EL USO DE INTERNET PARA LA

INTERACCIN EN EL APRENDIZAJE: UN
ANLISIS DE LA EFICACIA Y LA IGUALDAD
EN EL SISTEMA UNIVERSITARIO CATALN

Programa de doctorado sobre la Sociedad de la Informacin y el Conocimiento
Internet Interdisciplinary Institute (IN3)
Universitat Oberta de Catalunya (UOC)


Doctorando: Jonatan Castao Muoz
Directores: Josep M. Duart Montoliu y Teresa Sancho Vinuesa
Barcelona, 18 de Julio del 2011.













































Dara todo lo que s, por la mitad de lo que ignoro
Ren Descartes

































i

AGRADECIMIENTOS
Una tesis acostumbra a ser vista como un trabajo individual y la experiencia personal confirma
que hay buena parte de razn en ello. Sin embargo, ms all de ese trabajo individual, el
resultado de la presente investigacin es tambin el resultado de un buen nmero de
interacciones con otras personas que, sin duda, han contribuido a mejorar los resultados
finales. A todas ellas debo mi ms sincero agradecimiento, ya que sin sus diferentes
aportaciones esta tesis no sera lo que es y, quizs, ni tan solo hubiese llegado a realizarse.
En primer lugar, merecen un agradecimiento especial los dos directores de esta tesis: Josep M.
Duart y Teresa Sancho. Sin sus consejos, directrices y calidad humana no hubiese sido posible
su realizacin. Les quiero agradecer especialmente la oportunidad brindada para iniciarme en
el mundo acadmico de la investigacin en educacin y de crecer como investigador
implicndome en otras investigaciones de este mbito. Trabajar bajo su direccin ha sido una
grata experiencia debido a que han sabido combinar un apoyo constante con una buena dosis
de libertad e independencia a la hora de llevar a cabo la investigacin.
En segundo lugar, quiero agradecer su apoyo al profesor Martin Carnoy, de la Universidad de
Stanford. Gracias a l profundic en el mundo de la investigacin educativa y la economa de la
educacin desde la perspectiva de uno de los investigadores ms sobresalientes a nivel
mundial. Formar parte de algunas de sus investigaciones es, adems de un privilegio, todo un
placer, debido a su carcter a la vez amable y profesional. En este punto tambin es necesario
agradecer el hecho de que siempre he podido contar con el apoyo terico y metodolgico por
su parte as como el de alguno de sus colaboradores: Brenda Jarillo y Nii Antiaye Addy.
Tambin agradezco a Max Senges la posibilidad de trabajar con l y Martin durante su estancia
en la Stanford School of Education.
Muchas son las personas en la UOC que en algn momento me han dado algn consejo para la
tesis. Sin embargo, algunos merecen una mencin especial por la calidad y cantidad de su
ayuda desinteresada (especialmente en temas metodolgicos) y buena disposicin. Mi ms
sincero agradecimiento a Carmen Pacheco, a la que ms all de sus comentarios y consejos
quiero agradecer la posibilidad de trabajar con ella en temas tan innovadores como la
investigacin online. A Mireia Fernndez y Julio Meneses, por toda su ayuda metodolgica y
apoyo. Gracias compaeros por compartir vuestro conocimiento en diversas partes de esta
investigacin! A Ismael Pea por sus comentarios e inters en el tema de la brecha digital y el


ii

rendimiento acadmico materializado en su invitacin a participar en un monogrfico sobre
Brecha digital y educacin superior. A Josep LLads y Alec Ian Gershberg por los comentarios y
sugerencias en las ltimas fases de esta tesis. A mis compaeros en el Proyecto Internet
Catalunya Marc Gil y Mara Pujol por todas las ideas y debates que surgieron en el curso de
este y que han servido de base para la presente tesis. Por ltimo, tambin quiero agradecer a
todos los compaeros del doctorado del IN3 por sus comentarios, tanto de manera informal
como en los seminarios donde se present el trabajo de esta tesis.
Lgicamente, esta tesis no hubiese podido realizarse sin datos para analizar. Por ello, como no
puede ser de otra forma mi siguiente agradecimiento va por un lado a Maria Taulats, Jordi
Serres y Lidia Toda, del rea de Planificaci i Avaluaci de la UOC, por su gran ayuda y
colaboracin a la hora de conseguir datos de los estudiantes de esta universidad, y por otro a
Carina lvarez, del Comissionat dUniversitats i Recerca (CUR), por facilitarme el acceso a las
bases de datos de la Generalitat de Catalunya para conseguir datos sobre los alumnos de la UB
y la UPC.
Fuera del mundo universitario, tambin quiero agradecer a toda mi familia y amigos la
paciencia con la que han soportado algunos momentos de falta de tiempo debido a la tesis. S
que ahora que se ha acabado tengo muchos planes pendientes. Mencin especial merecen
Patricia, con la que he compartido mi vida los ltimos aos y ha sufrido especialmente los
efectos secundarios de la tesis, as como mis padres, Manuel y ngeles, a los tres gracias por
todo el apoyo que me ha permitido llegar hasta aqu. Tambin a Vctor, mi hermano que, para
ser sincero, ha sido una de las pocas personas que, fuera del mbito universitario, se ha
interesado por leer y opinar sobre esta tesis.



1

Contenido
AGRADECIMIENTOS........................................................................................................................ i
NDICE DE TABLAS ......................................................................................................................... 5
NDICE DE GRFICOS ..................................................................................................................... 9
1. PLANTEAMIENTO DE LA INVESTIGACIN ............................................................................ 11
2. LA PERSPECTIVA ECONMICA: INTERNET COMO INPUT EN EL PROCESO PRODUCTIVO DE
LA EDUCACIN ............................................................................................................................ 21
2.1. Las funciones de produccin y su aplicacin a la educacin ...................................... 22
2.1.1. Objetivos de produccin ..................................................................................... 23
2.1.2. Estructura organizativa ....................................................................................... 25
2.1.3. Entorno competitivo ........................................................................................... 27
2.1.4. Problemas metodolgicos y de medida del output ............................................ 28
2.2. Las entradas del proceso productivo de educacin .................................................... 29
2.3. El estudio de Internet en la produccin de educacin ............................................... 32
3. LA PERSPECTIVA SOCIOLGICA: EL ESTUDIO DE LA DESIGUALDAD GENERADA POR EL USO
DE INTERNET EN LA EDUCACIN ................................................................................................ 39
3.1. La brecha digital .......................................................................................................... 40
3.1.1. Primera brecha digital ......................................................................................... 40
3.1.2. Segunda brecha digital ........................................................................................ 43
3.1.3. Resumen de las conceptualizaciones de brecha digital ...................................... 47
3.2. La brecha digital entre el alumnado de la educacin superior ................................... 49
3.3. Desigualdad digital y rendimiento acadmico ........................................................ 54
4. LA INTERACCIN MEDIANTE INTERNET EN EL APRENDIZAJE: CONCEPTO Y
DETERMINANTES ......................................................................................................................... 59
4.1. El concepto de interaccin en el aprendizaje ............................................................. 59
4.2. Internet, educacin e Interaccin en el aprendizaje................................................... 63
4.3. Determinantes de la interaccin mediante internet en el aprendizaje: una revisin de
la literatura .............................................................................................................................. 65
5. DELIMITACIN DEL UNIVERSO DE ESTUDIO Y FUENTES DE DATOS. .................................. 73
5.1. Delimitacin del Universo de estudio ......................................................................... 73
5.2. Fuentes de datos y adecuacin al universo de estudio .............................................. 76
5.3. Resumen del proceso de construccin de base de datos ........................................... 84



2

6. DESCRIPCIN Y CONSTRUCCIN DE LAS VARIABLES .......................................................... 87
6.1. Variables sociodemogrficas ....................................................................................... 88
6.2. Variables acadmicas .................................................................................................. 89
6.3. Variables que miden la relacin de los estudiantes con la tecnologa: Dimensiones de
la Brecha digital ....................................................................................................................... 94
6.3.1. Infraestructuras, habilidades e intensidad de uso: Hacia una tipologa de
estudiantes segn su relacin con la tecnologa ................................................................. 94
6.3.2. Los usos diferenciados de Internet ................................................................... 107
6.4. Rendimiento acadmico............................................................................................ 120
7. METODOLOGA DE ANLISIS DE LOS DATOS .................................................................... 129
7.1. Panormica de los anlisis realizados ....................................................................... 129
7.1.1. Fase 1. Estudio de los efectos del uso de internet para la interaccin en el
aprendizaje en el rendimiento acadmico ........................................................................ 130
7.1.2. Fase 2. Estudio de los determinantes del uso de internet para la interaccin en
el aprendizaje en el rendimiento acadmico .................................................................... 138
7.2. Caractersticas de los datos: Problemas y correcciones estadsticas ........................ 144
7.2.1. Correlacin intraclase ........................................................................................ 144
7.2.2. Sesgo de seleccin de las variables observadas. ............................................... 145
7.2.3. Posibles sesgos por variables no observadas .................................................... 154
7.3. Resumen del proceso de anlisis de datos ............................................................... 156
8. COMPARACIN DE LA EFICACIA DE DOS USOS DE INTERNET EN EDUCACIN:
INFORMACIN VS INTERACCIN .............................................................................................. 161
8.1. Metodologa .............................................................................................................. 163
8.2. Resultados ................................................................................................................. 168
8.3. Conclusiones.............................................................................................................. 175
9. BENEFICIOS E INTENSIDAD DE USO DE INTERNET PARA LA INTERACCIN EN EL
APRENDIZAJE. EVIDENCIAS DE PRODUCTIVIDAD DECRECIENTE? ........................................... 179
9.1. Metodologa .............................................................................................................. 183
9.2. Resultados ................................................................................................................. 187
9.2.1. La interaccin como factor de produccin discreto .......................................... 187
9.2.2. La Interaccin como factor de produccin contino ........................................ 193
9.3. Conclusiones.............................................................................................................. 197
10. QUIN SE BENEFICIA MS?. LOS CONDICIONANTES DE LA INTERACCIN MEDIANTE
INTERNET EN EL APRENDIZAJE .................................................................................................. 201
10.1. Metodologa .......................................................................................................... 209
10.2. Resultados ............................................................................................................. 215


3

10.2.1. Tipo de carrera .................................................................................................. 215
10.2.2. Habilidades de uso de internet ......................................................................... 225
10.3. Conclusiones .......................................................................................................... 228
11. QUIN USA MS? LOS DETERMINANTES DEL USO DE INTERNET PARA EL APRENDIZAJE
INTERACTIVO ............................................................................................................................. 233
11.1. Metodologa .......................................................................................................... 235
11.2. Resultados ............................................................................................................. 239
11.3. Conclusiones .......................................................................................................... 256
12. CONCLUSIONES ................................................................................................................. 261
REFERENCIAS ............................................................................................................................. 283




4




5

NDICE DE TABLAS
Tabla 1.1. Retos de las universidades y objetivos de la tesis. 13
Tabla 2.1. Dimensiones de los resultados de la educacin superior. 25
Tabla 3.1. Barreras para el acceso a internet: Primera Brecha digital. 42
Tabla 3.2. Resumen de las dimensiones de la brecha digital planteadas por la literatura 48
Tabla 5.1. Descripcin de los estudiantes de las 3 Universidades objeto de estudio.. 75
Tabla 5.2. Nmero de missings en los indicadores de rendimiento acadmico por universidad. 78
Tabla 5.3. Sobrerrepresentacin de los alumnos de la UOC en la encuesta 78
Tabla 5.4. Correccin de la sobrerrepresentacin de Universidades: Factores de ponderacin.. 80
Tabla 5.5. Comparacin del porcentaje de alumnos que no aprueban ningn crdito en el curso:
Universo vs muestra ponderada. 81
Tabla 5.6. Comparativa de estudios por encuesta sobre estudiantes UOC.... 83
Tabla 5.7. Comparacin de la intensidad de uso de internet de los estudiantes de la UOC.
Encuesta online vs Encuesta telefnica. 83

Tabla 5.8. Comparacin de caractersticas sociodemogrficas y rea de estudio universo vs
muestra autoseleccionada. 86
Tabla 6.1. Variables sociodemogrficas. 88
Tabla 6.2. Nivel mximo de estudios finalizados y nota de acceso a la universidad.. 90
Tabla 6.3. Distribucin de alumnos por universidad 92
Tabla 6.4. rea y Tipo de carrera 93
Tabla 6.5. Media de crditos superados acumulados por tipo de carrera 94
Tabla 6.6. Media de aos experiencia en uso de internet y media de edad de inicio de uso por
modalidad formativa.. 96
Tabla 6.7. Caractersticas del acceso a Internet.. 97
Tabla 6.8. Nivel de habilidades de uso autodeclaradas: Ordenador e Internet 99
Tabla 6.9. Das a la semana y horas de duracin por conexin. 100
Tabla 6.10. Valores medios asignados para la construccin del indicador de intensidad. 101
Tabla 6.11. Descriptivo del indicador de intensidad construido.. 102
Tabla 6.12. Correlaciones entre las variables utilizadas para el anlisis clster 104
Tabla 6.13. Lderes digitales vs No Lderes digitales (I): Caractersticas tecnolgicas........... 105


6

Tabla 6.14. Lderes digitales vs No Lderes digitales (II): Caractersticas sociodemogrficas 106
Tabla 6.15. Validacin del anlisis clster. Resultados del anlisis discriminante.. 107
Tabla 6.16. Usos no acadmicos de Internet (I). Distribucin 108
Tabla 6.17. Usos no acadmicos de Internet (II). Media por modalidad de estudio. 109
Tabla 6.18. Comparacin de las comunalidades de las soluciones con 6 factores incluyendo la
variable jugar y sin incluir la variable jugar. 111

Tabla 6.19. Autovalores y varianza explicada del anlisis de componentes principales de los usos
no acadmicos de internet. 111

Tabla 6.20. Solucin factorial rotada del anlisis de componentes principales de los usos no
acadmicos internet 113
Tabla 6.21. Descriptivos de los factores surgidos del anlisis de componentes principales 115
Tabla 6.22. Media de uso de internet para seguir formacin 116
Tabla 6.23. Usos de internet en educacin por modalidad de estudio 116
Tabla 6.24. Descriptivo de la variable crditos ordinarios matriculados en el curso. 120
Tabla 6.25. Descriptivos de la variable crditos ordinarios superados en el curso 121
Tabla 6.26. Descriptivos de la tasa de rendimiento acadmico por modalidad de estudio 125
Tabla 6.27. Medias de rendimiento acadmico. Universo vs Muestra 125
Tabla 6.28. Comparacin caractersticas modalidad virtual y modalidad presencial: Justificacin
de anlisis separados. 127
Tabla 7.1. Conceptualizacin metodolgica y objetivos de la tesis 130
Tabla 7.2. Influencia de la nota de entrada en la intensidad de uso de internet para la interaccin
en el aprendizaje 155

Tabla 7.3. Influencia del mximo nivel de estudios de los padres en la intensidad de uso de
internet para la interaccin en el aprendizaje.. 156
Tabla 7.4. Resumen de la metodologa, correcciones y anlisis planteados.. 157
Tabla 8.1. Efectos del uso de internet para la interaccin en el aprendizaje por modalidad de
estudio........ 169

Tabla 8.2. Efectos del uso de internet para la interaccin en el aprendizaje por modalidad de
estudio: doble correccin 170

Tabla 8.3. Efectos del uso de internet la bsqueda de informacin acadmica por modalidad de
estudio 171

Tabla 8.4. Efectos del uso de internet la bsqueda de informacin acadmica por modalidad de
estudio. Doble correccin 171

Tabla 8.5. Anlisis de sensibilidad Rosembaun Bounds. Gammas estimadas segn algoritmo de
matching. Efectos del uso de internet para la interaccin en el aprendizaje.. 174


7

Tabla 9.1. Productividad total y marginal de los usos interactivos de internet en la educacin por
modalidad de estudio. 188

Tabla 9.2. Resumen de evidencias empricas sobre la variacin de beneficios segn el grado de
intensidad de la interaccin mediante internet en el aprendizaje. 197
Tabla 10.1. Efectos diferenciados por reas de estudio. 216
Tabla 10.2. Grupos de carreras segn efectos diferenciados. 217
Tabla 10.3. Efectos diferenciados por grupos de integracin 219
Tabla 10.4. Efectos diferenciados por grado de profesionalizacin de la carrera (tipo de carrera). 222
Tabla 10.5. Efectos diferenciados por nivel de habilidad de uso de internet.. 226
Tabla 11.1 Diagnsticos de los modelos de regresin. 238
Tabla 11.2 Determinantes del Uso internet para la interaccin en el aprendizaje por modalidad.. 240
Tabla 11.3. Comparacin Beneficio-Uso segn habilidades de uso de internet de los alumnos 244
Tabla 11.4. Relacin de los grupos extraacadmicos con el uso interactivo de internet en
educacin.... 247
Tabla 11.5. Grupos de reas segn el uso de internet para la interaccin en educacin 253
Tabla 11.6. Diferencias de uso por grupos 254
Tabla 11.7. Diferencias de uso segn grado de profesionalizacin/duracin de la carrera 255




8




9

NDICE DE GRFICOS
Grfico 2.1. Esquema del proceso productivo de bienes y servicios.. 22
Grfico 3.1. Modelo dinmico explicativo de los tipos de acceso a internet 45
Grfico 4.1. Esquema del proceso de interaccin 60
Grfico 4.2. Modos de interaccin en educacin a distancia. 61
Grfico 5.1. Resumen del proceso de construccin de la muestra de estudio 85
Grfico 6.1. Indicador de habilidades de uso de los alumnos. 99
Grfico 6.2. Autovalores tras anlisis factorial. 112
Grfico 6.3. Indicador de intensidad de usos acadmicos de internet para la bsqueda de
informacin. 119
Grfico 6.4. Indicador de intensidad de usos acadmicos de internet para la interaccin 119
Grfico 6.5. Crditos ordinarios matriculados en el curso 121
Grfico 6.6. Crditos ordinarios superados en el curso 122
Grfico 6.7. Crditos matriculados y crditos superados por tipo de carrera 123
Grfico 6.8. Tasa de rendimiento acadmico. 126
Grfico 8.1. Porcentaje de individuos tratados por modalidad formativa. 164
Grfico 8.2. Efectos del uso de internet la bsqueda de informacin acadmica por modalidad de
estudio. Anlisis de 6 intensidades 173

Grfico 9.1. Productividad total y marginal de los usos interactivos de internet en la educacin
por modalidad de estudio (representacin grfica).. 188
Grfico 9.2. Ajuste de las ecuaciones propuestas a los valores reales. 194
Grfico 9.3. Productividad media y productividad marginal de la interaccin en educacin virtual.. 195
Grfico 9.4: Productividad media y productividad marginal de la interaccin en educacin
presencial. 196

Grfico 10.1. Rendimiento acadmico estimado por intensidad de interaccin segn grupo de
integracin: Modalidad virtual. 220

Grfico 10.2. Rendimiento acadmico estimado por intensidad de interaccin segn grupo de
integracin: Modalidad presencial. 221

Grfico 10.3. Rendimiento acadmico estimado por intensidad de interaccin y nivel de
profesionalizacin de la carrera. Modalidad presencial. 224

Grfico 10.4. Rendimiento acadmico estimado por intensidad de interaccin y nivel de
profesionalizacin de la carrera. Modalidad virtual 225


10

Grfico 10.5. Rendimiento acadmico estimado por intensidad de interaccin y habilidades de
internet. Modalidad virtual. 228



















11

1. PLANTEAMIENTO DE LA INVESTIGACIN
Las ltimas dcadas del siglo XX y las primeras del XXI han sido testigos de importantes
cambios sociales relacionados con la incorporacin de internet en la mayora de mbitos de
nuestra sociedad. Y la educacin no ha sido una excepcin.
El uso de internet en educacin, ya sea mediante cursos totalmente online o la combinacin de
presencialidad y virtualidad o blended-learning, se ha extendido de forma exponencial en los
ltimos aos (Means, Toyama, Murphy, Bakia, & K. Jones, 2009; Smith Jaggars & Bailey, 2010).
Centrndo la atencin en la educacin superior, es un hecho que, en la actualidad, a lo largo
de los estudios formales, muchos estudiantes pasan por la experiencia de cursos online o
semipresenciales. En Catalunya, en el ao 2005, se calcula que en las universidades
presenciales un 46,2% del alumnado ha cursado algn curso online o semipresencial ( Duart,
Gil, Pujol, & Castao-Muoz, 2008) y en la actualidad, debido a la implantacin del modelo de
enseanza-aprendizaje propuesto por espacio europeo de educacin superior (EEES),
seguramente estos nmeros sean mayores y en un futuro vayan a ms. Adems, en ese mismo
ao 23.811 estudiantes, un 14% de la totalidad de estudiantes catalanes, cursaban sus
estudios en la universidad virtual del sistema mientras que en el 2010 estas cifras ya alcanzan
casi el doble 42.653 (OCDE, 2010). El incremento de las cifras de estudiantes de educacin
online no es un hecho local sino que es una tendencia global. Las cifras del ltimo estudio del
Sloan Consortium en EEUU sealan como el crecimiento anual de la educacin online en este
pas es del 21%, cifra muy superior al 2% de crecimiento que se da en el conjunto de la
poblacin de estudiantes de educacin superior (Allen & Seaman, 2010).
Unas cifras tan elevadas de uso de internet en la educacin superior plantean gran cantidad de
retos para las universidades que busquen conseguir un aprovechamiento ptimo de las
capacidades de esta tecnologa en el proceso de enseanza-aprendizaje. La presente tesis
concretamente se centrar en dos de estos nuevos retos.
El primer reto tiene sus bases en la perspectiva econmica que busca maximizar la eficacia y
eficiencia de los recursos disponibles. Con la aparicin de internet y su incorporacin a la
educacin esta perspectiva debe dar respuesta a la pregunta de cmo maximizar la eficacia y
eficiencia del uso de internet en la produccin de outputs educativos. Por tanto, uno de los
retos surgidos es utilizar internet en educacin de la forma que ms ayude a la mejora del
aprendizaje de los contenidos y competencias curriculares. Para ello, la investigacin puede


12

ayudar mediante la comparacin y el estudio emprico de los beneficios de diferentes modelos
de uso de internet en el proceso de enseanza-aprendizaje.
El segundo reto surge de la tradicin del anlisis de la desigualdad en educacin. Esta
perspectiva se centra en el estudio de las desigualdades que los sistemas educativos producen
y/o reproducen. Los estudios sociolgicos de la brecha digital han puesto de manifiesto que la
aparicin de internet puede generar desigualdad social entre los individuos segn sea su
relacin con esta tecnologa. El reto para las universidades es, por tanto, incorporar internet
en la educacin de forma que no se produzca exclusin respecto a los beneficios potenciales
de su uso y conseguir que estos beneficios alcancen a la mayor parte de individuos posible. En
este caso, la investigacin puede ayudar identificando los usos ms beneficiosos y estudiando
las causas por las que unos estudiantes usan y/o se benefician ms que otros.
A partir de estos dos retos, entrelazados entre s y con objetivos de investigacin compartidos,
la presente tesis tiene como objetivo general estudiar algunos de los elementos que pueden
llevar a conseguir una incorporacin eficaz y no excluyente de internet en el proceso de
enseanza-aprendizaje. Concretamente, se centrar la atencin en el anlisis de un uso
concreto, previamente identificado como positivo: el uso de internet para el aprendizaje
interactivo.
Para conseguir alcanzar este objetivo general, se han planteado tres objetivos especficos, que
se muestran en la tabla 1.1, que van ligados a los dos retos mencionados anteriormente.



13

Tabla 1.1. Retos de las universidades y objetivos de la tesis
Objetivo general
Estudiar qu elementos que pueden llevar a una incorporacin eficaz y no excluyente de internet en el
proceso de enseanza-aprendizaje de la educacin superior

Retos Objetivos especficos
a) Maximizar la eficacia de los
uso de Internet en el proceso de
enseanza-aprendizaje

b) Evitar la exclusin respecto a
los beneficios de los usos
eficaces de internet en el
proceso de enseanza-
aprendizaje.
1. Comparar la eficacia del uso de internet en educacin para el
aprendizaje interactivo con la del uso de internet en educacin
para el aprendizaje individual.

2. Estudiar la variacin de los beneficios del uso de internet para la
interaccin en el aprendizaje segn el grado de intensidad de
dicha interaccin.

3. Estudiar los efectos diferenciados del uso de internet para la
interaccin en el aprendizaje en la mejora del rendimiento
acadmico

4. Estudiar cules son los determinantes que facilitan a los
estudiantes el uso de internet para la interaccin en el
aprendizaje.

Fuente: Elaboracin propia
Para cumplir con los objetivos planteados esta tesis se basa en el anlisis de datos secundarios
y cuantitativos para una poblacin formada por el conjunto de estudiantes activos y usuarios
de internet de 3 universidades del sistema universitario cataln: Universitat de Barcelona (UB),
Universitat Politcnica de Catalunya (UPC) y Universitat Oberta de Catalunya (UOC). La fuente
principal de datos es el Projecte Internet Catalunya (PIC) y han sido complementados con
datos oficiales, principalmente sobre rendimiento acadmico, del Comisssionat dUniversitats i
Recerca (CUR) y en el caso de la UOC, de la propia universidad.
Existe toda una tradicin de estudios sobre la eficacia de la educacin online as como de los
determinantes del uso de internet en educacin. Sin embargo, esta tesis aporta dos novedades
al respecto.
En primer lugar, el estudio de un uso concreto de internet en profundidad supera la visin del
uso de internet como un todo homogneo muy arraigada en la literatura.
En segundo lugar, el hecho de disponer de informacin tanto para la modalidad de estudio
virtual como para la presencial, permite comparar las diferencias entre ellas superando la
visin de internet nicamente como herramienta para el aprendizaje online que tienen
algunos estudios.


14

Respecto a la estructura de esta tesis, se ha organizado el documento en las siguientes partes y
captulos:
Captulo 1: PLANTEAMIENTO DE LA INVESTIGACIN. En este primer captulo se presentan y
justificanlos objetivos de la investigacin as como la estructura de la memoria de tesis.
PARTE I: MARCO TERICO Y CONCEPTUAL
Captulo 2: LA PERSPECTIVA ECONMICA DE LA PRODUCCIN: INTERNET COMO INPUT EN EL
PROCESO PRODUCTIVO DE LA EDUCACIN. En este captulo se expondr cual es la
perspectiva que la economa ha tomado respecto al anlisis de las diferencias de rendimiento
acadmico y cmo ha incorporado el uso de internet en ella. En primer lugar, se discutir el
concepto de funciones de produccin y su adecuacin al anlisis de la mejora de rendimiento
acadmico, en este punto se incluye una discusin sobre los posibles outputs de la educacin
superior. En segundo lugar, se dar una panormica sobre qu variables son las que la
literatura seala que principales determinantes del rendimiento acadmico. Por ltimo, se
analizan las principales formas en que los anlisis econmicos han introducido el estudio de
internet como input en el proceso de produccin de rendimiento acadmico. La perspectiva
econmica sirve de punto de partida para encuadrar el primero de los retos en el que se basa
esta tesis: Maximizar la eficacia de los uso de Internet en el proceso de enseanza-aprendizaje.
Captulo 3: LA PERSPECTIVA SOCIOLGICA: EL ESTUDIO DE LA DESIGUALDAD GENERADA POR
EL USO DE INTERNET EN EDUCACIN. En el segundo captulo de la parte terica se expondr
una perspectiva complementaria a la econmica para el anlisis e internet en educacin: la
perspectiva de la brecha digital. En primer lugar, se caracterizar el concepto de brecha digital
y se explicar su evolucin y diferentes dimensiones. En segundo lugar, se presentar una
panormica de los estudios sobre la brecha digital entre estudiantes universitarios llegando a
la conclusin que esta es menor que en la poblacin en general aunque se mantiene en ciertas
dimensiones como las habilidades o el uso. Por ltimo, se har un recorrido por diferentes
estudios que han estudiado cmo se relacionan las diferentes dimensiones de la brecha digital,
incluyendo los usos concretos como es el caso de la interaccin en el aprendizaje, con el
rendimiento acadmico de los estudiantes. Estos tres puntos permitirn entender mejor la
tradicin acadmica de la que se deriva el segundo de los retos en que se basa esta tesis:
Evitar la exclusin en lo que se refiere a los beneficios de los usos eficaces de internet en el
proceso de enseanza-aprendizaje.


