Artículo de Investigación
Enseñanza Remota
de Emergencia, flow y satisfacción: un modelo estructural
Emergency Remote
Teaching, flow and satisfaction: a structural model
Ensino Remoto de Emergência, fluxo e satisfação: um modelo estrutural
*Raúl RodRíguez antonio
**JaiR aRody del Valle lópez
* Candidato a Doctor en Educación
(Universidad de Montemorelos, México). ORCID: https://orcid.org/0000-0001-6766-4133
** Doctorado en Administración. ORCID: https://orcid.org/0000-0003-2605-195X
DOI: http://dx.doi.org/10.18634/sophiaj. 18v.1i.1138
Información del artículo
Recibido:julio de 2021 Revisado:
octubre de 2021 Aceptado: marzo de 2021 Publicado: enero - junio 2022
Palabras clave: autoeficacia,
experiencia de flow, educación superior, satisfacción.
Keywords: flow experience, higher
education, satisfaction, self-efficacy.
Palavras-chave: autoeficácia, experiência de fluxo,
ensino superior, satisfação.
Cómo citar: /how cite:
Rodríguez Antonio,
R., & del Valle López,
J. A.
(2022). Enseñanza Remota de Emergencia, flow y satisfacción: un modelo
estructural . Sophia, 18(1), 1-15. https://doi.
org/10.18634/sophiaj.18v.1i.1138
Sophia-Educación, volumen
18 número 1. Enero/junio 2022. Versión español.
Correspondencia
de autor: rrodriguez@um.edu.mx jdelvalle@um.edu.mx
Resumen
El presente
estudio tuvo como propósito investigar las relaciones estructurales entre la autoeficacia para el aprendizaje y el desempeño, el valor percibido de la tarea,
la usabilidad percibida del LMS, el diseño instruccional percibido, la experiencia de flow y la satisfacción del estudiante,
en cursos adaptados a la modalidad de Enseñanza Remota
de Emergencia, en una universidad privada
en México. Utilizando modelado con ecuaciones estructurales, se encontró
evidencia de que la autoeficacia tiene un efecto directo sobre la experiencia
de flow, así como un efecto indirecto sobre la satisfacción, mediado por el
valor de la tarea. Además, se encontró que la usabilidad del LMS tiene un
efecto directo sobre la experiencia de flow, en tanto que el diseño instruccional tiene un efecto directo sobre el valor de la tarea
y sobre la satisfacción. Los resultados de este estudio
pueden proveer de pautas para
la implementación de cursos virtuales o híbridos.
Abstract
The present study aimed to investigate the structural relationships between self-efficacy for learning and performance, the
perceived value of the task, the perceived usability of the LMS, the perceived instructional design, flow experience
and student´ satisfaction, in courses
adapted to the Emergency Remote
Teaching modality, in a private university in Mexico. Using modeling with structural equations,
evidence was found that self-efficacy has a direct effect on the flow
experience, as well as an indirect effect on satisfaction, mediated by the
value of the task. Furthermore, it was found that usability of the LMS has a direct effect on the flow
experience, while the instructional design has a direct effect on the value of
the task and on satisfaction. The results of this study can provide guidelines
for the implementation of virtual or hybrid courses.
RESUMO
O presente estudo teve como objetivo investigar as relações
estruturais entre autoeficácia para aprendizagem e desempenho, o valor
percebido da tarefa, a usabilidade percebida do LMS, o design instrucional
percebido, a experiência de fluxo e a
satisfação do aluno, em cursos adaptado à modalidade de Ensino Remoto de
Emergência, em uma universidade privada no México. Utilizando a modelagem de
equações estruturais, foram encontradas evidências de que a autoeficácia tem
efeito direto na experiência de fluxo, bem como efeito indireto na satisfação,
mediada pelo valor da tarefa. Além disso, verificou-se que a usabilidade do LMS tem efeito direto
na experiência de fluxo, enquanto
o design instrucional tem
efeito direto no valor da tarefa e na satisfação. Os resultados deste estudo
podem fornecer diretrizes para a implantação de cursos virtuais
ou híbridos.
Introducción
Desde su aparición
en el escenario mundial, la enfermedad de COVID-19 generó un efecto importante en diversas
áreas del quehacer humano, entre
ellas la educación. Debido a la contingencia sanitaria decretada a causa
de la pandemia, en México las clases presenciales fueron canceladas en marzo de 2020 y, en la mayoría de los casos, sustituidas por la modalidad de
Enseñanza Remota de Emergencia (ERE). Para la implementación de la ERE, las instituciones de educación superior
adaptaron diversas metodologías y herramientas tales como Sistemas de Gestión
del Aprendizaje (LMS, por sus siglas en inglés), simuladores, aplicaciones
educativas en línea y videoconferencias, entre otras. Sin embargo,
en la mayoría de los casos, esta implementación fue llevada a cabo
en pocos días sin la apropiada planeación y rediseño de los cursos
presenciales. No obstante, la experiencia obtenida en los meses posteriores
permitió realizar una mejor planeación y adaptación de los programas de estudio
para el desarrollo del ciclo escolar 2020-2021, también en la modalidad de ERE.
Aunque la ERE puede tener elementos similares al aprendizaje en línea
tales como la enseñanza no presencial, el uso de al menos un LMS, así como de medios electrónicos para la transferencia de información, no debe
ser considerada como aprendizaje en línea, ya que esta se caracteriza por ser
cuidadosamente planeada y diseñada desde un principio para ser implementada en
un ecosistema robusto; en tanto que la ERE es una solución temporal (Hodges et
al., 2020). Recientes investigaciones han enfatizado la importancia del diseño
y administración apropiada del curso en el contexto de la ERE, uso de recursos
pedagógicos y tecnológicos para priorizar la comunicación y el aprendizaje, así como habilidades del estudiante para el aprendizaje autorregulado, que a su vez está asociado con la autoeficacia del estudiante (Fernandez-Rio et al., 2017;
Mohmmed et al., 2020;
Petillion y McNeil, 2020).
El objetivo de esta investigación fue analizar las relaciones
estructurales entre factores asociados con la
motivación del estudiante (autoeficacia para el aprendizaje y el
desempeño y valor de la tarea), así como de factores asociados con el diseño y administración del curso (usabilidad del LMS y diseño instruccional), sobre la experiencia de flow y
la satisfacción del estudiante, en cursos del nivel de pregrado en el contexto
de la modalidad de ERE en una institución privada de educación
superior del estado de Nuevo León, México, durante el periodo de agosto a
diciembre de 2020. A continuación se describen los constructos que se
investigaron.
