Validación de una escala del Modelo Ampliado de Aceptación de la Tecnología en el contexto dominicano

  1. Clemente Rodríguez-Sabiote
  2. Ana Teresa Valerio-Peña
  3. Roberto Batista-Almonte
Revista:
Pixel-Bit: Revista de medios y educación

ISSN: 1133-8482

Año de publicación: 2023

Número: 68

Páginas: 217-244

Tipo: Artículo

DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Otras publicaciones en: Pixel-Bit: Revista de medios y educación

Resumen

El fin del presente artículo ha sido adaptar y validar una Escala del Modelo Ampliado de Aceptación de la Tecnología para su utilización en el contexto universitario de República Dominicana. La muestra ha ascendido a 327 estudiantes pertenecientes a diversas instituciones de educación superior de carácter público y privado de la República Dominicana. Se han aplicado sendos análisis factoriales, exploratorio (AFE) y confirmatorio (AFC), análisis de fiabilidad e invarianza factorial para comprobar la equivalencia por género. El AFE reveló la pentadimensionalidad de la escala confirmada posteriormente por el AFC implementado. La fiabilidad como consistencia interna también ha resultado muy alta. Finalmente, la invarianza factorial denota que la estructura factorial es similar en hombres vs mujeres. Podemos concluir, que la escala es consistente, valida e invariante para determinar el aprendizaje percibido en entornos virtuales de enseñanza-aprendizaje dentro del modelo ampliado de aceptación de la tecnología en el contexto dominicano