15

Captulo 4: LA INTERACCIN MEDIANTE INTERNET EN EL APRENDIZAJE: CONCEPTO Y
DETERMINANTES. En este captulo se centrar la atencin en el input centralde esta tesis.
Para ello, en primer lugar, se presentar el concepto de interaccin en el aprendizaje y se
resumirn sus beneficios. En segundo lugar, se discutir la adaptacin de la interaccin en el
aprendizaje a internet y qu tipos de interaccin se pueden dar en este medio. Por ltimo, se
pondr el nfasis en el marco de anlisis del estudio de los determinantes de la interaccin
mediante internet haciendo una panormica sobre dos perspectivas del estudio de los
determinantes del uso de internet en educacin: los modelos de aceptacin de la tecnologa
basados principalmente en variabes psicolgicas y los modelos basados en variables sociales e
institucionales
PARTE II: METODOLOGA
Captulo 5: DELIMITACIN DEL UNIVERSO DE ESTUDIO Y FUENTES DE DATOS. En este primer
captulo metodolgico primero se caracterizar y justificar el universo de estudio de esta
investigacin: los estudiantes activos, usuarios habituales de internet que cursan titulaciones
homologadas en alguna de las 3 universidades estudiadas: UB, UPC y UOC. En segundo lugar,
se explicar la procedencia de los datos que se utilizarn en los anlisis, su naturaleza
cuantitativa y se discutir la adecuacin de la autoseleccin de los individuos mediante un
cuestionario online a estudiantes universitarios al universo de estudio delimitado. Por ltimo,
se presentar la ponderacin necesaria para evitar la sobrerrepresentacin de estudiantes de
algunas universidades.
Captulo 6: DESCRIPCIN Y CONSTRUCCIN DE LAS VARIABLES. Una vez presentadas las
fuentes de datos, se dar una visin global de los datos disponibles para alcanzar los objetivos
propuestos. Igualmente se describir el proceso de construccin de variables que permiten
reducir la informacin antes de llevar a cabo los anlisis de los datos. En este sentido, es de
especial inters la construccin del indicador de uso de internet para la interaccin, ya que
ser la forma operativa en que se medir la interaccin mediante internet en esta tesis, as
como la tasa de rendimiento acadmico que en los tres primeros objetivos de la tesis ser el
output a explicar.
Captulo 7: METODOLOGA DE ANLISIS DE LOS DATOS. En este ltimo captulo
metodolgico se expondr el plan de anlisis de los datos que llevar a alcanzar los objetivos
planteados. Primero, se presentarn los distintos anlisis y, despus, se enumerarn y
discutirn las variables controladas en los anlisis planteados. Por ltimo, se pondr de
manifiesto dos problemas de los datos: la correlacin intraclase y el sesgo de seleccin, tanto


16

por variables observadas como no observadas, y se describirn las soluciones propuestas para
solventarlos.
PARTE III: RESULTADOS
Captulo 8: COMPARACIN DE LA EFICACIA DE DOS USOS DE INTERNET EN EDUCACIN:
INFORMACIN VS INTERACCIN. En este captulo se quiere cumplir con el primero de los
objetivos de la tesis. Normalmente la literatura considera el uso de internet en educacin
como un todo homogneo, sin embargo, superada esta visin, se presenta la comparacin
entre dos usos de internet en dos modalidades formativas diferentes. La conclusin es clara,
internet en educacin es beneficioso dependiendo de para qu se use, y la interaccin es un
uso ms eficiente en la mejora del rendimiento acadmico que la bsqueda de informacin.
Los resultados de este captulo son interesantes tanto para maximizar los beneficios de uso de
internet en eduacin como para reconocer qu usos son los que potencialmente pueden
generar desigualdad de rendimiento acadmico.
Captulo 9: BENEFICIOS E INTENSIDAD DE INTERACCIN: EVIDENCIAS DE PRODUCTIVIDAD
DECRECIENTE. Este captulo quiere dar respuesta a la pregunta de cmo varan los beneficios
de la interaccin, detectados en el captulo anterior, segn su grado de intensidad.
Coincidiendo con los resultados de la escasa literatura sobre el tema, se comprueba que, en
educacin online, los rendimientos de este uso de internet siguen una dinmica decreciente.
Sin embargo, la integracin de la interaccin mediante internet en educacin presencial no
sigue esta dinmica de forma pura ya que en las intensidades ms bajas a penas incrementa el
rendimiento. A la luz de estos resultados se argumenta la existencia de una fase inicial de
adaptacin a la interaccin mediante internet que tienen que pasar los estudiantes de
educacin presencial y que provoca que los niveles de intensidad ms bajos generen pocos
beneficios en el aprendizaje.
Captulo 10: QUIN SE BENEFICIA MS?. LOS CONDICIONANTES DE LA INTERACCIN
MEDIANTE INTERNET EN EL APRENDIZAJE. En este captulo se estudiar bajo qu condiciones
los beneficios del uso de internet para el aprendizaje interactivo en el rendimiento acadmico
son mayores. En primer lugar, se estudiar la variacin de utilidad, definida como el
incremento de rendimiento acadmico, segn el rea de conocimiento y segn el grado de
profesionalizacin de la carrera. Los datos nos llevarn a argumentar que no hay nada
inherente al nivel de abstraccin del contenido que haga que internet se adapte peor a ste, y
se apuntar una hiptesis alternativa: la mayor utilidad reflejada en los estudiantes de carreras
profesionalizadoras responde a una mayor integracin de las habilidades que se adquieren


17

mediante la interaccin en estas carreras como respuesta a la demanda del mercado laboral.
En segundo lugar, se estudiar el papel de las habilidades tecnolgicas a la hora de
aprovecharse ms de la interaccin mediante internet. Los resultados coinciden con los de la
literatura mostrando como la habilidad de los estudiantes es importante para conseguir
mayores beneficios en en los cursos online, pero van ms all mostrando que esta habilidad no
es especialmente til en las instituciones de educacin presencial.
Captulo 11: QUIN USA MS?: LOS DETERMINANTES DEL USO DE INTERNET PARA EL
APRENDIZAJE INTERACTIVO. Este captulo se enraza en los anlisis de la brecha digital y
responde al objetivo de estudiar cules son los determinantes que facilitan a los estudiantes
usuarios de internet hacer uso de internet para el aprendizaje interactivo. Los resultados
muestran que si bien la utilidad extra estudiada en el captulo anterior acostumbra a ser un
determinante, sta tiene limitaciones. Adems, se mostrar como existen variables sociales y
usos de internet fuera del aula que se relacionan con un mayor uso de internet para la
interaccin y no con mayores beneficios.
Captulo 12: CONCLUSIONES. Para acabar la tesis se incluir un captulo final de conclusiones
donde se intenta sistematizar los resultados derivados de los objetivos propuestos. Ello nos
llevar a analizar los puntos de conexin entre las conclusiones parciales de cada captulo y a
plantear algunas implicaciones para las polticas educativas que busquen conseguir incorporar
internet de una forma eficaz y no excluyente tanto en educacin presencial como en
educacin virtual. Para finalizar, se sealarn las principales limitaciones de la tesis y posibles
lneas de trabajo futuras surgidas de stas.
Por ltimo, la tesis tambin contar con un apartado de referencias para que el lector
interesado pueda ver las fuentes citadas a lo largo de la tesis y un apartado de anexos donde
se dar informacin extra y detallada sobre los datos y anlisis realizados.




18




19



PARTE I: MARCO TERICO Y CONCEPTUAL.

















Tu verdad aumentar en la medida que sepas escuchar la verdad de los otros
Martin Luther King


20




21

2. LA PERSPECTIVA ECONMICA: INTERNET COMO INPUT EN EL
PROCESO PRODUCTIVO DE LA EDUCACIN
La economa intenta dar respuesta al dilema social de cmo distribuir unos recursos limitados
en una multiplicidad de fines que compiten por ellos. La educacin es uno de estos fines y
entra en esta competencia con otros como el consumo privado, la salud, la justicia. No
obstante, sea cual sea la asignacin, una vez se ha tomado la decisin de qu cantidad de
recursos se destina a la educacin, la economa debe dar un paso ms all estudiando como
racionalizarlos y cmo usarlos de la forma ms productiva posible (Levin, 1989).
No es de extraar, por tanto, que unos de los temas ms importantes en la economa de la
educacin sea el estudio de la produccin de educacin. En este sentido, parece normal el
creciente nmero de evaluaciones de polticas educativas que se ha producido en los ltimos
aos (Lassibille & Navarro Gmez, 2004).
Con la aparicin de Internet y su aplicacin al mundo de la enseanza, la produccin de
educacin se ha encontrado con un nuevo input a tener en cuenta. Por tanto, se debe estudiar
la forma ms apropiada de incorporar internet de forma eficaz y eficiente en educacin,
incluyendo el estudio de la productividad de esta tecnologa.
En este captulo se quiere enmarcar el primer de los dos retos de los que deriva esta tesis: la
maximizacin de la eficacia de los usos de internet en el proceso de enseanza-aprendizaje.
Para ello, se resumir la perspectiva econmica del anlisis de la produccin de educacin y
cmo se ha incorporado internet a sta. El esquema del captulo es el siguiente: En un primer
punto se dar una definicin de las funciones de produccin y se repasarn los problemas ms
significativos de su aplicacin a la educacin. En un segundo punto, se resumirn los
principales inputs que la literatura ha sealado como importantes para la produccin de
rendimiento acadmico. Por ltimo, centrando la atencin de forma ms especfica en el
objeto de estudio de la tesis, se resumirn las diferentes aproximaciones que desde la
perspectiva econmica existen entorno al anlisis de la incorporacin de internet como factor
productivo de la educacin.



22

2.1. Las funciones de produccin y su aplicacin a la educacin
Desde principios del siglo XX los economistas han conceptualizado las funciones de produccin
de diferentes industrias como una herramienta para entender las relaciones entre las entradas
de recursos o inputs y los resultados obtenidos o outputs en cualquier proceso productivo.
El esquema bsico de esta perspectiva es el siguiente (Grfico 2.1):
Grfico 2.1. Esquema del proceso productivo de bienes y servicios

Fuente: (Carnoy, 2007)
Como en cualquier proceso productivo, en la produccin de educacin se ponen en juego
diferentes factores que, combinados entre s, contribuyen a la realizacin de uno o varios
productos(Lassibille & Navarro Gmez, 2004). Por consiguiente, una extensin natural tanto de
los aspectos tericos como empricos de la tradicin de las funciones de produccin es
aplicarlas a los centros educativos.
Uno de los conceptos ms utilizados para el estudio y la evaluacin de la produccin de la
educacin es el de funciones de produccin de la educacin. Dichas funciones se centran en el
estudio de las relaciones entre una serie de entradas, como por ejemplo el personal docente,
los libros, los ordenadores
1
y la produccin de un bien educativo como por ejemplo, las notas
de los exmenes o la reduccin del abandono.
Ms formalmente, las funciones de produccin de la educacin intentan mostrar qu cantidad
de un bien educativo puede ser producido con un cierto conjunto de recursos, asumiendo que
la tecnologa es exgena a la unidad de produccin. Normalmente, siguiendo la teora de
produccin de las empresas, el centro educativo es considerado la unidad de produccin, los
recursos y el espacio fsico del centro educativo son considerados como el capital fijo y los
profesores y estudiantes como la mano de obra, diferenciada segn su capital humano
(Carnoy, 2009).
El esfuerzo trasladar la perspectiva de produccin de la empresa al mundo educativo cuenta
ya con una antigedad de por lo menos 50 aos (Levin, 1989). Uno de los primeros intentos de
aplicacin de las funciones en el estudio de la produccin de un bien educativo fue

1
En el punto 3 se detallarn las posibles entradas del proceso de produccin de educacin.

Entradas
Proceso
producti vo
Sal i das


23

sorprendentemente hecho por un socilogo: James Coleman (Coleman, 1966). No obstante los
economistas pronto se aadieron a esta tradicin (Carnoy, 2009). Hay que destacar las
aportaciones de uno de los economistas pioneros: Eric Hanushek (Hanushek, 1970, 1970,
1971). A partir de estos estudios pioneros, existe una vasta literatura y estudios empricos
sobre las funciones de produccin de la educacin.
La base de la que parten estos estudios es que, mediante las funciones de produccin de
educacin, es posible calcular la productividad marginal de un input en particular (incremento
en el output estudiado causado por el aumento de una unidad del input de inters) y, si se
dispone de informacin sobre su coste, en teora es posible comparar la eficiencia de invertir
recursos en el aumento de una unidad extra de un input en comparacin con la de invertir en
otros inputs. De esta forma, el centro educativo debera poder invertir en el input ms
eficiente, aun a expensas de otros menos eficientes y as maximizar los resultados de su
inversin. Los resultados de las funciones de produccin son, por tanto, importantes para
conseguir informacin til para los decisores pblicos que llevan a cabo las polticas educativas
as como a los gestores de centros privados.
No obstante, la aplicacin de la teora de la produccin de la empresa en el mundo de la
educacin no est exenta de problemas. La teora de la empresa se basa en algunas asunciones
que aunque son tiles para el anlisis de su funcionamiento no tienen porque adaptarse tan
bien al sistema educativo. A continuacin se discutir la adecuacin de estas asunciones al
proceso de produccin educativo:
2.1.1. Objetivos de produccin
La teora de la produccin de las empresas asume que stas tienen un objetivo de produccin
claro y bien definido cuya consecucin gua sus acciones. Normalmente, el objetivo de las
empresas privadas es la maximizacin de beneficio que, a su vez, les sirve para reinvertir y
mantener la competitividad.
Pero lo anterior no siempre es cierto. En ocasiones, si la empresa/organizacin no tiene nimo
de lucro, el objetivo puede ser la minimizacin de costes para poder dar ms servicios con los
mismos recursos, este es el caso de ONGs y ciertos servicios pblicos. Los centros educativos
pblicos son un ejemplo de organizacin que busca ms minimizar costes que aumentar los
beneficios. Su objetivo parece ser dar una educacin de calidad para todos los estudiantes con
un coste mnimo.


24

Pero, qu entienden las instituciones educativas y la sociedad por calidad en la educacin? No
existe una definicin clara de educacin de calidad, dado que las actividades educativas no se
concentran en un producto fcilmente identificable. A la pregunta Qu destrezas debe
transmitir la educacin? existen diversas respuestas. Existen actores de diversos niveles (los
diferentes niveles de gobiernos, el personal escolar, las familias, las empresas) que puede
tener respuestas diferentes a la pregunta.
As pues, podemos decir que los centros educativos tienen objetivos de produccin mltiples,
y se pueden comparar con una empresa multiproducto (Carnoy, 2009). Por tanto, como
institucin les es ms difcil encaminar sus acciones a un objetivo claro que lo que le es a una
empresa. Esta dispersin de objetivos provoca que a la hora de utilizar la funcin de
produccin en el mundo de la educacin el outcome a priorizar y analizar no est tan claro y
ello dificulta el estudio de la eficacia de los inputs.
Describir y medir la variedad de resultados que se derivan de la educacin superior es una
tarea difcil y, por ello, los estudios empricos de la economa de la educacin se han centrado
en indicadores fcilmente cuantificables
2
, principalmente:
- El rendimiento acadmico como medida sinttica de los conocimientos y actitudes
adquiridas en la educacin superior y que, a priori, se presupone que permitirn alcanzar
el resto de resultados una vez acabada la educacin
- La renta obtenida en el mercado laboral como medida sinttica del xito econmico y
social obtenido en los aos posteriores a la educacin superior.
Las funciones de produccin de educacin se centran en la primera de estas medidas
examinando las diferencias segn las entradas utilizadas en la adquisicin de habilidades,
competencias, conocimiento y actitudes integradas en el currculum acadmico y que, por
tanto, se reflejan en los sistemas de evaluacin de las universidades. Es decir, las funciones de
produccin de educacin se encargan de estudiar las desigualdades educativas generadas por
el uso de los recursos en educacin ms que las consecuencias sociales o econmicas de estas
desigualdades.

2
Los estudios empricos y tericos se han centrado principalmente en la educacin presencial a tiempo
completa de alumos jvenes, dejando de lado el campo de los beneficios de la educacin online para
alumnos adultos. No obstante recientemente se pueden encontrar algunos trabajos especficos
(Bennion, Scesa, & Williams, 2011; Callender & Feldman, 2009; Carnoy, Jarillo, Castao-Muoz, Duart-
Montoliu, & Sancho-Vinuesa, (Forthcoming); Woodley & Simpson, 2001)


25

Aunque no es objeto de la tesis, con la finalidad de encuadrar los posibles beneficios que se
asume que tendrn aquellos estudiantes mejores o aquellas sociedades cuyos sistemas
educativos consigan transmitir los conocimientos de forma ms eficaz se presenta la tabla 2.1.
En esta tabla propuesta por Canay, ms all del rendimiento acadmico, se sintetizan algunos
posibles outputs de la educacin superior que se asumen como consecuencias de las
habilidades y actitudes adquiridas en educacin y, por tanto, medidas por el rendimiento
acadmico (Canay Pazos, 2008). Siguiendo la lnea habitual en este tipo de literatura los
beneficios se encuentran divididos en pblicos y privados por un lado y en econmicos y
sociales por otro.
Tabla 2.1. Dimensiones de los resultados de la educacin superior
Pblico Privado
E
c
o
n

m
i
c
o
s

Incrementar ingresos impositivos Mayores salarios
Mayor productividad Mayor capacidad de encontrar trabajo
Incremento del consumo Mayores niveles de ahorro
Incremento flexibilidad de fuerza de
trabajo
Mejora en condiciones de trabajo
Disminucin de dependencia de subsidios
pblicos
Movilidad personal y profesional

S
o
c
i
a
l
e
s

Disminucin tasa de crmenes Mejora expectativas salud y vida
Incremento actividades sociales Mejora condiciones vida de hijos
Mejora calidad de vida social Mejores decisiones de consumo
Cohesin social/Apreciacin de la
diversidad
Mejora status personal
Mejora de las capacidades de adaptacin y
uso de las TIC
Ms hobbies y actividades de placer

Fuente: (Canay Pazos, 2008)
2.1.2. Estructura organizativa
En la mayora de pases, los centros educativos no tienen la misma estructura organizativa que
las empresas y ello puede suponer algunos retos a la hora de trasladar las funciones de
produccin al mundo de la educacin. Concretamente, estas diferencias se pueden dividir en
tres campos: direccin, conocimiento y control del proceso de produccin, y libertad para
escoger los inputs. A continuacin se detallar cada una de ellos.
Direccin
En las empresas privadas normalmente los directivos que tienen que llevar a la consecucin
del objetivo de produccin establecido reciben una serie de incentivos (mayores salarios,


26

primas, reconocimiento) si lo hacen de forma satisfactoria. Sin embargo, los directivos de los
centros de enseanza pblicos no reciben tanta recompensa monetaria, aunque si pueden
recibir otro tipo de recompensas como la satisfaccin del trabajo bien hecho.
Por otro lado, en una empresa privada, la direccin acostumbra a estar ms centralizada que
en un centro educativo. Esta centralizacin facilita la consecucin de su objetivo de
produccin. Sin embargo, en la educacin existen diferentes autoridades que pueden tener
ideas diferentes e incluso contradictorias sobre cul debera ser la misin, visin y valores de la
institucin. Esta multiplicidad de actores debilita la capacidad de la direccin de los centros
educativos para tomar decisiones y, por tanto, es ms difcil llegar al objetivo de produccin.
Conocimiento y control del proceso de produccin
Al contrario de la produccin industrial o agrcola, la produccin de la educacin es un
fenmeno complejo y mal conocido (Lassibille & Navarro Gmez, 2004). La teora de la
produccin econmica asume que el lder de la empresa tiene control sobre el proceso de
produccin. Esta teora est pensada para un tipo de empresa donde le proceso de produccin
se da en un mismo espacio fsico y en un tiempo determinado ya que los trabajadores dejan de
producir al salir del trabajo, lo que facilita el conocimiento y control del proceso de
produccin.
Sin embargo, el proceso de produccin educativo es continuo y menos centralizado
fsicamente. Al salir del centro educativo los estudiantes continan aprendiendo y, ms all de
las tareas y trabajos que se les encarga, en este tiempo y espacio la autoridad de la direccin
del centro es muy escasa. Fuera del centro, ms o menos homogeneizador, cada estudiante
vive una vida diferente y las condiciones de sta tienen influencia directa sobre los procesos de
enseanza-aprendizaje. Por ello, es importante tener en cuenta indicadores socioeconmicos
para explicar el rendimiento acadmico de los estudiantes.
Si algo falla en la produccin de educacin, ms all de recomendaciones, la capacidad de
control e intervencin del centro educativo se limita al horario y espacio fsico que controla y,
ello provoca que parte del proceso de produccin se escape al control del centro educativo,
restringiendo su capacidad de intervencin para conseguir el objetivo de produccin deseado.
Libertad de eleccin de los inputs
En la teora de produccin de la empresa se asume que la direccin tiene capacidad de
decisin sobre todo el proceso productivo y puede escoger las entradas y salidas adecuadas


27

que permitan alcanzar los objetivos de produccin deseados. La nica limitacin es el respeto
a la norma y legalidad vigentes. Los centros educativos, sin embargo, no tienen tanta
flexibilidad para elegir los inputs y outputs para su proceso de produccin, especialmente en el
caso de las escuelas pblicas donde muchos vienen dados por la Administracin (Lassibille &
Navarro Gmez, 2004).
En este sentido, los centros educativos no tienen la misma capacidad que las empresas para
adoptar planes de produccin ptimos
3
y alcanzar su objetivo de produccin. Por ejemplo, la
mayora de centros educativos pblicos no tienen capacidad para elegir a sus estudiantes, lo
que quizs sea la entrada ms importante del proceso educativo. Por tanto, la opcin que
queda a los centro muchas veces es ajustar los recursos sobre los que tiene control al tipo de
estudiantes.
Adems, los centros pblicos no controlan el precio de las tasas por estudiar, y stas no se
diferencian segn la calidad del servicio. La ausencia de control de los precios repercute
directamente en la capacidad de compra de recursos por parte del centro para reinvertir en la
mejora de la educacin de los estudiantes.
En resumen, la normativa restringe la seleccin de entradas y salidas en el proceso productivo
y dan menos libertad a los centros educativos. Sin embargo ello no tiene porque ser siempre
negativo, ya que si con la normativa se evita que las escuelas seleccionen planes de produccin
ineficientes esta repercutir de manera positiva en la sociedad (Carnoy, 2007).
2.1.3. Entorno competitivo
La teora econmica relaciona la existencia de mercados competitivos con un mantenimiento
de precios bajos y una mayor productividad de las empresas. El argumento principal es que, si
existe competencia, las empresas tendrn incentivos para buscar los medios necesarios para
mejorar sus productos y atraer mayor nmero de consumidores.
Sin embargo, al contrario que ocurre con las empresas, entre las instituciones de enseanza la
competencia es de baja intensidad. Incluso algunos autores crticos con la educacin pblica
hablan un monopolio que ejercen estos centros en el mercado y que conlleva un coste elevado
y una calidad baja. Otra crtica recurrente es la no consideracin de indicadores de gestin
para atribuir recursos en las escuelas (Lassibille & Navarro Gmez, 2004).

3
El plan de produccin ptimo es aquel que en el que las capacidades productivas de cada una de las
entradas est maximizada y por tanto el gasto est minimizado.


28

No obstante, pese a no existir un entorno competitivo de alta intensidad como en la mayora
de empresas, no hay que pensar que la competencia es nula:
- En primer lugar, porque existe la educacin privada y ello provoca que los centros pblicos
compitan con ella por los estudiantes. Si un centro de educacin secundaria es de baja
calidad las familias de los estudiantes intentarn que sus hijos no vayan a ste. De manera
anloga, si un centro de educacin superior es de baja calidad y no ofrece las destrezas
que el mercado de trabajo y la sociedad necesita los estudiantes escogern otros centros y
ste tendr menos matriculaciones.
- En segundo lugar, porque, con el objetivo de maximizar la calidad de la enseanza, los
centros educativos tambin compiten por otra entrada importante en el proceso de
produccin educativo: el profesorado. Todos los centros, ya sean pblicos o privados,
quieren tener el mejor profesorado. Adems, dado que algunas competencias de los
profesores pueden ser valoradas en el sector no educativo tambin compiten con ste en
la atraccin de los mejores profesionales.
Pese a estos niveles de competencia, hay que decir que tambin existen fuerzas que ayudan a
que un centro educativo con bajo rendimiento no se cierre, lo que limita los efectos de sta.
Las instituciones educativas son vistas como bienes de la comunidad y, por tanto, es difcil que
se cierre uno pese a que sea ineficiente, sobretodo porque debera buscarse otro lugar a sus
estudiantes.
Bajo estas condiciones de menor competencia que las empresas, la teora econmica
pronosticara que el coste de la educacin es superior al que debera y que las instituciones
educativas de menos calidad y menos innovadoras de lo que seran.
2.1.4. Problemas metodolgicos y de medida del output
Ms all de los problemas que se derivan de las diferencias de los centros educativos con las
empresas, existen 2 problemas metodolgicos especficos y fundamentales a superar desde la
perspectiva de las funciones de produccin educativas (Carnoy, 2009):
Un primer problema de los estudios sobre la produccin de educacin es que los economistas
acostumbran a no derivar sus modelos de produccin de educacin de ninguna teora del
aprendizaje(Carnoy, 2009). Por tanto, pese a que en los estudios de carcter ms macro esta
deficiencia est sealada desde hace tiempo (Levin, 1980), normalmente en las funciones de
procduccin no se especifica el proceso de produccin en s mismo, sino que tan solo se


29

modeliza la relacin entre inputs y outputs, y no se toma en consideracin la parte intermedia
entre ellos que se especifica en el esquema uno: el proceso de produccin.
El segundo problema tiene que ver con el output a analizar. El rendimiento acadmico tiene un
carcter ms acumulativo que el output que normalmente se estudia en las empresas: los
beneficios (Carnoy, 2009; Hanusheck, 2007; Hanushek, 1997). Esto es debido a que el
rendimiento acadmico es reflejo de la carrera acadmica del estudiante, sin embargo,
normalmente est medido en solo un momento del tiempo. Por tanto, si se quiere medir la
influencia de los inputs de un ao o un programa concreto en el rendimiento acadmico los
estimadores pueden estar sesgados ya que el resultado de los alumnos tambin es
consecuencia de efectos de la educacin recibida en aos anteriores, no medidos. No
obstante, ste problema se puede resolver con la implementacin de estudios longitudinales
(Carnoy, 2009).
2.2. Las entradas del proceso productivo de educacin
En la modelizacin econmica de cualquier proceso de produccin hay un excesivo nmero de
factores; puesto que no es posible medirlos todos, se miden, nicamente, los ms
significativos (Lassibille & Navarro Gmez, 2004). La literatura sobre los determinantes del
rendimiento acadmico y produccin de educacin (Arcia, Porta, & Laguna, 2004; Carnoy,
2007; De la Orden, Oliveros, Mafokozi, & Coral Gonzlez, 2001; Edel-Navarro, 2003; Fullana,
1992; Lassibille & Navarro Gmez, 2004; Ronquillo, Saurina, & Sol, 1997)ha puesto de
manifiesto que las entradas en los procesos de produccin educativos se pueden clasificar en 5
grupos principales:
- El contexto poltico y social. La situacin poltica y social del lugar donde est situado el
centro educativo y donde, a priori
4
, viven sus estudiantes es un condicionante importante
para el rendimiento acadmico. En este sentido, la situacin del mercado laboral y las
tasas de desempleo pueden jugar un papel importante en la creencia de que merezca la
pena estudiar o no en los estudiantes y por tanto en su rendimiento acadmico (Carnoy,
2007).
- Las caractersticas del centro educativo. Este grupo de entradas incluye las caractersticas
de los centros educativos y de los medios que disponen. Son caractersticas especficas de
cada centro y las que los caracterizan (Carnoy, 2007). Por tanto, son las caractersticas que

4
En educacin a distancia es ms fcil que el lugar del centro y el lugar de residencia del alumno no
coincida.


30

explicaran las diferencias de rendimientos entre diferentes centros si se mantuviesen
constantes las dems entradas (Lassibille & Navarro Gmez, 2004). Entre estas entradas se
encuentra la titularidad y/o gestin pblica o privada del centro, el nivel de autoridad de la
direccin, el grado de descentralizacin de su estructura administrativa y pedaggica, la
calidad del personal de gestin, el modo de organizacin de la jornada (maana, tarde,
partida), las dimensiones de la escuela y los recursos fsicos disponibles (ordenadores,
bibliotecas, laboratorios).
- Las caractersticas del aula. Son las entradas que caracterizan el proceso productivo en el
interior de cada una de las clases/aulas (Carnoy, 2007). As pues, dentro de esta categora
se encuentran variables como la calidad del personal docente que da la clase (formacin,
cursos de reciclaje, experiencia, tiempo y recursos que usa para preparar las clases), el
nmero de horas dedicadas a cada asignatura, el tipo de materiales utilizados en el aula, el
nmero de estudiantes por aula o el nivel de motivacin y actitud de los compaeros.
- El entorno familiar del alumnado. Este grupo de entradas se refiere a las condiciones, los
bienes y las actitudes que en el seno de la familia, participan en la produccin de valores
escolares (Lassibille & Navarro Gmez, 2004). Este tipo de variables son de especial
importancia en educacin preuniversitaria, pero tambin lo son en la universitaria, sobre
todo si se tiene en cuenta que el rendimiento acadmico en un momento determinado es
un concepto acumulativo que refleja el historial del estudiante. Dentro de estas variables
tiene un papel destacado el nivel socioeconmico de las familias, normalmente medido
como ingresos y educacin de los padres ya que estas variables estn muy correlacionadas
con el resto de ste grupo. El resto de variables lo conforman: las expectativas de los
padres respecto a la educacin de los hijos, el inters de los padres en la educacin de los
hijos (tiempo que los padres dedican a apoyar los estudios, hbitos culturales
transmitidos), los recursos disponibles en casa para el estudio (libros, ordenadores,
espacio fsico), o la composicin de la familia.
- Las caractersticas del individuo. Son los recursos propios del individuo, lo que define al
estudiante. Las entradas ms tpicas en las funciones de produccin son el gnero, la edad,
la etnia/raza y la educacin previa. Sin embargo, puede haber otras, que por su dificultad
de medida son pocas veces introducidas en los estudios como las capacidades innatas del
estudiante o sus capacidades adquiridas: la motivacin, hbitos y expectativas. Dentro de
las caractersticas del individup se pueden incluir tambin el estado de salud, o la
adaptacin social al centro de estudios (amistades, pertenencia a grupos). La omisin de


31

estas variables puede introducir un sesgo de seleccin y en los estudios empricos de las
funciones de produccin hay que estar atentos y argumentar que no estn correlacionadas
con la variable de inters de la que se quiere conocer el efecto sobre el rendimiento si no
se quiere sesgar el resultado de sta. En este sentido, dada la correlacin entre entorno
familiar y motivacin, un sesgo habitual es sobreestimar la influencia directa del entorno
familiar en el rendimiento, cuando en realidad viene generada por variables intermedias
como la motivacin y las expectativas.
A priori, la validez de cualquier descubrimiento hecho mediante el uso de funciones de
produccin asume que se han incorporado todas las entradas utilizadas en el proceso
productivo. Pero, esta asuncin es difcil de cumplir ya que es casi imposible listar todos los
factores y conseguir una medida de cada factor. No obstante, si se focaliza la atencin en una
variable determinada no es necesario incluir todas las variables para no sesgar las
estimaciones, sino que basta con incluir todas las variables confusoras, definidas como
aquellas que estn a su vez correlacionadas con la variable de inters (del que se quiere
conocer el efecto) y con el output/rendimiento acadmico (Winship & Morgan, 1999).
Como se ha visto, una de las entradas ms importantes del proceso de produccin educativa
son los estudiantes. La literatura ha demostrado como dos de sus caractersticas son claves a la
hora de predecir el xito acadmico:
- Las habilidades cognitivas innatas de los estudiantes.
- El estatus socioeconmico de su familia (Rothstein, 2004).
Tal y como se ha argumentado en el punto anterior, los centros de educacin pblicos tienen
restricciones a la hora de escoger a sus estudiantes. Por este motivo, los estudios que usan
funciones de produccin educativas habitualmente se han centrado en el estudio de la
influencia de algunos inputs controlables por el centro y/o las polticas educativas
5
en el
rendimiento acadmico de los estudiantes controlando las dos variables anteriores para evitar
sesgos de seleccin. Algunos de estos inputs son:
- La cantidad de recursos disponibles por estudiante:(Hanushek, 1997; Perez & Socias, 2008;
Rice & Schwartz, 2008))


5
Aunque normalmente estos estudios se han centrado en pases desarrollados tambin existe literatura
sobre las especificidades en pases en desarrollo: por ejemplo: (Bedi & Marshall, 1999; Carnoy &
Marshall, 2006)


32

- La gestin pblica o privada de los centros educativos.(Derek, 1998; McEwan & Carnoy,
2000)
- Las caractersticas y capital humano del profesorado. (Boyd, Lankford, Loeb, Rockoff, &
Wyckoff, 2008; Clotfelter, Ladd, & Vigdor, 2007; Aaronson, Barrow, & Sander, 2002; Eberts
& Stone, 1987; Hill, Rowan, & Ball, 2005)
- El tamao de la clase.(Angrist & V. Lavy, 1999; Betts & Shkolnik, 1999; Christopher Jepsen
& Rivkin, 2002; Dee & West, 2008; Krueger, 2002)
2.3. El estudio de Internet en la produccin de educacin
Desde los primeros aos de la extensin e incorporacin de internet en la sociedad, los
gobiernos y las universidades han visto esta tecnologa como un input a tener en cuenta en la
produccin de educacin (Baer, 1998). Dos han sido las formas en que las universidades han
planteado usar internet en la produccin de educacin (Means et al., 2009):
- Con la finalidad reemplazar la educacin presencial, como es el caso de los cursos online.
- Con la finalidad de mejorar y complementar la educacin presencial mediante actividades
de aprendizaje
Gobiernos y universidades han invertido grandes sumas de dinero en ofrecer acceso a
conexiones a internet de alta calidad, crear contenidos en este medio, crear entornos virtuales
de aprendizaje (EVA) y otras formas de provisin de e-learning (Johannessen, 2007; Selwyn,
2010). La finalidad ltima de estas inversiones es que profesores y estudiantes saquen el
mximo partido de estos recursos para la mejora de los procesos de enseanza-aprendizaje. Es
decir, conseguir que el uso de internet en educacin ayude a mejorar la eficacia y eficiencia en
el proceso de produccin de aprendizaje.
Debido a esta fuerte inversin, en muchos casos pblica, la eficacia del uso de internet en
educacin superior ha sido constantemente debatida en los ltimos aos. Lo que en el fondo
se pretende saber es cmo se debe usar internet en educacin para conseguir que los
estudiantes adquieran de forma ms eficaz y eficiente los conocimientos definidos en el
currculo de su carrera. O visto desde la perspectiva econmica de las instituciones, cmo
sacar el mximo rendimiento de la inversin hecha en e-learning.



