Resumen: Actualmente, las estrategias de aprendizaje que utilizan los estudiantes universitarios son muy diversas y acompañada de la tecnología. Este estudio aplica machine learning para pronosticar estrategias de aprendizaje en estudiantes universitarios. Se empleó una metodología correlaciona!, confiabilidad de varianza y confirmatoria estructural mediante el uso de la estadística univariante y multi variante. Se utilizó el algoritmo de redes neuronales confirmatorio con el paquete estadístico SPPS y AMOS 24. La muestra está conformada por 984 estudiantes de la Pontificia Universidad Católica del Ecuador (PUCE) sede Santo Domingo, de las diferentes carreras de grado; para el período académico del año 2022-2023. Los resultados determinaron que la encuesta de estrategias educativas universitarias de CEVEAPEU es un instrumento válido, fiable y óptimo para medir las estrategias universitarias. Los estudiantes de la PUCE emplean estrategias motivacionales, de estado físico y anímico, de control de contexto, metacognitivas, de búsqueda de información, de elaboración de procesos y de manejo y uso de la información en su proceso de enseñanza - aprendizaje.
Palabras-clave: Estrategias de aprendizaje; Universidad; CEVEAPEU; Ecuador; Ecuación estructural.
Abstract: Currently, the learning strategies used by university students are diverse and accompanied by technology. This study applies machine learning to predict learning strategies in university students. A correlational, variance reliability and structural confirmatory methodology was used using univariate and multivariate statistics. The confirmatory neural network algorithm was used with the SPPS and AMOS 24 statistical package. The sample is made up of 984 students from the Pontificia Universidad Católica del Ecuador (PUCE), Santo Domingo campus, from different undergraduate programs; for the academic period of 2022-2023. The results determined that the CEVEAPEU university educational strategies survey is a valid, reliable, and optimal instrument to measure university strategies. PUCE students use motivational strategies, physical and emotional state, context control, metacognitive, information search, process development, and management and use of information in their teaching-learning process.
Keywords: Learning strategies; University; CEVEAPEU; Ecuador; Structural equation.
1. Introducción
La educación universitaria aporta al desarrollo de las sociedades. La inversión que se realiza en esta es menos eficaz si hay una alta tasa de abandono y debe tener un nivel de calidad cada vez mayor (Portal -Martínez, 2022).
El rendimiento académico es esencial para evitar el abandono temprano de los estudios y la no culminación de estos. Esta idea ha sido contrastada por diversos autores (Cabrera et al., 2006; Gargallo et al., 2009). Las estrategias educativas son una herramienta eficaz para estos fines (Díaz-García et al., 2023).
El concepto de estrategia de aprendizaje no es único, ya que diversos autores lo han sintetizado a lo largo del tiempo con diversos matices (Fernández, 2023). Gargallo et al. (2009) las define como las acciones del estudiante encaminadas a conseguir un aprendizaje desde un punto de vista coherente, premeditado y sistematizado. Estos autores, a partir de Gargallo (2000), clasifican las estrategias de aprendizaje en dos grupos: afectivas de apoyo y control, y gestión de la información. La primera dimensión agrupa la afectividad, la motivación, la metacognición y el manejo del entorno en diversos ámbitos. En la gestión de la información se recoge la obtención de la información, su depuración y su manejo. Para poder medir estas dos dimensiones y sus respectivas subdimensiones, se desarrolló un cuestionario de 88 preguntas para medir estas. Este cuestionario se cómo CEVEAPEU (cuestionario evaluación de estrategias de aprendizaje en estudiantes universitarios) y ha sido empleado en multitud de países. La ventaja de este cuestionario es que ha sido diseñado específicamente para el ámbito universitario (Gil et al., 2009).