Experiencia de flow y satisfacción del estudiante con el curso
La experiencia de flow, también llamada estado de flow
o estado óptimo, es una característica psicológica que se ha vinculado con
el desempeño académico. Se define como “el estado dinámico de una persona que le genera una
sensación holística al actuar con un involucramiento total” (Csikszentmihalyi,
1975, p. 36), y tiende a ocurrir cuando un individuo enfrenta un desafío
altamente atractivo que le requiere
un conjunto de respuestas
apropiadas. El desafío se define
como una experiencia subjetiva del individuo derivada de la interacción de las
demandas del ambiente de aprendizaje y las habilidades propias
(Rodríguez-Ardura y Meseguer-Artola, 2017). Para que la experiencia de flow suceda, se
requiere un balance apropiado entre habilidades del individuo y las exigencias
del desafío (Csikszentmihalyi, 1997).
Por otra parte, la satisfacción del
estudiante con el curso se relaciona con la percepción que tiene el
aprendiz acerca de su propia experiencia de aprendizaje (Alqurashi, 2019), y se puede definir
como el grado
en el cual un estudiante
siente una asociación positiva con su propia experiencia educativa (Shin,
2003). En otras palabras, la satisfacción con el curso es el grado en el que un
programa de aprendizaje cumple con las expectativas del estudiante (Diep
et al., 2017).
La satisfacción con el curso,
vista como una medida global
de la percepción de la calidad y beneficio obtenido, puede
incluir cualquier cantidad de factores tales como el estilo instruccional, los
contenidos de aprendizaje y la estructura del curso, la asistencia del docente o instructor, los foros de discusión,
las evaluaciones y la totalidad del curso (Sanford et al.,2017; Wei y Chou,
2020)
Existe evidencia de que la experiencia de flow
es un predictor significativo de la satisfacción del estudiante en cursos
en línea, específicamente, cuando la experiencia de flow implica un
involucramiento total del estudiante acompañado de una experiencia altamente
placenteras y que al mismo tiempo le permiten concentrarse en los contenidos de
aprendizaje(Lee y Choi, 2013; Lu, et al., 2019).
Motivación del estudiante: autoeficacia y valor de la tarea
El concepto de autoeficacia, derivado de la teoría cognoscitiva de
Bandura (1977), se refiere a las creencias de las personas acerca de sus habilidades para organizar y ejecutar acciones
para influir sobre eventos que pueden
afectar su vida. Existen diversos
tipos de autoeficacia, tales como la autoeficacia física,
musical y computacional, entre otros. En la
presente investigación, se estudió la autoeficacia para el aprendizaje y el
desempeño. Esta se define como el nivel de confianza que tiene una persona
acerca de las habilidades propias para desarrollar una actividad o desafío
específico (Alqurashi, 2019; Pintrich et al., 1991). Una elevada percepción de
autoeficacia es especialmente
importante en los cursos en línea y muy posiblemente en la ERE en virtud de la
falta de presencialidad e interacción social, lo que a su vez puede causar en
el estudiante una sensación de soledad.
Se ha encontrado evidencia de que la autoeficacia del estudiante tiene
un efecto positivo sobre la experiencia de flow en el aprendizaje en línea
(Hong et al., 2017; Joo et al., 2015). Cuando los estudiantes creen que son
suficientemente capaces tienden a experimentar el estado de flow, en tanto que
incrementan su nivel de involucramiento y desempeño en las actividades académicas (Erhel y Jamet, 2019; Mesurado et al., 2016; Peifer
et al., 2020; Rodríguez-Ardura y Meseguer-Artola, 2017).
Por otra parte, el valor de la tarea es la evaluación
por parte del estudiante acerca del valor de un contenido
de aprendizaje, es decir, es la percepción del estudiante de qué tan
interesantes, útiles e importantes son los contenidos de aprendizaje de un curso específico (Pintrich et al, 1991). Si el contenido de aprendizaje es percibido
como altamente útil, los estudiantes se sentirán más motivados para realizar un mayor esfuerzo
en las tareas de
aprendizaje, ya que perciben que ese esfuerzo resultará en mejorar su propio
desempeño (Diep et al., 2017)(2.
Algunas investigaciones han mostrado que el nivel de autoeficacia del estudiante, así como su percepción acerca del diseño instruccional, tienen un
efecto positivo sobre cómo percibe el valor de la tarea (Li y Zheng, 2018;
Sánchez-Rosas y Esquivel, 2016). Así también,
el valor percibido de la tarea tiene un efecto positivo
sobre el nivel de
experiencia de flow
(Cho, 2018; Joo et al., 2015), y sobre el grado de satisfacción del estudiante con el curso (Alanazi et al., 2020;
Sánchez-Rosas y Esquivel, 2016; Yalcin, 2017).
Diseño y administración del curso: diseño instruccional y usabilidad del LMS
El diseño
instruccional es un concepto que puede tener
diferentes interpretaciones para diferentes personas. Por ejemplo, se puede utilizar este término para referirse a la
creación de escenarios de aprendizaje en línea o para crear un esquema de un
currículo con base en un conjunto de aprendizajes esperados (Turnbow y Roth,
2019). De acuerdo con Seel et al. (2017), el diseño instruccional es un proceso
sistemático enfocado en la planeación y desarrollo de programas educativos en general y estructurados de tal forma que se logren mejoras
sustantivas en el aprendizaje. El principal objetivo del diseño
instruccional es encontrar las mejores formas de enseñar algo (Turnbow y Roth,
2019).
Una herramienta auxiliar en el diseño instruccional y el desarrollo de
los cursos en línea es el LMS. Este es un software que incluye una variedad de servicios que asisten a los docentes
en la gestión de sus cursos permitiendo la creación, importación y exportación
de contenidos pedagógicos; la administración de archivos referentes al
desempeño de los estudiantes; la distribución de cursos en línea y las herramientas de comunicación, entre otros
(Ouadoud et al., 2018).
Una cualidad importante del LMS es su usabilidad. Se entiende por
usabilidad al grado en que un sistema, servicio o producto puede ser utilizado
por usuarios específicos para lograr metas específicas con efectividad,
eficiencia y satisfacción en contextos específicos de uso (International
Organization for Standardization, 2018). Así, la usabilidad de un LMS es el
grado en el que el sistema puede ser utilizado para el aprendizaje de manera
eficiente y satisfactoria.
Diversos estudios
han encontrado evidencia que sugiere que la forma en que el estudiante percibe la usabilidad del LMS afecta tanto
a su experiencia de flow (Chang y Shen, 2015;
Khan et al., 2017) como a su satisfacción con el
curso (Ghazal et al., 2018;
Stokes et al., 2016). Así también, la forma en que el estudiante percibe
el nivel del diseño instruccional afecta al grado de satisfacción con el curso
(Hernández-Nanclares y Pérez-Rodríguez, 2016; Lee et al., 2017; Shin y Cheon, 2019; Yalcin, 2017).