33

Varios pueden ser los impactos de la tecnologa en los estudiantes (Balanskat, Blamire, &
Kefala, 2006; Law, 2007). Law resume estos en 6 tipos (Law, 2007):
- Impacto en las habilidades tradicionalmente importantes. Se trata del conocimiento de la
materia y son los conocimientos que habitualmente se evalan.
- Impacto en las habilidades de investigacin. Habilidades de manejo de informacin, de
resolucin de problemas y de auto-aprendizaje.
- Impacto en las habilidades de colaboracin. Habilidades comunicativas y colaborativas
- Impacto en las habilidades tecnolgicas. Son las habilidades de manejo de la tecnologa.
- Impacto en las habilidades para de marcar el propio ritmo de trabajo. Son las habilidades
organizativas que llevan a que un estudiante sepa organizarse su propio trabajo.
- Impacto afectivo. Es el impacto de la tecnologa en la motivacin, autoestima, el tiempo
que se pasa estudiando y la asistencia a clases.
Para la autora estos 6 tipos de impacto pueden generar 2 brechas, una a corto plazo y otra a
largo plazo, que aunque correlacionadas no siempre son iguales debido a la posible disparidad
entre lo que se valora en el sistema educativo y lo que se valora en la sociedad y el mercado de
trabajo:
- Brecha de rendimiento.
- Brecha socioeconmica.
Como ya se ha comentado, la literatura sobre la produccin educativa normalmente ha
tomado como objeto de estudio la brecha de rendimiento acadmico; el caso del estudio del
impacto de internet no es una excepcin. Los estudios pioneros sobre la efectividad de la
primera generacin de educacin online
6
se centraron en comparar la eficacia (medida como
los resultados obtenidos por los alumnos en las pruebas de evaluacin) de la educacin online
respecto a la presencial. La gran cantidad de estudios recogidos en dos de los meta-anlisis
ms recientes sobre el tema (Bernard et al., 2004; Means et al., 2009) muestran que esta
tradicin todava persiste.
Los resultados de los primeros estudios fueron bastante homogneos: el aprendizaje
conseguido por los estudiantes mediante la enseanza online no era significativamente

6
A menudo englobados bajo el concepto de educacin a distancia


34

diferente del conseguido mediante las clases tradicionales cara a cara (Russell, 1999). Es decir,
la educacin virtual no era ni mejor ni peor que la presencial para aprender los contenidos
definidos como importantes en los currculos.
Una crtica recurrente a los estudios basados en la comparacin de medios (online vs
presencial) es que parecen dar un papel causal al medio por el cual se realiza la instruccin. Sin
embargo, comparar medios es caer en la trampa del determinismo tecnolgico. Los estudios
que simplemente comparan los medios por los que se implementa la educacin omiten en su
diseo una aportacin clave de los estudios de la historia de la tecnologa aplicada a la
educacin (Cuban, 2001): las nuevas tecnologas no mejoran los resultados de la enseanza, al
menos, si no van ligadas a un cambio hacia un modelo de enseanza-aprendizaje ms efectivo.
No hay nada inherente a la tecnologa que provoque una mejora en el aprendizaje pero, el
proceso de redisear un curso para adaptar su contenido al uso de una tecnologa puede
mejorar el curso y los resultados (Russell, 1999). En otras palabras, comparar medios es omitir
la relacin entre la tecnologa y la pedagoga utilizada en el proceso de enseanza-aprendizaje.
Dos pueden ser las causas por las que histricamente ha existido una tradicin de comparacin
de medios y no se ha ligado a la pedagoga o estilo de aprendizaje utilizado:
a) En primer lugar puede haber una razn histrica. La tecnologa no siempre ha permitido
todos los modelos de enseanza-aprendizaje. Los primeros desarrollos de internet y la
web tenan un diseo unidireccional y por tanto la tecnologa limitaba la posibilidad de
llevar a cabo interactividad en el aprendizaje. Con esta tecnologa inicial difcilmente se
poda llevar a cabo un modelo de enseanza-aprendizaje interactivo o colaborativo
mediante internet. Como consecuencia del desarrollo tcnico, en la educacin a distancia
previa al e-learning y en los primeros desarrollos de e-learning se reproducan
forzosamente los modelos de la clase presencial, centrados en el profesor y los materiales
del curso como fuentes de conocimiento, siendo el esquema uno a muchos el nico
posible (Godoy, 2007). Ello unido con que en el ncleo de la enseanza tradicionalmente
han estado arraigados los procedimientos de trabajo tradicionales (relacin unidireccional
profesor-estudiante, control sobre los materiales y plan de estudio) pudo causar que la
primera investigacin viera la comparacin de medios como una herramienta vlida para
estudiar la eficacia, dado que se asume que la metodologa de enseanza-aprendizaje en
ambos medios, presencial y virtual, similar.



35

b) En segundo lugar, otra explicacin a la tendencia a la comparacin de medios es la crtica
apuntada en el punto anterior a los estudios econmicos basados en las funciones de
produccin de la educacin: la economa de la educacin muchas veces slo se ha
centrado en el estudio de la relacin entre las entradas y las salidas sin tener en cuenta el
proceso de produccin de educacin, es decir la metodologa de enseanza-aprendizaje.
Por tanto, tal como observa la literatura, desde esta perspectiva Internet es considerado
como una entrada ms y como un todo homogneo, considerndose en el fondo que
todos los cursos lo usan de forma similar y dejando de lado las diferencias en las
metodologas docentes y tecnologas utilizadas (Castillo-Merino, Serradell-Lopez, &
Gonzlez-Gonzlez, 2010).
Sin embargo, Internet ha evolucionado, y lo hace sin parar. Hoy en da, la educacin online y
el blended learning cuentan con mayor nmero de recursos, menos estticos y con
tecnologas que no solo permiten, sino que incluso facilitan, la interactividad y colaboracin de
una forma ms dinmica y organizada que cara a cara. O dicho de otra forma: hoy en da, las
nuevas aplicaciones de internet s permiten cambiar el modelo tradicional de enseanza
centrado en el profesor y los materiales como fuentes de conocimiento por otros modelos ms
centrados en el estudiante. Por ello, tal como recientemente se ha planteado el departamento
de educacin de Estados Unidos (Means et al., 2009), hace falta revisitar la cuestin de la
efectividad del uso de internet en educacin.
Actualmente la tecnologa es capaz de soportar por lo menos estos tres tipos de experiencias
de aprendizaje (Means et al., 2009; Zhang, 2005)
- Aprendizaje por exposicin. A partir de los dispositivos digitales se transmite el
conocimiento de forma unidireccional.
- Aprendizaje activo. El estudiante construye su conocimiento basndose en la manipulacin
de artefactos digitales para realizar actividades: ejercicios y problemas online,
simulaciones, juegos, micromundos son ejemplos de este tipo de aprendizaje.
- Aprendizaje interactivo. El estudiante construye su conocimiento mediante
descubrimiento basndose en la interaccin con otros estudiantes, convirtindose los
profesores en co-aprendices y actuando como facilitadores. La interaccin humana est
mediada por la tecnologa y el aprendizaje emerge de estas interacciones.
Por lo tanto, para muchos autores, ya no es vlido comparar los resultados acadmicos
basndose en la segmentacin segn la modalidad educativa (online, presencial o hbrida).


36

Para conocer si el uso de internet en educacin aumenta la efectividad del aprendizaje, es
necesario comparar los resultados de su uso teniendo en cuenta la estrategia docente que
hay detrs.(Bernard et al., 2009; Clark, 2000; Johnson, 2008; Law, 2007; Sosin, Blecha, Agarwal,
Bartlett, & Daniel, 2004; Zhang, 2005; Zhao, Lei, Yan, Lai, & Tan, 2005). Y ello ya sea
consecuencia de de un determinado planteamiento pedaggico institucional (aprendizaje
formal) o de las diferentes formas de adopcin de internet que se dan de forma independiente
a la institucin entre los estudiantes universitarios (aprendizaje informal).
No obstante, tal como se ha planteado el fin ltimo de las funciones de produccin es
racionalizar las inversiones. Por ello, es necesario conocer los costes de cada tipo de pedagoga
que se lleva a cabo por internet para poder comparar mediante anlisis coste-beneficio cual es
ms eficiente y no slo ms eficaz.
Resumiendo, desde la perspectiva econmica se desprenden 3 niveles de anlisis, de los cuales
en esta tesis se tratarn los 2 primeros:
a) En un primer nivel, es necesario conocer qu usos de internet son eficaces para mejorar el
rendimiento acadmico. Invertir en internet para hacer usos no eficaces generara una
ineficiencia clara en la asignacin de recursos. As pues, es interesante saber bajo qu
esquemas pedaggicos, que en el fondo definen los usos que se dan de internet en
educacin, funciona mejor esta tecnologa. Algunos estudios ms alejados de la
perspectiva econmica han analizado el tipo de usos de internet en educacin y el
rendimiento acadmico, de ello se hablar en el prximo captulo.
b) En un segundo nivel, hay que analizar de la productividad de los usos de internet
identificados como eficaces en la mejora del rendimiento. El beneficio de realizar un uso
de internet determinado no tiene porque ser constante y puede variar segn la cantidad
de uso que se haga, dando lugar a rendimientos constantes, crecientes o decrecientes. Por
tanto, puede ser que un uso del cual se ha detectado un beneficio en promedio alto, tenga
concentrado dicho beneficio en determinadas cantidades de intensidad de este uso y, por
tanto, una inversin demasiada baja o alta puede no ser una estrategia adecuada para
conseguir la mayor eficacia. En este sentido, desde un punto de vista econmico, es
importante conocer la funcin de productividad
7
de cada uso de internet, para saber qu
niveles de intensidad son los ms eficaces en cada uso y poderlos combinar entre s para
obtener una funcin de produccin de eficacia ptima. Pese a que las instituciones de

7
Definida como el aumento en el output debido al cambio en una unidad del input estudiado


37

educacin superior hace tiempo que consideran internet como una herramienta capaz de
mejorar la productividad en la literatura existe un cierto vaco sobre la productividad de
internet y existe poca investigacin emprica sobre la productividad de sta desde una
perspectiva econmica. Desde un aperspectiva ms pedaggica se ha hecho alguna
excepcin con la interaccin mediante internet en educacin online (Bernard et al., 2009;
Miyazoe & Anderson, 2010). Sin embargo, destaca el hecho de que no se ha podido
localizar ningn estudio en el que empricamente carcterize la productivida del uso de
internet para la interaccin como complemento para la educacin presencial.
c) En un tercer nivel, la perspectiva econmica pone el nfasis en la distribucin de recursos.
De esta forma, una vez se conoce cul es la productividad, se debe conocer el coste de
cada incremento de unidad del input. De esta forma, se puede determinar cul es el coste
de cada unidad de rentabilidad y as poder determinar cul es la distribucin de recursos
ms eficiente. En teora, con esta informacin es posible saber como combinar de forma
ptima los recursos disponibles gracias a internet, tanto en educacin online como en
semipresencial.





38




39

3. LA PERSPECTIVA SOCIOLGICA: EL ESTUDIO DE LA
DESIGUALDAD GENERADA POR EL USO DE INTERNET EN LA
EDUCACIN
Si la perspectiva econmica de la produccin se centra principalmente en la maximizacin de
la eficacia y en la distribucin eficiente de los recursos en educacin, la perspectiva sociolgica
se ha interesado en estudiar las desigualdades sociales que se producen dentro del sistema
educativo.
El concepto de igualdad en educacin superior tradicionalmente ha sido un concepto
complejo. Revisando la teora (Bourdieu & Passeron, 1973, 1995; Buchmann & Hannum, 2001;
Conwell, 1997; Flecha, 1994; LeMaitre, 2005) se puede decir que en los sistemas de educacin
superior de los pases desarrollados, existen desigualdades sociales provenientes de la
sociedad industrial en, al menos, los siguientes aspectos:
- En las posibilidades de acceso a la enseanza universitaria.
- En el tipo de centro de estudio donde se cursan los estudios
- En las posibilidades de permanencia/abandono en el sistema universitario
- En los resultados obtenidos de la educacin (tanto educativos, como sociales y
econmicos)
En el ltimo de los cuatro puntos se incluyen todos los posibles outputs expuestos en la tabla
2.1 del captulo anterior, incluyendo el concepto de estudio en la presente tesis: el
rendimiento acadmico.
Con la aparicin de internet, el anlisis sociolgico de la desigualdad en educacin ha tenido
que incorporar un nuevo elemento centrado en el estudio de las desigualdades que las
diferentes formas de relacin con internet pueden generar. Desde esta perspectiva las
diferentes formas de relacin de los individuos con la tecnologa pueden tener consecuencias
sociales que generen desigualdad, y la educacin no es una excepcin(DiMaggio, Hargittai,
Neuman, & Robinson, 2001; van Dijk, 2005).



40

En este captulo se enmarcar el anlisis de las posibles desigualdades que puede generar el
uso de internet en el rendimiento acadmico de los estudiantes. Para ello, se dividir en tres
puntos.
En un primer punto, se presentar una visin general de la perspectiva terica de la brecha
digital. Esta perspectiva ha guiado los anlisis de la desigualdad generada por la aparicin de
internet y ha definido las dimensiones de las relaciones diferenciadas de los individuos con
Internet.
En un segundo punto, se enmarcar la situacin de la brecha digital en la educacin superior
haciendo un recorrido por los diferentes estudios sobre el tema y describiendo como es la
relacin de los estudiantes universitarios con Internet.
En un tercer y ltimo punto se har una sntesis de los resultados de los estudios que han
analizado las diferencias en el rendimiento acadmico segn la relacin del estudiante con
Internet.
Todo ello permite enmarcar y entender mejor la tradicin acadmica desde la cual se quiere
en la presente tesis se quiere contribuir al alcance del segundo de los retos planteados en la
introduccin: evitar la exclusin de potenciales beneficios del uso de internet para la
interaccin en el proceso de enseanza-aprendizaje.
3.1. La brecha digital
Desde la aparicin de Internet los estudios sociolgicos se han preocupado por las posibles
formas de desigualdad social que poda llevar asociada esta tecnologa. El concepto ms
utilizado para ello ha sido el de brecha digital. Este concepto es dinmico y se ha ido
definiendo con el tiempo. A continuacin se presentar este concepto y las principales
conceptualizaciones de las que histricamnete ha sido objeto.
3.1.1. Primera brecha digital
A mediados de los 90 se conceptualiz una primera versin del trmino que ha sido ms
ampliamente aceptado para el estudio de las diferentes formas de relacin de los individuos y
grupos sociales con esta tecnologa, as como el de sus consecuencias sociales: la brecha digital
o digital divide. Este trmino se utiliz de forma oficial por primera vez en 1995 en el estudio
germinal de la National Telecommunications & Information Administration (NTIA) Falling
Through the Net: A Survey of the Have Nots in Rural and Urban Americade 1995 (NTIA, 1995).
En esta conceptualizacin original dicho trmino simplemente se limitaba a sealar la divisin


41

dicotmica entre aquellos grupos que tenan acceso a Internet y aquellos que no. Las
diferencias sociales que interesaban eran las que podan generarse como consecuencia del
acceso a internet, sin tener en cuenta cmo es este acceso y por tanto los estudios se
centraron en analizar los determinantes del acceso a internet. Esta divisin segn el acceso se
ha bautizado ms recientemente como primera brecha digital(Hargittai, 2002).
Los desarrollos de esta primera brecha digital han sealado que, aunque se divida entre los
que acceden y los que no a internet, por acceso no se puede entender unicamente el acceso
fsico a las infraestructuras necesarias para la conexin, sino que, siguiendo la literatura, hay
que entender al menos dos aspectos diferenciados: acceso formal y acceso real.
Acceso formal a internet
El acceso formal a internet se define como la disponibilidad de las infraestructuras necesarias
para conectarse a la red. Superar este aspecto del acceso simplemente conlleva poner al
alcance de los individuos conexiones a internet, superando as la barrera del acceso material
(van Dijk & Hacker, 2003). Mark Warschauer distingue entre dos tipos de infraestructuras
necesarias para este acceso: devices y conduits. Los primeros son los ordenadores y aparatos
electrnicos con conexin a internet y los segundos las conexiones a internet en s mismas,
cuya principal diferencia econmica para el acceso es que se tienen que pagar de forma
regular (Warschauer, 2002).
Una crtica muy extendida al predominio de estudios y polticas centrados en la disponibilidad
de infraestructuras tecnolgicas para la conexin a internet, es que de una forma determinista,
en estos subyace la idea de que igualando las conexiones se igualar en mayor o menor tiempo
el resto de barreras para conectarse a internet. Sin embargo, numerosos estudios empricos
han demostrado como esto no es as, ms all del acceso formal continan existiendo otras
dimensiones que diferencian a los individuos segn su relacin con la tecnologa. (Pea-Lpez,
2010).
Acceso real a internet
Este segundo aspecto del acceso a internet abanona la visin ms determinista de la
tecnologa y constituye una primera aproximacin el factor humano al estudio de la brecha
digital. Se denomina acceso real a internet ya que, ms all del acceso formal, esta perspectiva
considera que el hecho de que los individuos dispongan de conexiones a internet no significa
de forma determinista que las utilicen. Las conexiones pueden estar ah pero los individuos
pueden usarlas o no. Por ello, este segundo aspecto de la primera brecha digital, hace


42

referencia a las desigualdades que se producen como consecuencia del uso o no uso de
Internet (y no slo a la disponibilidad de acceso a las infraestructuras), as como a las causas y
factores que determinan dicho comportamiento (Robles-Morales, Torres-Albero, & Molina-
Molina, 2010).
El hecho de que, teniendo acceso a infraestructuras, se use o no internet viene determinado
por 2 barreras importantes:
a) La barrera psicolgica. Est causada por la falta de inters, el miedo o poca atraccin por
las nuevas tecnologas y el desconocimiento de sus utilidades. Para usar internet hace falta
un inters y una motivacin mnima que no todos los individuos tienen y, por tanto, hay
individuos que aunque tienen la posibilidad formal de conectarse no quieren hacerlo.
Romper esta barrera es conseguir lo que Van Dijck denomina acceso psicolgico o
motivacional (van Dijk, 2005, 2006; van Dijk & Hacker, 2003).
b) La barrera de habilidades (skills). Est causada por la falta de unas habilidades mnimas de
uso de los ordenadores que permitan empezar a utilizarlos as como del soporte social
adecuado para conseguir estas habilidades. El desconocimiento sobre cmo utilizar la
tecnologa hace que haya personas que no puedan usar internet aunque tengan el deseo
de hacerlo y la posibilidad de acceso a infraestructuras adecuadas.
En la tabla 3,1 se resumen las dos barreras existentes para un primer acceso y acercamiento a
internet.
Tabla 3.1. Barreras para el acceso a internet: Primera Brecha digital
Acceso formal Acceso real
Infraestructuras Motivacin de uso mnima
- Dispositivos
Habilidades mnimas
- Cableado

Fuente: Elaboracin propia
Pero, significa lo anterior que una vez los individuos acceden a internet se acaban las
desigualdades de relacin con la tecnologa y sus consecuencias? La respuesta de la literatura
al respecto est clara: No. Con el paso de los aos, la primera brecha digital ha ido
disminuyendo, aunque no desapareciendo, (van Dijk, 2005) y, sin embargo, Internet contina
jugando un papel importante en las desigualdades de la sociedad de la informacin. Y es que,
la literatura demuestra que tambin existen desigualdades entre aquellos individuos que
acceden a internet.


43

3.1.2. Segunda brecha digital
Las diferentes formas de relacin con la tecnologa entre las personas que usan internet ha
sido denominada desigualdad digital (Dimaggio, Hargittai, Celeste, & Shafer, 2004) y/o
segunda brecha digital (Hargittai, 2002). Este ltimo trmino pone de manifiesto que es una
desigualdad que viene secuencialmente tras haber superado las barreras relativas a la primera
brecha digital.
Partiendo de lo anterior, las conceptualizaciones ms recientes de las desiguales relaciones de
los individuos con la tecnologa, han aadido grados de complejidad a la definicin de brecha
digital y no se limitan solo a analizar las diferencias de acceso a las que se refiere la primera
brecha digital, sino que van ms all y estudian la relacin entre los individuos que ya utilizan
internet y la tecnologa en diferentes dimensiones. Desde el prisma de la segunda brecha
digital ya no slo importan las desigualdades sociales que son consecuencia del hecho de
acceder o no a internet sino que tambin importa cmo y para qu se accede a internet, ya
que no todos los individuos lo hacen de la misma forma. A continuacin se repasarn las
conceptualizaciones y aproximaciones al concepto de brecha digital de algunos de los autores
ms detacados en el campo: Mark Warschauer, Jan van Dijck, la conceptualizacin fruto del
trabajo conjunto de Paul DiMaggio, Eszter hargittai, Coral Celeste y Steven Shafer y por tlimo,
la de un autor que ha centrado parte de su investigacin en la brecha digital en educacin: Neil
Selwyn.
Mark Warschauer
Warschauer define la brecha digital como la estratificacin social derivada del desigual
acceso, adaptacin y creacin de conocimiento va el uso de las tecnologas de la informacin y
la comunicacin (Warschauer, s.f). Por tanto, su estudio no se puede limitar a quien tiene o
no acceso a las infraestructuras, sino que tambin se tiene que extender a las posibilidades de
los individuos de transformar el acceso en prcticas sociales beneficiosas, que se relacionan
con la estratificacin social. Para ello, es importante estudiar las siguientes dimensiones:
- El desigual acceso a internet.
- La desigual habilidad para usar internet
- Las diferentes finalidades de uso de de internet
El aspecto ms importante para este autor no es la desigualdad de acceso a las los
ordenadores e infraestructuras, sino las diferentes formas en que estos ordenadores son


44

usados por las personas(Warschauer, 2003). Es decir, lo que se ha definido como la 2 brecha
digital.
Jan van Dijck
Van Dijck, por su parte, conceptualiza las dimensiones de la brecha digital en trminos de
accesos, haciendo referencia a 4 tipos de acceso secuenciales (van Dijk, 2005). Por este orden:
- Motivational Access
- Material Access
- Skills Access
- Usage Access
Las dimensiones son similares a las de Warschauer, pero divide en dos la dimensin de acceso
ya que para Van Dijck para acceder a internet, primero hay que superar la barrera psicolgica
de uso y, despus, tener acceso a los recursos materiales. Una vez se accede a internet, y
entrando en lo que hemos llamado segunda brecha digital, Van Dijck hace hincapi en las
mismas dos dimensiones que Warschauer: las habilidades de uso y la tipologa de usos.
Dentro de las habilidades de uso, Van Dijck distingue entre habilidades operacionales,
informacionales y estratgicas. Las primeras seran aquellas habilidades que permiten hacer
funcionar ordenadores y programas; las segundas, aquellas que permiten buscar, seleccionar y
procesar informacin de ordenadores e internet; las terceras, aquellas que permiten tomar la
iniciativa a la hora de buscar, seleccionar, integrar, valorar y aplicar informacin con la
intencin de mejorar la posicin de uno en la sociedad. Las habilidades estratgicas por
definicin estn orientadas hacia un fin que mejore la posicin del individuo y entre estos fines
Van Dijck incluye el xito en la carrera acadmica. Por tanto, este tipo de habilidades es un
concepto importante para la presente tesis. Para Van Dijk los tres tipos de habilidades se
adquieren con el uso diario de internet en determinados mbitos ms que con la educacin
formal.
El concepto de usage acces incluye el tiempo, la variedad y sobre todo, la finalidad de usos de
internet. De entre lsa diferentes dimensiones, el autor considera que las diferencias que
llevarn a desigualdades sociales ms importantes sern las que se dan en el uso de internet.
La idea central es que dependiendo de las finalidades con que se utilice internet est tecnologa
puede ser positiva o negativa a la hora de posicionarse en la sociedad.


45

Van Dijck , propone un modelo explicativo dinmico de los tipos de acceso definidos (van Dijk,
2005). En dicho modelo, pone de manifiesto el inters y la importancia de estudiar las causas y
las consecuencias de los diferentes accesos a Internet, as como de las caractersticas de la
tecnologa utlizada. (Grfico 3.1).
Grfico 3.1. Modelo dinmico explicativo de los tipos de acceso a internet

Fuente: (van Dijk, 2005)
Para Van Dijck los individuos poseen una serie de caractersticas personales (la edad, el
gnero, la inteligencia, la personalidad) y otras posicionales (relacin con el mercado de
trabajo, con la familia, con la educacin, con la nacin) que hacen que se consigan una serie de
recursos u otros.
Entre los recursos que se pueden conseguir el autor distingue 5 tipos: los temporales (tiempo
que dedican a diferentes actividades en el da a da); los materiales (ingresos, propiedades sin
incluir infraestructuras tecnolgicas); los mentales (conocimiento, habilidades sociales y
tcnicas en general, a excepcin de sobre internet); los sociales (relaciones y posicin en redes
sociales) y los culturales (status, credenciales...). En la teora de Van Dick son estos recursos,
junto con las caractersticas de la tecnologa disponible, los que influyen en el tipo de acceso a
Internet de los individuos y los usos que de l hacen.
Por ltimo, para Van Dijck, el hecho de tener unas relaciones u otras con internet definidas a
travs de los tipos de acceso influye en como los individuos participan en la sociedad en
campos como: el mercado de trabajo, la educacin, la poltica, la cultura, las relaciones
sociales, la ciudadana o la salud. Y esta participacin nuevamente influye en la distribucin de
Characteri sti cs
of ICTs
Personal and
posi ti onal
categori cal
i nequal i ti es
Distri buti on of
resources
Acces to ICTs
Parti ci pati on
i n soci ety


46

recursos y en las caractersticas de los individuos, cambiando o reforzando las desigualdades
existentes en ellas.
Paul Di Maggio et al.
Una tercera conceptualizacin del concepto de brecha digital es la propuesta por Di Maggio et
alt. (Dimaggio et al., 2004). Estos autores usan el trmino desigualdad digital para referirse a
las dimensiones que van ms all del acceso real a internet, es decir, a las diferencias entre los
que ya tienen acceso a internet. Para ello, definen 5 dimensiones que pueden generar
desigualdad digital:
- Los medios tcnicos o infraestructuras de conexin. Entre los usuarios de internet existen
diferencias en el tipo de dispositivos y capacidades de las conexiones utilizadas.
- La autonoma de uso. La autonoma de uso es definida como la libertad para usar internet
de la forma que uno elija. Estos autores ponen de manifiesto que no todos los usuarios
tienen la misma libertad de uso.
- Los patrones de uso de internet. La finalidad e intensidad de uso de internet vara entre los
usuarios de internet. Normalmente existen usos relacionados entre s que generan
patrones de uso.
- Las redes de soporte social. El apoyo social informal puede incentivar o desincentivar el
uso de internet y determinados usos. Adems, permite adquirir habilidades de los
individuos de la red.
- Las habilidades de uso. No todos los usuarios de internet tienen las mismas habilidades
para usarlo. Estas habilidades pueden determinar hasta que nivel de sofisticacin se puede
usar esta tecnologa.
Adems, en su trabajo estos autores discuten una agenda de investigacin de la desigualdad
digital donde, como en el caso de Van Dijck, la dimensin de los patrones de uso de internet
aparece como la ms destacada para el estudio de las consecuencias sociales de internet. En
este sentido los autores plantean preguntas como:
- Cmo afecta hacer unos usos u otros en el bienestar econmico y social de los
individuos?
- Qu determina que un individuo haga un tipo de uso u otro?


47

Neil Selwyn
Selwyn tambin hace una definicin compleja de la digital divide dividindola en 6 etapas
(Selwyn, 2010):
- Acceso formal y terico a ICT y contenido
- Acceso efectivo a ICT y contenido
- Uso de ICT
- Engagement con ICT y su contenido
- Outcomes, actuales y percibidos
- Consecuencias, actuales y percibidas
El autor define la primera etapa como la existencia de las infraestructuras tcnicas necesarias
para la conexin a internet. La segunda supone un paso ms y se traduce en que el individuo
sienta que realmente tiene acceso efectivo, ms all de la existencia de la infraestructura. La
tercera etapa es cualquier contacto con internet, sea significativo o no. La cuarta etapa
conlleva un uso significativo de internet donde el usuario escoge libremente la tecnologa y el
contenido al que accede. Para Selwyn es a partir de la cuarta etapa donde el uso de internet
puede llegar a ser relevante y aportar beneficios al individuo.
Tras estas cuatro etapas de uso, en la dimensionalizacin de la digital divide, Selwyn incorpora
las consecuencias del uso de internet tanto a corto plazo como a largo plazo (produccin,
actividad poltica y social, mejoras en el consumo). Es decir, implicitamente Selwyn tambin
define la brecha digital como las consecuencias/efectos derivados del uso de la tecnologa.
3.1.3. Resumen de las conceptualizaciones de brecha digital
En la tabla siguiente (Tabla 3.2), donde se resumen las cuatro propuestas anteriores, se ponen
de manifiesto las diferencias entre los individuos que acceden a internet respecto a su relacin
con esta tecnologa, organizndolas en 3 conceptos clave: las caractersticas del acceso, las
habilidades y los usos.




