Revisión bibliográfica

Es evidente el interés actual por explorar aquellos factores que impactan en la aceptación y uso de tecnologías tanto en estudiantes como en docentes, principalmente en instituciones de educación superior. En primer lugar, se han identificado investigaciones recientes en países con economías emergentes fuera de Iberoamérica. Por ejemplo, se encuentran estudios empíricos que se han centrado en la adopción de la tecnología ubicua entre estudiantes universitarios en India y Taiwán (^{Bharati y Srikanth, 2018}; ^{Tan, 2013}). Otros han explorado los factores que determinan la intención de comportamiento de estudiantes y adopción de LMS en países como Indonesia, Nigeria y Tailandia (^{Jakkaew y Hemrungrote, 2017}; ^{Mosunmola, Mayowa, Okuboyejo y Adeniji, 2018}; ^{Wijaya, 2016}). En esta misma temática, destaca el estudio de ^{Shaharanee et al. (2016)} en Malasia con respecto al análisis y evaluación de la efectividad de las actividades de aprendizaje activo entre estudiantes a través de LMS. Finalmente, se han identificado investigaciones que se han centrado en medir la utilidad y la facilidad de uso percibida sobre LMS usando dispositivos móviles y también con muestras de estudiantes universitarios en países como China e Indonesia (^{Bhimasta y Suprapto, 2016}; ^{Liu et al., 2010}).

En segundo lugar, se ha identificado un número reducido de estudios empíricos en esta misma línea de investigación en Iberoamérica. Algunos autores han planteado estudios sobre la aceptación de las TIC, puntualmente el uso de dispositivos móviles para acceder a Internet entre universitarios en Brasil (^{Lima Faria, Giuliani, Cavazos-Arroyo y Kassouf Pizzinatto, 2016}), y la identificación de elementos y hábitos de estudio entre universitarios en México (^{Cruz Estrada y Miranda Zavala, 2017}). En España, ^{Gómez García, Castro Lemus y Toledo Morales (2015)} plantearon conocer los efectos de la incorporación de un sistema LM, por medio de dispositivos móviles entre estudiantes de educación secundaria. Mientras que en Perú, ^{Torres Maldonado, Feroz Khan, Moon y Jeung Rho (2011)} buscaron determinar el rol de la motivación del aprendizaje móvil en el uso y la adopción de un sistema LM y, a la inversa, el efecto de la tecnología en la motivación del aprendizaje móvil. Por su parte, otros autores en Colombia, Chile, y Portugal han evaluado las dimensiones o factores que afectan las intenciones de comportamiento y uso de los LMS por medio de dispositivos móviles entre estudiantes universitarios (^{García Botero et al., 2018}; ^{Ramírez-Correa, 2014}; ^{Tam, Santos y Oliveira, 2018}).

Finalmente, diversos estudios han empleado también muestras de docentes universitarios, dentro de los cuales se encuentra ^{Hernández-Silva y Tecpan Flores (2017)}, que se enfocaron en la implementación de un modelo de aula invertida, en un curso de didáctica para futuros profesores de física empleando un sistema LM en una universidad estatal de Chile; mientras que ^{Díez-Gutiérrez y Díaz-Nafría (2018)} analizaron los aprendizajes ubicuos adquiridos a través de los LMS destinados a la formación permanente de docentes en España.

Derivado de esta revisión, explorar la intención de comportamiento y uso de LMS, por medio de dispositivos móviles representa un interés actual, y, a su vez, una tarea fundamental para poder determinar una puesta en práctica exitosa y la adopción continua entre estudiantes y docentes en instituciones educativas, mayormente universidades; en especial, cuando la inversión de las universidades en este tipo de sistemas continuará en aumento por las tendencias educativas, además de las características de las nuevas generaciones de estudiantes nativos en la tecnología. Así, investigaciones de este tipo permiten obtener una visión contextualizada y más amplia acerca de la aceptación de la tecnología y, por lo tanto, desarrollar mejores políticas y diseño de procesos enseñanza-aprendizaje en instituciones de educación.

Teoría Unificada de Aceptación y Uso de la Tecnología 2 (UTAUT2)

El modelo UTAUT se utiliza para evaluar la aceptación del usuario de una nueva tecnología; la aceptación se considera un factor esencial que determina el éxito o el fracaso de dicha tecnología (^{Venkatesh, Morris, Davis y Davis, 2003}). Este modelo ha unificado ocho teorías diferentes, incluida la teoría de la acción razonada de ^{Ajzen y Fishbein (1980)}; el modelo de aceptación de tecnología (TAM) de ^{Davis (1989)}; el modelo motivacional (MM) de ^{Davis et al. (1992)}; la teoría del comportamiento planificado (TPB) de ^{Ajzen (1991)}; una teoría combinada del comportamiento planificado y el modelo de aceptación de tecnología (C-TPB-TAM) de ^{Taylor y Todd (1995)}; el modelo de utilización de la computadora portátil (MPCU) de ^{Thompson et al. (1994)}; la teoría de difusión de la innovación (IDT) de ^{Rogers (1995)}; y la teoría social cognitiva (SCT) de ^{Bandura (1986)}.