Hipótesis y modelo estructural
Con
base en la revisión de la literatura, se propuso analizar las relaciones
estructurales entre los constructos operacionalizados
que se muestran en la Figura 1, del cual se derivan las siguientes hipótesis:
El nivel de autoeficacia para el aprendizaje y el desempeño
afecta positivamente al nivel de experiencia de flow
del estudiante (H1) y al valor percibido de la tarea (H2).
El grado de usabilidad percibida del LMS afecta positivamente al nivel de experiencia de flow del
estudiante (H3) y al grado de
satisfacción del estudiante con el curso (H4).
El nivel
de diseño instruccional percibido afecta positivamente al valor percibido de la
tarea (H5) y al grado de satisfacción del estudiante con el curso (H6).
El valor
percibido de la tarea afecta positivamente al grado de satisfacción del
estudiante con el curso (H7) y al nivel de experiencia de flow del
estudiante (H8).
El nivel de experiencia de flow afecta positivamente al grado de satisfacción del estudiante con el curso (H9).
Figura 1. Modelo hipotético de factores predictores de la experiencia de flow y la satisfacción con el curso
Autor: Elaboración propia
Método Participantes
Utilizando un esquema de muestreo probabilístico por
conglomerados, se recolectó la información de 352 estudiantes de nivel de pregrado de una universidad privada del estado
de Nuevo León,
México, mediante un
formulario en línea que contenía los instrumentos de medición. Se consideró a
cada una de las unidades académicas de la universidad (facultades y escuelas)
como un conglomerado. Dentro de cada conglomerado, se realizó una selección aleatoria de estudiantes inscritos en
cursos en la modalidad presencial, en el ciclo académico de otoño (agosto a
diciembre de 2020). Estos cursos fueron desarrollados en la modalidad de ERE
debido a la suspensión de clases presenciales derivada de la pandemia de
COVID-19. La implementación de los
cursos fue realizada mayormente mediante videoconferencias sincrónicas, videos
tutoriales, aplicaciones educativas en línea, estudio independiente, así como
el uso intencional del LMS, mismo que es propiedad de la universidad.
De la muestra inicial, se removieron 18 casos
considerados atípicos, quedando la muestra final en n= 334. La detección de datos atípicos
se realizó por medio de distancias de Mahalanobis, utilizando el criterio conservador p< .001 recomendado por
Kline (2011). De la muestra final, 150 participantes fueron hombres (44.9 %) y
184 mujeres (55.1 %) con edades en el rango de 16 a 44 años (M= 20.55, DE=
3.676).
Instrumentos
Para la medición del nivel de autoeficacia para el
aprendizaje y el desempeño, así como del valor percibido de la tarea, se utilizaron las dos escalas
del MSLQ (Motivated Strategies for Learning Questionnaire) indicadas para estos constructos. Este instrumento,
desarrollado por Pintrich et al. (1991), se fundamenta en el enfoque cognoscitivo social de la motivación y el aprendizaje. Contiene 15 escalas, agrupadas en dos secciones (motivación
y estrategias de aprendizaje), las cuales están
diseñadas para ser utilizadas de forma modular
de acuerdo a la necesidad del investigador (Duncan y McKeachie, 2005). La escala que mide el valor percibido de la tarea
contiene seis ítems, en tanto que la escala que
mide el nivel de autoeficacia para el aprendizaje y desempeño contiene ocho ítems. Para estas escalas
los autores reportan
un coeficiente de confiabilidad α=
.90 y de α= .93, respectivamente. En la presente
investigación, las opciones
de respuesta para ambas escalas
fueron adaptadas a una escala
tipo Likert de 11 puntos, desde 0 (nada cierto para mí) a 10 (completamente
cierto para mí).
La evaluación de la percepción del diseño instruccional del curso se llevó a cabo empleando los cinco ítems
de la sección de diseño instruccional y distribución de la Rúbrica
para Instrucción en Línea (California State University,
Chico, 2020). Esta rúbrica, conformada por seis secciones, fue desarrollada
para evaluar la calidad de un curso en línea. Un estudio realizado por Joo et
al. (2015) encontró una aceptable consistencia interna de la sección diseño
instruccional y distribución (α= .90).
Para evaluar el grado de usabilidad percibido del LMS en este estudio,
se utilizó la versión positiva
de la Escala de Usabilidad
de un Sistema (SUS, por sus siglas en inglés), validada por Hedlefs Aguilar y Garza Villegas (2016). Para esta
versión que contiene 10 ítems redactados en
tono positivo, los autores reportaron una buena consistencia interna (α=
.92). La versión estándar de la escala SUS desarrollada por Brooke (1996), al
igual que la versión positiva, también contiene 10 ítems, solo que éstos están
presentados de forma alternada en tonos positivos y negativos (Lewis,
2018). Se ha encontrado que el lenguaje utilizado en la versión estándar ha generado problemas
de comprensión en forma más marcada para respondientes cuyo idioma
materno no es el inglés. A diferencia de la versión estándar, el uso de la
versión positiva podría derivar en menor tasa de errores de interpretación de los ítems por parte de los
respondientes, así como menor riesgo de errores de codificación por parte de
los investigadores (Hedlefs Aguilar y Garza Villegas, 2016).
La
medición del nivel de experiencia de flow, se realizó utilizando la versión corta de la escala Dispositional Flow Scale 2 (SDFS-2) desarrollada por Jackson y Eklund (2002),
para la cual se reportó una buena consistencia interna (α=
.81). Esta escala, diseñada para medir la experiencia de flow de forma global en actividades generales,
contiene nueve ítems correspondientes a las nueve dimensiones del flow propuestas por Csikszentmihalyi (1975).
Para
la medición del grado de satisfacción del estudiante con el curso, se utilizó
un instrumento conformado por seis ítems. Cuatro de esos ítems fueron adaptados de la escala usada por Cheng y Chau (2016) para la medición
de la satisfacción con el curso en línea, en tanto que los dos ítems restantes
fueron adaptados de la escala empleada por Lee y Choi (2013)utilizadas en su estudio
para evaluar la satisfacción del estudiante con los cursos a distancia en una universidad
coreana. Ambas escalas, en su versión completa, mostraron buena consistencia
interna (α= .84 y α= .93, respectivamente).
Al igual que las escalas
de autoeficacia y valor de la tarea, en este estudio las escalas correspondientes a diseño
instruccional, usabilidad del LMS, experiencia de flow y
satisfacción fueron adaptadas para ser medidas
en una escala tipo Likert de
11 puntos, desde 0 (completamente en desacuerdo) a 10 (completamente de
acuerdo).