Tabla 3.2. Resumen de las dimensiones de la brecha digital planteadas por la literatura
Caractersticas
del acceso
Infraestructuras
- Dispositivos (
- Cableado (
Autonoma
Habilidades
Soporte social
Habilidades
- Operacionales
- Informacionales
- Estratgicas
Usos
Tiempo
Variedad
Modos
- Innovador/Tradicional
- Consumo /Produccin
Finalidad de uso
Fuente: Elaboracin propia
En las diferentes aportaciones de la literatura
- Los autores citados coinciden en un aspecto de sus diferentes definiciones de digital
divide: las diferencias en las relaciones de los individuos con internet son importantes
tanto por s mismas, sino porque tienen una serie de consecuencias para l
personas, sean stas positivas o negativas.
- En los pases desarrollados, la dimensin ms relevantes y que ms consecuencias tendr
sobre las oportunidades y la
y en menor medida la de habilidades
todos los individuos usan internet de la misma forma y ello puede tener consecuencias
sociales.
En resumen, la literatura seala
que los realizan ya que les aportan un valor aadido respecto a los que no
Robles-Morales et al., 2010).
para poder estudiar mejor la desigualdad producida por las diferentes formas de relacin de
los individuos con la tecnologa
Walejko, 2008).
Pensar programas para extender los beneficios de ciertos usos de internet no es tarea fcil. Y
esto es as porque determinar qu usos son socialmente deseables y, por lo tanto, candidatos
48
ensiones de la brecha digital planteadas por la literatura
Infraestructuras

C
o
n
s
e
c
u
e
n
c
i
a
s

c
o
r
t
o

y

l
a
r
g
o

p
l
a
z
o

Dispositivos (Devices)
Cableado (Conduit)




Operacionales
Informacionales
Estratgicas



Innovador/Tradicional
Consumo /Produccin
Finalidad de uso
las diferentes aportaciones de la literatura se observan 2 puntos coincidentes:
Los autores citados coinciden en un aspecto de sus diferentes definiciones de digital
divide: las diferencias en las relaciones de los individuos con internet son importantes
tanto por s mismas, sino porque tienen una serie de consecuencias para l
stas positivas o negativas.
En los pases desarrollados, la dimensin ms relevantes y que ms consecuencias tendr
sobre las oportunidades y la estratificacin social es la del uso. La brecha digital de acceso
y en menor medida la de habilidades, se ha ido cerrando con el tiempo. S
todos los individuos usan internet de la misma forma y ello puede tener consecuencias
, la literatura seala que existen determinados usos ventajosos para los individuos
que los realizan ya que les aportan un valor aadido respecto a los que no
. En consecuencia, es importante conocer cuales son estos usos
para poder estudiar mejor la desigualdad producida por las diferentes formas de relacin de
los individuos con la tecnologa (DiMaggio et al., 2001; Hargittai & Hsieh, 2010; Hargittai &
Pensar programas para extender los beneficios de ciertos usos de internet no es tarea fcil. Y
esto es as porque determinar qu usos son socialmente deseables y, por lo tanto, candidatos
ensiones de la brecha digital planteadas por la literatura
se observan 2 puntos coincidentes:
Los autores citados coinciden en un aspecto de sus diferentes definiciones de digital
divide: las diferencias en las relaciones de los individuos con internet son importantes no
tanto por s mismas, sino porque tienen una serie de consecuencias para las vidas de las
En los pases desarrollados, la dimensin ms relevantes y que ms consecuencias tendr
estratificacin social es la del uso. La brecha digital de acceso,
e ha ido cerrando con el tiempo. Sin embargo, no
todos los individuos usan internet de la misma forma y ello puede tener consecuencias
existen determinados usos ventajosos para los individuos
que los realizan ya que les aportan un valor aadido respecto a los que no (van Dijk, 2005;
s importante conocer cuales son estos usos
para poder estudiar mejor la desigualdad producida por las diferentes formas de relacin de
sieh, 2010; Hargittai &
Pensar programas para extender los beneficios de ciertos usos de internet no es tarea fcil. Y
esto es as porque determinar qu usos son socialmente deseables y, por lo tanto, candidatos


49

a ser promovidos, supone entrar en el mundo de los valores (Robles-Morales et al., 2010) y
definir qu opciones de uso son buenas y qu opciones son malas. Ello supone definir un
ideal de buena o mala vida, y ello siempre es problemtico. Quizs la forma de contestar esta
pregunta es plantearse en primer lugar qu objetivos son socialmente considerados como
relevantes, para luego poder responder a qu usos de internet llevan a una mejora en
aquellos objetivos definidos como socialmente relevantes y, por tanto, otorgan una ventaja
competitiva a los individuos que los hacen?
3.2. La brecha digital entre el alumnado de la educacin superior
Llevando el marco de anlisis de la brecha digital a la educacin superior los datos de diversos
estudios muestran que, entre los estudiantes universitarios del primer mundo, no existe
brecha digital en el sentido clsico del trmino que divide entre los que acceden o no. Sin
embargo, s existe en las dimensiones propuestas por los tericos de la 2 brecha digital. A
continuacin se darn algunos datos sobre las distintas dimensiones.
En primer lugar, respecto al acceso a infraestructuras, la literatura seala que al contrario de lo
que sucede en otros niveles educativos (Huang & Russell, 2006), en educacin superior la
prctica totalidad de los estudiantes dispone de infraestructuras propias para el acceso a
internet. En las universidades pblicas catalanas en el curso 2005-2006 ms del 91% del
alumnado dispona de ordenador propio con conexin a Internet (Duart, Castao, Gil, & Pujol,
2007a). Haciendo un anlisis ms detallado, se pueden observar algunas diferencias en cuanto
al tipo de dispositivo de acceso a Internet. En este sentido, el mismo estudio nos muestra que
en Catalua el 43% del alumnado que se conecta a internet lo hace a travs de ordenador
porttil, ya que en el momento en que se realiz el Proyecto Internet Catalua (2006) se
estaba dando un proceso de sustitucin del ordenador de sobremesa por el ordenador
porttil. Sin embargo, el uso de otros dispositivos para acceder a internet era todava
incipiente, siendo el ms usado el telfono mvil con un 6,85% de cuota entre los usuarios de
Internet.
Respecto al tipo de conexin a internet se observa que en 2006 ms del 90% del alumnado se
conectaba a internet por medio de conexiones de banda ancha, limitando de esta forma
mucho las diferencias entre usuarios de banda ancha y usuarios de conexiones convencionales
como la mayor cantidad de tiempo online, el mayor nmero de actividades realizadas y la
mayor creacin de contenido por parte de los primeros (Matthews & Schrum, 2003). Adems,
ms all de las conexiones propias las universidades de los pases desarrollados han puesto las


50

infraestructuras necesarias al alcance de los estudiantes lo que permite el acceso a la pequea
minora que no tiene ordenador y conexin propios. Por ejemplo, en Espaa el nmero de
estudiantes por ordenador pas de 24 en el ao 2000 a 12 en el 2003 (OCDE, 2006).
Segn algunas conceptualizaciones de la brecha digital (Dimaggio et al., 2004), las diferencias
en el dispositivo de acceso y en el hecho de tener conexin propia o depender de lugares
pblicos para acceder repercuten en la autonoma de uso de Internet. Esta mayor autonoma
ha sido relacionada con unos usos calificados como beneficiosos para el aumento de capital
personal como son la bsqueda de informacin sobre salud, la bsqueda de productos, la
compra, uso de la banca online etc. (Hargittai & Hinnant, 2008).
Una vez superado el acceso formal, la teora de la brecha digital propone centrar la atencin
en el acceso real. En este sentido, existe poca literatura sobre la barrera motivacional entre
estudiantes universitarios ya que son prcticamente irrelevantes, sin embargo Bozionelos ha
comprobado que tambin entre los estudiantes universitarios el status socioeconmico se
relaciona con la computer anxiety, siendo aquellos estudiantes provenientes de familias con
menor status socioeconmico los que tienen ms fcil tener emociones negativas cuando
tienen que interactuar con un ordenador y por ello, entre otros motivos, utilizan menos
internet (Bozionelos, 2004). Pese a ello, los datos muestran que los alumnos que tienen una
barrera motivacional para conectarse a internet son sin duda una minora.
Significa el hecho de que los estudiantes universitarios de los pases desarrollados apenas
muestren diferencias importantes respecto al primer nivel de acceso a internet que todos
pueden sacar el mismo provecho? Tal como conceptualiza la segunda brecha digital y el
anlisis de la desigualdad digital entre los que ya acceden a internet, el hecho de que dentro
de un colectivo de estudiantes se iguale el acceso a los recursos tecnolgicos, no iguala las
ventajas que los individuos sacarn de stos e incluso puede aumentar las diferencias entre
colectivos aventajados y desaventajados(Neuman & Celano, 2006).
Entre aquellos estudiantes que acceden a Internet, una primera diferenciacin es la habilidad
de uso que tienen los individuos que les permitir hacer usos ms o menos sofisticados. La
literatura muestra una asociacin entre las habilidades de uso autodeclaradas y la experiencia
e intensidad de uso como medidas ms comunes de la habilidad (Hargittai, 2005). Van Dijck
demuestra que para los usuarios de internet de Holanda en el ao 2000 las principales fuentes
de adquisicin de habilidades de uso de internet proviene de aprendizaje por uso propio,
seguido, a bastante distancia, del apoyo informal (van Dijk, 2005). Por lo tanto, es normal que
aquellos estudiantes con ms aos de experiencia en el uso de internet, aquellos que lo usan


51

ms das a la semana y ms horas diarias tengan mayores habilidades de uso de internet que el
resto (Duart et al., 2008). Ambos conceptos reflejan el nivel de pericia real del uso de internet
por parte del alumnado ya que la literatura seala que una de las mejores maneras de adquirir
habilidades de uso es la prctica, y por tanto analizar quien usa ms es analizar quin es ms
experto en el uso de internet. (Hargittai & Hinnant, 2008).
Los estudios que analizan tanto las habilidades como el tiempo de uso por parte de los
estudiantes universitarios confirman que el alumnado universitario es experto en el uso de
internet ya que es un colectivo que tiene unos niveles de conexin mayores, un uso ms
frecuente e intensivo (Rice & Katz, 2006) y autodeclara mayores habilidades (Tien & Fu, 2008).
La explicacin a este fenmeno, nuevamente, pasa por dos caractersticas definitorias del
alumnado universitario: su elevado nivel educativo y su juventud. En la investigacin
internacional se observa que el nivel de uso de Internet por parte de la comunidad
universitaria es muy elevado en comparacin con la poblacin en general y, por tanto, son
parte de la poblacin ms experta de uso (Pedr, 2009a; Smith, Borreson Caruso, & Kim,
2010). As pues, no es de extraar que en el sistema universitario cataln tan solo el 7,35% del
alumnado declara tener nivel inicial o bsico (los 2 ms bajos en una escala de 5) por un
51,55% que declara tener nivel alto o experto (Duart et al., 2008).
Ahora bien, desde la perspectiva de la brecha digital, es de destacar el anlisis sobre quin
tiene mayores habilidades de uso, dando respuesta a la pregunta de si existen determinadas
caractersticas que influyen en stas. Ms all de la experiencia de uso y siguiendo la estela de
la investigacin de la brecha digital
8
en la poblacin en general, la literatura ha puesto el
nfasis en el estudio de la relacin del gnero y el estatus socioeconmico, as como el acceso
a buenas infraestructuras de internet y el tipo de estudios que cursa el estudiante. A
continuacin se resumen algunos resultados de estos estudios.
- El gnero. Se observa que sigue existiendo una brecha de gnero desfavorable a las
habilidades de la mujer que va ms all de la educacin formal y que tiene que ver con la
reproduccin de los estereotipos culturales y roles sociales en los que se vincula al hombre
con el conocimiento tecnolgico(Tien & Fu, 2008). Algunos estudios ponen de manifiesto

8
Hay que notar que la educacin y la edad, dos variables claves en los estudios de la brecha digital de la
poblacin en general, han sido menos estudiadas en los estudios especficos de la poblacin universitaria
dado que se asume una mayor homogeneidad en ellas.




52

que esta brecha digital de gnero se est cerrando entre la poblacin ms joven, no
obstante los estudios muestran que, aunque menor, sigue persistiendo (Castao Collado,
2009; Jones, Johnson-Yale, Millermaier, & Prez, 2009). Analizando especficamente el
tiempo de uso los estudios confirman esta brecha, las mujeres usan menos y por tanto son
menos expertas(Chen & Peng, 2008).
- El estatus socioeconmico. Destaca el hecho de que el estatus socioeconmico familiar alto
est correlacionado con una mayor experiencia de uso y por tanto, indirectamente con
mayores habilidades (Bozionelos, 2004). Sin embargo, sta influencia es menor que en
otros niveles educativos por dos motivos. Por un lado, la gran homogeneidad cultural y
econmica de las familias de los estudiantes universitarios si se compara con la poblacin
en general, ya que los hijos de familias ms desfavorecidas ya han sido castigados por el
sistema en etapas anteriores de su formacin y tienen menos probabilidades de llegar a la
educacin superior. Por otro, los padres no incorporan las habilidades tecnolgicas como
parte del capital cultural que transmiten a los hijos porque ellos no tienen estas
habilidades ya que forman parte de una generacin que no naci con Internet y, a lo sumo,
son digital immigrants normalmente con bajas habilidades (Premsky, 2001).
- Las buenas infraestructuras de internet. La literatura tambin seala una relacin entre la
posesin de tecnologa avanzada y el uso y habilidades de uso de internet. En este sentido,
se pone de manifiesto que los estudiantes con mejores conexiones (ADSL), los que se
conectan desde casa y los que disponen de se conectan ms tiempo y son ms hbiles en
el uso de internet (Hargittai & Hinnant, 2008).
- La carrera cursada. El hecho de estudiar una carrera cuyo currculum incorpore las
habilidades informticas est relacionado con mayores habilidades de uso, ya sea por el
aprendizaje formal o por la autoseleccin de los estudiantes que eligen estas carreras (Tien
& Fu, 2008).
La relacin entre el tipo de infraestructuras de acceso, el tiempo y las habilidades demuestra la
existencia de un determinado perfil de individuo, tecnolgico, que, aunque con alguna
excepcin, est buen posicionado en las 3 dimensiones. Pero pese a que tener un perfil
tecnolgico permite hacer la mayora de usos sin limitaciones, entre los estudiantes
universitarios existen diferencias en cuanto al tiempo que dedican a cada uso de internet
(Chen & Peng, 2008; Howard, Rainie, & Jones, 2001).


53

La literatura ha analizado en profundidad qu usos de internet hacen los estudiantes
universitarios, llegando a la conclusin de que los principales son aquellos relacionados con el
ocio, como la comunicacin sincrnica mediante sistemas de mensajera instantnea, los
juegos online o la descarga de archivos y mas reciente la participacin en redes
sociales(Hargittai & Hinnant, 2008; Jones et al., 2009; Kubey, Lavin, & Barrows, 2001;
Matthews & Schrum, 2003; Smith et al., 2010; Tien & Fu, 2008). En este sentido, se puede
decir que los usos de internet no forman parte de una cultura propia de estudiante
universitario. La literatura muestra que los usos de internet para la educacin ocupan poca
parte del tiempo online del alumnado universitario (Castao-Muoz & Senges, 2011;
Englander, Terregrossa, & Wang, 2010). Sin embargo, en pases menos desarrollados, donde
solo se accede a internet a travs de las conexiones situadas dentro de la universidad, los usos
son ms acadmicos formando en este caso parte de la cultura estudiantil (Tella, 2007).
Ms all de la dinmica que en general sigue el alumnado respecto a las finalidades de uso de
internet, para los anlisis de la digital divide es importante dar respuesta a la pregunta de si
existen diferencias en cuanto a las finalidades de uso entre el alumnado universitario en
funcin de determinadas caractersticas, una vez controladas las caractersticas tecnolgicas,
(Dimaggio et al., 2004). En este sentido, la literatura ha puesto de manifiesto que una variable
clave para explicar el tipo de usos que se hacen en la sociedad es la educacin(Hargittai &
Walejko, 2008), pero dada la homogeneidad en el perfil de los estudiantes universitarios, es de
estas variables tienen menos influencia y, por ello, los estudios especficos sobre los tipos de
uso de internet entre los estudiantes universitarios han centrado las diferencias en otras
variables como el gnero, la clase social.
As pues, en la literatura se sealan diferencias en el tipo de usos respecto al gnero (Castao
Collado, 2009; Ching, Basham, & Jang, 2005; Jones et al., 2009). Segn estos autores las
mujeres hacen mayor cantidad de usos acadmicos, de comunicacin y de compras mientras
que los hombres hacen mayor cantidad de usos para jugar, para buscar contenidos para
adultos y para buscar informacin en general.
En cuanto al estatus socioeconmico, Peter y Valkerburg muestran que los estudiantes de
status socioeconmicos ms altos usan internet ms con finalidades informativas y menos con
finalidades de entretenimiento (Peter & Valkenburg, 2006). Centrando la atencin en el uso de
la web 2.0, se puede ver que tambin existen diferencias en su uso dentro del alumnado
universitario. Hargittai y Walejcko muestran cmo pese a la homogeneidad en la edad entre el
alumnado, en el caso de la adopcin de innovaciones tecnolgicas, esta variable juega un


54

papel importante, siendo los estudiantes ms jvenes los que usan con mayor frecuencia la
web 2.0. Por otro lado, el estatus socioeconmico familiar, medido por la cultura y el nivel
econmico de los padres del estudiante, tambin influye en el uso de la web 2.0. En este
sentido, se observa que el capital cultural transmitido por parte de los padres de los
estudiantes universitarios de estatus socioeconmico ms alto puede tener relacin con la
creacin de redes sociales, el trabajo colaborativo y el espritu emprendedor, elementos que
tienen influencia en el tipo de adopcin ms innovadora y social de internet que supone el uso
web 2.0 y que ya formaban parte del habitus de la clase alta.(Hargittai & Walejko, 2008).
3.3. Desigualdad digital y rendimiento acadmico
En educacin superior hay un cierto acuerdo en que la adquisicin de los conocimientos
definidos por el currculo es un objetivo socialmente relevante y deseable ya que puede
afectar indirectamente a la desigualdad social y econmica futura de los individuos (Buchmann
& Hannum, 2001; Canay Pazos, 2008).
No se entrar aqu en analizar cmo se desarrolla la lucha de poderes para definir los
conocimientos y competencias a incluir en el currculum, pero partimos de la base de que son
socialmente construidos en el seno de las polticas pblicas educativas, donde se resuelve el
problema de los objetivos de produccin mltiples que tienen diferentes actores (Carnoy,
2007), y de que, por ello, la maximizacin de la adquisicin de estos conocimientos, y por lo
tanto del rendimiento acadmico, es una finalidad socialmente deseable (Canay Pazos, 2008)
ya que se ha llegado a un acuerdo o equilibrio de intereses en el que participan diversos
actores.
Por tanto, siguiendo el modelo analtico de la brecha digital desde la perspectiva social es
importante conocer qu relacin guardan las diferentes dimensiones de la brecha digital con el
rendimiento acadmico de los estudiantes. A continuacin se repasarn algunos estudios
sobre el tema.
Los estudios que analizan el acceso a internet muestran que dichol acceso y tipo de
infraestructuras, por si solas, no tienen efectos en el rendimiento acadmico de los
estudiantes. De esta forma se rompe el argumento determinista de que el mero acceso a
internet trae asociados beneficios o inconvenientes a la hora de estudiar (Neuman & Celano,
2006; Warschauer, 2002, 2008). Sin embargo, el lugar desde donde se usan s tiene un efecto a
tener en cuenta. Los alumnos que se conectan slo desde la universidad tienen mejores
resultados acadmicos que los que lo hacen desde ms lugares (Duart et al., 2008), este mismo


55

es el caso de algunos pases en desarrollo donde los alumnos solo disponen de conexin a
internet en la universidad y se ve una clara relacin positiva entre un mayor uso de internet y
un mayor rendimiento acadmico (Tella, 2007).
Respecto al nivel de alfabetizacin digital, en educacin primaria y secundaria los anlisis de
los resultados PISA muestran que los estudiantes con ms experiencia y habilidades tienen en
general peores notas que el resto. Sin embargo, el anlisis ms detallado de los resultados
muestra que, controlando el resto de variables son los estudiantes con un uso moderado de
internet los que tienen mejor rendimiento que los que usan poco o mucho. Parece por tanto
que la relacin negativa de unas mayores habilidades de uso de internet con el rendimiento
acadmico pasa por el mayor tiempo dedicado a internet por parte de los estudiantes ms
hbiles, que a su vez pasa por un mayor nmero de usos de internet con finalidades de ocio.
Por tanto, no se puede afirmar que la intensidad en s tenga efectos directos negativos sobre el
rendimiento acadmico. Esta dinmica ha sido estudiada en detalle en el caso del sistema
universitario cataln obtenindose los mismos resultados que los expuestos en educacin
secundaria (Castao-Muoz & Senges, 2011).
Las diferentes finalidades de uso de internet s tienen efectos en el rendimiento acadmico. En
este sentido, la literatura seala como importante estudiar los usos de internet fuera de la
institucin educativa (Furlong & Francis, 2007) con finalidades de ocio (mensajera
instantnea, jugar online o descargas de contenidos).Sobre este tipo de estudios existen dos
lneas de estudio contrapuestas.
Una primera lnea la integran aquellos estudios que enfatizan en los efectos negativos del uso
de internet para el ocio. Estos estudios ponen de manifiesto que los usos de internet con
finaliades de ocio pueden tener efectos negativos en el rendimiento acadmico. Sin embargo,
estos efectos no son directos sino que vienen mediados por otra variable: la sustitucin del
tiempo necesario para realizar las actividades acadmicas por actividades de ocio en internet
(Kubey et al., 2001). El grado mximo de esta sustitucin se da en aquellos estudiantes
enganchados al ocio en internet. En este caso, la adiccin les lleva a emplear excesivo tiempo
online y a trastornos psicolgicos como la falta de sueo, el aislamiento social o la depresin
(Chen & Peng, 2008; Kubey et al., 2001). Estos efectos son slo para aquella minora de
personas que dedican excesivo tiempo al uso de internet y ponen de manifiesto que la relacin
negativa del uso de internet con el rendimiento acadmico no es lineal, sino que se dispara a
partir de un umbral elevado de uso.


56

La segunda lnea de estudio es aquella que identifica efectos positivos de los usos de ocio
intermediados por la mejora en las habilidades comunicativas y de gestin de la informacin
(Gil-Flores, 2009), la mejora en el trabajo en equipo (Ramboll Management, 2006) o el
autoaprendizaje (Law, 2007). Dentro de esta rea destaca especialmente la investigacin sobre
los efectos positivos de los juegos online donde se relacionan con un aumento de la
motivacin, la interaccin y colaboracin o la toma de decisiones y pensamiento lgico (Brown
& Thomas, 2008; Jenkins, 2002; Kirriemur & McFarlane, 2006). Estos efectos indirectos del uso
no acadmico de internet permiten explicar hallazgos como el presentado en el informe PISA
donde se ve como, controlando el resto de variables, aquellos alumnos que menos usan
internet y aquellos que ms lo usan tienen peor rendimiento acadmico que aquellos que lo
usan moderadamente (Claro, 2007).
Respecto a los usos acadmicos de Internet, diversos estudios muestran que en general
mejoran el rendimiento acadmico (Tien & Fu, 2008), pero como siempre hay que matizar los
trminos generales: el hecho de usar internet con finalidades acadmicas no se traduce de
forma automtica en mejoras en el rendimiento acadmico. La literatura propone algunas
dinmicas positivas para que internet mejore el rendimiento acadmico:
a) Para que el uso de internet en educacin mejore el rendimiento acadmico, ste debe estar
integrado en el entramado pedaggico institucional y sus sistemas de enseanza-aprendizaje
(Delialioglu & Yildirim, 2007; Hunt, Davies, & Pittard, 2005) y los profesores deben tener
experteza en su manejo. Si esto no es as, existe el riesgo de que haya un grupo de alumnos
con un estilo de aprendizaje favorable al uso de Internet que, aunque tengan ganas e intencin
de aprender, choque con una metodologa docente que no valore las habilidades de este tipo
de aprendizaje y por ello, junto con la desmotivacin que podra provocar el no usar internet
en el aula (Balanskat et al., 2006), no se beneficien de internet e incluso obtengan peores
resultados acadmicos
b) Una vez la institucin incorpora internet en su modelo pedaggico el estudiante debe tener
unas habilidades de uso elevadas (Hillman, Willis, & Gunawardena, 1994; Muirhead, 2000; Tsai
& Tsai, 2003) que normalmente van relacionadas con un estilo de aprendizaje favorable al uso
de la tecnologa concretamente al uso de la tecnologa como se est usando en la institucin.
Si esto es as se espera que el uso de internet en educacin aumente la motivacin del
estudiante y por tanto se refleje en mayor rendimiento.
c) Sustituir la educacin presencial por la virtual no mejora los resultados, slo lo mejora
cuando existe un cambio metodolgico gracias a la incorporacin de internet (Twigg, 2001).


57

Algunos de los cambio metodolgicos sealados consisten en un mayor tiempo de aprendizaje,
una mayor interaccin o la consecucin de ms motivacin por parte del alumnado(Means et
al., 2009). En este sentido, algunos estudios sealan que concretar mtodos de enseanza-
aprendizaje centrados en el estudiante mediante internet ayudan a aumentar ms los
resultados del uso de internet en educacin (Machin, McNally, & Silva, 2007).



58




59

4. LA INTERACCIN MEDIANTE INTERNET EN EL APRENDIZAJE:
CONCEPTO Y DETERMINANTES
Uno de los conceptos claves en la presente investigacin es el de interaccin en el aprendizaje
mediante internet. Por eeste motivo, antes de entrar en la parte emprica de la tesis, se
presentar este concepto y se definir el estado del arte de la investigacin sobre sus
determinantes de uso.
4.1. El concepto de interaccin en el aprendizaje
Existe un acuerdo en la literatura pedaggica en sealar la interaccin
9
como un elemento
central y crtico en el diseo instruccional de los procesos de enseanza aprendizaje. Esta
importancia es reconocida tanto en la educacin presencial como en la educacin online,
donde se ha demostrado que el grado de interaccin es uno de los elementos que aumenta la
efectividad de la educacin (LaPointe, 2003; Swan, 2004; Zhao et al., 2005) ya que hace que los
estudiantes aborden su aprendizaje de una forma ms profunda, superando la repeticin de
contenido, llegando a una mejor comprensin del significado de la materia y a relacionar los
contenidos tericos y prcticos entre s y con los conocimientos previos (Gonzlez, 2010). Sin
embargo, la interaccin en educacin es un concepto complejo que ha sido objeto de varias
definiciones(Anderson, 2003).
Una primera definicin de interaccin conceptualiza a sta como un proceso comunicativo de
ida y vuelta, excluyendo por tanto los procesos comunicativos unidireccionales (Grfico 4.1.).
Wagner define la interaccin como eventos recprocos que requieren por lo menos dos objetos
y dos acciones. Adems para este autor estos objetos y eventos tienen que provocar una
influencia mutua el uno en el otro (Wagner, 1994).


9
Existe cierta confusin entre los trminos interaccin e interactividad. Pese a que comnmente son
usadas como sinnimos Muirhead y Juwah definen la interactividad como la forma, funcin e impacto
de las interacciones en el proceso de enseanza -aprendizaje(Muirhead & Juwah, 2004). Por otro lado,
Cabero utiliza interaccin para referirse a las interacciones entre personas e interactividad para referirse
a las relaciones que las personas pueden establecer con materiales o determinados medios
tecnolgico(Cabero Almenara & LLorente Cejudo, 2007). Dado que no existe una separacin aceptada
en la presente tesis no se separar entre los dos trminos y nos referiremos al concepto solo como
interaccin.



60

Grfico 4.1. Esquema del proceso de interaccin

Fuente: Elaboracin propia
Centrando el papel de las interacciones en el aprendizaje de las personas hay que decir que las
interacciones que aportan valor al aprendizaje pueden tener lugar tanto en un contexto
educativo formal como en un contexto informal. Las primeras son aquellas interacciones que
se dan en contextos educacionales formales y que son especficamente diseadas para llevar al
aprendizaje de contenidos previamente definidos (Anderson, 2003). Las segundas pueden
ocurrir en cualquier contexto y forman parte del denominado aprendizaje informal y no tienen
porque estar pensadas para aprender los contenidos curriculares marcados por las
instituciones de educacin. En la presente tesis solo se tendrn en cuenta las primeras.
Las interacciones en los contextos educacionales formales se dan principalmente entre 3
elementos: estudiantes, profesores y contenidos(Moore, 1989). Estos elementos pueden
interactuar unos con otros o bien entre ellos mismos(Anderson, 2003; Gunawardena &
McIsaac, 2004; Miyazoe & Anderson, 2010). El esquema de la interaccin entre estos
elementos se refleja en el grfico 4.2.