UTAUT considera cuatro determinantes centrales de intención de uso de la tecnología, que incluyen: 1) la expectativa de resultados (PE), 2) la expectativa de esfuerzo (EE), 3) la influencia social o regulación externa (ER), y 4) las condiciones facilitadoras (FC). Posteriormente, UTAUT2 surge como una actualización de dicho modelo, considerando adicionalmente la motivación hedónica o regulación intrínseca (IR) sobre la adopción de la tecnología. Así, este modelo ha sido empleado recientemente en algunos países de Iberoamérica para explorar la adopción de dispositivos móviles (^{Cruz Estrada y Miranda Zavala, 2017}; ^{Lima Faria et al., 2016}; ^{Ramírez-Correa, 2014}; ^{Tam et al., 2018}) y la aceptación de sistemas de gestión del aprendizaje (^{Díez-Gutiérrez y Díaz-Nafría, 2018}; ^{García Botero et al., 2018}; ^{Gómez García et al., 2015}; ^{Hernández-Silva y Tecpan Flores, 2017}).

Expectativa de resultados (PE)

La expectativa de resultados se refiere al grado en que un individuo cree que usar el sistema aumentará su rendimiento o sus resultados en determinada actividad educativa o laboral. De acuerdo con ^{Venkatesh et al. (2003)} la expectativa de rendimiento es el mejor predictor de la intención de uso (Decˇman, 2015).

Expectativa de esfuerzo (EE)

La expectativa de esfuerzo se refiere a la facilidad de uso asociado con el nuevo sistema o tecnología. ^{Venkatesh et al. (2003}) sugieren que la expectativa de esfuerzo es significativa solo durante las primeras etapas del uso prolongado de la tecnología, pero que se vuelve irrelevante con el tiempo. Otros autores argumentan que la expectativa de esfuerzo es decisiva en el contexto del aprendizaje móvil, y su aceptación dependerá de la facilidad de uso de dicho sistema (Y. ^{Wang, Wu y Wang, 2009}). En el contexto de este estudio, se espera que si los estudiantes encuentran que el sistema es fácil de usar se incremente la probabilidad de adopción y uso.

Influencia social o regulación externa (ER)

La regulación externa implica el grado de importancia en que un individuo piensa que “otros” creen que debería usar el nuevo sistema (^{Venkatesh et al., 2003}). Así, este constructo engloba el impacto de las normas subjetivas, factores sociales, presión social y la imagen. Por lo anterior, las personas pueden ser influenciadas por la opinión de otros y, entonces, realizar cierto comportamiento aún y cuando no lo desean.

Condiciones Facilitadoras (FC)

Las condiciones facilitadoras se definen como el grado en que un individuo cree que existe una infraestructura organizativa y técnica que respalda y facilita el uso del sistema (^{Venkatesh et al., 2003}). Se considera que estas condiciones facilitadoras representan factores ambientales que afectan la percepción de los usuarios para posibilitar o dificultar el uso de la tecnología. En este estudio, los estudiantes perciben si cuentan con los recursos y el soporte externo necesario para facilitar el uso del LMS.

Motivación hedónica o regulación intrínseca (IR)

La motivación hedónica se refiere a la diversión o el placer derivado del uso de una tecnología, y se ha demostrado que se trata de un predictor importante en la aceptación y empleo de la tecnología (^{Brown y Venkatesh, 2005}; ^{Venkatesh, Thong y Xu, 2012}). La teoría de evaluación cognitiva es una división dentro de la teoría de autodeterminación (^{Ryan y Deci, 2000}), que muestra los estudiantes intrínsecamente motivados en el aprendizaje, cuando están interesados o disfrutan haciéndolo. Este constructo es una extensión al modelo UTAUT para capturar el impacto de dicha regulación intrínseca.

Antecedentes de la investigación

La asignatura de Administración de primer año forma parte de núcleo básico de materias obligatorias para estudiantes de las carreras de Negocios de la Facultad de Economía de la Universidad Autónoma de Chihuahua en México. La asignatura al semestre comprende clases durante 16 semanas con 64 horas presenciales en total y con tres evaluaciones parciales programadas. Por iniciativa de los autores, quienes además impartieron esta asignatura en tres grupos diferentes, se estableció Google Classroom como el Learning Management System oficial. De esta manera, se aseguró que el mismo material, contenido de clase, métodos didácticos y actividades programadas fueran uniformes entre los tres grupos. Cabe mencionar que los estudiantes no habían tenido conocimiento o experiencia previa con este sistema.