Fernández (2023) aplicó esta encuesta en estudiantes colombianos, determinando mediante ecuaciones estructurales que el cuestionario cumple con los supuestos de confiabilidad y validez. Rubio y García (2018) utilizaron el cuestionario para medir las estrategias de aprendizaje en 4 instituciones de educación superior en Colombia y su relación con el rendimiento académico, determinando que había una relación positiva entre estrategias de aprendizaje ylas notas. Bustos et al. (2017) aplicaron el cuestionario a estudiantes peruanos con el fin de validar el instrumento, determinando que es un instrumento confiable y válido que permite conocer las estrategias de aprendizaje de los estudiantes del Perú. Rojas et al. (2024) realizaron una revisión de la literatura sobre estrategias de aprendizaje y rendimiento académico. Mediante un análisis de 44 artículos determinaron que hay evidencia suficiente para afirmar que la aplicación de estrategias de aprendizaje mejora la calificación académica.
Los autores mencionados en la aplicación del instrumento se basan mayormente en el análisis factorial confirmatorio y en las ecuaciones estructurales (SEM). Los modelos basados en ecuaciones estructurales se han convertido en un excelente aliado de los investigadores. Ello ha propiciado un número creciente de estudios relacionados con las ciencias sociales que utilizan SEM como base estadística. Sin embargo, el detalle del proceso requerido y seguido en dichas investigaciones no suele aparecer en la literatura contrastado con los resultados obtenidos, por lo que se detecta una carencia de artículos con un enfoque teórico y a la vez práctico (Doral Fábregas et al, 2018).
No obstante, este tipo de ecuaciones también se puede estimar mediante redes neuronales. Estas son una herramienta que considerar en el ámbito educativo (IncioFlores et al., 2023). Los modelos de regresión lineal básica tienen que cumplir ciertos supuestos (normalidad, linealidad, homocedasticidad...) (Cohen et al., 2013; Maxwell et al., 2017), cuestiones que no son necesarias en este tipo de técnicas de machine learning. Mediante el uso de machine learning se identifican los factores o componentes que ayudará a los investigadores a ampliar sus conocimientos y utilizar estas variables en sus estudios futuros (Paudel y Kumar, 2021).
El objetivo de este artículo es determinar la validez y la confiabilidad de aplicar el cuestionario CEVEAPEU en el contexto universitario ecuatoriano y determinar mediante redes neuronales que estrategia de aprendizaje emplean los estudiantes de la PUCE Santo Domingo. Esto supone un enfoque diferente al utilizado en la literatura al respecto.
2. Materiales y métodos
Esta investigación es de tipo cuantitativa, empleando técnicas de técnicas multivariantes de análisis estructurales con el software SPSS y AMOS 24. Empleando la metodología CRISP-DM, que son las siglas de Cross-Industry Standard Process for Data Mining, la cual emplea un modelo estructurado organizado para tratar los datos de una encuesta que conforma este trabajo de minería de datos a explicación de las relaciones entre las actividades.
En el proceso primero se investigó sobre el cuestionario de estrategias de aprendizaje conformado por 88 ítems (Gargallo e al. 2009), de los que se evaluaron 70 ítems inicialmente. El cuestionario fue adaptado a partir del trabajo de Gargallo et al. (2009) adaptando las preguntas a la cultura propia del país, para que sea más entendible para los estudiantes.
El cuestionario se aplicó a los estudiantes de diferentes carreras de la Pontificia Universidad Católica del Ecuador (PUCE) sede Santo Domingo, con una población objetivo de 1.464 estudiantes, en los períodos de abril 2022- agosto 2022 y octubre 2022-febrero 2023. Se aplicó una muestra por muestreo probabilistica teniendo como muestra final a 984 estudiantes.
En el segundo y tercero de los procesos, se depura la base datos, de aquellos valores inconsistente, como los datos perdidos y atípicos, provocando la normalidad, con apoyo de la prueba de distancia de Mahalanobis (p=o,ooo) para todas las variables en estudio. En el cuarto proceso, se realizó el análisis estructural confirmatorio con el software Amos, mientras que finalmente, se realizó un proceso de estimación de ecuaciones estructurales (SEM) mediante redes neuronales.
Las estrategias de aprendizaje planteadas son (Fernández, 2023):
* Estrategias motivacionales (EM) : Analizan las motivaciones y la autopercepción del estudiante.