Objeto 1
Objeto 2


61

Grfico 4.2. Modos de interaccin en educacin a distancia

Fuente: (Anderson & Garrison, 1998). Adaptacin de Moore (Moore, 1989).
La interaccin y colaboracin entre profesores, entre contenidos y entre ambos no es objeto
de esta tesis. Sin embargo, hay que tener en cuenta que es una parte importante para la
mejora de los procesos de interaccin que s son objeto e esta tesis: aquellos en los que est
implicado el estudiante o interaccin en el aprendizaje.
Centrando la definicin de interaccin en el aprendizaje buena parte de la literatura(Muirhead,
2000; Thurmond, 2003; Yacci, 2000) pone el nfasis en dos puntos:
- Un actor implicado tiene que ser necesariamente el estudiante.
- Tiene que tener como finalidad la mejora del proceso de enseanza-aprendizaje del
estudiante.
Yacci define la interaccin en el aprendizaje como una serie de mensajes que como mnimo
tienen que ser dos, uno de ida y uno de vuelta, que guardan coherencia entre s, donde uno de
los actores implicados tiene que ser el estudiante y que puede dar como resultado 2 ouptuts:
la mejora en el aprendizaje del contenido y beneficios afectivos como mayor satisfaccin,
motivacin e implicacin por parte de los estudiantes (Yacci, 2000). Otra definicin interesante
es la de Thurmond que considera que la verdadera interaccin en el aprendizaje se da por
parte del estudiante con otros estudiantes, profesores o tecnologa y se cristaliza en
intercambios recprocos de informacin que tienen como finalidad la mejora de la
comprensin de los contenidos que el curso marca como objetivos (Thurmond, 2003).
Haciendo una revisin de la literatura se puede comprobar que sta seala beneficios de la
interaccin en al menos tres niveles: anivel del proceso de enseanza-aprendizaje, a nivel
intrapersonal, a nivel de de relaciones interpersonales (Anderson, 2003; Gonzlez, 2010;
Estudiante
Contenido Profesor


62

Muirhead, 2000; Muirhead & Juwah, 2004; Sims, 1999; Surez Guerrero, 2010). Todas estas
mejoras llevan normalmente a una mejora del aprendizaje que se suele ver reflejado en un
incremento del rendimiento acadmico. A continuacin se describen algunas de las mejoras
que permite la interaccin en el aprendizaje en cada uno de los niveles definidos
10
:
a) Mejoras en el proceso de enseanza-aprendizaje:
- Facilita el aprendizaje profundo no centrado la atencin del estudiante en elementos
externos de contenido.
- Permite que el estudiante aporte en su propio proceso de aprendizaje y tome un
mayor control sobre ste.
- Facilita el aprendizaje mediante la satisfaccin de las necesidades y estilos de
aprendizaje de algunos estudiantes.
- Informa de forma continua, y no puntual, sobre la situacin del estudiante en el
proceso de enseanza-aprendizaje.
- Permite la adaptacin del programa basndose en las necesidades del estudiante.
a) Desarrolla y promueve capacidades interpersonales
- Promueve el aprendizaje activo y participativo y permite que el estudiante ponga en
prctica las competencias que est aprendiendo y reciba un feedback.
- Permite obtener la perspectiva de otras personas sobre el contenido a adquirir, lo que
es un componente clave en las teoras constructivistas del aprendizaje.
- Permite el desarrollo de habilidades de relacin social como la asertividad, espritu de
equipo, responsabilidad comn y capacidad de argumentacin.
- Fomenta la flexibilidad de funciones y puntos de vista.
b) Desarrolla y promueve capacidades intrapersonales.
- Desarrolla habilidades cognitivas superiores como la reflexin, el pensamiento crtico,
la resolucin de problemas y las habilidades para valorar y tomar decisiones.
- Mejora la motivacin y el tiempo dedicado al estudio.
Las definiciones expuestas de interaccin excluyen a las metodologas de enseanza-
aprendizaje unidireccionales como las clases magistrales o la lectura de los materiales y, por
tanto, indirectamente las excluyen de los beneficios listados. La interaccin solo debe referirse

10
No se distingue aqu las habilidades que se adquieren segn el tipo de actor con el que se lleve a cabo
la interaccin.


63

a aquellas actividades en las que el estudiante est en contacto doble direccional con otra u
otras personas(Daniel & Marquis, 1979). Si la experiencia de aprendizaje se limita a
metodologas en las cuales no se da un intercambio recproco sino que la informacin fluye de
manera unidireccional no se puede hablar de interaccin en el aprendizaje.
4.2. Internet, educacin e Interaccin en el aprendizaje
Con la aparicin de Internet la interaccin en el aprendizaje toma nuevas dimensiones.
Internet permite que los estudiantes puedan interactuar de manera sincrnica y asincrnica
(Cabero Almenara & LLorente Cejudo, 2007), en cualquier tiempo y espacio. Especialmente,
con la aparicin de la web 2.0 y el software social que configuran nuevos espacios para la
interaccin e intercambio de significados. Este hecho, a priori, permite una mejora de las
interacciones tanto para los estudiantes de los cursos a distancia online como para los de los
cursos presenciales que complementan la presencialidad utilizando internet para la
interaccin.
La interaccin mediante internet en el aprendizaje se distingue de la interaccin presencial en
varios puntos (Cabero Almenara & LLorente Cejudo, 2007; van Dijk, 2005; Hillman et al., 1994):
a) La interaccin se efecta a travs de dispositivos electrnicos.
b) La interaccin no necesita presencialidad de las personas para que se realice el acto
comunicativo.
c) La comunicacin acostumbra a realizarse a travs de textos escritos lo que conlleva tres
caractersticas definitorias:
- Permite generar un discurso ms pensado, revisable y matizable.
- Permite la comunicacin pese a la no coincidencia temporal de las personas.
- No permite la comunicacin gestual.
d) La interaccin exige el conocimiento sobre la utilizacin del medio y la plataforma por el
cual se lleva a cabo. Es lo que la literatura ha sealado como un cuarto tipo de interaccin
entre estudiante-interface (Hillman et al., 1994).
e) La interaccin permite la adquisicn de habilidades de uso de internet tanto
operacionales, informacionales como, sobre todo, estratgicas mediante la prctica. Las
habilidades estrtegicas son de especial relvancia debido a que el uso de internet para la
interaccin en el aprendizaje es un uso orientado a un fn concreto (ver capitulo 3).


64

Como se ha mostrado en el grfico 4.2. Moore define 3 tipos de interaccin en el proceso de
aprendizaje (Moore, 1989). Los estudioosos de las interaccines mediante internet de los
estudiantes se han basado en esta tipologa adaptando los mismos 3 tipos de interaccin a la
educacin a distancia y mediante internet. A continuacin, se exponen y comentan las
peculiaridades de cada tipo de interaccin resultantes ser llevadas a cabo mediante internet
(Gunawardena & McIsaac, 2004):
a) Estudiante-profesor. Consiste en la interaccin entre estudiantes y profesores. Este tipo de
interaccin es esencial para muchos educadores y la esperada por muchos
estudiantes(Anderson, 2003). La aparicin de internet ha modificado las formas de
interaccin entre profesores y estudiantes superando barreras espaciales y temporales y
permitiendo trasladar dudas, debatir contenidos fuera del horario de las clases y tutoras,
pudiendo formular las consultas en el momento que el estudiante/profesor desee. No
obstante, la interaccin entre estudiante y profesor no se debe centrar solamente en la
resolucin de dudas; si se quiere mejorar el aprendizaje, se debe proporcionar motivacin
y feedback continuo, especialmente en los cursos que se siguen 100% online y donde no
hay otras vas para ello (Espasa & Meneses, 2009). Adems, el profesor debe jugar un rol
moderador en las interacciones estudiante-estudiante que se den dentro de los sistemas
formales en forma de comunidad virtual de aprendizaje(Salmon, 2004).
b) Estudiante-Contenido. Es el proceso de interactuar con los materiales de curso que resulta
en cambios en la perspectiva del estudiante. Para que exista interaccin debe haber una
respuesta por parte de los contenidos. Habitualmente los materiales de curso impresos no
permiten esta respuesta
11
, pero en la educacin online esta interaccin con los contenidos
puede ser mayor debido a los desarrollos tecnolgicos recientes (Anderson, 2003) que
permiten interactuar con los contenidos de foma bidireccional bajo peticiones del
estudiante mediante links, que lleven a nueva informacin bajo peticin, interactuar con
tests de respuesta automtica o laboratorios virtuales. Algunos anlisis de los efectos de la
interaccin con este tipo decontenidos puden verse Roy o en Potter y Johnston (Potter &
Johnston, 2006; Roy, 2003). Segn Anderson el desarrollo de este tipo de interacciones
tiene la capacidad de sustituir cierta interaccin de los estudiantes entre ellos y con el
profesor (Anderson, 2003).

11
Pese a que algunos autores defienden que puede haber una interaccin mental con estos, en la
presente tesis no se considerar comotal. Una distincin til en este sentido es la de Holden y Westfall
que distingue entre interaccin asimtrica para referirse a la relacin unidireccional con textos, vdeos
y simtrica para referirse a las bidireccionales (Holden & Westfall, 2007).


65

c) Estudiante-Estudiante. Es el intercambio de informacin, ideas y dialogo que ocurre entre
los estudiantes de un curso, ocurra de una forma estructurada o no (Benrud, 2005). Esta
forma de interaccin es til para adquirir habilidades colaborativas y cooperativas.
Internet permite la conexin de muchos estudiantes de forma sincrnica o asincrnica
facilitando este tipo de comunicacin y normalmente aumentando el nmero de
participantes en ella (Cabero Almenara & LLorente Cejudo, 2007). Fomentar este tipo de
interaccin permite implementar una visin constructivista que pone el acento en un
aprendizaje centrado en el estudiante y la construccin de conocimiento mediante el
intercambio de significados(Kanuka & Anderson, 1999).
Una vez presentados los tres tipos de interaccin existentes la literatura ha dado un paso ms
all plantendose qu tipo de interaccin es ms til para potenciar la mejora en el proceso de
aprendizaje. Una aportacin sobresaliente a la hora de dar respuesta a eta cuestin es el
teorema de la equivalenciade Anderson (Anderson, 2003; Miyazoe & Anderson, 2010). Segn
este teorema:
- El aprendizaje formal profundo y significativo es posible siempre y cuando una de estas
tres formas de interaccin se d a un alto nivel. Las otras dos vas pueden ser ofrecidas a
niveles mnimos, o incluso eliminarse, sin degradar la experiencia educativa
- Es probable que unos cursos con niveles altos de ms de uno de estos tres modos
proporcione una experiencia educativa ms satisfactoria, sin embargo, teniendo en cuenta
el coste y el tiempo necesitado, estos cursos no sern tan efectivos como otros menos
interactivos.
El primero de los dos puntos establece que cualquier interaccin es igual de efectiva, mientras
que el segundo establece que a partir de tener una mnima interaccin, aadir ms no es
eficiente ya que aade menos beneficios y tiene mayores requerimientos de tiempo y costes.
Esta segunda parte del teorema ser central a la hora de dar respuesta al segundo de los
objetivos planteados en esta investigacin.
4.3. Determinantes de la interaccin mediante internet en el aprendizaje:
una revisin de la literatura
La literatura que ha analizado qu elementos determinan la interaccin mediante internet es
escasa (Padilla-Melndez, Garrido-Moreno, & Aguila-Obra, 2008). Adems, la poca que existe
suele basarse en los estudios y teoras que analizan los determinantes de los usos de internet


66

en el aprendizaje en general. Por ello, para situar este captulo y ver cul es el punto de partida
de los anlisis que se harn consideramos necesario resumir brevemente esta ltima.
Una primera aproximacin al estudio de los determinantes del uso de internet en educacin es
la de los modelos de aceptacin de la tecnologa. Estos modelos se centran en explicar el uso
de internet mediante variables de carcter psicolgico. En el estudio del uso de internet para
la educacin esta aproximacin extrapola el modelo clsico de aceptacin de la tecnologa
TAM (F. Davis, 1989), o alguna de sus adaptaciones, al estudio de la aceptacin de la
tecnologa educativa (Padilla-Melndez et al., 2008; Seyal, Rahman, & Rahim, 2002; Yee, Luan,
Ayub, & Mahmud, 2009).
A grandes rasgos el modelo TAM centra su atencin en variables de tipo psicolgico y sus
variables explicativas centrales son la utilidad y la facilidad de uso percibidas. Estas dos
variables conforman un concepto ms amplio: la actitud hacia el uso de la tecnologa, que es
considerada la variable que afecta directamente al hecho de que un individuo use o no una
tecnologa. La utilidad de uso percibida es definida como el grado en que una
persona/organizacin cree que usar un sistema tecnolgico puede mejorar su rendimiento y la
facilidad de uso percibida como el grado en que una persona cree que usar un
sistema/tecnologa ser libre de esfuerzos mentales(Davis, 1989). En el ao 2000 Venkatesh y
Davis extendieron el modelo TAM incluyendo en l las influencias de procesos sociales, como
las normas subjetivas para la adopcin de la tecnologa, dando lugar al modelo TAM2
(Venkatesh & Davis, 2000). Los procesos sociales se pueden definir como el grado en que un
individuo cree que otras personas/instituciones importantes creen que l debe usar la
tecnologa o sistema.
El resto de variables (sociales, institucionales ) son consideradas tan solo variables que
afectan ms o menos directamente a la facilidad y/o utilidad de uso, pero no al uso de la
tecnologa directamente. Quizs la mayor debilidad de estos primeros modelos TAM es que no
especifica cules son las variables que influyen en la utilidad y la facilidad de uso percibidas
(Chuttur, 2009).
En paralelo a estos modelos, otros autores han trabajado modelos de aceptacin de la
tecnologa diferentes que aunque menos extendidos pueden aportar ideas tiles, En este
sentido en el ao 2003 con la finalidad de unificar los modelos y entre otras detallar las
variables sociodemogrficas que pueden intervenir en la aceptacin de la tecnologa
Venkatesh et alt. definieron la Teora Unificada de Aceptacin y Uso de la Tecnologa, conocida
por sus siglas inglesas UTAUT (Venkatesh, Morris, G. Davis, & F. Davis, 2003). En este modelo


67

se aade una cuarta dimensin a las tres ya definidas en el TAM2: las condiciones facilitadoras.
Estas son entendidas como el grado en que el individuo cree que existen una infraestructura
organizacional y tcnica para darle soporte en el uso de la tecnologa, as como la auto
percepcin de su capacidad de uso. Otra novedad del modelo UTAUT es que se consideran
esepcficamente el rol de variables sociodemogrficas, de esta forma se consideran como
variables que influyen en las dimensiones mendionadas: el gnero (en la utilidad, la facilidad y
la influencia social percibidas), la edad (en las 4 dimensiones), la experiencia de uso de internet
(en la facilidad, la influencia social y los factores condicionantes) y la voluntariedad de uso (en
la influencia social). En el mismo artculo se proponen una serie de sub-dimensiones e
indicadores para medir cada dimensin propuesta(Venkatesh et al., 2003).
Ms all de los estudios sobre aceptacin de la tecnologa y su visin centrada en factores
psicolgicos, aunque posteriormente ampliada, existe una serie de estudios econmicos y
educacionales, ms centrados en conocer qu variables sociodemogrficas y institucionales de
los estudiantes aumentan la probabilidad de un individuo de usar internet en educacin, y sin
preocuparse tanto si es a travs de la utilidad, la facilidad o cualquier constructo intermedio.
Esta tradicin en ocasiones parte del anlisis de datos institucionales que no tienen la
posibilidad de tener datos tan sofisticados como los requeridos por el modelo UTAUT y, por
otro, lado tiene la ventaja de poner el acento directamente en factores econmicos, sociales e
institucionales sin mediacin de las variables psicolgicas. No obstante, este cuerpo de
literatura se complementa con el anterior ya que muchas veces la explicacin a la relacin
entre una determinada variable y la adopcin del uso de internet para la educacin acaba
argumentndose por los dos grandes conceptos de utilidad o facilidad. Podemos dividir las
variables socio-institucionales que trata esta literatura en dos grandes grupos:
- Las caractersticas del estudiante.
- Las caractersticas del entorno institucional donde el estudiante cursa los estudios.
En el primer grupo podemos incluir las variables que se refieren propiamente al estudiante y
por tanto no son controlables por el centro universitario. Este conjunto de variables puede ser
dividido en 4 subgrupos diferenciados:
a) Un primer subgrupo que la literatura ha sealado son variables sociodemogrficas del
estudiante como el gnero (Jones et al., 2009; Kay, 2009), la edad (Premsky, 2001), la etnia
(Jones et al., 2009; Selwyn, 2004)o las caractersticas socioeconmicas de los padres
(Bozionelos, 2004).


68

b) Un segundo subgrupo, que en ocasiones viene explicado por el primero, lo conforman las
caractersticas que hacen referencia a las dimensiones de la brecha digital clsica. En este
sentido, la literatura marca una relacin positiva especialmente entre la experiencia y
habilidades de uso de internet y el uso de internet para el aprendizaje (Padilla-Melndez et
al., 2008; Seyal et al., 2002). Es menos habitual encontrar estudios que relacionen los usos
educativos con los usos de internet fuera del aula, pero los pocos que lo han hecho,
normalmente en mbitos reducidos, han encontrado que ambos usos estn relacionados y
forman patrones de uso comunes (Selwyn, 2008). Conceptualmente, la literatura ha
definido dos dimensiones a propsito de los los usos de internet: una que divide los usos
formales de los de ocio y otro que lo hace con los comunicativos y los individuales
(Hargittai & Walejko, 2008; Selwyn, 2010). En relacin con la primera dimensin,
normalmente los usos acadmicos de internet se relacionan ms con los usos formales que
los de ocio.
c) Un tercer subgrupo, an menos estudiado, han sido las variables referidas a la habilidad y
experiencia del individuo como estudiante (Bande Ramudo & Canay Pazos, 2007).
d) Por ltimo, el cuarto subgrupo hace referencia al tiempo disponible del estudiante para
llevar a cabo sus estudios. El hecho de estudiar en universidades online viene fuertemente
determinado por el hecho de disponer de menos tiempo y flexibilidad para seguir estudios
presenciales. El concepto clave al respecto es la relacin del estudiante con el mercado
laboral y sus cargas familiares. Sin embargo, la literatura sobre la adopcin del uso de
internet en educacin acostumbra a indicar que la escasez de tiempo, debida a cargas
laborales y/o familiares, va relacionada con una menor adopcin de internet para el
estudio tanto en profesores (Salter, 2008) como en estudiantes (Selwyn, 2008), que lo ven
como un gasto de tiempo extra que difcilmente se puede permitir.
En el segundo grupo se encuentran aquellas caractersticas que no se refieren directamente al
estudiante sino al entorno institucional donde lleva a cabo sus estudios. Estas variables son
ms fcilmente controlables por el centro universitario, a excepcin de aquellas referentes a la
poltica y legislacin gubernamental que han de acatar. En este grupo, la literatura suele incluir
en un nivel ms macro las caractersticas del sistema educativo, y en un nivel ms micro las
caractersticas de los profesores que imparten las clases que se siguen:
a) La estrategia general de los gobiernos y de las universidades respecto a las modalidades de
uso de la tecnologa en la docencia. El nivel de apoyo e inversin en el uso de las Internet
en el proceso de enseanza-aprendizaje que marquen las polticas educativas de los


69

gobiernos y las universidades se puede ver traducido en diferencias en : el apoyo a la
formacin del profesorado para el uso de inter net en el proceso de enseanza-
aprendizaje, el reconocimiento del uso mediante su valoracin en los sistemas de
promocin, la disponibilidad de infraestructuras de conexin en las universidades (tanto
para profesores como estudiantes) o en un mayor o menor desarrollo de las caractersticas
y funcionalidades de los campus virtuales (Lupiez & Duart, 2005; Salter, 2008). Todos
estos factores son susceptibles de potenciar o limitar los usos de internet que se den en la
enseanza.
b) La relacin de los profesores con la tecnologa. Las caractersticas sociodemogrficas del
profesorado: gnero (Kay, 2009), edad (Maroto, 2007), la experiencia y habilidades en el
uso de la tecnologa (Padilla-Melndez et al., 2008; Seyal et al., 2002), las percepciones de
facilidad y utilidad de uso que cada profesor puede tener (Cotten & Jelenewicz, 2006;
Seyal et al., 2002), la carga de trabajo y el espritu innovador y miedo al cambio (Salter,
2008) son algunas de las variables que la literatura recoge dentro de este bloque.
El cuarto objetivo de de la presente tesis se enmarca en la segunda tradicin de anlisis de
determinantes presentada que quiere dar respuesta a qu caractersticas del estudiante se
asocian a un mayor o menor uso de internet teniendo en cuenta el entorno institucional donde
se realiza. Sin embargo, buena parte de las explicaciones e hiptesis que se realizarn en esta
tesis tienen su base en algunos descubrimientos de los modelos de adopcin de la tecnologa.
Una caracterstica novedosa de esta tesis es la aplicacin de esta perspectiva al anlisis de un
uso concreto y no de la una adopcin de la internet en educacin general.



70




71



PARTE II: METODOLOGA








Escoger un camino significa abandonar otros. Si pretendes recorrer todos los caminos posibles
acabars no corriendo ninguno
Paulo Coelho


72





73

5. DELIMITACIN DEL UNIVERSO DE ESTUDIO Y FUENTES DE
DATOS.
En este captulo se definir, en primer lugar, cul es el universo de estudio terico de la tesis y
cules son las caractersticas de sus individuos. En un segundo punto se discutir cmo la
informacin conseguida a travs de fuentes de datos secundarias se adapta a este universo y
qu correcciones se han hecho en caso de que no se cumplan las condiciones establecidas.
5.1. Delimitacin del Universo de estudio
Para alcanzar los objetivos planteados, la presente tesis realizar un estudio emprico del
sistema universitario cataln
12
. Concretamente, la presente tesis delimita como su universo de
estudio a los estudiantes que:
- Son estudiantes activos
- Son usuarios habituales de internet
- Cursan titulaciones homologadas (sin incluir 3er ciclo)
- Son estudiantes de alguna de las tres siguientes universidades del sistema universitario
cataln: Universitat de Barcelona (UB), Universitat Politcnica de Catalunya (UPC) y
Universitat Oberta de Catalunya (UOC).
Por estudiantes activos se entiende aquellos estudiantes que tienen un cierto grado de
vinculacin con la institucin de educacin superior en la que estn matriculados y que
continan cursando sus estudios. Por tanto, aquellos estudiantes que en un momento
determinado dejan de vincularse a sus estudios y abandonan la relacin con la institucin o
con el proceso de enseanza-aprendizaje no sern objeto de anlisis en esta tesis. Se ha
tomado esta decisin porque se quieren conocer los efectos de usar internet para la
interaccin en educacin en el rendimiento acadmico y, para ello, es necesario que el

12
Catalua es una de las 17 comunidades autnomas en que se divide el estado espaol (sin contar las
ciudades autnomas de Ceuta y Melilla y segn datos del Instituto Nacional de Estadstica (INE) es la
segunda con ms poblacin, representando en 2006 un 15,6% del total de poblacin espaol, con el
15,5% de estudiantes de nuevo ingreso del total del sistema universitario espaol ( Duart et al., 2008)
aunque tan solo un 11% de plazas sobre el total de universidades espaolas (Agncia per a la Qualitat
del Sistema Universitari de CAtalunya (AQU), 2007). Para una descripcin del sistema universitario
cataln, su historia y sus cifras en el momento de estudio de esta tesis : (Agncia per a la Qualitat del
Sistema Universitari de CAtalunya (AQU), 2007; Duart et al., 2008; De Miguel, Cas, & Vaquera, 2001;
Sancho & Miralles, 2004)


74

estudiante siga el curso y no abandone. Es necesario porque entre los estudiantes que no
siguen el curso, y se desvinculan de la universidad, el efecto a estudiar ser nulo debido a que
tanto su rendimiento como su uso de internet para seguir el curso ser el mnimo posible. Por
las mismas razones, tambin se considera que los estudiantes que slamente convalidan
crditos no son estudiantes activos este curso y por tanto se han excluido del anlisis.
La decisin de centrarse en los usuarios habituales de internet y excluir del objeto de estudio a
los estudiantes no usuarios de internet ha sido un planteamiento estratgico y terico. Esta
tesis est encuadrada dentro del estudio de los usos diferenciados de internet y no tanto de la
brecha digital clsica (que separa a los que tienen acceso a infraestructuras de conexin de los
que no y a los que usan de los que no lo usan). Por tanto, lo que se pretende es avanzar en el
estudio de la desigualdad que puede generar internet entre colectivos de personas que tienen
posibilidades de acceso a infraestructuras de conexin y, adems, acceden con cierta asiduidad
a internet (lo que hemos denominado usuario habitual en contraposicin de usuario ocasional
que puede tener acceso y conectarse, pero no habitualmente).
Las tres universidades escogidas presentan diferencias significativas en cuanto al tipo de
carreras ofrecidas y a la metodologa de enseanza aprendizaje. La UB es la ms grande de las
universidades generalistas del sistema universitario cataln y, por tanto, donde se espera que
haya una mayor variedad de metodologas y de carreras. La UPC es una universidad donde slo
se ofrecen carreras tcnicas y cuyos estudiantes tienen un perfil caracterstico, ms escaso en
el resto de centros. Por ltimo, la UOC es una universidad a distancia, totalmente online cuyos
estudiantes son personas adultas, en su mayora con experiencia profesional.
A continuacin (Tabla 5.1) se describen las caractersticas de los estudiantes de las 3
universidades estudiadas en esta tesis durante el curso 2004-2005, a partir de los datos del del
Comissionat dUniversitats i Recerca (CUR) depara las universidades presenciales y con los
datos de la propia universidad en el caso de la UOC.



75

Tabla 5.1. Descripcin de los estudiantes de las 3 Universidades objeto de estudio

Fuente: Elaboracin propia
Como se ve en la tabla anterior, la universidad con un mayor nmero de estudiantes es la UB
con 49.657, lo que representa el 49,02% del total de las tres universidades estudiadas y un
64% del de las universidades presenciales. Por nmero de estudiantes le sigue la UPC con
27.907 estudiantes y la UOC con 23.719. As, la educacin virtual representa un 23,74% de
nuestra muestra.
En cuanto a la distribucin por gnero enlas universidades presenciales, en la UB predominan
las mujeres con un 64% del total de sus estudiantes mientras que en la UPC, debido a que la
mayora de sus estudios son ingenieras y estudios tcnicos, predominan los hombres
(73,13%). Respecto a la Universidad virtual estudiada vemos que casi hay paridad entre
hombres y mujeres.
La distribucin por edad se ha calculado de dos formas diferentes, una para las universidades
presenciales, donde se divide entre estudiantes menores de 21 aos y de 21 aos y ms, y otra
para la virtual donde la divisin est entre los que son menores de 31 aos y los que tienen 31
o ms aos debido a la escasa presencia de individuos menores de 21 aos en sta. Si hacemos
una comparacin entre las universidades presenciales vemos que la mayora de estudiantes en
ambos casos tienen 21 aos o ms, pero la UPC se posiciona como una universidad ms joven
respecto a la UB en cuanto edad de sus estudiantes con una 32% de estudiantes de hasta 21
UB UPC Presenciales UOC
N 49.657 27.907 77.564 23.719
% 49,02% 27,56% 76,58% 23,42%
Universidad
UB 100,00% 0,00% 64,02% X
UPC 0,00% 100,00% 35,98% X
Gnero
H 35,80% 73,13% 49,23% 49,98%
M 64,20% 26,87% 50,77% 50,02%
Edad
<21 27,26% 31,99% 28,96% X
>=21 72,74% 60,01% 71,04% X
Edad UOC
<31 X X X 38,40%
>=31 X X X 61,60%
rea
Ciencias 24,55% 100,00% 51,70% 19,60%
Letras 75,45% 0,00% 48,30% 80,40%
N TOTAL= 101.283


76

aos por un 27% de la UB. En cuanto a la universidad virtual, el perfil de edad de los
estudiantes es totalmente diferente al de las presenciales: El 61,6% de estudiantes de la UOC
son mayores de 31 aos, edad en la que la mayora de estudiantes de las universidades
presenciales ya han acabado su carrera.
Por ltimo, en cuanto al rea de estudio de los estudiantes, se ha dividido la poblacin en dos:
ciencias y letras. La categora ciencias incluye las reas de ciencias exactas y naturales,
biomedicina e ingenieras y la categora letras las de ciencias sociales y humanidades. En la
tabla 5.1 se comprueba que la UPC slo tiene estudiantes de ciencias ya que solo ofrece
carreras en este mbito. Por otro lado, la UB y la UOC son universidades donde predominan los
estudiantes del rea de letras, debido sobretodo a la gran cantidad de estudiantes de ciencias
sociales.
5.2. Fuentes de datos y adecuacin al universo de estudio
La presente tesis se enmarca en dos tradiciones en las que predominan las metodologas
cuantitativas: la economa de la educacin y los anlisis de la brecha digital.
Consecuentemente, para obtener la informacin necesaria sobre el universo de estudio, se
han cruzado tres fuentes de datos cuantitativos secundarios:
a) La base de datos sobre estudiantes del Projecte Internet Catalunya (PIC), concretamente
los provenientes del proyecto Universitat i Societat Xarxa que son resultado de una
encuesta online a los estudiantes universitarios.
b) La base de datos del Comissionat dUniversitats i Recerca (CUR) de la Generalitat de
Catalunya que es resultado de la informacin que las universidades pasan al UCR sobre los
resultados acadmicos y de cierta informacin recogida en el momento que los
estudiantes pasan de cursar secundaria a cursar sus estudios universitarios.
c) La base de datos de la Universitat Oberta de Catalunya (UOC). Es el equivalente anterior
para la UOC ya que los datos de esta universidad no estn centralizados en la base de
datos del CUR. Existe alguna diferencia como la escasez de datos sobre la nota de entrada
a la universidad y los datos provenientes del momento en que los estudiantes pasan de
secundaria a la universidad

La base de datos del PIC Universitat i Societat Xarxa es la que nos ha aportado el grueso de la
informacin de esta tesis, especialmente de la relacin del alumnado de las 3 universidades
estudiadas con la tecnologa. Este proyecto se llev a cabo entre Abril del 2005 y Junio del


77

2007, pero concretamente, para lo que aqu nos interesa, el trabajo de campo se realiz entre
Abril del 2006 y Junio del 2006. Por lo tanto, en la interpretacin de los resultados hay que
tener en cuenta que los datos que analizaremos son de esta fecha. La recogida de datos se
realiz a travs de encuesta por cuestionario online
13
que se dirigi a la totalidad de
estudiantes
14
de las universidades pblicas catalanas, entendidas como los miembros de la
Asociacin Catalana de Universidades Pblicas
15
. De todas formas, como se ha dicho, en esta
tesis solo se usarn datos de la UB, UPC y UOC. Por tanto la muestra es una muestra
autoseleccionada de estudiantes que como se ver se espera que sobrerepresenta a los
estudiantes ms tecnolgicos y ms activos y motivados en sus estudios.
Para complementar los datos de los estudiantes que contestaron la encuesta online se ha
cruzado la base de datos del PIC con la base de datos del CUR en el caso de las universidades
presenciales y con la de la UOC. Los datos agregados corresponden al mismo curso en el que
se pas el cuestionario PIC: el curso 2005-2006. Las bases de datos del CUR y de la UOC si bien
han aportado menor cantidad de informacin en cuanto a nmero de variables, han sido clave
para obtener datos sobre una variable central en este estudio: la tasa de rendimiento
acadmico de los estudiantes, as como alguna complementaria que nos permite controlar el
posible sesgo de seleccin de nuestros anlisis, concretamente la nota de acceso a la
universidad en el caso de las universidades presenciales.
El nmero inicial de individuos disponibles, contando solo la base del Proyecto Internet
Catalunya era de 18.963 individuos. Tras fusionar las tres bases e incorporar la informacin
sobre rendimiento acadmico se consigui una muestra de 17.090 estudiantes con
informacin completa a excepcin de 2 variables: Nota de entrada a la universidad y estudios
de los padres. Esto representa una prdida del 9,8% de los individuos. Adems, como se
muestra en la tabla 5.2 la calidad de los datos disponibles vara en funcin de la universidad
estudiada. Efectivamente, se perdieron ms datos de las universidades presenciales,
especialmente de la UPC, que de la UOC, debido a que la base de datos de eta ltima
universidad permiti identificar con ms fcilmente a los estudiantes (Ver tabla 5.2.).


13
Para una buena revisin sobre las caractersticas de la investigacin por encuesta ver (Pacheco, 2007).
14
El proyecto Universitat i Societat Xarxa tambin dispone de una base de datos para profesores que
no es objeto de estudio en esta tesis.
15
Ver: http://www.acup.cat.