En las políticas de evaluación de la asignatura se especifica al estudiante que un porcentaje de la evaluación corresponderá a las actividades programadas en GC. Las actividades programadas fueron de dos tipos, presenciales y no presenciales, y a cada una les fue asignado un puntaje máximo de acuerdo con su nivel de dificultad e implicación de trabajo colaborativo (desde 1 hasta 10 puntos). Este puntaje se especifica en el título e instrucciones para cada actividad programada, de manera que sea conocido por el estudiante. Cabe mencionar que ninguna de las actividades programadas fue de carácter obligatorio para el estudiante. De tal manera que el estudiante podía elegir libremente entregar cada actividad y recibir o perder los puntos.

Hacia el final de cada una de las tres evaluaciones parciales programadas durante el semestre, se suman los puntos posibles y se calcula una calificación para GC que, a su vez, se pondera por un porcentaje especificado en las políticas de evaluación al inicio del semestre y conocidas en todo momento en un apartado dentro de GC. La valoración para cada evaluación parcial equivale a la calificación de un examen que se pondera al 60% y la calificación de GC que se pondera al 40%. De tal manera que el estudiante puede libremente optar por no participar en actividades de GC, conociendo de antemano que para aprobar cada parcial necesita un 10 de calificación en el examen. O bien, el estudiante puede decidir cuáles actividades son de su agrado y desea entregar en GC.

Durante las primeras dos horas de clases del semestre se les brinda a los estudiantes un curso práctico introductorio a GC. Se les pide que descarguen en sus dispositivos móviles la aplicación disponible gratuitamente para teléfonos inteligentes o tabletas en los sistemas operativos iOS y Android. Se les brinda un código para acceder como estudiantes, mismo que estará vinculado a la cuenta oficial de correo electrónico de la universidad, para así comenzar a familiarizarse con los menús, apartados, revisión de material disponible, programación y entrega de actividades, envío de mensajes, participación en discusiones, sincronización con la agenda del dispositivo, entre otras tareas.

Objetivo

El objetivo principal de este estudio fue medir los factores que impactan la aceptación de Google Classroom entre 72 estudiantes de negocios internacionales de primer año de licenciatura en la Universidad Autónoma de Chihuahua en México. Se ha seguido el modelo de la teoría unificada de aceptación y uso de la tecnología (UTAUT2). Específicamente, este estudio abordó el impacto de la expectativa de resultados, la expectativa de esfuerzo, la motivación hedónica o regulación intrínseca, la influencia social o regulación externa, y las condiciones facilitadoras en la intención de comportamiento de estudiantes por utilizar GC.

Hipótesis

Las hipótesis de esta investigación se incluyen en el modelo estructural de relación causa-efecto, desarrollado teóricamente de las variables que afectan la intención de uso de la tecnología de los estudiantes universitarios. De acuerdo con los planteamientos comentados previamente en el marco teórico conceptual, las hipótesis de esta investigación son las siguientes:

Para comprobar empíricamente el modelo, se empleó una técnica estadística multivariante, por medio de un modelo de ecuaciones estructurales por el método de mínimos cuadrados parciales (SEM-PLS), para estimar relaciones causales a partir de datos. Los constructos teóricos en el modelo estructural representan variables latentes. En este estudio, se formulan constructos reflexivos de primer orden determinado por varios indicadores para medir estas variables latentes. Así, cada constructo tiene un conjunto de variables indicadoras observadas empíricamente para obtener una medición confiable y válida (^{Hair, Ringle y Sarstedt, 2013}). De esta manera, es posible comprobar empíricamente las relaciones de causa y efecto de los constructos teóricos en el modelo estructural y, por lo tanto, determinar la validez de las hipótesis planteadas.

Creación del cuestionario

Los datos fueron recolectados usando un cuestionario de 25 preguntas que incluyó datos demográficos y múltiples ítems, según el modelo de investigación. Veinte preguntas del cuestionario correspondieron a las variables por analizar a través de escalas tipo Likert de siete puntos, definidas y adaptadas previamente en la literatura especializada y basadas en el modelo UTAUT2 (^{Venkatesh et al., 2012}). Las preguntas reflejan las medidas de los constructos del modelo UTAUT2: PE, EE, ER, FC, IR y BI. Los participantes fueron estudiantes de la asignatura de Administración de los tres grupos impartidos, a quienes se les encuestó sobre su experiencia en el uso de GC al finalizar el semestre. El cuestionario fue estructurado a través del administrador de encuestas Qualtrics. Un enlace para responder la encuesta con carácter anónimo fue distribuido por medio de GC, para que solo los estudiantes matriculados respondieran el cuestionario.