Resultados
Para investigar las relaciones estructurales entre las variables
consideradas en este estudio y validar las hipótesis
propuestas (ver Figura 1), se procedió a estimar los parámetros y verificar el
ajuste del modelo teórico con los datos de la muestra. Para ello, primeramente, se analizó la validez y confiabilidad de los instrumentos utilizados, y posteriormente, se procedió a la estimación de
parámetros y ajuste del modelo.
Validez y confiabilidad de los instrumentos de medición
La evaluación de la confiabilidad por consistencia interna
de los instrumentos de medición,
se realizó empleando el coeficiente alfa de Cronbach (α)
y el coeficiente de confiabilidad compuesta (CR). Los resultados de la Tabla
1 muestran que ambos
coeficientes superan el valor de .70, lo que de acuerdo con Taber (2018)
y Moral de la Rubia (2019), sugiere una adecuada
consistencia interna de los instrumentos de medición.
La validez convergente se evaluó por medio de la varianza
media extraída (AVE) de cada constructo. La validez discriminante se evaluó observando las
intercorrelaciones entre los constructos operacionalizados, el cumplimiento del criterio de Fornell y Larcker (1981) acerca de las raíces
cuadradas de la AVE de los constructos correspondientes, además de
comparar el valor máximo, así como el valor promedio del cuadrado de las
correlaciones entre constructos (MSV y ASV, respectivamente). Los resultados reportados en la Tabla 1 muestran
que las intercorrelaciones entre constructos no son excesivamente altas, además de que todos los valores
de AVE son mayores que .50, así como mayores
que MSV y
ASV, excepto para el constructo experiencia de flow. Además, para cada constructo la raíz cuadrada
de la AVE resultó ser mayor que las intercorrelaciones con otros constructos. Todo lo anteriorsugiere
adecuada validez convergente y validez discriminante de las escalas utilizadas
en este estudio (Fornell y Larcker, 1981; Hair et al., 2014; Kline, 2011; Moral
de la Rubia, 2019).
Tabla 1. Indicadores de confiabilidad, validez
convergente y validez
discriminante de las escalas utilizadas
Constructos: AAD= Autoeficacia para el aprendizaje y el desempeño, VPT=
Valor percibido de la tarea, DI= Diseño Instruccional, LMS= Usabilidad del LMS,
FL= Experiencia de flow, SC= Satisfacción con el curso.
Índices: α = coeficiente alfa de Cronbach, CR= coeficiente
de confiabilidad compuesta, AVE= varianza media extraída, MSV= máxima varianza
compartida, ASV= Varianza compartida promedio. Los
valores en negritas representan las raíces cuadradas de la
AVE de los constructos
correspondientes.
Modelo estructural
Para el modelo de medida, así como para el modelo
estructural hipotético de relaciones entre variables (ver Figura 2), se
utilizaron parcelas como variables indicadores de cada constructo. La
utilización de parcelas en un modelo
estructural en lugar de los ítems originales, cuando los constructos son
unidimensionales, puede ayudar a mitigar
problemas asociados con la no normalidad, incrementar la eficiencia del modelo y disminuir su complejidad (Matsunaga, 2008).
Para
la formación de las parcelas, se agruparon
aleatoriamente dos o más ítems en cada constructo de modo que se obtuvieron
tres parcelas por constructo, excepto para el constructo diseño instruccional
donde solo se formaron dos parcelas. Los puntajes de cada parcela resultaron del
promedio de los ítems que la conforman. Previamente a la formación de parcelas, se realizó un análisis factorial exploratorio para cada una de las escalas, utilizando el método de extracción de factores por factorización de eje principal con rotación Varimax.
Utilizando el criterio de valores propios
mayores que 1.0 para la retención de factores, así como la visualización del diagrama
de sedimentación, se concluyó que cada escala
agrupaba a los ítems que la conforman en un solo factor, lo cual
sugiere constructos unidimensionales.
Figura 2. Modelo estructural inicial
con coeficientes estandarizados
Autor: Elaboración propia
Previamente a la estimación de
parámetros del modelo, se evaluó el supuesto de normalidad multivariada de los datos por medio de la prueba de Royston. Dado que los resultados de esta prueba mostraron evidencia de violación del supuesto
de normalidad (H= 863.879, p= .000),
se decidió utilizar
el método de estimación
de parámetros por Máxima Verosimilitud con errores estándar robustos y prueba
Chi-cuadrada escalada de Satorra-Bentler (Satorra y Bentler, 1994).
Los estadísticos de bondad de ajuste reportados en la Tabla 2 sugieren que el modelo de medida muestra
un ajuste aceptable con los datos muestrales. De igual forma, el modelo inicial representado en la Figura 2, en el cual se plantean
las relaciones estructurales entre los constructos operacionalizados, también
mostró un ajuste aceptable (ver Tabla 2).
Tabla 2. Estadísticos de ajuste de los modelos
analizados (n = 334)
Estadísticos de ajuste.
χ2SB: Chi-cuadrada escalada
de Satorra-Bentler, NPE= número de parámetros estimados, gl= grados de libertad,
CFI: Comparative Fit Index, TLI: Tucker-Lewis Index,
RMSEA: Steiger–Lind Root Mean Square
Error of Approximation. 90% IC: Intervalo de confianza del 90% para el RMSEA. SRMR: Standardized Root
Mean Square Residual.
Al examinar los coeficientes de regresión estandarizados
del modelo inicial, se observó que todas las relaciones estructurales entre
variables fueron estadísticamente significativas (ver Tabla 3), excepto para
los siguientes efectos: (a) grado de usabilidad
percibida del LMS sobre el grado de satisfacción del estudiante con el curso (p=
.294), (b) valor de la tarea
sobre el nivel
de experiencia de flow (p= .120) y (c) nivel
de experiencia de flow sobre el grado de satisfacción del estudiante con el curso (p= .052). En consecuencia, las hipótesis H4, H8 y H9 fueron rechazadas.
Figura 3. Modelo estructural modificado con coeficientes estandarizados
Autor: Elaboración propia
Las tres relaciones estructurales que no resultaron significativas, mostradas en la Figura 2 por medio de trayectorias con línea discontinua, fueron removidas del modelo
inicial para obtener el modelo modificado representado en la Figura 3. Para
este modelo, se obtuvo un ajuste aceptable con los datos
muestrales (ver Tabla 2). Además, debido a que los
modelos estructurales inicial y
modificado son modelos anidados, ya que el segundo se obtuvo a partir
del primero removiendo algunos parámetros del modelo, se realizó una prueba Chi-cuadrada para evaluar si existe diferencia entre ambos modelos.