78

Tabla 5.2. Nmero de missings en los indicadores de rendimiento acadmico por universidad
Universidad n PIC n missings
rendimiento
n valido % missings sobre
el total
UB 6.425 973 5.452 15,14%
UPC 3.449 855 2.594 24,79%
PRESENCIALES 9.874 1.828 8.046 18,50%
UOC 9.089 45 9.044 0,50%
TOTAL 18.963 1.873 17.090 9,80%
Fuente: Elaboracin propia
La diferencia de calidad de los datos segn la universidad provoc que el paso de 18.963
estudiantes a 17.090 suponga un sesgo en la distribucin de los estudiantes entre las
universidades y las variables asociadas a ellas
16
respecto a la distribucin inicial.
No obstante, este sesgo no es el ms importante que afecta a la distribucin por
universidades. Un punto destacado de la metodologa de recogida de informacin del PIC
Universitats es que el hecho de ser una encuesta online lanzada desde una de las
universidades de estudio (UOC) y el hecho de que la UOC sea una universidad virtual, donde
sus estudiantes estn ms acostumbrados a interactuar con la institucin mediante internet,
provoc una sobrerrepresentacin del alumnado de la UOC. Tal como se observa en la taba 5.3
la consecuencia de esta sobrerrepresentacin de estudiantes virtuales es que mientras en el
universo, la universidad con menos estudiantes es la UOC con 23.719 estudiantes (23,42% del
total), en la muestra esta universidad es la ms grande con un 52,92% de los estudiantes.
Tabla 5.3. Sobrerrepresentacin de los alumnos de la UOC en la encuesta
Muestra
(17.090)
Universo
(101.283)
UB 31,90% 49,02%
UPC 15,18% 27,55%
UOC 52,92% 23,42%
Fuente: Elaboracin propia
Estos datos introducen un sesgo importante a la hora de interpretar los datos de la muestra de
forma conjunta dado que se espera que la pertenencia a una universidad virtual est
relacionada con una mayor edad, una mayor ocupacin, un determinado tipo de carreras y
unos mayores usos acadmicos de internet.

16
Como por ejemplo el porcentaje de alumnos de ingeniera o hombres que disminuye al bajar ms que
proporcionalmente el nmero de estudiantes de la UPC.


79

Para solucionar este sesgo, se ha optado por reequilibrar el peso de los estudiantes de cada
universidad respecto al universo de estudio. Para ello, se ha elaborado un factor de
ponderacin (VP) que otorga el peso real que cada individuo tiene que tener segn su
pertenencia a una u otra universidad. A partir de los datos de la muestra y el universo (Tabla
5.1.) se ha calculado un coeficiente de ponderacin dividiendo el nmero de individuos de
cada perfil en el universo de estudio entre el nmero de estudiantes de cada perfil en la
muestra, para cada una de las 3 universidades. Este coeficiente se muestra en la columna
corregido aumentado de la tabla 5.4. A modo de ejemplo, el procedimiento para el clculo
de los estudiantes de la UB es el siguiente:

vP coiiegiuo aumentauo peifil1 =
N pcril1
n pcril1
=
4S.6S7
S.4S2
= 9,1u8


Otorgando a cada individuo el peso calculado mediante la expresin anterior y reflejado en la
columna corregido aumentado de la tabla 5.4 tendramos una muestra virtual con igual
nmero de individuos que el universo: 101.283 y con la misma distribucin de estudiantes en
las de universidades. Sin embargo, en nuestra investigacin no se quieren dar los datos en
nmeros del universo, aunque si respetar los porcentajes de ste. Por ello, se ha usado una
correccin consistente en multiplicar cada uno de los pesos obtenidos mediante la frmula
anterior por un factor de correccin consistente en el nmero total de individuos de la
muestra dividido entre el nmero total de individuos del universo:

Foctor Jc corrcccion poro no oumcntor =
n
N
=
17u9u
1u128S
= u,1687

Teniendo en cuenta lo anterior, el clculo del factor de ponderacin para de nuestro ejemplo,
el perfil 1, es el siguiente:

vP coiiegiuo no aumentauo 0B =
49.6S7
S.4S2
x u,1687 = 1,SS7




80

En la tabla 5.4 se muestran los factores de ponderacin utilizados para equilibrar los pesos de
las 3 universidades estudiadas.
Tabla 5.4. Correccin de la sobrerrepresentacin de Universidades: Factores de ponderacin
N n VP corregido aumentado VP corregido no aumentado
UB 49.657 5.452 9,108 1,537
UPC 27.907 2.594 10,758 1,815
UOC 23,719 9.044 2,623 0,443
Fuente: Elaboracin propia
La ponderacin dar como resultado una nueva base con los mismos resultados que la base de
17.090 estudiantes pero con la misma distribucin de estudiantes que el universo para cada
universidad. Y estos pesos se utilizarn siempre que se den descriptivos o se hagan anlisis que
agrupen a estudiantes de diferentes universidades.
Como se ha visto, la metodologa de recogida de informacin que se us en el Projecte
Internet Catalunya Universitats tiene como desventaja la sobrerrepresentacin de
estudiantes de la UOC, pero con una ponderacin es fcil corregirla. Sin embargo, esta base de
datos presenta una serie de ventajas que la convierten en adecuada para nuestro universo de
estudio. El hecho de que la encuesta PIC universitats sea online y enviada a travs del correo
institucional de la universidad provoca la metodologa de recogida de informacin utilizada
ligue con el propsito de estudiar los usos diferenciados de internet de los estudiantes activos.
La hiptesis de partida es que el uso de encuestas online a estudiantes universitarios es una
herramienta eficaz para filtrar el universo de estudio ya que deja fuera a :
- Los estudiantes menos vinculados con la institucin, que probablemente hayan
abandonado o dejado apartados sus estudios,
- Los usuarios menos intensivos de internet.
A continuacin se demostrar que la encuesta efectivamente sirve para el filtro de estos
estudiantes:
Seleccin de estudiantes activos
Una forma sencilla de comprobar si la tcnica de la encuesta online ha conseguido filtrar a
aquellos estudiantes activos en su proceso de enseanza-aprendizaje y con una vinculacin
mnima a la institucin es comparar la tasa de estudiantes que no han aprobado ningn crdito
ordinario (sin contar convalidaciones) de todos los que se han matriculado.


81


Afortunadamente, gracias a las bases de datos institucionales, disponemos de informacin del
mismo ao de estudio (Curso 2005-06) sobre los crditos aprobados para la totalidad de
individuos del universo. Por tanto, se puede observar si en el universo hay un porcentaje
mucho mayor de individuos que no aprueba ningn crdito de los que se matricula respecto a
la muestra. Si esto es as, se puede afirmar que la encuesta online ha sido una herramienta
eficaz para filtrar los individuos activos que durante el curso de estudio continuaban
vinculados a la universidad y cursando sus estudios.
La tabla 5.5 muestra que efectivamente, en comparacin con la muestra autoseleccionada, en
el universo existe una proporcin mucho mayor de estudiantes que no aprueban ningn
crdito ordinario de los que se matriculan. En las universidades presenciales, en el curso 2005-
06, hay un 7,6% de estudiantes que no aprueba ningn crdito y en la UOC esta cifra sube a un
21,6%. Sin embargo, entre los estudiantes de la muestra autoseleccionada las cifras bajan a un
3,37% y un 5,64% respectivamente. La cifra de estudiantes con cero crditos es ms elevada
en la educacin a distancia donde, debido al perfil de sus estudiantes (de ms edad y con
responsabilidades laborales y familiares) y a la exigencia de tiempo es ms habitual que haya
abandono que en las presenciales, por ello tambin es lgico que el filtro que ejerce la
autoseleccin sea de mayor intensidad.
Tabla 5.5. Comparacin del porcentaje de alumnos que no aprueban ningn crdito en el curso:
Universo vs muestra ponderada

Universo Muestra ponderada
PRESENCIALES 7,6% 3,37%
UOC 21,6% 5,64%
Fuente: Elaboracin propia
Respecto al 3,37% y el 5,64% de estudiantes con cero crditos ordinarios aprobados que hay
en nuestra muestra hay que decir que son estudiantes que se han matriculado y han abierto el
email institucional y contestado una encuesta sobre sus estudios. Estas caractersticas llevan a
considerarlos, a efectos prcticos de esta tesis, como estudiantes activos pese a no haber
aprobado ningn crdito de los matriculados.
En resumen, se puede afirmar que la autoseleccin a la hora de contestar el cuestionario ha
servido de herramienta eficaz para la primera de las condiciones del universo de estudio. Y por
tanto, es normal que como se ver en el captulo siguiente, el rendimiento acadmico


82

(calculado como la tasa de crditos superados sobre los matriculados), sea mayor en la
muestra que en el total del universo (Ver tabla 6.29).
Seleccin de estudiantes usuarios habituales de internet
Partiendo de la literatura, en una encuesta online sobre temas tecnolgicos como la realizada
en el PIC Universitats, donde el uso de internet es a la vez el medio de recogida de informacin
y el concepto a explicar, es muy plausible que haya un sesgo de seleccin a favor de aquellos
estudiantes ms proclives al uso de internet. Y si lo hay, el hecho de que los datos analizados
en la presente tesis provengan de un cuestionario online servir de filtro para aquellos
usuarios ms activos de internet en los que centramos nuestro estudio.
La literatura ha puesto de manifiesto que al ponderar las caractersticas sociodemogrficas no
se pude asumir que las opiniones y actitudes, en nuestro caso respecto a internet, tambin se
ponderen y sean similares entre el grupo de los que responden la encuesta y en el de los que
no (Kwak & Radler, 2002; Taylor, 2000; Vehovar, Manfreda, & Batagelj, 1999). Tal como afirma
Vehovar et alt. The standard social-demographic variables have a relatively small effect in the
weighting procedures. The results are slightly better when Internet-specific variables are
applied, such as computer orientation, measured by the readership of computer magazines
(Vehovar et al., 1999). Por ello, se ha tomado la decision de no ponderar los datos para ajustar
las caractersticas sociodemogficas de la muestra a las del universo, sino que se asume que si
existen diferencias en ellas es debido a que tambin las hay entre usuarios ms y menos
usuarios de internet.
Es difcil demostrar empricamente si en los datos de la presente tesis existe este tipo de sesgo,
que sobrerepresenta a los estudiantes ms usuarios de internet, ya que no se dispone de datos
comparables al respecto para todas las universidades estudiadas y sobre toda la poblacin
como sucedi en el caso de los estudiantes activos. Sin embargo, en el caso de la universidad
virtual, s se dispone de un buen proxy. Para esta universidad disponemos de datos de tiempo
de uso de internet de dos encuestas diferentes (aunque tambin en momentos de tiempo
diferentes) para la misma poblacin. Una encuesta es la del proyecto PIC Universitats, de
donde provienen la mayora de los datos para esta tesis, y la otra es una encuesta llevada a
cabo el segundo semestre de 2008 en el marco de un estudio sobre el valor econmico de
estudiar en la UOC. La principal utilidad de disponer de estas encuestas es que la primera es
online y la segunda telefnica y que ambas se dirigen a estudiantes de la UOC.



83

Tabla 5.6. Comparativa de estudios por encuesta sobre estudiantes UOC.


PIC Universitats (UOC) Valor ttulo UOC
Universo Estudiantes UOC titulaciones
homologadas. Ao 2005.
Estudiantes y graduados UOC
que entraron en la universidad
entre el ao 200 y el 2003.

Metodologa recogida informacin On-line Telefnica

Ao 2005 2008

N 4441 1724

Muestreo Envo a todo el censo
Autoseleccin
Aleatorio estratificado
Fuente: Elaboracin propia a partir de los datos de los dos proyectos.
Segn Kwak and Radler (Kwak & Radler, 2002) el tiempo que un individuo pasa en internet es
la variable ms significativa a la hora de explicar su participacin en encuestas online. Por ello,
se ha considerado conveniente comparar el tiempo que pasan en internet los que contestaron
el cuestionario online (con los datos ya ponderados) y aquellos que contestaron el cuestionario
telefnico (Tabla 5.7). De esta forma, se comprobar si, como afirman algunos autores (Kwak
& Radler, 2002; Taylor, 2000; Vehovar et al., 1999), existe un sesgo en los datos de la muestra
PIC Universitat, en cuanto al nivel de uso de internet y, adems, podremos comprobar si el
hecho de tener datos provenientes de una encuesta online hace de filtro para eliminar a
aquellos estudiantes menos intensivos en el uso de internet.
Tabla 5.7. Comparacin de la intensidad de uso de internet de los estudiantes de la UOC. Encuesta
online vs Encuesta telefnica
Horas por
sesin
TELEFNICA ONLINE

Diferencia Das por
semana
TELEFNICA ONLINE

Diferencia
Menos 1 h 31,5% 15,1% -16,4% 1-1 da o
menos
2,7% 0,8% -1,9%
1 hasta 2 h 34,4% 38,0% +3,6%
2 hasta 3 h 13,0% 22,5% +9,5% 2- 2, 3 o
4 das
8,8% 10,4% +1,7%
3 hasta 4 h 6,0% 9,9% +3,9%
4 hasta 5 h 2,3% 5,2% +2,9% 3- 5, 6 o
7 das
88,5% 88,8% +0,3%
5 o ms h 12,8% 9,2% -3,6%
Fuente: Elaboracin propia a partir de los datos de los dos proyectos
Los datos de la tabla 5.7. muestran que no hay unas diferencias excesivas en el nmero de das
por semana que los estudiantes de la UOC se conectan a internet. Sin embargo, s se observan
diferencias entre la encuesta telefnica y la online en cuanto al nmero de horas que se
conectan los individuos en cada sesin. Aquellos estudiantes que se conectan menos tiempo
han contestado en menor proporcin la encuesta online que a la telefnica (31,5% menos de
una hora en la encuesta telefnica por 15,1% en la online). En resumen, en la UOC se ve como


84

existe un grupo formado por los usuarios menos intensivos de internet que contesta en menor
medida la encuesta online. Este hecho es debido a que en la encuesta online los individuos que
la contestaron se autoseleccionaron y fueron como marca la teora los usuarios que dedican
ms tiempo a usar internet.
Concluyendo, se puede afirmar, en la UOC, la autoseleccin del cuestionario PIC Universitats
ha producido un filtro efectivo para infrarepresentar a los estudiantes que menos usan
internet. Si se asume que este mismo fenmeno se ha dado en las otras dos universidades
estudiadas, podemos entonces considerar que el cuestionario online es una herramienta eficaz
para filtrar la segunda de las condiciones de nuestro objeto de estudio: los estudiantes con un
uso habitual de internet y, por tanto, permite interpretar los datos y resultados de esta tesis
en clave de usos diferenciados entre aquellos estudiantes que ya tienen acceso a internet y lo
usan con una cierta intensidad. Es decir de segunda brecha digital (ver captulo 3).
5.3. Resumen del proceso de construccin de base de datos
Para finalizar este punto, a modo de resumen de todos los pasos seguidos, se presenta el
gfico 5.1. donde se describe esquemticamente el proceso seguido hasta llegar a una base de
datos sin missings en la variables de rendimiento acadmico, sin sobrerrepresentacin de la
universidad virtual y que slo incluya a los estudiantes activos y usuarios de internet. Los
individuos finales representan cerca del 17% del universo total, lo que se puede considerar una
buena tasa de respuesta para una encuesta online.



85

Grfico 5.1. Resumen del proceso de construccin de la muestra de estudio
Fuente: Elaboracin propia
Los estudiantes que contestan encuestas online son diferentes de los que no lo hacen. Por ello,
como consecuencia de la autoseleccin de los estudiantes, en la base final resultante las
distribuciones de las caractersticas sociodemogrficas no se corresponden con las del universo
de estudio mostrado en la tabla 5.1. Esta autoseleccin es mayor en la universidades
presenciales donde se puede comprobar que en la muestra obtenida existe una
sobrerepresenacin de mujeres (56,72% de mujeres en la muestra por 50,77%), de estudiantes
jvenes, (36,29% de menores de 21 en la muestra por 28,96% en el universo) y de estudiantes
de ciencias (58,6% en la muestra por 51,7% en el universo). La primera caracterstica se pude
explicar en funcin de una mayor actividad estudiantil de las mujeres respecto a los hombres,
las dos ltimas representan un perfil asociado normalmente a un mayor uso de internet. En la
Universidad virtual las difernecias con el universo son menores y apenas destacables. Los datos
de la comparacin se pueden encontrar en la tabla 5.8.

N
Missings en
rendimiento
Sesgo respecto a
distribucin por
universidades
Solo alumnos activos
y usuarios e internet
1 Uni verso de estudi o 101.283 Si Nul o No
2 Cruce con encuesta onl i ne PIC 18.963 Si Al to Si
3
El i mi naci n i ndi vi duos si n
i nformaci n
sobre rendi mi ento acadmi co
17.090 No Al to Si
4
Ponderaci n segn di stri buci n
por
uni versi dades del uni verso
17.090 No Nul o Si


86

Tabla 5.8. Comparacin de caractersticas sociodemogrficas y rea de estudio universo vs muestra
autoseleccionada
Presencial Virtual
Universo Muestra Universo Muestra
Gnero
H 49,23% 43,28% 49,98% 48,39%
M 50,77% 56,72% 50,02% 51,61%
Edad
<21 28,96% 36,29% X X
>=21 71,04% 63,71% X X
<=31 X X 38,40% 36,81%
>=31 X X 61,60% 63,19%
rea
Psicologa y CC de la educacin 9,12% 12,08% 15,70% 16,02%
Ingeniera Informtica 10,72% 11,32% 19,65% 21,20%
Otras ingenieras 22,76% 24,46% ND ND
Humanidades 11,33% 9,27% 10,73% 12,16%
Documentacin/Informacin 1,39% 3,14% 5,16% 6,37%
Economa y empresa 17,27% 11,44% 38,34% 34,83%
Derecho y Ciencias polticas 6,76% 3,88% 10,42% 9,42%
Ciencias de la Salud 7,93% 9,58% ND ND
Ciencias exactas y naturales 8,52% 11,38% ND ND
Otras ciencias sociales 4,19% 3,46% ND ND
Fuente: Elaboracin propia


87

6. DESCRIPCIN Y CONSTRUCCIN DE LAS VARIABLES
Como se ha visto en captulos anteriores, la presente tesis parte de dos tradiciones acadmicas
que priorizan los estudios cuantitativos. En coherencia, la mayora de los datos utilizados
provienen de un diseo observacional, concretamente la encuesta por cuestionario y se han
complementado con informacin extra de bases de datos institucionales. Todo ello ha
aportado informacin sobre cuatro grupos de variables:
1. Las caractersticas sociodemogrficas de los estudiantes
2. Variables acadmicas de los estudiantes
3. La relacin de los estudiantes con la tecnologa (Brecha digital)
4. El rendimiento acadmico de los estudiantes
En este captulo se presentarn las variables obtenidas dentro de cada grupo, se construirn
nuevas variables a partir de ellas y se caracterizar a los estudiantes de la muestra mediante
sus descriptivos. Esta presentacin de las variables es de utilidad para comprender e
interpretar las variables que se utilizarn en los anlisis estadsticos realizados en la parte ms
analtica de la tesis para alcanzar los objetivos planteados.
En la construccin de nuevas variables se han llevado a cabo diferentes procedimientos que
permiten sobretodo reducir y sintetizar la informacin contenida en las variables originales
para su posterior uso en modelos estadsticos. Para ello, se han creado ndices de intensidad y
finalidad de uso de internet y se han agrupado los estudiantes universitarios segn su grado
de relacin con la tecnologa. A grandes rasgos la reduccin de datos ha consistido en:
- Creacin conceptual de ndices de usos de internet en el proceso de enseanza-
aprendizaje. Partiendo de la teora y de los objetivos de la investigacin se han agrupado
las variables de uso de internet en el aula en dos ndices, uno referido a la bsqueda de
informacin y otro, a la interaccin en el aprendizaje.
- Creacin emprica de ndices de uso de internet fuera del aula para diferentes finalidades,
mediante un anlisis de componentes principales.
- A partir de las variables de intensidad de uso de internet, habilidades de uso y dotacin
tecnolgica, se ha creado de una variable que separa a los estudiantes ms avanzados en


88

cuanto a habilidades en el uso de la tecnologa de los menos. La tcnica usada ha sido un
clster no jerrquico.
Las grandes diferencias que se mostrarn entre las universidades presenciales y la UOC,
especialmente en variables clave para los objetivos de esta tesis como el rendimiento
acadmico o los usos de internet con fines de aprendizaje, ser la justificacin para separar la
mayora de los anlisis que tengan como variable de tratamiento los usos de internet y variable
dependiente el rendimiento acadmico.
A continuacin, se presentarn por grupos todas y cada una de las variables utilizadas en la
investigacin, separando entre la modalidad presencial y la modalidad virtual de formacin.
Hay que recordar que los valores estn siempre ponderados por el factor de correccin de
sobrerepresentacin de universidades presentado en el punto anterior.
6.1. Variables sociodemogrficas
Para caracterizar a los estudiantes estudiados un primer paso es presentar algunas de sus
caractersticas sociodemogrficas bsicas: gnero, edad y situacin laboral. En la tabla 6.1 se
presentan las distribuciones de estas variables separando por modalidad de estudio.
Tabla 6.1. Variables sociodemogrficas
Presencial Virtual
Gnero
H 43,28% 48,39%
D 56,72% 51,61%
Edad
Menos de 21 36,29% 0,35%
De 21 a 30 58,31% 36,46%
31 y ms 5,40% 63,19%
Trabajo
S 57,91% 96,19%
No 42,09% 3,81%
Fuente: Elaboracin propia
En primer lugar, respecto al gnero vemos que, la muestra tiene un 48,39% de hombres por un
51,6% de mujeres en la universidad virtual y un 43,28% de hombres por un 56,72% de mujeres
en el caso de la presencial. Por tanto, en la modalidad presencial, existe una
sobrerepresentacin de mujeres (50,7% en el universo) entre los estudiantes activos y usuarios
de internet. Hay que recordar que si bien en la UB existe una mayora de mujeres esta cifra se
compensa por el predominio de hombres en la UPC, universidad que ofrece casi
exclusivamente carreras tcnicas.


89

En cuanto a la edad, se observa que la media de edad de las Universidades presenciales es
mucho menor que la media de edad de la UOC. As pues estamos ante una media de 22,5 en
las primeras y una de 34,4 en las segundas. Igualmente, destaca el hecho de la escasez de
menos de 21 aos en la UOC, situndose este grupo entorno al 0,35% de la totalidad de
estudiantes de esta universidad, as como el de mayores de 30 aos en las universidades
presenciales, situndose en torno al 5,4%.
Por ltimo, centrando la atencin en la situacin laboral durante el curso, hay que aclarar que
se pregunt a los estudiantes si compaginaban los estudios con alguna actividad laboral
remunerada, sin tener en cuenta el tiempo dedicado a ella ni la estabilidad del contrato. Por
ello, no sorprende ver unas cifras elevadas como el 57,91% de los estudiantes de las
universidades presenciales estudiadas o la prctica totalidad de los estudiantes de la
universidad virtual (96,19%) que afirman compaginar su actividad acadmica con algn tipo de
actividad en el mercado laboral. Por otro lado hay que matizar que estas cifras varan mucho
segn la edad, y son los estudiantes ms jvenes (de 21 aos o menos) los que estn menos
incorporados en el mercado laboral (alrededor del 44% en las universidades presenciales y del
71% en la virtual).
Se comprueba, por tanto, que la edad elevada y el hecho de trabajar, dos variables que estn
relacionadas entre s, son las caractersticas socio demogrficas que definen a los estudiantes
virtuales respecto a los estudiantes de las universidades presenciales.
6.2. Variables acadmicas
Una vez se conocen las caractersticas sociodemogrficas bsicas de la muestra, es importante
saber qu relacin guardan los estudiantes con el sistema de educacin superior y por tanto,
es necesario describir sus caractersticas acadmicas.
Las variables acadmicas de las que se dispone informacin pueden ser divididas en tres
grupos diferenciados:
a) Variables previas a cursar la carrera actual:
- Mximo nivel de estudios del estudiante antes de ingresar en la actual carrera.
- Nota de acceso a la universidad (slo en el caso de los estudiantes de universidad
presencial).



90

b) Variables referentes a la carrera actual previas al curso de estudio:
- Universidad de pertenencia.
- rea disciplinar en la que se inscribe la carrera que cursa.
- Tipo/Duracin de los estudios.
- Nmero de crditos que lleva superados el estudiante en su carrera sin contar el
curso de estudio.
Al analizar el mximo nivel de estudios antes de ingresar en la carrera actual (Tabla 6.2) se
comprueba que en las universidades presenciales la gran mayora de estudiantes provienen de
secundaria (82%), predominando los estudiantes con bachillerato (73%) sobre los de mdulos
profesionales (9%). Sin embargo el porcentaje de estudiantes con estudios universitarios
finalizados se sita en tan solo un 18%. Esta distribucin cambia en el caso de la modalidad
virtual. As pues, los estudiantes que ingresan con estudios secundarios son tan solo el 44,7%
siendo el resto estudiantes con estudios universitarios previos, especialmente con diplomatura
(25,81%). Ello es lgico si recordamos la edad de los estudiantes de esta universidad, son
mucho mayores y, por tanto, han tenido ms tiempo en su vida para formarse y conseguir un
nivel de estudios ms elevado. Adems, es razonable que los estudiantes adultos que quieren
estudiar segundas carreras son ms proclives a optar por una modalidad de estudio virtual
debido a su flexibilidad temporal.
Tabla 6.2. Nivel mximo de estudios finalizados y nota de acceso a la universidad
Presencial Virtual
Estudios finalizados
Bachillerato 73,35% 28,12%
Mdulos profesionales 9,02% 16,53%
SECUNDARIA 82,37% 44,65%
Diplomatura 6,37% 25,81%
Licenciatura 5,41% 19,21%
Ingeniera tcnica 4,08% 6,68%
Ingeniera superior 1,67% 2,73%
Doctorado 0,10% 0,93%
UNIVERSIDAD 17,63% 55,36%
Nota acceso universidad
Menos de 6 17,54% ND
De 6 a 7 27,22% ND
De 7 a 8 22,39% ND
DE 8 a 9 14,55% ND
De 9 a 10 3,08% ND
No pertinente/ND 15,22% ND
Fuente: Elaboracin propia


91

En cuanto a la distribucin de la nota de acceso a la universidad (Media ponderada de PAAU y
nota de secundaria), slo disponemos de esta informacin para algunos de los estudiantes de
las universidades presenciales (Ver tabla 6.2.). Ello es debido a que no es una variable obtenida
directamente de la encuesta PIC Universitats sino que se consigui de la base de datos del
Comissionat de Universitats i Recerca (CUR) de la Generalitat de Catalunya y, por desgracia, la
base de datos de la UOC no cuenta con informacin sobre esta variable para la mayora de los
estudiantes de nuestra muestra.
De todas formas, se puede pensar que el hecho de no tener esta informacin no supone un
obstculo importante para los futuros anlisis ya que se espera que el efecto de la nota de
entrada en los estudiantes de la universidad virtual sobre el rendimiento acadmico y
especialmente sobre el uso educativo de internet sea mucho menor que en el caso de la
modalidad presencial dado que son estudiantes con mayor edad y, por tanto, hace ms tiempo
que hicieron las pruebas de acceso a la Universidad. Por otro lado, en el caso de la universidad
presencial no se dispone de datos de aquellos estudiantes que estn cursando un segundo
ciclo o una segunda carrera, adems de aquellos que provienen de otros pases, o de la va de
entrada de mayores de 25 aos. En resumen, solo es posible disponer de la informacin para
aproximadamente el 85% de los estudiantes de la universidad presencial.
Una vez aclarada la procedencia de la variable y el porqu no se tiene para los estudiantes de
la modalidad virtual ni para algunos de la presencial, si analizamos la distribucin de los
estudiantes presenciales se comprueba que la mayora (49,6%) se sitan entre el 6 y el 8
(sobre 10) como nota de entrada siendo solo un 17,54% los que tienen menos de un 6 y un
17,63% ms de un 8.
Sin contar a los estudiantes de los que no se dispone nota de entrada a la universidad
(categora no pertinente), podemos calcular la media de nota de entrada por rea en la
universidad presencial. Los estudiantes con una nota de entrada ms elevada son los de
ciencias, concretamente los de ciencias de la salud e ingenieras no informticas situndose su
media en un 2,97 y 2,91 cerca de la categora de 7 a 8, seguidos de los de ingeniera
informtica (2,61). Por el contrario las reas de letras tienen, como media, estudiantes con una
nota de entrada ms baja siendo la media ms cercana a la categora de 6 a 7 con un 2,29 en el
caso de psicologa y ciencias de la educacin, un 2,13 en el caso de las humanidades, un 1,9 en
el caso de economa y empresa, un 1,83 en el caso del rea de documentacin e informacin,
un 1,80 los de otras ciencias sociales y por ltimo, los estudiantes con una nota media ms
baja son los de derecho y ciencias polticas con un 1,62. La distribucin de notas es importante


92

para entender qu tipo de estudiantes van a aparar a cada rea en trminos de habilidad ya
que, en Catalua, existe un sistema de notas de corte que exige tener una nota mnima para
cada carrera y ello hace que existan determinadas carreras a las que los estudiantes con
peores resultados en secundaria no puedan acceder.
Respecto a las variables que hacen referencia a los estudios actuales, la ponderacin hecha
para corregir la sobrerepresentacin de la UOC en la muestra lleva a que la distribucin de
estudiantes sea exactamente igual que en el Universo: 49,03% de estudiantes de la UB, 27,55%
de la UPC y 23,42% de la UOC (Tabla 6.3).
Tabla 6.3. Distribucin de alumnos por universidad
Universidad %
UB 49,03%
UPC 27,55%
UOC 23,42%
Fuente: Elaboracin propia
Analizando las reas de estudio (Tabla 6.4) vemos que en la modalidad presencial el rea de
ingenieras no informticas, es la que tiene un mayor nmero de estudiantes debido a que
una de las universidades estudiadas es tcnica: la UPC
17
. Despus, sigue un grupo con un
nmero moderado de estudiantes conformado por las carreras que pertenecen a las reas de
Psicologa y ciencias de la educacin, Ingeniera informtica, Economa y empresa y Ciencias
exactas y naturales, todas ellas con ms del 10% del total del alumnado. El resto son carreras
minoritarias con menos del 10%. En la UOC la distribucin de estudiantes por rea de estudio
cambia, en buena parte porque no se ofrecen las 10 reas de estudio. El rea donde se
concentra el grueso de los estudiantes es el rea de Economa y empresa, seguida de
Ingeniera informtica y Psicologa y ciencias de la educacin. Documentacin as como
Derecho y Ciencias polticas son las reas con menor nmero de estudiantes. En la tabla 6.4 se
muestran las distribuciones de forma ms detallada por 10 reas de estudio.
En cuanto al tipo y duracin terica de los estudios se dispone de informacin sobre los aos
que dura la carrera que cursa el estudiante (Tabla 6.4), o lo que es lo mismo, podemos saber si
se trata de una diplomatura o ingeniera tcnica (duracin de 3 aos), una licenciatura o
ingeniera superior (duracin de 4 o ms aos) o bien de un segundo ciclo de alguna carrera
(duracin de 2 aos). Los datos muestran que los estudiantes de la modalidad virtual son ms
proclives a estudiar carreras cortas, ya sean de 3 aos o segundos ciclos que los de las

