
obtenidos en los modelos de regresión logística ordinal muestran la escasa
capacidad predictiva de los patrones de uso de redes sociales a la hora de
determinar la utilidad percibida en los recursos educativos digitales de
interés, en ambos colectivos. La evaluación de los modelos de regresión revela
la existencia de tan solo tres modelos óptimos para cada una de las dos
universidades.
En el caso de los estudiantes
de la URJC, de los siete modelos desarrollados, el uso de redes sociales parece
mostrar cierta capacidad predictiva en la utilidad percibida de los recursos:
PowerPoint, vídeo tutorial y podcasts. Por su parte, en el caso de los alumnos
de la UPB, de los once modelos considerados, el uso de plataformas sociales
parece tener poder predictivo en la utilidad observada de los recursos:
PowerPoint, PDF y presentación Prezi.
A la vista de lo
anteriormente expuesto, los autores concluyen que, si bien existen asociaciones
entre los patrones de uso de redes sociales y la utilidad percibida en ciertos
recursos educativos digitales, e incluso, se pueden detectar modelos de
estimación óptimos en algunos casos; el uso de estas plataformas tiene escasa
capacidad predictiva a la hora de determinar la importancia que el estudiante
otorga a los recursos educativos digitales de interés en ambos países.
4.1. Limitaciones y futuras líneas de estudio
La presente investigación no
esta exenta de limitaciones. Quizá la mas destacable atañe a la naturaleza de
la muestra y a las competencias digitales de los sujetos objeto de estudio.
Aunque los resultados expuestos son concluyentes, no se puede inferir que estos
vayan a ser similares en otros colectivos.
Por consiguiente, los
autores, de cara a investigaciones futuras, recomiendan abordar estudios de
esta índole con participantes de diversas facultades o ramas. Por ejemplo,
ciencias de la salud, educación, humanidades, o ciencias experimentales. Los
individuos de titulaciones de estas facultades podrían contar con diferentes
niveles de competencia digital y esto conduciría, probablemente, a hallazgos
distintos a los apuntados por el presente estudio.
Referencias
Aymerich-Franch, L., & Fedele, M. (2015). La Implementación de los
Social Media como Recurso Docente en la Universidad presencial: La perspectiva
de los Estudiantes de Comunicación. REICE. Revista Iberoamericana sobre
Calidad, Eficacia y Cambio en Educación, 13(1).
Barquero Cabrero, M. (2015). Estrategias comunicativas de las
organizaciones académicas en el entorno de la web 2.0. Opción, 31(3),
145-160.
Bossolasco, M. L., Chiecher, A. C., & Dos Santos, D. A. (2020).
Perfiles de acceso y apropiación de TIC en ingresantes universitarios. Estudio
comparativo en dos universidades públicas argentinas. Pixel-Bit Revista de
Medios y Educación, 57, 151-172. https://doi.org/10.12795/pixelbit.2020.i57.06
Cabero-Almenara, J., & Marín-Díaz, V. (2014). Posibilidades educativas
de las redes sociales y el trabajo en grupo. Percepciones de los alumnos universitarios.
Comunicar, 21(42), 165-172. https://doi.org/10.3916/C42-2014-16
Cabero Almenara, J., Martínez Pérez, S., Valencia Ortiz, R., Leiva Nuñez,
J. P., Orellana Hernández, M. L., & Harvey López, I. (2020). La adicción de
los estudiantes a las redes sociales on-line: un estudio en el contexto
latinoamericano. Revista Complutense de Educación, 31(1), 1-12. https://doi.org/10.5209/rced.61722
Cacheiro, M. (2011). Recursos educativos TIC de información, colaboración
y aprendizaje. Píxel-Bit. Revista de Medios y Educación, 39(39),
69-81. https://doi.org/http://www.redalyc.org/articulo.oa?id=36818685007
Escobedo Seguel, C., & Arteaga Viveros, E. (2015). Evaluación de los
estudiantes y docentes sobre las Tecnologías de Información y Comunicación en
los procesos de enseñanza - aprendizaje: Una mirada desde la carrera de
Sociología de la UC Temuco. Un estudio de caso. Digital Education Review,
28, 102-122.
Fernández Sánchez, E. G. (2014). Selección, elaboración, adaptación y
utilización de materiales, medios y recursos didácticos en formación
profesional para el empleo: Uso de las TIC y otras herramientas en la educación.
Ideaspropias Editorial SL.
García-Ruíz, R., Ramirez-Garcia, A., & Rodriguez-Rosell, M. (2014).
Educación en alfabetización mediática para una nueva ciudadanía prosumidora. Comunicar,
XXII(43), 15-23. https://doi.org/10.3916/C43-2014-01
Gómez-Aguilar, M., Roses-Campos, S., & Farias-Batlle, P. (2012). El
uso académico de las redes sociales en universitarios. Comunicar, 19(38),
131-138. https://doi.org/10.3916/C38-2011-03-04
Gómez-García, M., Matosas-López, L., & Palmero-Ruiz, J. (2020). Social
Networks Use Patterns among University Youth: The Validity and Reliability of
an Updated Measurement Instrument. Sustainability, 12(9), 3503. https://doi.org/10.3390/su12093503
Guzmán-Duque, A. P., Luzardo-Briceño, M., & Aguilar-Jiménez, A. S.