Los resultados de esta prueba mostraron que, en términos
de bondad de ajuste,
no existe diferencia significativa entre el modelo estructural inicial y el modelo modificado (∆χ2= 4.445, gl= 3, p= .216). Así,
se decidió proponer al modelo modificado como el modelo final para explicar las
relaciones estructurales entre variables.
Para
el modelo modificado, como se observa en la Tabla 3, todas las relaciones
estructurales entre variables resultaron estadísticamente significativas con coeficientes de regresión positivos, de modo que no se rechazaron
las
hipótesis H1, H2, H3, H5, H6 y H7. Estos resultados sugieren que: (a) el
nivel de
autoeficacia para el aprendizaje y el desempeño tiene un efecto positivo directo
sobre el nivel de experiencia de flow y sobre el valor percibido
de la tarea, (b) el grado de usabilidad percibida del LMS
tiene un efecto positivo directo
sobre el nivel de experiencia de flow, (c) el nivel
de diseño instruccional percibido tiene un efecto positivo directo sobre el
valor percibido de la tarea y sobre el grado de satisfacción del estudiante con
el curso y (d) el valor percibido de la tarea tiene un efecto positivo directo
sobre el grado de satisfacción del estudiante con el curso.
Tabla 3. Hipótesis, coeficientes de regresión y resultados para el modelo
modificado
β1: Coeficiente de regresión no estandarizado, β2: Coeficiente de regresión estandarizado, SE: Error estándar.
* Relación
no significativa en el modelo
inicial y no incluida en el modelo
modificado.
A continuación, se procedió a evaluar la significancia del efecto mediador
del valor de la tarea sobre el grado de satisfacción del estudiante con el curso. Por medio de la prueba de Sobel (Kline, 2011), se evaluó la significancia
del efecto indirecto del nivel de autoeficacia para el aprendizaje y el
desempeño, así como del nivel de diseño instruccional percibido, sobre el nivel el grado de satisfacción del estudiante con el curso,
mediados por el valor
percibido de la tarea. Para esta prueba, se utilizaron los coeficientes de
regresión no estandarizados y errores estándar reportados en la Tabla 3.
Adicionalmente, se calcularon los efectos totales estandarizados, los cuales se
resumen en la Tabla 4.
Tabla 4. Efectos totales
estandarizados para el modelo modificado
|
|
 |
Los resultados de la prueba
de Sobel mostraron evidencia de que: (a) el efecto indirecto del nivel de autoeficacia
para el aprendizaje y el desempeño sobre el grado de satisfacción del
estudiante con el curso, teniendo como mediador al valor percibido
de la tarea, resultó estadísticamente significativo (Z= 3.385, p= .0003)
y (b) el efecto indirecto
del nivel de diseño instruccional percibido sobre el grado de satisfacción del
estudiante con el curso, teniendo como mediador al valor percibido de la tarea,
también resultó estadísticamente significativo (Z=2.882, p= .0019). Para el modelo estructural modificado, dado que no hay un efecto directo de la autoeficacia sobre la satisfacción, se observa que el
valor percibido de la tarea es un mediador completo del efecto del nivel de
autoeficacia para el aprendizaje y el desempeño sobre el grado de satisfacción
del estudiante con el curso. Así también, dado que hay un efecto significativo
directo del diseño instruccional sobre la satisfacción, se observa que el valor
percibido de la tarea es un mediador parcial del efecto del nivel de diseño
instruccional percibido sobre el grado de satisfacción del estudiante con el
curso.
Discusión
El propósito de esta investigación fue analizar las relaciones estructurales entre el nivel de autoeficacia para el aprendizaje y el desempeño, el valor percibido de la
tarea, el grado de usabilidad percibida del LMS, el nivel de diseño
instruccional percibido, el nivel de experiencia de flow del estudiante
y el grado de satisfacción del estudiante, en cursos adaptados a la modalidad
de ERE, en una institución privada de educación superior en el estado de Nuevo León, México. Para
ello, se propuso un modelo estructural del cual se derivó un modelo modificado,
mismo que fue utilizado para explicar las relaciones entre variables.
Los resultados de este estudio
revelaron que: (a) el nivel de autoeficacia para el aprendizaje y el desempeño
tiene un efecto directo positivo sobre el nivel de experiencia de flow
del estudiante y el valor percibido de la tarea, (b) el grado
de usabilidad percibida del LMS tiene
un efecto directo
positivo sobre el nivel de experiencia de flow del estudiante, (c) el nivel de
diseño instruccional percibido tiene un efecto directo positivo sobre el valor
percibido de la tarea y el grado de satisfacción del estudiante con el curso y (d) el valor percibido de la tarea tiene un efecto
directo positivo sobre el grado de satisfacción del estudiante con el curso. No
se encontró evidencia de efecto significativo
del grado de usabilidad percibida del LMS sobre
el grado de satisfacción del estudiante con el curso, así como tampoco del valor percibido
de la tarea sobre el nivel de experiencia de flow del
estudiante, ni del nivel
de experiencia de flow sobre el grado de satisfacción del estudiante con
el curso.
Con base en los hallazgos derivados del modelo
estructural modificado se observó, de manera similar a lo reportado por Joo et al. (2015) en el contexto
de cursos en línea, que el principal predictor
del nivel de experiencia
de flow del estudiante en la modalidad de ERE es su nivel
de autoeficacia. Así también, se observó que el principal predictor del grado de
satisfacción del estudiante con el curso es el nivel de diseño instruccional
percibido; en tanto que el principal predictor del valor percibido de la tarea
es el nivel de autoeficacia.
Adicionalmente, se encontró evidencia de que el grado de
percepción de la usabilidad del LMS afecta de forma positiva al nivel de experiencia de flow del estudiante. Este resultado puede
tener implicaciones importantes en la forma en que se desarrollan los cursos académicos
que utilizan un LMS. En un escenario posterior al confinamiento social derivado
de la pandemia de COVID-19,
donde una buena parte de los cursos presenciales serán
adaptados para ser completamente virtuales o híbridos (Benito et al.,
2021), resulta fundamental alinear las actividades de aprendizaje y
herramientas tecnológicas para propiciar la experiencia de flow en los
estudiantes, ya que este último se
relaciona positivamente con el desempeño académico y emociones positivas de los
estudiantes (Rijavec et al., 2017; Rodríguez-Ardura y Meseguer-Artola, 2017). A este respecto, una alternativa interesante es la personalización basada en la motivación del estudiante de
los elementos de gamificación que se incorporen en el LMS utilizado en el
curso, tales como storytelling, actividades interactivas, desafíos y
recompensas, entre otros (Roosta et al., 2016).