17
Esta alta representacin de alumnos tcnicos ha sido buscada al construir el universo de estudio (Ver
captulo 5).


93

universidades presenciales. En este sentido, tan solo el 7,26% de los estudiantes de estas
ltimas universidades estn cursando un segundo ciclo y el 32% una diplomatura o ingeniera
tcnica. Por el contrario en la UOC estas cifras se elevan al 28% en el primer caso y al 42% en el
segundo. Este hecho es lgico ya que en la modalidad virtual debido al perfil de su alumnado
(ms edad y con ms responsabilidades laborales y familiares) el tiempo que tardan, los
estudiantes que lo hacen, en completar los estudios es mucho mayor que en el caso de las
presenciales, por ello una carrera corta parece una buena opcin para no alargar en exceso los
aos de estudio (Carnoy, Jarillo, Castao-Muoz, Duart-Montoliu, & Sancho-Vinuesa, 2011).
Tabla 6.4. rea y Tipo de carrera
Presencial Virtual
rea
Psicologa y ciencias de la educacin 12,08% 16,02%
Ingeniera Informtica 11,32% 21,2%
Otras ingenieras 24,46% No ofrecida
Humanidades 9,27% 12,16%
Documentacin/Informacin 3,14% 6,37%
Economa y empresa 11,44% 34,83%
Derecho y Ciencias polticas 3,88% 9,42%
Ciencias de la Salud 9,58% No ofrecida
Ciencias exactas y naturales 11,38% No ofrecida
Otras ciencias sociales 3,46% No ofrecida
Duracin/Tipo carrera
Diplomatura/Ing. Tcnica (3 aos) 32,03% 41,63%
Licenciatura/Ing. superior (4 aos) 60,77% 30,43%
Solo segundo ciclo (2 aos) 7,26% 27,94%
Fuente: Elaboracin propia
Para medir el punto en el que se encuentra cada estudiante en sus estudios y lo que le falta
para terminarlos, se dispone de informacin sobre los crditos que lleva superados sin contar
el curso actual (Tabla 6.5). La media de crditos superados acumulados sin contar el curso
actual es de 87,4 en el caso de las universidades presenciales y de 54 en el de la universidad
virtual. Lgicamente aquellos estudiantes que cursan las carreras ms largas, de 4 aos o ms,
tienen una media alta de cursos superados acumulados (102,25 en el caso de las universidades
presenciales y casi 60,1 en el caso de la UOC) que los de segundos ciclos (47,97 y 56,9
respectivamente) y los de diplomaturas o ingenieras tcnicas (66,4 en el caso de las
presenciales por 47,67 en el caso de la universidad virtual).
Por otro lado, destaca la relativa gran cantidad de crditos superados acumulados de los
estudiantes de la modalidad virtual en las carreras de 2 ciclo que se sita por encima de
carreras ms largas como las de 3 aos y cerca de las de 4 aos o ms. Este hecho puede ser
debido a 2 factores: una menor tasa de abandono, un mayor nmero de asignaturas


94

convalidadas o una mayor motivacin debido a unos mayores beneficios de este tipo de
estudios en el mercado laboral (Carnoy, Jarillo, Castao-Muoz, Duart-Montoliu, & Sancho-
Vinuesa, (Forthcoming))
Tabla 6.5. Media de crditos superados acumulados por tipo de carrera
Presencial Virtual
CSA 87,5 54
CSA Diplomatura/Ing. tcnica (3 aos) 66,4 47,67
CSA Licenciatura/Ing. superior (4 aos) 102,25 60,1
CSA Solo segundo ciclo (2 aos) 47,97 56,92
Fuente: Elaboracin propia
6.3. Variables que miden la relacin de los estudiantes con la tecnologa:
Dimensiones de la Brecha digital
Partiendo de los desarrollos tericos del concepto de brecha digital, el conjunto de relaciones
entre los individuos que ya acceden a Internet y la tecnologa se puede dividir en varios
conceptos clave: La experiencia de uso, las caractersticas de las infraestructuras de acceso, las
habilidades de uso, la intensidad de uso de internet y las finalidades de uso (Ver captulo 3).
En este punto, en primer lugar, se describirn las variables referidas a la relacin de los
alumnos con la tecnologa, a excepcin de los usos, y se definir una tipologa de alumnos a
partir de ella. Despus, se describirn los usos de internet que realizan los alumnos,
distinguiendo entre acadmicos y no acadmicos, y se crearn variables que agrupen la
informacin sobre stos
6.3.1. Infraestructuras, habilidades e intensidad de uso: Hacia una tipologa de estudiantes
segn su relacin con la tecnologa
Siguiendo las correlaciones encontradas en la literatura, en la presente tesis se considera que
tanto la experiencia, las infraestructuras, las habilidades como la intensidad de uso son
conceptos se interrelacionan entre s dando como resultado perfiles de estudiantes
diferenciados en su relacin con la tecnologa en todas ellas de forma conjunta. Se dispone de
toda una serie de variables de los estudiantes que hacen referencia a estas dimensiones de la
brecha digital. Estas se pueden dividir en los siguientes bloques.



95

a) Experiencia de uso de internet
- Aos de experiencia
- Edad de inicio de uso de internet
b) Caractersticas del acceso
- Posesin de ordenador y tipo de conexin
- Lugares de conexin
- Diferencias en los dispositivos
i. Nmero de dispositivos
ii. Posesin de porttil
c) Habilidades tecnolgicas
- Habilidades de uso de ordenadores
- Habilidades de uso de internet
- Indicador de habilidad tecnolgica
d) Intensidad de uso de internet.
- Das a la semana
- Horas diarias
- Indicador de intensidad
Antes de profundizar en cada una de estas variables, es necesario recordar que todas las cifras
que se mostrarn provienen de aquellos estudiantes que han contestado la encuesta online
administrada bajo el marco del proyecto PIC Universitats y, por tanto, no son representativos
de la totalidad de los estudiantes de las universidades estudiadas, sino de aquellos estudiantes
que utilizan internet con una cierta frecuencia y habilidad como para contestar la encuesta
(Ver captulo 5).
Experiencia de uso de Internet
La experiencia de uso de internet es una variable clave para posicionar a un individuo en la
brecha digital. En este sentido, es posible argmentar que es la variable que marca el inicio del
recorrido de uso de internet en la vida de un individuo. El hecho de tener muchos aos de
experiencia y el hecho de estar familiarizado con esta tecnologa desde muy joven son
indicadores de la familiaridad de un individuo con internet y por tanto se relacionan con
mejores infraestructuras, mayores habilidades y mayor tiempo de uso.


96

Se dispone de informacin autodeclarada de los estudiantes respecto a los aos que hace que
usan internet (Tabla 6.6) con un mnimo de 1 ao y un mximo de 15 que coincide con el ao
1990, ao que surgi el primer proveedor comercial de internet en Espaa (Ve i Bar, 2002).
Lgicamente los estudiantes de la modalidad virtual tienen una experiencia media mayor que
los de las universidades presenciales debido a su mayor edad (6,26 aos por 7,44), pero esta
diferencia no es tan importante como la diferencia de edad debido a que internet no fue un
servicio disponible en Espaa hasta 1990 y extendido hasta por lo menos 1995.
Otra manera de analizar las habilidades y la experiencia en uso, que supera las diferencias de
edad, es saber la edad de inicio de uso de internet de los estudiantes. Detrs de esta forma
alternativa de medir la experiencia est la hiptesis de que cuanto antes se empieza a utilizar
la tecnologa ms familiar resulta sta y, por tanto, un individuo se posiciona mejor en el resto
de dimensiones de este punto (Smith et al., 2010), aproximndose al concepto de digital
natives de Prensky (Premsky, 2001). Se ha construido esta variable restando a la Edad los aos
de experiencia de uso de internet (ver tabla 6.6). A travs de esta forma alternativa de medir la
experiencia, vemos que los estudiantes de las universidades presenciales, estudiantes ms
jvenes, tienen una edad de inicio menor (16,9) que los de la universidad virtual (26,8),
aproximndose ms al concepto de nativos digitales propuesto por Prensky .
En resumen, se observa que los estudiantes de la modalidad virtual tienen como media un
poco ms de un ao de experiencia que los estudiantes de la presencial sin embargo, han
empezado a utilizar internet a una edad 10 aos ms tarde que los estudiantes de la
presencial.
Tabla 6.6. Media de aos experiencia en uso de internet y media de edad de inicio de uso por
modalidad formativa
Presencial Virtual
Aos experiencia 6,26 7,44
Edad de inicio 16,86 26,8
Fuente: Elaboracin propia
Caractersticas del acceso
Gracias a la encuesta PIC Universitats se dispone de informacin sobre las infraestructuras de
acceso de a internet que utilizan los estudiantes estudiados. En este sentido se les pregunt
por la posesin de ordenador, si ste es fijo o porttil, si la posesin de conexin propia, por
los lugares desde los que se conecta el individuo y por los dispositivos usa para ello. Los
resultados para nuestra muestra se muestran en la tabla 6.7.


97

Tabla 6.7. Caractersticas del acceso a Internet
Presencial Virtual
Posesin ordenador
S 98,53% 99,57%
No 1,47% 0,43%
Posesin de conexin
S 93,73% 97,11%
No 6,27% 2,89%
Nmero de lugares de conexin
1 24,05% 28,09%
2 43,47% 61,91%
3 25,67% 8,18%
4 5,63% 1,48%
5 0,87% 0,28%
6 0,20% 0,04%
7 0,10% 0,01%
Nmero de dispositivos de acceso
1 88,98% 86,9%
2 9,33% 10,48%
3 1,61% 2,36%
4 0,07% 0,26%
5 0,02% 0,01%
Fuente: Elaboracin propia
Lgicamente, y concordando con la definicin de nuestro universo de estudio, entre los
estudiantes que contestaron la encuesta, no existe un primer nivel de la brecha digital que
separa entre los que tienen acceso a conexin a internet y los que no la tienen. En este
sentido, se observa que tan slo un 1,47% de los estudiantes presenciales y un 0,43% de la
UOC no tienen ordenador propio. Por otro lado, respecto a las conexiones a internet, tan solo
un 6,27% de los estudiantes presenciales y el 2,89% de la UOC no disponen de conexin a
internet propia. Adems, de los que disponen de conexin propia, tan solo un 12,9% no tienen
conexin ADSL o por cable.
Por otro lado, pese a que existe una minora de estudiantes sin conexin propia a internet, ello
no significa que no tengan acceso a internet, sino simplemente que tienen menos flexibilidad y
autonoma para realizar este acceso. Este hecho queda demostrado si analizamos los lugares
desde los que se conectan los estudiantes de las universidades presenciales, donde se ve como
el 82,62% de los estudiantes sin conexin propia a internet utilizan las conexiones que les
facilita la universidad y el 29,58% las conexiones de su lugar de trabajo.
Pero, desde cuantos lugares se conectan los estudiantes? Se tienen datos de la encuesta PIC
Universitats sobre una batera de preguntas relacionadas con la conexin de los estudiantes en
determinados lugares: Universidad, casa, cibercafs, bibliotecas, centros pblicos, trabajos y
otros. Al ser las opciones de respuesta S/No, sumando estos datos se ha creado la variable


98

nmero de lugares de conexin que tiene un mnimo de cero y un mximo de 7. En el caso de
las universidades presenciales el 93% de estudiantes se conecta desde 3 o menos lugares y, en
el caso de la UOC, el 90% desde 2 o menos. En el primer caso los lugares ms comunes el
propio hogar, la universidad y el lugar de trabajo, mientras que en el caso de la UOC son el
hogar y el lugar de trabajo.
Una vez visto que los estudiantes universitarios no tienen apenas limitaciones para acceder a
infraestructuras de conexin, aunque mnimamente s existen diferencias respecto al lugar
desde donde acceden, hay que dar un paso ms y analizar qu tipo de infraestructuras son las
que utilizan para conectarse. El tipo de infraestructuras sirve como indicador del grado de
movilidad de la conexin y se correlaciona con el grado de valor que los individuos dan a la
tecnologa ya que los estudiantes ms proclives a la novedad tecnolgica gastarn sus recursos
en dispositivos de conexin mviles. No obstante, hay que tener en cuenta que en este punto
los condicionantes econmicos se ven muy claros ya que los estudiantes con ms recursos (de
ms edad y que trabajan) tambin son los que tienen mejores dispositivos.
En este sentido, de forma similar a los lugares de conexin, se dispone de informacin sobre
una batera de preguntas con opcin de respuesta S/No sobre 5 posibles dispositivos de
conexin: Ordenadores, mviles, agenda electrnica o PDA, televisin y consolas de
videojuegos. Sumando las respuestas se ha calculado el nmero de dispositivos que usa cada
individuo. Un dato interesante es que el 88,49% de los individuos estudiados se conecta a
travs de un solo dispositivo y tan solo el 11,51% lo hace a travs de 2 o ms. El dispositivo
mayoritario de conexin es el ordenador, utilizado por el 99,77% de los individuos. Sin
embargo tenemos informacin de otra variable que nos permite ver que existen diferencias en
cuanto al tipo de ordenador utilizado ya que un 46,5% de los estudiantes de la universidad
presencial y un 54,16% de la UOC disponen de ordenador porttil.
De entre los dems dispositivos, hay que destacar que el ms extendido es el telfono mvil
con un 7,22% en el caso de los estudiantes presenciales y un 8,55% en el de la UOC.
Habilidades tecnolgicas
En la encuesta PIC Universitats se incorporaron 2 tems que hacan referencia directa a las
habilidades tecnolgicas de los estudiantes. En primer lugar se pregunt el nivel de habilidad
autodeclarado de uso de los ordenadores y, en segundo lugar, el nivel de habilidad
autodeclarado de uso de internet. Ambas variables tuvieron como escala de medida una escala
de tipo likert de 1 a 5, donde 1 es el mnimo nivel y 5 el mximo. Tanto en las universidades


99

presenciales como en la virtual la moda de ambas variables se sita en el valor 4 de la escala
que coincide con unas habilidades de uso altas siendo una minora aquellos que declaran tener
un nivel bajo o muy bajo (Ver tabla 6.8).
Tabla 6.8. Nivel de habilidades de uso autodeclaradas: Ordenador e Internet
Presencial Virtual
Ordenadores Internet Ordenadores Internet
Muy bajo 0,31% 0,28% 0,24% 0,37%
Bajo 8,36% 7,32% 5,90% 6,35%
Medio 38,34% 34,38% 33,67% 33,12%
Alto 42,69% 46,00% 44,46% 45,01%
Muy alto 10,30% 12,02% 15,74% 15,15%
Fuente: Elaboracin propia
Debido a la elevada correlacin entre las dos variables (coeficiente de correlacin de
Pearson=0,8), que seguramente se interpretaron como un mismo concepto por los individuos
que contestaron la encuesta, se ha optado por agregarlas en un solo indicador que d cuenta
de las habilidades tecnolgicas de los estudiantes y que de el mismo peso a cada una de las
dos:
Inuicauoi ue habiliuaues ue uso =
Babiliuaues uso ue oiuenauoi + Babiliuaues uso ue inteinet
2

El resultado es una variable cuya la distribucin es muy parecida a la de las dos variables
anteriores (Ver grfico 6.1) pero toma 10 valores en lugar de 5, como las variables originales.
La media de este indicador se sita en 3,58 en el caso de las universidades presenciales y de
3,68 en el caso de la UOC.
Grfico 6.1. Indicador de habilidades de uso de los alumnos

Fuente: Elaboracin propia
0
5
10
15
20
25
30
35
40
1 1,5 2 2,5 3 3,5 4 4,5 5
Indicador habilidades de uso


100

Intensidad de uso de Internet
Por ltimo, entre las variables que posicionan a los individuos en la brecha digital se encuentra
el concepto de intensidad de uso de internet. Este concepto hace referencia al tiempo que un
estudiante pasa navegando por internet y es por tanto uso, pero no tiene en cuenta la
dimensin ms cualitativa que se refiere a la finalidad de uso.
De los datos del proyecto Internet Catalunya podemos extraer dos indicadores referentes a la
intensidad de uso de internet por parte de los estudiantes universitarios estudiados: los das a
la semana de conexin a la red y las horas de duracin de cada sesin en internet, lo que nos
permitir construir un indicador de intensidad que agrupe estas dos variables.
En la tabla 6.9. se recogen los datos por modalidad formativa. En primer lugar, se comprueba
que los estudiantes universitarios son un colectivo familiarizado con el uso de internet ya que
la gran mayora de ellos (82,08%) se conectan a diario o casi a diario durante la semana, siendo
los de la UOC los que ms das se conectan y los de las presenciales los que menos (88,8% y
80,03% de conexin diaria respectivamente).
En cuanto a la duracin de las sesiones, la mayora de estudiantes universitarios (60,85%) se
conectan entre 1 y 3 horas, siendo los usuarios que se conectan ms tiempo por sesin un
21,68% y menos, tan solo un 17,47%. Si comparamos por modalidad de estudio vemos que los
estudiantes de la UOC son los que tienen una mayor conexin por encima de las 3 horas con
cerca del 24,5% y los de las presenciales los que menos con tan solo un 20,84% por encima de
las 3 horas.
Tabla 6.9. Das a la semana y horas de duracin por conexin
Presencial Virtual
Das a la semana
1 da o menos 1,59% 0,78%
2,3 o 4 das 18,39% 10,41%
Ms de 4 das 80,03% 88,8%
Horas por conexin
Menos de 1 hora 18,21% 15,05%
Entre 1 y 2 horas 40,19% 37,99%
Entre 2 y 3 horas 20,75% 22,54%
Entre 3 y 4 horas 9,90% 9,94%
Entre 4 y 5 horas 4,48% 5,24%
Ms de 5 horas 6,46% 9,24%
Indicador Intensidad 12,3 14,02
Fuente: Elaboracin propia


101

El hecho de que los datos del PIC Universitats estn recogidos mediante variables categricas
ordinales y que no se pregunte por el nmero de sesiones diarias que realiza cada individuo no
nos permite calcular una variable conjunta que mida directamente el nmero de horas a la
semana que cada estudiante dedica a utilizar internet. Sin embargo, partiendo de las dos
variables presentadas s podemos calcular un proxy del tiempo que cada estudiante pasa en la
red. Para ello, se han asignado unos valores medios a cada una de las categoras de las dos
variables disponibles (ver tabla 6.10) y se ha hecho una combinacin lineal de ellas consistente
en la multiplicacin de los valores medios de cada individuo en cada una de las dos variables.
De esta forma, se consigue una variable con 17 categoras ordinales que si bien no es contina
pura, s nos permite utilizarla como tal en futuros anlisis. La distribucin de la variable se
presenta en la tabla 6.11.
Tabla 6.10. Valores medios asignados para la construccin del indicador de intensidad
Das a la semana Valor medio asignado
1 da o menos a la semana 0,5
2, 3 o 4 das a la semana 3
5, 6 o 7 das a la semana 6
Horas por sesin Valor medio asignado
Menos de 1 hora 0,5
Entre 1 y 2 horas 1,5
Entre 2 y 3 horas 2,5
Entre 3 y 4 horas 3,5
Entre 4 y 5 horas 4,5
Ms de 5 horas 7
Fuente: Elaboracin propia



102

Tabla 6.11. Descriptivo del indicador de intensidad construido
Valor % % acumulado
0,25 0,60% 0,60%
0,75 0,44% 1,04%
1,25 0,28% 1,32%
1,5 4,78% 6,11%
1,75 0,02% 6,13%
2,25 0,03% 6,16%
3 12,08% 18,24%
3,5 0,02% 18,26%
4,5 7,86% 26,12%
7,5 2,85% 28,96%
9 31,38% 60,35%
10,5 0,64% 60,99%
13,5 0,24% 61,23%
15 18,04% 79,27%
21 9,40% 88,67%
27 4,39% 93,06%
42 6,94% 100,00%
Fuente: Elaboracin propia
Este indicador permite comparar la media de intensidad de uso por modalidad formativa y
vemos que en la modalidad presencial se sita en 12,3 y en la UOC en 14,04. Esto es lgico si
pensamos que los estudiantes de la UOC trabajan en mayor medida y aquellos que necesiten
internet para hacerlo pasan mayor tiempo conectados y adems tienen el extra de tiempo
aadido que su modalidad formativa les obliga a hacer para seguir los cursos.
A partir de las variables presentadas se puede concluir que los estudiantes universitarios
estudiados son, en general, un colectivo bien situado en todas las variables analizadas y que
casi todos estn en el mismo lado de la brecha digital (en el sentido dicotmico de
disponibilidad de acceso y uso) lo cual cumple con el objetivo de la tesis de estudiar solamente
aquellos estudiantes con un uso habitual de internet. Sin embargo, no hay que olvidar que
tambin existen diferencias entre los estudiantes que se conectan a internet de forma habitual
en cuanto a las dimensiones bsicas de la brecha digital (experiencia, infraestructuras,
habilidades e intensidad de uso). Por ello, en este punto se ha creado una variable nueva que
indica si un estudiante tiene un perfil ms tecnolgico o no en funcin de estas variables y que
ser til para diferenciar los estudiantes en futuros anlisis.
Tipologa de alumnos segn su relacin con la tecnologa
La creacin de esta variable parte de la base de que, conjuntamente, las variables presentadas
en este punto forman perfiles de usuarios ms o menos proclives al uso de internet. Y esto es
as porque todas las variables estn interrelacionadas entre s.


103

Segn la teora clsica del capital humano el conocimiento es una funcin de la educacin y la
experiencia (Mincer, 1974), adems, sabemos que los estudios de la brecha digital sealan la
experiencia como una variable muy relacionada con la habilidad de uso (van Dijk, 2005).
Adems se sabe que las habilidades de uso de internet ms sofisticadas, como las estratgicas,
son consecuencia directa de un mayor uso de internet (van Dijk, 2005). Por tanto el tiempo de
uso debe ser un componente clave para separar a los estudiantes con ms habilidades y
habilidades ms complejas del resto,
Extrapolando estos argumentos a la variable estudiada el hecho de tener una larga
experiencia de uso de internet y tenerlo integrado en la vida diaria desde joven tienen que ser
fuentes de adquisicin de habilidades de uso de internet. Por otro lado, es lgico pensar que
tener ms experiencia y habilidades de uso (se hayan adquirido de la forma que sea) tambin
se relaciona con un mayor inters por la tecnologa y por tanto, en igualdad de condiciones
econmicas, una mejor infraestructura tecnolgica. A su vez, las mejores infraestructuras y la
mayor habilidad de uso, que en parte son reflejo de un mayor inters por internet, facilitan el
hecho de que un estudiante pase ms horas navegando, lo que le permitir seguir sumando
experiencia y habilidades. Esta mayor integracin de internet en su da a da tambin hace que
estos estudiantes se conecten desde ms lugares y dispositivos, hecho que repercute tambin
en su mayor intensidad de uso.
Para construir esta variable, que distingue entre perfiles mejor o peor situados en la brecha
digital, se han definido dos grupos de usuarios donde cada grupo este formado por individuos
lo ms homogneos posible entre ellos respecto a las variables de la brecha digital y lo ms
heterogneo respecto al otro grupo. El anlisis ms apropiado para definir grupos de
individuos es el anlisis clster y es el que se sigui y se presentar en este punto.
Se ha optado por un anlisis K-medias o clster no jerrquico ya que como recoge la literatura
(Daz de Rada, 2002; Hair, R. E. Anderson, Tatham, & Black, 2004) este tipo de anlisis es
especialmente til cuando la muestra es de un tamao considerable.
Las variables de partida para el anlisis clster son: los aos de experiencia de uso de internet,
la edad de inicio de uso de internet, el nmero de lugares desde los que se conecta el
individuo, el nmero de dispositivos desde los que se conecta el individuo, la posesin o no de
porttil, el indicador de habilidades de uso y el indicador de intensidad. No se han incorporado
variables sobre posesin o no de ordenador debido a que no existe casi variabilidad y por
tanto, no forman las diferencias entre los estudiantes que se conectan a internet.


104

Debido a las diferentes escalas de medida de las variables utilizadas para formar los clster se
ha optado por estandarizar todas las variables incluidas en el anlisis y conseguir as eliminar la
influencia de la mtrica en la formacin de los clster. El resultado de esta estandarizacin es
que todas las variables incluidas en el anlisis tienen una media igual a cero y una desviacin
tpica igual a 1.
Hay que destacar que todas las variables utilizadas son continas o ordinales con ms de 5
categoras, a excepcin de la posesin de ordenador que al ser una variable ficticia o dummy
puede ser incluida en el anlisis.
En la tabla 6.12. se presenta el anlisis de multicolinealidad de las variables utilizadas mediante
la matriz de correlaciones de Pearson. Como se observa, no hay ninguna variable con
correlaciones suficientemente importantes como para ser excluida del anlisis. Sin embargo si
existe una cierta correlacin entre los aos de experiencia y las habilidades de uso (0,3550)
que no es ms que un reflejo del hecho ya comentado de que las habilidades se adquieren con
la experiencia y entre las habilidades de uso y la intensidad de uso (0,3161) que refleja que
aquellos individuos que tienen mayores habilidades de uso utilizan internet ms tiempo,
seguramente porque tienen las habilidades suficientes para llevar a cabo un tipo ms variado
de usos y les resulta ms til usar internet.
Tabla 6.12. Correlaciones entre las variables utilizadas para el anlisis clster
Aos exp. Edad inicio N Lugares N dispositivos Porttil Habilidades Intensidad
Aos exp. 1
Edad Inicio -0,1188 1
N Lugares 0,0856 -0,1077 1
N Dispositivos 0,1428 -0,0583 0,1321 1
Porttil 0,1662 0,0045 0,0803 0,1236 1
Habilidades 0,3550 -0,1561 0,1567 0,1967 0,1248 1
Intensidad 0,1735 -0,0548 0,097 0,1561 0,0692 0,3161 1
Fuente: Elaboracin propia
El anlisis clster con dos grupos aporta la solucin ms satisfactoria para nuestros objetivos:
dividir a los estudiantes usuarios de internet entre aquellos con un perfil ms tecnolgico y por
tanto mejor posicionados en las dimensiones de la brecha digital estudiadas y aquellos con un
perfil menos tecnolgico y peor posicionados en ellas. Considerando la brecha digital como un
continuo en el que se sitan los individuos segn su relacin con la tecnologa podemos
denominar al grupo ms avanzado en el uso como lderes digitales.


105

La distribucin de estudiantes en los clster obtenidos es la siguiente: 61,29% estudiantes que
no son lderes digitales y 38,71% lderes digitales. Para caracterizar cada grupo obtenido en la
tabla siguiente (Tabla 6.13) se presentan las medias de cada grupo en cada una de las variables
utilizadas para formarlos sin estandarizar, lo que permite interpretarlas mejor.
Tabla 6.13. Lderes digitales vs No Lderes digitales (I): Caractersticas tecnolgicas
No lderes Lderes
Aos experiencia 5,6 8,0
Edad inicio 20,2 17,6
Lugares 1,87 2,44
Dispositivos 1,02 1,3
Porttil 34,6% 69,9%
Habilidades 3,25 4,17
Intensidad 8,92 18,73
Fuente: Elaboracin propia
La tabla presentada permite comprobar que los denominados lderes digitales se distinguen
por tener una edad de inicio de uso de internet 3 aos inferior que los rezagados y, aun as
tienen ms aos de experiencia, se conectan desde ms lugares y desde ms dispositivos,
tienen el doble de porcentaje de posesin de ordenador porttil, ms habilidades de uso de
internet, situndose entre altas y muy altas (mientras que la habilidad de los ms rezagados se
sita en poco ms de media), y usan mucho ms tiempo internet que los individuos que no son
lderes digitales. Por tanto, la separacin de estos grupos permite separar a aquellos
estudiantes, usuarios de internet, con un perfil claramente favorable al uso de la tecnologa y
por tanto mejor situados en la brecha digital de aquellos estudiantes tambin usuarios de
internet, pero con un perfil menos favorable al uso de la tecnologa y peor situados en la
brecha digital.
Para acabar de caracterizar cada uno de estos grupos en la tabla 6.14 se sintetizan el resto de
caractersticas de ambos. De esta forma, puede afirmarse que los lderes digitales son
mayoritariamente hombres, que trabajan en mayor medida que el resto y tienen una edad
similar. En cuanto a las caractersticas acadmicas se observa que este grupoe st compuesto
principalmente de alumnos de ingenieras, sobretodo informtica, y de la UPC. Quitando las
ingenieras, la nica rea con sobrerepresentacin de lderes digitales es la de Informacin y
comunicacin. Por otro lado, se observa que los lderes estudian en mayor porcentaje que el
resto de alumnos en la modalidad de estudio virtual. Finalmente, los lideres digitales, son
mayormente estudiantes con estudios universitarios acabados y, en menor medida,


106

estudiantes de segundos ciclos; adems existe una relacin positiva entre ser lder digital y
tener un cierto nivel de estudios.
Tabla 6.14. Lderes digitales vs No Lderes digitales (II): Caractersticas sociodemogrficas
No lderes Lderes
Gnero
Mujeres 64,1% 40,4%
Hombres 35,9% 59,6%
Edad 25,1 25,4
Trabajo
S 66% 72%
No 34% 28%
Universidad
UB 58,91% 32,72%
UPC 19,99% 40,03%
UOC 21,10% 27,25%
Nota de entrada (solo presenciales)
Menos de 6 20,61% 16,71%
6-7 28,42% 23,62%
7-8 19,88% 23,21%
8-9 13,02% 13,90%
9-10 2,70% 2,79%
No disponible 15,36% 19,70%
rea
Psicologa y CC. Educacin 16,89% 7,59%
Ingeniera Informtica 5,32% 25,84%
Otras ingenieras 16,33% 22,00%
Humanidades 13,58% 7,785
Documentacin e informac. 3,65% 5,72%
Economa y empresa 20,06% 17,01%
Derecho y CC. Polticas 6,46% 4,81%
CC. de la salud 6,41% 2,72%
CC. exactas y naturales 7,58% 4,63%
Otras CCSS 3,71% 1,91%
Estudios finalizados
Secundaria 74,57 67,04
Universitarios 25,43 32,96
Tipo de estudios
Diplomatura/Ing. Tcnica 10,96% 16,71%
Licenciatura/ Ingeniera 31,53% 36,17%
2 ciclo 57,51% 47,12%
Rendimiento acadmico curso 76,17% 73,24%
Fuente: Elaboracin propia
Por ltimo, para validar la solucin obtenida en el anlisis clster se ha realizado un anlisis
discriminante que analiza como un conjunto de individuos con unas determinadas
caractersticas puede clasificarse en una serie de subgrupos definidos a priori, tratando de


107

localizar las variables que mejor contribuyen a clasificar cada individuo (Daz de Rada, 2002). La
clasificacin resultante en este anlisis (Tabla 6.15) muestra que el 98,16% de los casos estn
correctamente clasificados en los clster obtenidos y, por lo tanto, la clasificacin obtenida es
vlida.
Tabla 6.15. Validacin del anlisis clster. Resultados del anlisis discriminante
Lderes digitales No lderes
Lderes digitales 98,14% 1,86%
No lderes 1,82% 98,18%
Fuente: Elaboracin propia
Pese a la homogeneidad existente entre los estudiantes universitarios estudiados, debido a
que todos son usuarios de internet, la solucin propuesta nos permite separar a los individuos
mejor situados de los que estn peor situados en trminos de experiencia y habilidades
mediante una variable dummy. Esta divisin enlaza con la teora de la segunda brecha digital
ya que analiza diferencias entre usuarios de internet. De esta forma se supera la
cocneptualizacin homognea de los estudiantes universitarios respecto a su relacin con la
tecnologa, derivada del supuesto de que la edad y el nivel de estudio les hace usar de forma
similar internet. La divisin creada permitir saber si estas diferencias son importantes en la
determinacin de los beneficios del uso e internet en educacin y en el hecho de que los
estudiantes utilicen ms o menos intensivamente internet para el aprendizaje.
6.3.2. Los usos diferenciados de Internet
Tal como se mostr en el captulo terico las conceptualizaciones de la segunda brecha digital
ponen el acento en el estudio de los usos diferenciados de internet y en sus consecuencias.
Segn estas evoluciones, los usos diferenciados de internet sern la dimensin ms importante
a la hora de generar desigualdad, cuando el resto de dimensiones de la brecha digital estn
cerradas. En este apartado se presentarn las variables relaiconadas con el tipo de usos de
internet que hacen los estudiantes universitarios estudiados.
La exposicin se divide en dos tipos de usos diferenciados, en primer lugar aquellos que el
estudiante realiza sin vinculacin a los estudios que est siguiendo (usos no acadmicos) y, en
segundo lugar, aquellos que el estudiante realiza para seguir los estudios oficiales en los que
est inscrito (usos acadmicos).
Las variables referentes a los usos de la primera categora servirn simplemente como
variables de control en futuros anlisis, sin embargo los usos acadmicos, especialmente el uso


108

de internet para la interaccin en el aprendizaje es central en este trabajo poque es tanto la
variable dependiente en algn anlisis como la variable cuyo efecto se quiere estudiar sobre el
rendimiento acadmico en otros.
Usos no acadmicos de Internet
Con el objetivo de saber qu usos de internet hace el alumnado universitario en sus
actividades extraacadmicas en el cuestionario del PIC Universitats se plante una batera de
16 preguntas sobre estos usos donde se mide la intensidad de uso autodeclarada por los
estudiantes en una escala de Likert que va de 1 nada a 5 Mucho.
En la tabla 6.16 se muestran los resultados del PIC Universitats para los estudiantes de nuestra
muestra ya ponderada.
Tabla 6.16. Usos no acadmicos de Internet (I). Distribucin
% Nada % Poco % Normal % Bastante % Mucho N
E-mail 0,76% 1,41% 7,69% 20,60% 69,54% 17.090
Buscar informacin 10,54% 12,32% 16,69% 21,32% 39,12% 17.090
Mensajera instantnea 0,96% 1,03% 7,58% 26,69% 63,75% 17.090
Trabajar 16,41% 9,68% 20,39% 23,94% 29,59% 17.090
Descargar msica y pelculas 20,08% 16,29% 20,03% 19,93% 23,66% 17.090
Descargar software 15,28% 21,44% 28,75% 19,92% 14,61% 17.090
Acceso a contenidos audiovisuales 18,01% 20,64% 27,13% 19,95% 14,27% 17.090
Tareas administrativas 28,28% 24,87% 24,78% 13,98% 8,08% 17.090
Recibir informacin RSS-feed 39,39% 20,99% 20,16% 11,69% 7,77% 17.090
Chatear 44,14% 23,04% 15,12% 9,43% 8,27% 17.090
Visitar weblogs 39,29% 27,12% 19,42% 8,91% 5,26% 17.090
Colgar informacin 43,81% 27,00% 17,20% 7,78% 4,22% 17.090
Jugar 45,97% 27,04% 15,60% 7,31% 4,07% 17.090
Comprar 39,20% 33,19% 19,20% 6,73% 1,69% 17.090
Conocer gente y ligar 70,13% 19,19% 7,53% 2,16% 0,99% 17.090
Vender 82,32% 11,22% 4,23% 1,41% 0,82% 17.090
Fuente: Elaboracin propia
Pese a que las variables anteriores no son continuas, al estar medidas de forma ordinal y con 5
categoras, es posible calcular la media de los resultados. Esta media da informacin resumida
sobre qu usos son los que se realizan en mayor intensidad segn los propios estudiantes. En
la tabla 6.17 se muestran los resultados para el total de la muestra y para los estudiantes de
educacin presencia y virtual por separado.