(2013). Un acercamiento al Social Media como herramienta de comunicación de
los profesores. Caso Universidad Pontificia Bolivariana. Bucaramanga.
Lacave Rodero, C., Molina Díaz, A. I., Fernández Guerrero, M., & Duque
Redondo, M. A. (2015). Análisis de la fiabilidad y validez de un cuestionario
docente. XXI Jornadas de la Enseñanza Universitaria de la Informática,
1-7. Andorra La Vella.
Leguey Galán, S., Leguey Galán, S., & Matosas López, L. (2018). ¿De
qué depende la satisfacción del alumnado con la actividad docente? Espacios,
39(17), 13-29.
Linne, J. (2014). “Ahora hago fast food académico”. Los estudiantes de la
Universidad de Buenos Aires en tiempos de Internet. Palabra Clave, 17(3),
717-748. https://doi.org/10.5294/pacla.2014.17.3.7
Martínez Clares, P., Pérez Cusó, F. J., & González Morga, N. (2019).
¿Qué necesita el alumnado de la tutoría universitaria? Validación de un
instrumento de medida a través de un análisis multivariante. Educación XX1,
22(1), 189-213. https://doi.org/10.5944/educxx1.21302
Matosas-López, L., & Romero-Ania, A. (2019). Preferencias de uso de
redes sociales entre los estudiantes universitarios de ciencias sociales. XIX
Congreso Internacional de Investigación Educativa: Investigación Comprometida
para la Transformación Social, 164-170. AIDIPE.
Mayor Buzón, V., García Pérez, R., & Rebollo Catalán, Á. (2019). Explorando
factores predictores de la competencia digital en las redes sociales virtuales.
Pixel-Bit Revista de Medios y Educación, 56, 51-69. https://doi.org/10.12795/pixelbit.2019.i56.03
Mayorga Fernández, M. J., & Ruiz Baeza, V. M. (2002). Muestreos
utilizados en investigación educativa en España. RELIEVE - Revista
Electrónica de Investigación y Evaluación Educativa, 8(2), 159-165.
Monge Benito, S., & Olabarri Fernández, M. E. (2011). Los alumnos de
la UPV/EHU frente a Tuenti y Facebook: usos y percepciones. Revista Latina
de Comunicación Social, 66.
Quirós-Meneses, E. (2009). Recursos didácticos digitales: medios
innovadores para el trabajo colaborativo en línea. Revista Electrónica
Educare, XIII(2), 47-62.
Rodríguez-Ayán, M. N. (2005). La perspectiva estudiantil sobre el
desempeño del profesor: un modelo de regresión logística ordinal. Revista
Electrónica de Metodología Aplicada, 10(1), 1-13. https://doi.org/10.17811/rema.10.1.2005.1-13
Sánchez-Rodríguez, J., Ruiz-Palmero, J., & Sánchez-Rivas, E. (2015).
Uso problemático de las redes sociales en estudiantes universitarios. Revista
Complutense de Educación, 159(26), 1130-2496. https://doi.org/10.5209/rev_RCED.2015.v26.46360
Tejedor Calvo, S., Simelio Solá, N., Marín Ochoa, B. E., & Rodríguez,
C. (2016). El uso de las redes sociales por parte de los estudiantes de
comunicación de Costa Rica y Colombia. Revista Q, 11(21), 18-32. https://doi.org/10.18566/revistaq.v11n21.a02
Tejedor, S., Carniel Bugs, R., & Giraldo Luque, S. (2018). Communication
students in social media: Comparative study among Brazil, Colombia and Spain. Transinformação,
30(2), 267-276. https://doi.org/10.1590/2318-08892018000200010
Túñez López, M., Valdiviezo Abad, C., & Martínez Solana, Y. (2015).
Las redes sociales en la gestión de la comunicación universitaria. Opción,
31(6), 852-874. Recuperado de http://200.74.222.178/index.php/opcion/article/view/20773/20654
Urbina Nájera, A. B. (2019). Estrategia tecnológica para mejorar el
rendimiento académico universitario. Pixel-Bit Revista de Medios y Educación,
56, 71-93. https://doi.org/10.12795/pixelbit.2019.i56.04
Valerio Ureña, G., & Serna Valdivia, R. (2018). Redes sociales y
bienestar psicológico del estudiante universitario. Revista Electrónica de
Investigación Educativa, 20(3), 19. https://doi.org/10.24320/redie.2018.20.3.1796
Vrocharidou, A., & Efthymiou, I. (2012). Computer mediated
communication for social and academic purposes: Profiles of use and University
students’ gratifications. Computers & Education, 58(1),
609-616. https://doi.org/10.1016/j.compedu.2011.09.015