* Estrategias de estado físico y anímico (EFA): Analizan el estado físico y mental del estudiante.
* Estrategias de control de contexto (EC): Estudian el entorno de la actividad de aprendizaje y el trabajo en equipo.
* Estrategias metacognitivas (EME): Analizan los factores que potencian o debilitan al estudiante en el proceso de aprendizaje y como organiza el mismo.
* Estrategias de búsqueda de información (EB): Determinan cómo el estudiante busca y señala la información relevante
* Estrategias de elaboración de procesos (EP): Recoge las actividades mentales que realiza el estudiante para procesar la información.
* Manejo de recursos y usos de información (MR):Recogen las actividades en las que el estudiante aplica la información adquirida.
Las hipótesis a comprobar son las siguientes (Fernández, 2023; Gargallo et al., 2009):
* Los estudiantes universitarios ecuatorianos aplican estrategias EM.
* H2: Los estudiantes universitarios ecuatorianos aplican estrategias EFA.
* FĻ: Los estudiantes universitarios ecuatorianos aplican estrategias EC.
* H4: Los estudiantes universitarios ecuatorianos aplican estrategias EME.
* H5: Los estudiantes universitarios ecuatorianos aplican estrategias EB.
* H6: Los estudiantes universitarios ecuatorianos aplican estrategias EP.
* H?: Los estudiantes universitarios ecuatorianos aplican estrategias MR.
La ditribución de los estudiantes por titulación es la siguiente (tabla 1):
En este estudio, la muestra está conformada por 984 estudiantes de la Pontificia Universidad Católica del Ecuador sede Santo Domingo, de las diferentes carreras de grado; Diseño (8,4%), Educación (9,6%), Sistemas y computación (9,1%), Comercio e ingeniería comercial (13,3%), Contabilidad y auditoría (15,0%), Hotelería y Turismo (5,4%), Comunicación social (10,2%) y Enfermería (29,0%) para el período académico del año 2022-2023.
Las variables tienen los siguientes ítems: EM (14 ítems), MR (5 ítems), EP (20 ítems), EB (8 ítems), EC (10 ítems), EFA (5 ítems) y EME (8 ítems).
Para realizar gran parte de estos últimos procesos fue necesario utilizar el modelo de ajuste del modelo (Vality and Reliability Test) (Gaskin y Lim 2016; Hu y Bentler, 1999). Es necesario indicar, que estos modelos evolucionan de acuerdo con la depuración de ítems por cada constructo que conforma el cuestionario de estrategias de aprendizaje para estudiantes universitarios (Gargallo et al., 2009).
2.1. Análisis estadístico y procesamiento
Inicialmente, se realiza un análisis de la confiabilidad de ítems y de constructo con el alfa de Cronbach que considera la variabilidad o la varianza. Del mismo modo, se procede a realizar un análisis de las cargas factoriales de los ítems, mediante el paquete estadístico SPSS.
Paralelamente, se utiliza la interfaz de AMOS 24, que es el complemento de SPSS, en primer lugar, se realizan los constructos, que están conformados para cada pregunta o ítem.
En segundo, lugar se da el nombre a cada componente y se procede a relacionar los constructos mediante una estimación de máxima probabilidad. Este proceso genera estimaciones estandarizadas, cuadrados múltiples correlaciones, momentos simples, todos los momentos implícitos, momentos residuales, índices de modificación, pesos de la puntuación de los factores, covarianzas de estimaciones, correlaciones de estimaciones, proporciones críticas para las diferencias, prueba de normalidad y valores atípicos.
Simultáneamente se calcula modelo ajuste medida, que se utiliza para medir los criterios de corte de los índices del modelo estructural. Se acepta o es excelente el modelo según el índice de ajuste comparativo CFI>o.95 y RMR<o.o8. y para fortalecer aún más el modelo a través de la inteligencia artificial, debe emplearse el error cuadrático de la raíz de aproximación RMSEA<o.o6 (Hu y Bentler 1999; Gaskin, y Lim, 2016).