Referencias bibliográficas

  • Abdullah, F. & Ward, R. (2016). Developing a General Extended Technology Acceptance Model for E-Learning (GETAMEL) by analysing commonly used external factors. Computers in Human Behavior, 56, 238- 256. https://doi.org/10.1016/j.chb.2015.11.036
  • Adell, J., Castellet, J. M., & Pascual, J. (2004). Selección de un entorno virtual de enseñanza/aprendizaje de código fuente abierto para la Universitat Jaume I. Centro de Educación y Nuevas Tecnologías de la UJI.
  • Ajzen I. (1985). From intention to actions: A theory of planned behavior. In J. Kuhland & J. Beckman (Eds), Action-control: From cognitions to behavior (pp.11-39). Springe.
  • Ajzen, I. & Fishbein, M. (1980). Understanding Attitudes and Predicting Social Behavior. Prentice-Hall.
  • Área-Moreira, M.; Bethencourt-Aguilar, A. & Martín-Gómez, S. (2020). De la enseñanza semipresencial a la enseñanza online en tiempos de Covid-19. Visiones del alumnado. Campus Virtuales, 9(2), 35-50.
  • Arteaga, R. & Duarte, A. (2010). Motivational factors that influence the acceptance of Moodle using TAM. Computer in Human Behavior, 26(6), 1632-1640. https://doi.org/10.1016/j.chb.2010.06.011
  • Báez-Estradas, M. L. & Ossandón Núñez, Y. (2015). Propiedades psicométricas de la escala de presencia social de las mentes en red y su aplicación en el Entorno Virtual de Enseñanza Aprendizaje UTAmed. Universitas Psychologica, 14(3), 843-854.
  • Beaducel, A., & Herberg, P.Y. (2006). On the performance of maximum likelihood versus means andvariance adjusted weighted least squares estimation in CFA. Structural Equation Modeling: A Multidisciplinary Journal 13, 186- 203. https://doi.org/10.1207/s15328007sem1302_2
  • Barroso-Osuna, J., Cabero-Almenara, J. & Gutiérrez-Castillo, J.J. (2018). La producción de objetos de aprendizaje en realidad aumentada por estudiantes universitarios. Grado de aceptación de esta tecnología y motivación para su uso. Revista Mexicana de Investigación Educativa, 23 (79), 1261-1283.
  • Bozkurt, A., Jung, I., Xiao, J., Vladimirschi, V., Schuwer, R., Egorov, G., Lambert, S. R., Al-freih, M., Pete, J., Olcott, D., Rodes, V.,Aranciaga, I., Bali, M., Alvarez, A. V., Roberts, J., Pazurek, A., Raffaghelli, J. E., Panagiotou, N.. Coëtlogon, P., Shahadu, S.,…Paskevicius, M. (2020). A global outlook to the interruption of education due to CovId-19 Pandemic: navigating in a time of uncertaint and crisis. Asian Journal of distance Education, 1(15), 1-126. https://doi.org/10.5281/zenodo.3878572
  • Byrne, B. (2008). Testing for multigroup equivalence of a measuring instrument: Awalk through the process. Psicothema, 20(4), 872–882.
  • Byrne, B. (2009). Structural equation modelling with AMOS: Basic concepts, applications and programming (2nd ed.). Routledge/Taylor and Francis.
  • Cabero-Almenara, J. & Llorente-Cejudo, C. (2020). Covid-19: transformación radical de la digitalización en las instituciones universitarias. Campus Virtuales, 9(2), 25-34.
  • Cabero-Almenara, J., Barroso-Osuna, J., Gutiérrez-Castillo, J. J., & Palacios Rodríguez, A. (2022). Desarrollando competencias digitales y emprendedoras en Pedagogía. Grado de aceptación de una propuesta formativa. RiiTE Revista Interuniversitaria de Investigación en Tecnología Educativa, (12), 49–63. https://doi.org/10.6018/riite.522441
  • Costello, A.B., & Osborne, J. W. (2005). Best practices in exploratory factor analysis.Four recommendations for getting the most from your analysis. Practical Assessment, Research & Evaluation, 10(7), 1-9. https://doi.org/10.7275/jyj1-4868
  • Curran, P. J., West, S. G., & Finch, J. F. (1996). The robustness of test statistics to non normality and specification error in confirmatory factor analysis. Psychological Methods 1, 16–29.
  • Davis, F.D. (1989). Perceived Usefulness, Perceived Ease of Use and User Acceptance of Information Technology. MIS Quarterly, 13, 319-340.
  • Deng, L., & Tavares, N. (2013). From Moodle to Facebook: exploring students´ motivation and experiences in online communities. Computers & Education, 68, 167-176. https://doi.org/10.1016/j.compedu.2013.04.028
  • IBM Corp. Released 2021. IBM SPSS Statistics for Windows, Version 28.0. IBM Corp.
  • Garson D. G. (2008). Factor analysis: Statnotes: North Carolina State University Public Administration Program. http://www2.chass.ncsu.edu/garson/pa765/factor.htm.
  • George, D., & Mallery, M. (2011). Using SPSS for Windows step by step: a simple guide and reference 18.0 Update (11th ed.). Allyn & Bacon/Pearson.
  • González-Villa, A., Regueira, U. & Gewerc, A. (2022). Hacia la enseñanza en línea. Estudio mixto de una reestructuración metodológica en pandemia. Campus Virtuales, 11(2), 21-37. https://doi.org/0.54988/cv.2022.2.973
  • Hassani, E., Gelard, P., Sharifzadeh, F., & Azad, N. (2022). The Impact of Learning organizations on Employee Performance with an Emphasis on network Communication Approach. Education in the Knowledge Society, 23, e26817. https://doi.org/10.14201/eks.26817
  • Hodgkinson, T., Curtis, H., MacAlister, D., & Farrell, G. (2016). Student academic dishonesty: The potential for situational prevention. Journal of Criminal Justice Education, 27(1), 1-18. http://dx.doi.org/10.1080/10511253.2015.1064982