Por otra parte,
el hecho de que el valor percibido de la tarea no haya emergido como un predictor
de la experiencia de flow, pero si de la satisfacción del estudiante, puede
ser resultado de que las actividades y experiencias
de aprendizaje provistas por los docentes, aunque hayan cumplido
con las expectativas de aprendizaje de los estudiantes, no fueron planeadas con base en actividades
de aprendizaje desafiantes y la vez altamente atractivas, con metas y reglas claramente definidas que motiven
al estudiante a aplicar sus habilidades a fondo,
que son condiciones fundamentales para que la experiencia de flow emerja.
Lo anterior no quiere decir
que los docentes
sean pedagógicamente incapaces, sino más bien,
tal como lo advierte
Csikszentmihalyi (2014), las escuelas no están estructuradas para que el flow suceda. No obstante esta realidad,
se puede lograr que el estudiante experimente el flow, si se sabe cómo desarrollar actividades de aprendizaje que mantengan un equilibrio entre las demandas
del desafío y las habilidades del individuo. De otro modo, cuando el nivel
de habilidad es superior al del desafío
se experimenta aburrimiento, en tanto que si el nivel de habilidad es inferior al del desafío se experimenta
ansiedad.
Otro hallazgo relevante se relaciona con la influencia del nivel de
autoeficacia sobre el grado de satisfacción del
estudiante. A diferencia de lo sugerido por Prifti (2020), quien encontró
evidencia de un efecto directo, en este estudio se encontró que el nivel de
autoeficacia afecta de manera indirecta al grado de satisfacción del estudiante
con el curso, mediado por el valor percibido de la tarea. Esta relación,
similar a la observada por Doménech-Betoret et al. (2017) en estudiantes
españoles de nivel secundario, sugiere que la percepción del estudiante acerca
de la utilidad y valor
de las actividades de aprendizaje depende en buena
medida de su nivel de confianza en lograr un buen
desempeño en la clase, y a su vez afecta el grado de satisfacción que se
experimente en el curso.
En suma, ya que la autoeficacia es un componente fundamental para el aprendizaje y la satisfacción del estudiante (Alqurashi, 2019), es recomendable que los docentes e instituciones de enseñanza superior desarrollen estrategias y programas educativos orientados al fortalecimiento de
la autoeficacia para el aprendizaje y el desempeño, contrarrestando los efectos negativos de los bajos
niveles de autorregulación del estudiante (Pool-Cibrián y Martínez-Guerrero, 2013).
En este sentido, acciones tales como facilitar que el estudiante desarrolle su
capacidad de elección en cuanto a métodos y resultados aplicables a las
actividades de aprendizaje, adaptar los ambientes de aprendizajes para permitir la autorregulación y proporcionar retroalimentación atributiva, entre
otras, fomentarán el desarrollo de la autoeficacia para el aprendizaje de los
estudiantes (Schunk, 2012).
Conclusiones
En esta investigación se propuso un
modelo de ecuaciones estructurales para analizar las relaciones entre factores asociados con la motivación del estudiante, el diseño y administración del curso, la experiencia de flow y la
satisfacción del estudiante, en cursos del nivel de pregrado en el contexto
de la modalidad de ERE, durante el semestre de otoño de 2020, en una
institución privada de educación superior en México.
Los resultados de este estudio sugieren
que: (a) un incremento en el nivel de autoeficacia del estudiante redundará en un incremento
en el nivel de flow así como del nivel percibido de las actividades de aprendizaje,
(b)
una mejorara en la experiencia de usabilidad del LMS utilizado en el curso
afectará de forma positiva al nivel
de experiencia de flow del estudiante y (c)
un incremento en el nivel de diseño instruccional percibido por el estudiante
se traducirá en un incremento en el valor percibido de las actividades de
aprendizaje así como en el nivel de satisfacción del estudiante con el curso.
Estos hallazgos permiten
proponer que para mejorar la experiencia de flow y
el nivel de satisfacción del estudiante
con el curso, se requiere
definir claramente los objetivos de aprendizaje e implementar actividades de aprendizaje
alineadas con esos objetivos, crear condiciones de aprendizaje que fomenten la
interacción, accesibilidad, pensamiento crítico y resolución de problemas, de
forma tal que se estimule de forma positiva la percepción de autoeficacia del
estudiante, a la vez que se mejora continuamente la usabilidad del LMS
utilizado en la gestión de los cursos.
Cabe mencionar que los hallazgos derivados de esta investigación,
aunque aplicables específicamente para la institución estudiada, pueden ser
útiles para otras instituciones educativas que buscan enfrentar los grandes
desafíos de la educación post COVID-19. Estos
desafíos, de acuerdo
con Zhao y Watterston (2021),
implican el desarrollo de un currículo personalizado y capaz de
evolucionar; de una pedagogía auténtica, propositiva, centrada en el estudiante
y basada en el descubrimiento; así como medios de enseñanza que aprovechen las
ventajas del aprendizaje sincrónico y asincrónico.
Referencias bibliográficas
Alanazi,
A. A., Frey, B. B., Niileksela, C., Lee, S. W., Nong, A., y Alharbi, F. (2020).
The role of task value and technology satisfaction in student performance in graduate-level online
courses. TechTrends, 64, 922-930.
https://doi.org/10.1007/s11528-020-00501-8
Alqurashi, E. (2019). Predicting student satisfaction and perceived learning
within online learning
environments. Distance Education, 40(1), 133-148. https://doi.org/10.1080/01587919.2018.1553562
Bandura,
A. (1977). Self-efficacy: Toward a unifying theory of behavioral change.
Psychological Review, 84(2), 191-215.
https://doi.org/10.1037/0033-295X.84.2.191
Benito, Á., Dogan Yenisey,
K., Khanna, K., Masis, M. F., Monge,
R. M., Tugtan, M. A., Vega Araya, L. D., y Vig,
R. (2021). Changes that should remain in higher education post COVID-19: A
mixed-methods analysis of the experiences at three universities. Higher
Learning Research Communications, 11, 51-75. https://doi. org/10.18870/hlrc.v11i0.1195
Brooke, J. (1996). SUS: ‘a quick
and dirty’ usability scale. En P. W. Jordan,
B. Thomas, B. A. Weerdmeester, y A. L. McClelland
(Eds.). Usability evaluation in industry (pp. 189-194). Taylor y Francis.
https://doi. org/10.1201/9781498710411
California
State University, Chico. (2020). Exemplary Online Instruction: The Rubric. https://www.csuchico.edu/ eoi/rubric.shtml
Chang,
S.Y. y Shen, C.Y. (2015). The effect of usability of learning management system
on student’s flow experience and learning experience. En S. Carliner, C.