3. Resultados
En la tabla 2, se evidencia el índice de fiabilidad para el instrumento de las estrategias de aprendizaje en estudiantes universitarios compuesto por 64 preguntas que miden diferentes dimensiones, tras el proceso de eliminar ítems que no aportan a los constructos.
El test alfa de Cronbach registró una confiabilidad superior al 75 por ciento en todos los constructos, de acuerdo con las probabilidades encontradas para estos estadísticos existe una muy buena confiabilidad, es decir, las preguntas determinan que el instrumento está bien estructurado para medir las estrategias de aprendizaje según los dos algoritmos empleados de la machine learning. La figura 1 visualiza el modelo final a estimar.
En la tabla 3 se realiza el análisis discriminante de los constructos de las estrategias de aprendizaje.
Con respecto, al análisis de discriminante de los componentes de estrategias de aprendizaje en estudiantes universitarios (tabla 3), se evidencia que la varianza media extraída (AVE) de los componentes excepto en el caso de MR, no supera el valor establecido (AVE>o,5O; Hair et al., 2014). No obstante, siguiendo a Fernández (2023), si el valor de CR es lo suficientemente alto, se puede decir que hay validez a pesar de que el AVE sea inferior a 0.5. Debido a estos resultados, para poder determinar la validez discriminante se usa el ratio hetrotrait-monotrait (HTMT) (tabla 4).
Siguiendo el criterio de Henseler et al. (2015) al tener un umbral inferior a 0,90, se puede afirmar que si hay validez discriminante. El ajuste del modelo de estrategias de aprendizaje presentó una prueba de chi cuadrado significativo, una medida CMIN/ DF (3,262) excelente y el error cuadrático de la raíz de aproximación (RMSEA= 0,051) excelente, aunque el índice de ajuste comparativo de la parsimonia CEI (0,830) considerado como terrible, debido a que no se alcanzó el coeficiente requerido (>0,95). La tabla 5 recoge la bondad del modelo ajustado.
La tabla 6 presenta la estimación del modelo SEM mediante las ecuaciones estructurales SEM mediante los coeficientes estandarizados.
En la tabla 6 se ve puede ver que las distintas estrategias se aplican en los estudiantes de la PUCE con diversa intensidad, por lo que no se puede rechazar las hipótesis planteadas, es decir, los estudiantes emplean las estrategias de EM, EME, ЕС, ЕВ, ЕР y EMR, en el desarrollo de su proceso de enseñanza aprendizaje.
A pesar de ser aplicado solo en una universidad a diferencia de otros autores que lo aplican a nivel país (Fernández, 2023), los resultados determinan que la encuesta CEVEAPEU se puede aplicar en Ecuador para conocer las estrategias de aprendizaje que aplican los estudiantes universitarios. Las estrategias de aprendizaje son esenciales para el desempeño académico y para evitar la deserción temprana. Con respecto a otros trabajos (Rubio y García, 2018 o Rojas et al. 2024, entre otros) , este pretende determinar las estrategias de aprendizaje utilizadas y en una fase posterior relacionar estas con elementos cualitativos y cuantitativos que determinan el éxito en los estudios universitarios. Este cuestionario es una herramienta que se puede adaptar a distintos contextos universitarios y proporcionar información valiosa dentro del proceso de enseñanza aprendizaje.
4. Conclusiones
Este trabajo tenía como fin validar el cuestionario de Gargallo et al. (2009) en la realidad universitaria ecuatoriana y comprobar que estrategias de aprendizaje usaron los estudiantes de la Pontificia Universidad Católica del Ecuador (PUCE) se de Santo Domingo.
Para ello, se adaptó el cuestionario a la realidad ecuatoriana y se aplicó a estudiantes de diseño, educación, sistemas y computación, comercio e ingeniería comercial, contabilidad y auditoría, hotelería y turismo, comunicación social y enfermería y se les preguntó sobre las estrategias motivacionales, el estado físico y anímico, las estrategias de control del entorno, las estrategias metacognitivas, de búsqueda de información, de elaboración de procesos y de manejo de recursos y usos de información.