Colinealidad

Para evaluar los niveles de colinealidad, los autores recomiendan considerar el factor de inflación de la varianza (VIF). Los valores de VIF deben ser inferiores a 5 (^{Hair, Ringle y Sarstedt, 2011}). Sin embargo, se sugiere un valor general de 3.3, para identificar las variables que puedan presentar alguna contrariedad, ya que los valores superiores a 10 indican un conflicto en la colinealidad (^{Petter, Straub y Rai, 2007}). Según la Tabla 2, todos los valores de VIF están muy por debajo del valor recomendado de 3.3, por lo que se descarta cualquier problema relacionado.

Evaluación de los pesos y cargas

Con el fin de evaluar la importancia de los pesos y las cargas de cada uno de los ítems, se llevó a cabo un procedimiento de remuestreo utilizando el software SmartPLS 3.0 (^{Ringle, Wende y Becker, 2015}), bajo el comando bootstraping (^{Benitez-Amado y Walczuch, 2012}; ^{Hair et al., 2014}). Bootstrapping se refiere a un procedimiento no paramétrico, aplicado para comprobar la importancia de los coeficientes tales como los pesos externos, las cargas externas y los coeficientes de las trayectorias. Además, en este procedimiento de bootstrapping, las submuestras se generan con observaciones tomadas al azar del conjunto original de datos, que luego se utilizan para estimar el modelo de mínimos cuadrados parciales (PLS). Para garantizar la estabilidad de los resultados, los autores recomiendan el uso de submuestras amplias (^{Hair et al., 2011}; ^{Preacher y Hayes, 2008}; ^{Ringle et al., 2015}). El valor de 5000 se usó como el valor recomendado para este procedimiento, el cual imprime el nivel de significancia de cada una de los cargas y pesos que se muestra en la Tabla 2.

Validez discriminante

Un enfoque conservador para evaluar la validez discriminante es mediante el uso del criterio de Fornell-Larcker. Solo los constructos reflexivos se pueden evaluar de esta forma. Este enfoque particular compara la raíz cuadrada de la varianza promedio extraída (AVE) con las otras correlaciones de la variable latente dentro del modelo. Por lo tanto, la raíz cuadrada de cada AVE de la variable latente debe ser mayor que sus correlaciones con otras variables latentes. La Tabla 3 muestra las correlaciones y establece la validez discriminante de acuerdo con este enfoque.

Validación del modelo estructural y comprobación de hipótesis

Una vez que se ha comprobado la fiabilidad y la validez de los constructos, se realizó una evaluación de los resultados del modelo estructural. Esta evaluación implica examinar las capacidades predictivas del modelo, así como la importancia y relevancia de las relaciones entre los constructos.

El modelo de ecuaciones estructurales se estimó mediante el software SmartPLS 3.0. Los criterios clave para evaluar el modelo estructural en SEM-PLS se refieren a evaluar la importancia de los coeficientes de las relaciones entre los constructos, el nivel de los valores R cuadrado y la relevancia predictiva (Q2), medidas de demuestran qué tan bien el modelo está funcionando (^{Chin, 1998}). Los coeficientes de trayectoria para el modelo estructural completo se muestran en la Figura 1. Se ha empleado el enfoque de dos pasos para evaluar la medición de la interacción entre las variables latentes (^{Hair et al., 2014}).

Figura 1 Coeficientes de trayectoria y R² para el modelo estructural completo 

Los valores de R² demuestran la calidad predictiva del modelo, los valores de 0.19, 0.33 y 0.67 son débiles, moderados y sustanciales respectivamente (^{Chin, 1998}). La Tabla 4 muestra que el valor R² de BI es 0.825 con un valor de p de 0.000 que muestra una calidad predictiva sustancial.

Además del valor de R², la prueba de Stone-Geisser de la medida de redundancia con validación cruzada (Q²) se usa para evaluar la relevancia predictiva de las variables latentes y se puede calcular utilizando el procedimiento blindfolding en SmartPLS. En este caso, los valores superiores a cero implican que las variables independientes tienen relevancia predictiva para la variable dependiente considerada (^{Chin, 1998}). La Tabla 4 muestra el valor de Q², que es superior a cero, lo cual indica un poder predictivo satisfactorio para el modelo estructural completo.

Los coeficientes de trayectoria entre los constructos deben ser superiores a 0.2, para que sean estadísticamente significativos, al igual que sus valores de p. En el modelo estructural completo, como se muestra en la Tabla 5, los coeficientes de EE, IR y PE mostraron ser significativos para BI.