Fulford y N. Ostashewski (Eds.). Proceedings of EdMedia 2015-World Conference on Educational Media and Technology (pp. 489-493). Association for the Advancement of
Computing in Education (AACE).
Cheng,
G., y Chau, J. (2016). Exploring the relationships between learning styles,
online participation, learning achievement and course satisfaction: An
empirical study of a blended learning course. British Journal of Educational
Technology, 47(2), 257-278. https://doi.org/10.1111/bjet.12243
Cho,
M. (2018). Task complexity and modality: Exploring learners’ experience from the
perspective of flow. The Modern Language Journal, 102(1), 162-180.
https://doi.org/10.1111/modl.12460
Csikszentmihalyi, M. (1975). Beyond
boredom and anxiety.
Jossey-Bras Publishers.
Csikszentmihalyi,
M. (1997). Finding flow: The psychology of engagement with every day life.
BasicBooks. Csikszentmihalyi, M. (2014). Applications of flow in human development and education: The collected works of
Mihaly
Csikszentmihalyi. Springer.
Diep,
A., Zhu, C., Struyven, K., y Blieck, Y. (2017). Who or what contributes to
student satisfaction in different blended learning modalities? British Journal
of Educational Technology, 48(2), 473-489. https://doi. org/10.1111/bjet.12431
Doménech-Betoret,
F., Abellán-Roselló, L., y Gómez-Artiga, A. (2017). Self-efficacy,
satisfaction, and academic achievement :
The mediator role of students’ expectancy-value beliefs. Frontiers in
Psychology, 8:1193. https://doi.org/10.3389/fpsyg.2017.01193
Duncan, T. G., y McKeachie, W. J. (2005).
The making of the motivated strategies for learning
questionnaire. Educational Psychologist, 40(2), 117-128. https://doi.org/10.1207/s15326985ep4002_6
Erhel,
S., y Jamet, E. (2019). Improving instructions in educational computer games:
Exploring the relations between goal specificity, flow experience and learning outcomes.
Computers in Human Behavior, 91, 106-114.
https://doi.org/10.1016/j.chb.2018.09.020
Fernandez-Rio,
J., Cecchini, J. A., Méndez-Gimenez, A., Mendez-Alonso, D., y Prieto, J. A.
(2017). Self-regulation, cooperative learning, and academic Self-efficacy : Interactions to prevent school failure.
Frontiers in Psychology, 8:22. https://doi.org/10.3389/fpsyg.2017.00022
Fornell,
C., y Larcker, D. F. (1981). Evaluating structural equation models with
unobservable variables and measurement error. Journal
of Marketing Research, 18(1), 39-50. doi: 10.1177/002224378101800104
Ghazal, S., Al-Samarraie, H., y Aldowah,
H. (2018). “I am still
learning”: Modeling LMS critical success
factors for promoting students’ experience and satisfaction in a blended
learning environment. IEEE Access, 6, 77179-77201. https://doi.org/10.1109/ACCESS.2018.2879677
Hair, J. F., Black, W. C., Babin, B. J., y Anderson, R. E. (2014).
Multivariate data analysis
(7ª ed.). Pearson.
Hedlefs
Aguilar, M. I., y Garza Villegas, A. A. (2016). Análisis comparativo de la
Escala de Usabilidad del Sistema (EUS) en dos versiones. Revista Iberoamericana
de las Ciencias Computacionales e Informática, 5(10), 44-58. https://doi.org/10.23913/reci.v5i10.48
Hernández-Nanclares,
N., y Pérez-Rodríguez, M. (2016). Students’ satisfaction with a blended
instructional design: The potential of “flipped classroom” in higher education.
Journal of Interactive Media in Education, 1:4.
https://doi.org/10.5334/jime.397
Hodges, C., Moore, S., Lockee, B., Trust, T., y Bond,
A. (2020). The difference between
emergency remote teaching and online learning. EDUCAUSE
Review. https://er.educause.edu/articles/2020/3/the-difference-be- tween-emergency-remote-teaching-and-online-learning
Hong,
J. C., Hwang, M. Y., Tai, K. H., y Lin, P. H. (2017). Intrinsic motivation of
Chinese learning in predicting online learning self-efficacy and flow experience relevant to students’
learning progress. Computer
Assisted Language Learning, 30(6), 552-574. https://doi.org/10.1080/09588221.2017.1329215
International Organization for Standardization.
(2018). Ergonomics of human-system interaction-part 11: Usability: Definitions and concepts. ISO 9241-11:2018(en). https://www.iso.org/obp/ui/#iso:std:iso:9241:-11:ed-
2:v1:en
Jackson, S. A., y Eklund, R. C. (2002).
Assessing flow in physical activity:
The Flow State Scale-2 and Dispositional
Flow Scale-2. Journal of Sport and Exercise Psychology, 24(2), 133-150.
https://doi.org/10.1123/ jsep.24.2.133
Joo, Y. J., Oh, E., y Kim, S. M. (2015).
Motivation, instructional design,
flow, and academic
achievement at a Korean
online university: A structural equation
modeling study. Journal
of Computing in Higher Education, 27, 28-46. https://doi.org/10.1007/s12528-015-9090-9
Khan, I. U., Hameed,
Z., Yu, Y., y Khan, S. U. (2017). Assessing
the determinants of flow experience in the adoption of learning management systems:
The moderating role of perceived institutional support. Behaviour & Information Technology, 36(11), 1162-1176.
https://doi.org/10.1080/0144929X.2017.1362475
Kline, R. B. (2011).
Principles and practice
of structural equation
modeling (3a ed.). The Guilford Press.
Lee,
J., Lim, C., y Kim, H. (2017). Development of an instructional design model for
flipped learning in higher education. Educational Technology Research and
Development, 65, 427-453. https://doi.org/10.1007/ s11423-016-9502-1
Lee,
Y., y Choi, J. (2013). A structural equation model of predictors of online
learning retention. The Internet and Higher Education, 16, 36-42. https://doi.org/10.1016/j.iheduc.2012.01.005
Lewis, J. R. (2018). The System Usability Scale: Past, present, and future. International Journal of Human-Computer Interaction,
34(7), 577-590. https://doi.org/10.1080/10447318.2018.1455307
Li, S., y Zheng, J. (2018). The relationship between self-efficacy and self-regulated learning in one-to-one computing environment: The mediated role of task values. Asia-Pacific Education Researcher, 27, 455-463. https://doi. org/10.1007/s40299-018-0405-2
Lu Y., Wang, B., y Lu, Y. (2019).
Understanding key drivers
of MOOC satisfaction and continuance intention
to use. Journal of Electronic Commerce Research, 20(2),
105-117.