De los resultados obtenidos, mediante ecuaciones estructurales y redes neuronales, se visualiza que los estudiantes de la PUCE emplean estas estrategias dentro de su proceso de enseñanza - aprendizaje, lo que constituye un input valioso dentro de la planificación académica universitaria. Dentro de las limitaciones encontradas, destacar que la encuesta sólo fue aplicada por motivos geográficos a estudiantes de la PUCE Santo Domingo.
Como futuras líneas de investigación se buscará relacionar estas estrategias con indicadores de éxito académico como la finalización de los estudios, el abandono temprano, o factores de alcance más diverso como el proyecto de vida.
Referencias
Bustos, V., Oliver, A., Galiana, L., & Sancho, P. (2017). Propiedades psicométricas del CEVEAPEU: Validación en población peruana. Educación XX1, 20(1), 299-318.
Cabrera Pérez, L., Bethencourt Benítez, J. T., Alvarez Pérez, P. y González Afonso, M. (2006). El problema del abandono de los estudios universitarios. ALIVIAR. Revista Electrónica de Investigación y Evaluación Educativa, 12(2), 171-203.
Carrión, N., Arias-Bolzmann, L. and Martínez, A. (2023), "The influence of price and availability on university millennials' organic food product purchase intention", British Food Journal, Vol. 125 No. 2, pp. 536-550.
Cohen, J., Cohen, P., West, S. G. y Aiken, L. S. (2013). Applied multiple regression/ correlation analysis for the behavioral sciences. Routledge.
Conventional Criteria Versus New Alternatives" SEM vol. 6(1), pp. 1-55.
Díaz-García, A., Garcés-Delgado, Y., & Feliciano, L. (2023). Estrategias de aprendizaje y rendimiento académico en el alumnado universitario. Revista de Estudios e Investigación en Psicología y Educación (REIPE), 10(1), 15-37.
Doral Fábregas F., Rodríguez Ardura, L, y Meseguer Artola, A. (2018). Modelos de ecuaciones estructurales en investigaciones de ciencias sociales: Experiencia de uso en Facebook. Revista De Ciencias Sociales, 24(1), 22-40. https://doi.org/1o.31876/ rcs.v24ii.24925
Fernández, J. E. V. (2023). Adaptación y validación del cuestionario de evaluación de las estrategias de aprendizaje de los estudiantes universitarios (CEVEAPEU) en universitarios colombianos. Revista Unimar, 41(2), 80-97.
Gargallo, Bernardo, Suárez-Rodríguez, Jesús M. y Pérez-Pérez, Cruz (2009). El cuestionario CEVEAPEU. Un instrumento para la evaluación de las estrategias de aprendizaje de los estudiantes universitarios. RELIEVE, v. 15, n. 2, p. 1- 31. http:// www.uv.es/RELIEVE/vl5n2/RELIEVEV15n2_5.htm
Gargallo, B. (2000). Procedimientos. Estrategias de aprendizaje. Su naturaleza, enseñanza y evaluación. Valencia: Tirant lo Blanch.
Gaskin, J. & Lim, J. (2016), "Model Fit Measures", AMOS Plugin. Gaskination's StatWiki.
Gil, P., Bernaras, E., Elizalde, L. M. y Arrieta, M. (2009). Estrategias de aprendizaje y patrones de motivación del alumnado de cuatro titulaciones del Campus de Gipuzkoa. Infancia y Aprendizaje, 32 (3): 329- 341
Hair Jr., J. F., Gabriel, M. L. D. da S., & Patel, V. K. (2014). Modelagem de Equaçoes Estruturais Bascada em Covariancia (СВ-SEM) com o AMOS: Orientaçoes sobre a sua aplicaçâo como uma Ferramenta de Pesquisa de Marketing. ReMark - Revista Brasileira De Marketing, 13(2), 44-55. https://doi.org/1o.5585/remark.vi3i2.2718
Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the academy of marketing science, 43,115-135.