  • Hu, L., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling, 6, 1–55.
  • Infante-Moro, A., Infante-Moro, J. C., & Gallardo-Pérez, J. (2022). Análisis de la virtualización de la docencia en el Máster de Turismo de la Universidad de Huelva durante el CovId-19: docentes versus estudiantes. Campus Virtuales, 11(2), 197-208. https://doi.org/10.54988/cv.2022.2.1199
  • Najmul Islam, A.K.M. (2013). Investigating e-learning system usage outcomes in the university context. Computer &. Education, 69, 387–399. https://doi.org/10.1016/j.compedu.2013.07.037
  • Ferreras-García, R.; Sales-Zaguirre, J., & Serradell-López, E. (2022). Generic competences and learning results during the COVID-19 pandemic: a comparative study. Campus Virtuales, 11(2), 147-160. http://dx.doi.org/10.54988/cv.2022.2.1177
  • Katz, M.H. (2006). Multivariate analysis. University Press.
  • Klein, G. (2013). The Cartoon Introduction to Statistics. Hill & Wang.
  • Liaw, S.S. (2008). Investigating students’ perceived satisfaction, behavioral intention, and effectiveness of e-learning: A case study of the Blackboard system. Computers & Education, 51(2), 864–873. https://doi.org/10.1016/j.compedu.2007.09.005
  • Lockee, B. B. (2021). Online education in the post-COVID era. Nature Electronics, 4(1), 5-6. https://doi.org/10.1038/s41928-020-00534-0
  • Lorenzo, U., & Ferrando, P. J. (2021). MSA: The Forgotten Index for Identifying Inappropriate Items Before Computing Exploratory Item Factor Analysis. Methodology, 17(4), 296-306. https://doi.org/10.5964/meth.7185
  • Mohamed, A.S. (2021). Experience Sharing on Virtual COOP Training to Mechanical Engineering Students during the COVID-19 Pandemic. Sustainability, 13(20), 1-16. https://doi.org/10.3390/su132011401
  • Premkumar, G., & Bhattacherjee, A. (2008). Explaining information technology usage: A test of competing models. Omega, 36, 64–75. https://doi.org/10.1016/j.omega.2005.12.002
  • Rodríguez-Sabiote, C., Úbeda-Sánchez, Á.M., Álvarez-Rodríguez, J., & Álvarez-Ferrándiz, D. (2020). Active Learning in an Environment of Innovative Training and Sustainability. Mapping of the Conceptual Structure of Research Fronts through a Bibliometric Analysis. Sustainability, 12, 8012. https://doi.org/10.3390/su12198012
  • Roitsch, J., Moore, R.L., & Horn, A.L. (2021). Lessons learned: What the COVID-19 global pandemic has taught us about teaching, technology, and students with autism spectrum disorder. Journal of Enabling Technologies, 15(2), 108-116. https://doi.org/10.1108/JET-12-2020-0053
  • Ruiz-Aquino, M., Borneo, E., Alanía-Contreras R. D., García, E.S. & Zevallos, U. (2022). Actitudes hacia las TIC´s y uso de los entornos virtuales en docentes universitarios en tiempos de la pandemia de la COVID-19. Publicaciones, 53(3), 197-120. https://doi.org/10.30827/publicaciones.v52i3.22270
  • Sánchez-Prieto, J.C., Olmos-Migueláñez, S., & García-Peñalvo, F.J. (2016). Informal tools in formal contexts: Development of a model to assess the acceptance of mobile technologies among teachers. Computer Human Behaviour, 55, 519-528. https://doi.org/10.1016/j.chb.2015.07.002
  • Saza-Garzón, I. D. (2016). Estrategias didácticas en tecnologías web para ambientes virtuales de aprendizaje. Praxis, 12(1), 103-110. https://doi.org/10.21676/23897856.1851
  • Schepers, J., & Werzels, M. (2007). A meta-analysis of the technology acceptance model; investigating subjective norm and moderations effects. Information y Management, 44(1), 90-103. https://doi.org/10.1016/j.im.2006.10.007
  • StataCorp. (2021). Stata Statistical Software: Release 17. College Station, TX: StataCorp LLC.
  • Tan, K.H., Chan, P.P., & Said, N.E.M. (2021). Higher Education Students' Online Instruction Perceptions: A Quality Virtual Learning Environment. Sustainability, 13(19), 1-24. https://doi.org/10.3390/su131910840
  • Van De Schoot, R., Schmidt, P., De Beuckelaer, A., Lek, K., & Zondervan-Zwi¬jnenburg, M. (2015). Measurement invariance. Frontiers in Psychology, 6, 1-4. https://doi.org/10.3389/fpsyg.2015.01064
  • Venkatesh, V. & Davis F. D. (2000). A theoretical extension of the technology acceptance model: four longitudinal field studies. Management Science, 46(2), 186-205. https://doi.org/10.1287/.mnsc.46.2.186.11926
  • Venkatesh, V., & Bala, H. (2008). Technology Acceptance Model 3 and a Research Agenda on Interventions. Decision Sciences, 39, 273-315. https://doi.org/10.1111/j.1540-5915.2008.00192.x
  • Vogt, W.P. (2005). Dictionary of Statistics & Methodology: A Nontechnical Guide for the Social Sciences. Sage.
  • Urquidi Martín, A. C., Calabor Prieto, M. S. & Tamarit Aznar, C. (2019). Entornos virtuales de aprendizaje: modelo ampliado de aceptación de la tecnología. Revista Electrónica de Investigación Educativa, 21, e22, 1-12. https://doi.org/10.24320/redie.2019.21.e22.1866
  • Zolfaghari, A. (2016). Review of Academic Dishonesty among College Students. Review of European Studies, 8(4), 154-166. https://dx.doi.org/10.5539/res.v8n4158
Fuente de los datos: Dialnet