Matsunaga,
M. (2008). Item parceling in structural equation modeling: A primer.
Communication Methods and Measures, 2(4), 260-293.
https://doi.org/10.1080/19312450802458935
Mesurado,
B., Cristina Richaud, M., y José Mateo, N. (2016). Engagement, flow,
self-efficacy, and eustress of university students: A cross-national comparison
between the Philippines and Argentina. The Journal of Psychology. Interdisciplinary and Applied, 150(3),
281-299. https://doi.org/10.1080/00223980.2015.10
24595
Mohmmed, A. O., Khidhir,
B. A., Nazeer, A., y Vijayan, V. J. (2020).
Emergency remote teaching
during Coronavirus pandemic:
The current trend and future directive at Middle East College Oman. Innovative
Infrastructure Solutions, 5:72, 1-11.
https://doi.org/10.1007/s41062-020-00326-7
Moral
de la Rubia, J. (2019). Revisión de los criterios para validez convergente
estimada a través de la varianza media extraída. Psychologia, 13(2), 25-41.
https://doi.org/10.21500/19002386.4119
Ouadoud
M., Nejjari A., Chkouri M.Y., y El-Kadiri K.E. (2018). Learning Management
System and the underlying learning theories. En M. Ben Ahmed y A. Boudhir.
(Eds.). Innovations in Smart Cities and Applications. SCAMS 2017. Lecture Notes
in Networks and Systems (pp. 732-744). https://doi.org/10.1007/978-3- 319-74500-8_67
Peifer,
C., Schönfeld, P., Wolters, G., Aust, F., y Margraf, J. (2020). Well done!
Effects of positive feedback on perceived self-efficacy, flow and performance in a mental
arithmetic task. Frontiers in Psychology, 11:1008. https://doi.org/10.3389/fpsyg.2020.01008
Petillion,
R. J., y McNeil, W. S. (2020). Student experiences of emergency remote
teaching: Impacts of instructor practice on student learning, engagement, and well-being. Journal of Chemical Education, 97(9), 2486-2493.
https://doi.org/10.1021/acs.jchemed.0c00733
Pintrich, P. R., Smith,
D. A. F., García, T., y McKeachie, W. J. (1991).
Manual for the use of the Motivated Strategies for Learning Questionnaire (MSLQ). National Center
for Research to Improve Postsecondary Teaching and Learning, Ann Arbor, MI. https://eric.ed.gov/?id=ED338122
Pool-Cibrián,
W. J., y Martínez-Guerrero, J. I. (2013). Autoeficacia y uso de estrategias
para el aprendizaje autorregulado en estudiantes universitarios. Revista
Electronica de Investigación Educativa, 15(3), 21-37. https://redie.uabc.mx/redie/article/view/551/810
Prifti, R. (2020). Self–efficacy and student satisfaction in the context
of blended learning
courses. Open Learning: The Journal of Open, Distance
and eLearning. https://doi.org/10.1080/02680513.2020.1755642
Rijavec,
M., Ljubin Golub, T., Jurčec, L., y Olčar, D. (2017). Working
part-time during studies: The Role of Flow in Students’ Well-Being and Academic
Achievement. Croatian Journal
of Education, 19, Sp.Ed.No.3, 157-175. https://doi.org/10.15516/cje.v19i0.2724
Rodríguez-Ardura,
I., y Meseguer-Artola, A. (2017). Flow in e-learning: What drives it and why it
matters. British Journal of Educational Technology, 48(4), 899-915.
https://doi.org/10.1111/bjet.12480
Roosta, F., Taghiyareh, F., y Mosharraf, M. (2016, 27-28 de septiembre). Personalization of gamification-elements in an e-learning environment based on learners’
motivation. En M. Vaezi y M. Khansari
(chairs), IST 2016 [Simposio].
Eight International Symposium on Telecommunications (IST), Theran, Iran.
https://doi. org/10.1109/ISTEL.2016.7881899
Sánchez-Rosas, J., y Esquivel,
S. (2016). Instructional teaching quality, task value, self-efficacy, and boredom: A model
of attention in class. Revista de Psicología, 25(2), 1-20.
https://doi.org/10.5354/0719- 0581.2016.44966
Sanford,
D., Ross, D., Rosenbloom, A., y Singer, D. (2017). Course convenience,
perceived learning, and course satisfaction across course formats. e-Journal of Business Education & Scholarship of Teaching, 11(1), 69-84.
https://eric.ed.gov/?id=EJ1167321
Satorra, A., y Bentler, P. M. (1994). Correction to test statistics and standard errors in covariance structure analysis. En A. von Eye y C. C. Clogg (Eds.).
Latent variable analysis: Applications for developmental research (pp.
399-419). Sage Publications.
Schunk, D. H. (2012).
Teorías del aprendizaje: Una perspectiva educativa
(6a ed.). Pearson.
Seel,
N. M., Lehmann, T., Blumschein, P., y Podolskiy, O. A. (2017). Instructional
design for learning: Theoretical foundations. Sense Publishers.
Shin, N. (2003). Transactional presence as a critical predictor of success in distance learning.
Distance Education, 24(1),
69-86. https://doi.org/10.1080/01587910303048
Shin, S., y Cheon, J. (2019).
Assuring student satisfaction of online education: A search for core course design elements. International
Journal on E-Learning, 18(2), 147-164. https://www.learntechlib.org/
primary/p/178238/
Stokes, T. A., Gillan,
D. J., y Braden, J. P. (2016).
Establishing the link between usability
and student satisfaction in adaptive online learning. Proceedings of the Human Factors
and Ergonomics Society
Annual Meeting, 60(1), 1976-1980. https://doi.org/10.1177/1541931213601450
Taber, K. S. (2018).
The use of Cronbach’s alpha when developing and reporting research
instruments in science education. Research in Science
Education, 48, 1273-1296. https://doi.org/10.1007/s11165-016-9602-2
Turnbow, D., y Roth,
A. (2019). Demystifying online instruction in libraries : People, process,
and tools. ALA Editors.
Wei, H. C., y Chou,
C. (2020). Online
learning performance and satisfaction: Do perceptions and readiness matter?
Distance Education, 41(1), 48-69. https://doi.org/10.1080/01587919.2020.1724768
Yalcin,
Y. (2017). Online learners’ satisfaction: Investigating the structural
relationships among self-regulation, self-efficacy, task value, learning design, and perceived learning [Tesis de doctorado, Florida State University].
https://fsu.digital.flvc.org/islandora/object/fsu%3A605036/
Zhao, Y., y Watterston, J. (2021). The changes we need: Education
post COVID-19. Journal
of Educational Change, 22, 3-12.
https://doi.org/10.1007/s10833-021-09417-3