Hu, L. T., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural equation modeling: a multidisciplinary journal, 6(1), 1-55.
Incio-Flores, F., Capuñay-Sanchez, D., y Estela-Urbina, R. (2023). Artificial Neural Network Model to Predict Academic Results in Mathematics II. Revista Electronica Educare, 27(1), 1-19. https://doi.org/1o.15359/ree.27-1.14516
Maxwell, S. E., Delaney, H. D. y Kelley, K. (2017). Designing Experiments and Analyzing Data: A Model Comparison Perspective (3.a ed.). Routledge. https://doi. org/10.4324/9781315642956
Paudel, S. y Kumar, V. (2021). Critical Success Factors of Information Technology Outsourcing for Emerging Markets. Journal of Computer Science, 17(5), 459-469. https://doi.org/1o.3844/jcssp.2o21.459.469
Portal -Martinez, Esther, Arias Fernandez, Enrique, Lirio Castro, Juan, y Gómez Ramos, José Luís. (2022). Fracaso y abandono universitario: percepción de los(as) estudiantes de Educación social de la Universidad de Castilla La Mancha. Revista mexicana de investigación educativa, 27(92), 289-316.
Rojas, M. R. V., Resino, D. A., & Guerra, O. U. (2024). Estrategias de Aprendizaje y su Impacto Académico en Estudiantes de Educación Superior: Revisión Sistematizada 2016-2023. Ciencia Latina Revista Científica Multidisciplinar, 8(1), 663-689.
Rubio, J. R., y García, Á. P. (2018). Estrategias de aprendizaje significativo en estudiantes de Educación Superior y su asociación con logros académicos. Revista electrónica de investigación y docencia (REID), (19).
You have requested "on-the-fly" machine translation of selected content from our databases. This functionality is provided solely for your convenience and is in no way intended to replace human translation. Show full disclaimer
Neither ProQuest nor its licensors make any representations or warranties with respect to the translations. The translations are automatically generated "AS IS" and "AS AVAILABLE" and are not retained in our systems. PROQUEST AND ITS LICENSORS SPECIFICALLY DISCLAIM ANY AND ALL EXPRESS OR IMPLIED WARRANTIES, INCLUDING WITHOUT LIMITATION, ANY WARRANTIES FOR AVAILABILITY, ACCURACY, TIMELINESS, COMPLETENESS, NON-INFRINGMENT, MERCHANTABILITY OR FITNESS FOR A PARTICULAR PURPOSE. Your use of the translations is subject to all use restrictions contained in your Electronic Products License Agreement and by using the translation functionality you agree to forgo any and all claims against ProQuest or its licensors for your use of the translation functionality and any output derived there from. Hide full disclaimer
© 2024. This work is published under https://creativecommons.org/licenses/by-nc-nd/4.0/ (the “License”). Notwithstanding the ProQuest Terms and Conditions, you may use this content in accordance with the terms of the License.
Abstract
Resumen: Actualmente, las estrategias de aprendizaje que utilizan los estudiantes universitarios son muy diversas y acompañada de la tecnología. Este estudio aplica machine learning para pronosticar estrategias de aprendizaje en estudiantes universitarios. Se empleó una metodología correlaciona!, confiabilidad de varianza y confirmatoria estructural mediante el uso de la estadística univariante y multi variante. Se utilizó el algoritmo de redes neuronales confirmatorio con el paquete estadístico SPPS y AMOS 24. La muestra está conformada por 984 estudiantes de la Pontificia Universidad Católica del Ecuador (PUCE) sede Santo Domingo, de las diferentes carreras de grado; para el período académico del año 2022-2023. Los resultados determinaron que la encuesta de estrategias educativas universitarias de CEVEAPEU es un instrumento válido, fiable y óptimo para medir las estrategias universitarias. Los estudiantes de la PUCE emplean estrategias motivacionales, de estado físico y anímico, de control de contexto, metacognitivas, de búsqueda de información, de elaboración de procesos y de manejo y uso de la información en su proceso de enseñanza - aprendizaje.