109

Tabla 6.17. Usos no acadmicos de Internet (II). Media por modalidad de estudio.
Total Presencial Virtual
E-mail 4,57 4,59 4,48
Buscar informacin 4,51 4,51 4,51
Mensajera instantnea 3,66 3,89 2,93
Trabajar 3,41 3,29 3,79
Descargar msica y pelculas 3,11 3,33 2,39
Descargar software 2,97 3,06 2,67
Acceso a contenidos audiovisuales 2,92 3,06 2,42
Tareas administrativas 2,49 2,35 2,93
Recibir informacin RSS-feed 2,27 2,29 2,21
Chatear 2,15 2,28 1,71
Visitar weblogs 2,14 2,29 1,87
Colgar informacin 2,02 2,06 1,87
Jugar 1,96 2,09 1,56
Comprar 1,99 1,90 2,26
Conocer gente y ligar 1,45 1,50 1,26
Vender 1,27 1,27 1,29
Fuente: Elaboracin propia
Los datos muestran que los usos que los estudiantes declaran hacer ms son en todos los
casos el uso del correo electrnico y la bsqueda de informacin en la red. A partir de estos dos
usos, se observan diferencias entre las dos modalidades educativas. As, en el caso de la
educacin virtual los usos de internet para trabajar y para realizar tareas administrativas
tienen mayor relevancia que en la presencial, mientras que entre los estudiantes de la
presencial se usa ms internet para comunicarse mediante sistemas de mensajera
instantnea, para bajarse pelculas y msica, para descargar software y para acceder a
contenidos audiovisuales.
En cuanto a los usos declarados como menos intensivos, en las dos modalidades de educacin
la lista la encabezan las ventas online y conocer gente y ligar. Entre estos usos destaca el hecho
de que los estudiantes de la universidad virtual usan menos internet que los de las
presenciales con finalidades de ocio como puede ser jugar y chatear, as como para llevar a
cabo usos ms innovadores y participativos como colgar informacin y visitar blogs.
Una vez mostrados los usos de internet extraacadmicos que declara el alumnado
universitario es necesario plantearse si estos usos pueden estar relacionados entre si y por
tanto que, conjuntamente, formen tipos o tendencias de uso. Por ello, a continuacin, se
construirn ndices que agrupen diferentes variables de uso de internet y que ayudarn a
simplificar futuros anlisis.


110

Dado que los usos no acadmicos estn medidos en la misma escala ordinal (de 1 a 5) y que
sta tiene 5 valores, para reducir la informacin y conseguir generar variables que reflejen
tipos de usos relacionados entre si se ha optado por un anlisis de componentes principales.
Siguiendo a Daz de Rada, el anlisis de componentes principales es una tcnica estadstica que
intenta transformar un conjunto de variables interrelacionadas en un conjunto de variables no
correlacionadas llamadas factores, analizando la estructura de dependencia y correlacin que
existe entre las variables, y especificando cmo stas explican parte de la informacin que
contienen los factores (Daz de Rada, 2002). Esta tcnica no requiere ninguna hiptesis previa
sobre la estructura de las variables y busca la mejor combinacin de stas.
Tras varias pruebas, la solucin que se ha considerado que mejor explica la estructura de las
variables incluye todos los usos presentados en la tabla 6.16, a excepcin de la variable jugar, y
los resume en 6 factores. La decisin tanto del nmero de factores como de la seleccin de las
variables que se incorporan en el anlisis factorial de usos se llev a cabo a partir de las
siguientes consideraciones:
- La facilidad de interpretacin de los factores. Antes de optar por la solucin definitiva se
han llevado a cabo algunas pruebas de anlisis. Pero la solucin con mayor claridad y
sencillez de interpretacin es la de 6 factores. Por ello, y pese a que tenemos tan solo 15
variables y no llega al criterio recomendado de 3 variables por factor sino que se queda en
2,5, se ha optado por la solucin de 6 factores.
- El examen de las comunalidades. Las comunalidades son el porcentaje de varianza de cada
variable explicada por el anlisis factorial. En nuestro anlisis, tal como se ve en la tercera
columna de la tabla 6.18 las comunalidad ms baja que se da en la solucin propuesta (de
6 factores) utilizada se da en las variable jugar (0,46), siendo la nica que no llega a 0,5 que
es el criterio recomendado por algunos autores (Hair et alt) como mnimo para que tenga
explicacin suficiente. Por tanto, en un primer paso se ha optado por eliminar esta variable
para el anlisis factorial, ya que tena baja comunalidad y se divida entre los dos factores
ms relacionados con el ocio (descargas y relaciones) quedando finalmente las
comunalidades tal como se muestra en la ltima columna de la tabla.



111

Tabla 6.18. Comparacin de las comunalidades de las soluciones con 6 factores incluyendo la variable
jugar y sin incluir la variable jugar
Solucin incluyendo jugar Solucin sin incluir jugar
Correo electrnico 0,6790 0,7034
Mensajera instantnea 0,6013 0,6063
Buscar informacin 0,5695 0,5833
Tareas administrativas 0,6325 0,6370
Comprar 0,6342 0,6284
Vender 0,6697 0,6682
Jugar 0,4629 ---------
Conocer gente / ligar 0,6076 0,6195
Colgar informacin 0,5288 0,5386
Chatear 0,6747 0,6989
Descarga msica/pelculas 0,7168 0,6730
Descargar software 0,6538 0,6682
Trabajar 0,6701 0,6625
Acceso cont. Audiovisuales 0,6643 0,6817
RSS-feed 0,6147 0,6144
Weblog 0,5932 0,6048
Fuente: Elaboracin propia
La solucin presentada resume un 64,53% de la varianza total de las 15 variables iniciales en 6
componentes (Ver tabla 6.19). Este resultado se aproxima a la recomendacin de tener un
mnimo de 3 variables por cada factor a extraer aunque no llega (tiene 2,5) y cumple la
recomendacin de que todas las variables tengan una comunalidad mayor del 0,5 (ver tabla
6.18) con lo que se evita, en gran parte, incluir variables carentes de explicacin suficiente
(Hair et al., 2004) y lo que es ms importante: dejando de lado los criterios estadsticos, es una
solucin fcilmente interpretable y til para la investigacin.
Tabla 6.19. Autovalores y varianza explicada del anlisis de componentes principales de los usos no
acadmicos de internet
Fuente: Elaboracin propia
Factor15 0 00 0. .. .3 33 38 88 82 22 23 33 33 33 3 . .. . 0 00 0. .. .0 00 02 22 25 55 55 55 5 1 11 1. .. .0 00 00 00 00 00 00 00 0
Factor14 0 00 0. .. .4 44 49 99 90 00 04 44 41 11 1 0 00 0. .. .1 11 10 00 08 88 80 00 07 77 7 0 00 0. .. .0 00 03 33 32 22 27 77 7 0 00 0. .. .9 99 97 77 74 44 45 55 5
Factor13 0 00 0. .. .5 55 51 11 14 44 47 77 74 44 4 0 00 0. .. .0 00 02 22 24 44 43 33 34 44 4 0 00 0. .. .0 00 03 33 34 44 43 33 3 0 00 0. .. .9 99 94 44 41 11 18 88 8
Factor12 0 00 0. .. .5 55 56 66 62 22 22 22 25 55 5 0 00 0. .. .0 00 04 44 47 77 75 55 51 11 1 0 00 0. .. .0 00 03 33 37 77 75 55 5 0 00 0. .. .9 99 90 00 07 77 75 55 5
Factor11 0 00 0. .. .6 66 60 00 08 88 80 00 09 99 9 0 00 0. .. .0 00 04 44 45 55 58 88 83 33 3 0 00 0. .. .0 00 04 44 40 00 05 55 5 0 00 0. .. .8 88 87 77 70 00 00 00 0
Factor10 0 00 0. .. .6 66 61 11 18 88 89 99 95 55 5 0 00 0. .. .0 00 01 11 10 00 08 88 86 66 6 0 00 0. .. .0 00 04 44 41 11 13 33 3 0 00 0. .. .8 88 82 22 29 99 95 55 5
Factor9 0 00 0. .. .6 66 67 77 77 77 75 55 58 88 8 0 00 0. .. .0 00 05 55 58 88 86 66 63 33 3 0 00 0. .. .0 00 04 44 45 55 52 22 2 0 00 0. .. .7 77 78 88 88 88 82 22 2
Factor8 0 00 0. .. .6 66 69 99 94 44 43 33 36 66 6 0 00 0. .. .0 00 01 11 16 66 67 77 79 99 9 0 00 0. .. .0 00 04 44 46 66 63 33 3 0 00 0. .. .7 77 74 44 43 33 30 00 0
Factor7 0 00 0. .. .7 77 77 77 72 22 20 00 03 33 3 0 00 0. .. .0 00 07 77 77 77 76 66 67 77 7 0 00 0. .. .0 00 05 55 51 11 15 55 5 0 00 0. .. .6 66 69 99 96 66 68 88 8
Factor6 0 00 0. .. .8 88 84 44 47 77 70 00 01 11 1 0 00 0. .. .0 00 07 77 74 44 49 99 98 88 8 0 00 0. .. .0 00 05 55 56 66 65 55 5 0 00 0. .. .6 66 64 44 45 55 53 33 3
Factor5 0 00 0. .. .9 99 92 22 26 66 61 11 10 00 0 0 00 0. .. .0 00 07 77 79 99 90 00 09 99 9 0 00 0. .. .0 00 06 66 61 11 17 77 7 0 00 0. .. .5 55 58 88 88 88 88 88 8
Factor4 1 11 1. .. .1 11 12 22 26 66 69 99 92 22 2 0 00 0. .. .2 22 20 00 00 00 08 88 81 11 1 0 00 0. .. .0 00 07 77 75 55 51 11 1 0 00 0. .. .5 55 52 22 27 77 71 11 1
Factor3 1 11 1. .. .4 44 42 22 25 55 53 33 36 66 6 0 00 0. .. .2 22 29 99 98 88 84 44 44 44 4 0 00 0. .. .0 00 09 99 95 55 50 00 0 0 00 0. .. .4 44 45 55 51 11 19 99 9
Factor2 1 11 1. .. .7 77 73 33 35 55 50 00 00 00 0 0 00 0. .. .3 33 30 00 09 99 96 66 64 44 4 0 00 0. .. .1 11 11 11 15 55 57 77 7 0 00 0. .. .3 33 35 55 56 66 69 99 9
Factor1 3 33 3. .. .6 66 61 11 18 88 88 88 87 77 7 1 11 1. .. .8 88 88 88 83 33 38 88 87 77 7 0 00 0. .. .2 22 24 44 41 11 13 33 3 0 00 0. .. .2 22 24 44 41 11 13 33 3

Factor Eigenvalue Difference Proportion Cumulative

Rotation: (unrotated) Number of params = 7 77 75 55 5
Method: principal-component factors Retained factors = 6 66 6
Factor analysis/correlation Number of obs = 1 11 17 77 70 00 09 99 90 00 0
(obs=17090)


112

Como se ha dicho, ms que por criterios numricos y cantidad de la varianza explicada, que
quizs indicaban una solucin de 4 factores que se corresponden con los factores con
autovalores mayores que 1 (Grfico 6.2), se ha optado por esta solucin de 6 por la mayor
facilidad de interpretacin de los factores. La explicacin es que se buscaba crear un factor que
resumiese de forma independiente los usos no acadmicos ms innovadores y este aparece a
partir de 5 factores. Efectivamente, con 5 factores la separacin entre los usos que se refieren
al mundo laboral y los usos que son ms comunes como email o bsqueda de informacin no
se da con claridad y s con 6, ofreciendo unos factores solucin mucho ms interpretables.
Grfico 6.2. Autovalores tras anlisis factorial
Fuente: Elaboracin propia
Para facilitar la interpretacin de los factores resultantes se ha optado por realizar una
rotacin de los componentes, mediante la rotacin de factores ortogonal Varimax. Esta
rotacin se centra en simplificar las columnas de la matriz de factores maximizando la suma
de las varianzas de las cargas requeridas de la matriz de factores. Con esta aproximacin
tiende a haber cargas factoriales ms cercanas a -1 o +1 lo que facilita la interpretacin de los
factores (Hair et al., 2004). Tras la rotacin la matriz de componentes es la que se presenta en
la tabla 6.20 donde para facilitar la interpretacin se muestran tan solo aquellas cargas
factoriales mayores de 0,3.
0
1
2
3
4
E
i
g
e
n
v
a
l
u
e
s
0 5 10 15
Number
Scree plot of eigenvalues after factor
Autovalores despus del factorial
A
u
t
o
v
a
l
o
r
e
s
Nmerode factores


113

Tabla 6.20. Solucin factorial rotada del anlisis de componentes principales de los usos no acadmicos
internet
1 2 3 4 5 6
Descarga
msica/pelculas 0,8444
Descargar software 0,7642
Acceso cont.
Audiovisuales 0,7774
Mensajera instantnea 0,6373 0,3334
Conocer gente / ligar 0,7098
Chatear 0,8165
Colgar informacin 0,6129 0,3199
RSS-feed 0,7316
Weblog 0,6851
Correo electrnico 0,8281
Buscar informacin 0,7234
Comprar 0,7302
Vender 0,795
Tareas administrativas 0,7571
Trabajar 0,7854
Fuente: Elaboracin propia
Nota: En blanco cargas menores de 0,3
A continuacin se describe cada uno de los factores obtenidos.
1. Descarga y contenidos audiovisuales. El primer factor tiene fuertes cargas en descargas de
msica, pelculas y software pero tambin en el acceso a contenidos audiovisuales sin
necesidad de descargar. Hace referencia a ver vdeos y escuchar msica directamente de la
red o bien a descargarse contenidos para poder usarlos posteriormente sin necesidad de
estar conectados a internet (msica, pelculas y software). Por tanto, es un uso que hace
referencia a dos conceptos clave relacionados entre s: la descarga de archivos y el acceso
a los contenidos audiovisuales en la red, representando por tanto un tipo de uso que en
principio no necesita interaccin con otras personas y que est relacionado con el tiempo
de ocio de los estudiantes.
2. Relaciones. El segundo factor tiene fuertes cargas en los siguientes usos: chatear, conocer
gente y ligar y usar sistemas de mensajera instantnea. Es por tanto un factor que remite
al tiempo de ocio del estudiante y que describe un tipo de uso de internet para
comunicacin a tiempo real, tanto para hablar con conocidos, para conocer gente nueva
como para buscar relaciones. Parece por tanto que los estudiantes universitarios que
quieren conocer gente nueva y ligar usan esta tecnologa para ello.


114


3. Web 2.0. Este factor est marcado por tres variables: recibir informacin vas RSS feed,
visitar weblogs y colgar informacin. Estas tres variables son indicadores de 3 tipos de usos
innovadores de la denominada web 2.0: nuevas formas de recibir informacin, visita a
nuevos tipos de pginas ms interactivos y dinmicos y la participacin del usuario en la
red colgando informacin pasando de ser consumidor a consumidor y productor de
contenido al mismo tiempo.
4. Usos comunes. Este factor tiene fuertes pesos en el uso del email y de bsqueda de
informacin que como se ha visto anteriormente son los usos que mayor porcentaje de
individuos realizan de forma asidua. Por tanto, hace referencia a los usos ms comunes de
internet como tecnologa de la informacin (bsqueda de informacin) y de la
comunicacin (email y, aunque en menor medida, dada la juventud de la poblacin
universitaria tambin tiene cierta carga en mensajera instantnea).
5. E-comercio. El sexto factor tiene cargas importantes en comprar y vender mediante
internet. Es un factor relacionado con las transacciones electrnicas y por ello tambin
tiene cierta carga en el factor el hecho de colgar informacin ya que en el caso de las
ventas en un uso complementario: hay que colgar informacin de lo que se quiere vender.
6. Entorno laboral. Este ltimo factor est representado por los usos de internet para trabajar
y realizar tareas administrativas. Es por tanto un tipo de usos marcado por una finalidad
laboral en un entorno de la sociedad del conocimiento donde se hace mayor la necesidad
de acceder a la informacin y agilizar las comunicaciones para el desempeo profesional.
A partir del ACP presentado se han creado 6 variables aditivas de los usos de internet. Se ha
optado por crear una variable compuesta frente a la opcin de escoger variables suplentes
para cada factor con la finalidad disminuir el error de medida. Una vez tomada esta decisin,
se ha optado por que las variables aditivas se correspondan con las puntuaciones factoriales
de cada individuo. Las razones que han llevado a esa decisin han sido que pese a sus
desventajas referentes a la mayor dificultad de interpretacin y una menor generabilidad de
los resultados en otras muestras (lo cual no es objetivo de la presente tesis), ser de especial
utilidad tener factores ortogonales o incorrelados con varianza 1 y media 0 para futuros
anlisis multivariantes que se realizarn en la tesis. En la tabla 6.21 se presentan los
descriptivos de estas variables aditivas.



115

Tabla 6.21. Descriptivos de los factores surgidos del anlisis de componentes principales
N Media
Desv.
estndar Mnimo Mximo
Descargas 17.090 0 1 -2,89 2,82
Relaciones 17.090 0 1 -2,23 4,05
Web 2.0 17.090 0 1 -2,75 4,18
Usos bsicos 17.090 0 1 -5,82 1,76
Comercio 17.090 0 1 -2,04 5,72
Trabajo 17.090 0 1 -3,04 2,92
Fuente: Elaboracin propia
Pese a que debido a la particularidad de las variables estudiadas los factores resultantes son
difcilmente comparables con otros estudios, s se pueden hacer algunas comparaciones. Por
ejemplo si comparamos los resultados con el anlisis factorial propuesto por Kennedy (2008)
con estudiantes australianos vemos que:
- Igual que en nuestro estudio, recibir informacin va RSS feed forma un mismo factor con
diversos tipos de usos destinados a colgar informacin. Especialmente con wikis y
podcasts. Sin embargo, el acceso a blogs sale en un factor separado junto con otras 4
preguntas especficas sobre el uso de los blogs.
- Igual que en nuestro estudio, usar el email est relacionado con buscar informacin
generando los usos ms bsicos de internet.
- Igual que en nuestro estudio, comprar sale separado de otras tareas de carcter
administrativo y marcando un factor separado (sin embargo, en el estudio de Kennedy no
se plantea la variable vender y comprar sale ligado a la variable otros servicios).
- En el estudio de Kennedy jugar (uso medido por 3 variables) conforma un factor separado
de otros tipos de usos de ocio. Y partiendo de la hiptesis de que es un tipo de uso
independiente, es lgico que en nuestro estudio no cuadrara satisfactoriamente en
ninguno de los factores y su comunalidad fuera baja.
Usos acadmicos de Internet
Una vez analizados los usos no acadmicos de internet es de inters analizar los usos con
finalidades acadmicas de internet que seran los ms propios de la condicin de estudiantes
que realizan los individuos de la muestra. En primer lugar, como medida resumen, la tabla 6.22
muestra que en general en el sistema universitario cataln los estudiantes declaran usar entre
poco y normal internet para seguir cursos de formacin (media de 2,70), bajando a poco


116

(2,25) en el caso de los estudiantes de las universidades presenciales y subiendo a bastante
(4,17) en el caso de los estudiantes de educacin virtual lo que lo situara en la mitad baja de la
tabla 24 en el caso de la educacin presencial y en los primeros puestos en el caso de la virtual
tan solo superado por el uso del email y la bsqueda de informacin.
Tabla 6.22. Media de uso de internet para seguir formacin
Media total Media Presencial Media Virtual
Internet para seguir cursos 2,7 2,25 4,17
Fuente: Elaboracin propia
Pero, concretamente, qu usos de internet son los que hace el alumnado para seguir los
cursos universitarios? En la tabla 6.23 se presentan los datos que los estudiantes de nuestra
muestra declararon al contestar a una serie de preguntas dicotmicas sobre el uso o no uso de
internet en el mbito acadmico.
Tabla 6.23. Usos de internet en educacin por modalidad de estudio
% presencial % virtual
Buscar informacin 93,59% 95,66%
Consultar plan docente y bibliografa 86,63% 86,77%
Consultar materiales del curso 87,28% 88,88%
Comunicacin con el profesor 67,80% 88,50%
Herramienta de trabajo cooperativo 64,06% 66,41%
Comunicacin con los compaeros 50,39% 70,79%
Bookmark para trabajos 40,82% 51,32%
Discusiones online sobre mbito de estudio 24,15% 70,71%
Listas de distribucin sobre mbito de estudio 20,85% 32,58%
Fuente: Elaboracin propia
Como muestra la tabla anterior lo usos ms comunes de internet con finalidades acadmicas
son la bsqueda de informacin, la consulta del plan docente y la bibliografa, la consulta de
los materiales del curso. Adems, estos tres usos son tambin los mayoritarios en las dos
modalidades educativas estudiadas y no se observan diferencias entre ellos.
En cuanto a los usos que se sitan en la mitad de la tabla, destaca el hecho de la mayor
comunicacin con el profesor y los compaeros a travs de internet en la educacin virtual y
ello es lgico, ya que internet es la nica va disponible para ello mientras que en la educacin
presencial la comunicacin con los estudiantes y profesores se divide tambin en otros canales
como el contacto directo en clases o fuera de clase, o la horas de visitas presenciales en el caso
de los profesores.


117

Centrando el anlisis en los usos minoritarios, en la tabla 6.23 se muestra que la subscripcin a
listas de distribucin y la participacin en discusiones online sobre el mbito de estudio son las
finalidades para los que internet se usa menos. Sin embargo, si analizamos solo a los
estudiantes de la educacin virtual, la participacin en discusiones online se convierte en uno
de los usos mayoritarios. Esto es debido al modelo de enseanza-aprendizaje que las valora
como parte del trabajo del estudiante e incluso, muchas veces, como partes evaluables.
Si nos fijamos en el uso de internet como herramienta de trabajo cooperativo se observa que
hay una pequea diferencia a favor de la universidad virtual, pero mucho menos destacada
que en el caso de las discusiones online. Por tanto, podemos pensar que este tipo de trabajo
mediante internet no es una caracterstica propia del sistema de enseanza-aprendizaje de la
UOC, igual que, siguiendo el mismo razonamiento, se observa que tampoco lo es el uso de
bookmarks al organizar la informacin (donde tampoco hay diferencias importantes).
Teniendo en cuenta los datos anteriores y poniendo el acento en las actividades que ms
diferencian el proceso de enseanza-aprendizaje de un estudiante medio de la modalidad
virtual respecto a uno de la presencial (Diferencias todas mayores del 20%), podemos ver que
stas son 3 variables que se refieren a la interaccin pero no necesariamente a la cooperacin:
- El uso de internet como medio para comunicarse con los profesores.
- El uso de internet para comunicarse con los compaeros.
- El uso de internet para participar en discusiones online.
Respecto a actividades que requieren un uso de internet ms sofisticado (el uso de internet
para el trabajo colaborativo, la subscripcin a listas de distribucin sobre el mbito de estudio o
las formas ms complejas de organizar la informacin encontrada en la red como son los
bookmarks) vemos que los estudiantes de la UOC usan en mayor medida aquellas que son de
opcin ms individual como el uso de bookmarks o la subsripcin a listas de distribucin. Ello
refleja el hbito de usar internet con finalidades acadmicas que se adquiere al estudiar online.
Sin embargo, en cuanto al trabajo colaborativo los datos muestran que apenas hay diferencias
entre las dos modalidades formativas. Ello justifica el trabajo cooperativo online como un
elemento que no define los usos de los estudiantes virtuales.
Sin embargo, las actividades ms comunes como la bsqueda de informacin acadmica en la
red u otros que ya aparecan disponibles en los primeros campus virtuales de todas las


118

universidades como son la descarga de materiales no son ya un distintivo del estudiante
online.
Los usos de internet con finalidad acadmica presentados se pueden agrupar en 2 tipos segn
el grado de interactividad que suponen, siguiendo la denominada consumption/production
divide o participation gap (Hargittai & Walejko, 2008; Selwyn, 2010). De esta forma
podemos distinguir entre:
- Los usos de internet ms vinculados a un aprendizaje pasivo e individual, sin interaccin
con otras personas, aunque s con los contenidos de la red. Son los usos que dan al usuario
el status de consumidor pasivo de informacin.
- Los usos de internet que conllevan una mayor interaccin con otras personas (Ver captulo
4), potenciando la participacin online y la creacin activa y comn de conocimiento.
A continuacin, se describe en detalle como, a partir de las variables mostradas
anteriormente, se han creado ndices para medir cada uno de estos usos.
USOS ACADMICOS INDIVIDUALES. Como usos individuales se han considerado la bsqueda de
informacin, la consulta y descarga de materiales del curso, del plan docente y bibliografa y la
organizacin individual de la informacin mediante bookmarks y la subscripcin a listas de
distribucin. Son por tanto aquellos usos que no requieren la interaccin o comunicacin
bidireccional con otras personas, y que en el momento de realizarlo otorgan al usuario el rol de
consumidor pasivo de informacin recibiendo (u organizando) informacin de forma
unidireccional sin que requiera su participacin activa y respuesta a esta informacin recibida.
USOS ACADMICOS INTERACTIVOS. Los usos de internet acadmicos que han sido
considerados como interactivos son la comunicacin con los profesores, la comunicacin con
los compaeros, la participacin en discusiones online y el uso de internet como herramienta
para el trabajo cooperativo. Es decir, todos aquellos usos que se refieren a la creacin activa y
colectiva de conocimiento mediante la comunicacin bidireccional con otra/s personas, sean
profesores, estudiantes u otros usuarios de internet interesados en el tema de estudio.
Con la intencin de construir unos ndices de uso que recojan la separacin propuesta, se ha
sumado el nmero de usos de los descritos anteriormente para cada categora dando como
resultado una variable ordinal con 5 categoras (de 0 usos a 4) en el caso de los usos
acadmicos comunicativos y de 6 (De 0 a 5 usos) en el caso de los usos acadmicos
individuales.


119

Detrs de este tipo de construccin del ndice subyace la asuncin de que cuanto ms nmero
de usos hace un estudiante mayor es la intensidad de bsqueda de informacin o de
interaccin en el proceso de enseanza-aprendizaje. La distribucin de dichas variables por
modalidad se muestra en los grficos 6.3 y 6.4 respectivamente.
Grfico 6.3. Indicador de intensidad de usos acadmicos de internet para la bsqueda de informacin

Fuente: Elaboracin propia
Grfico 6.4. Indicador de intensidad de usos acadmicos de internet para la interaccin

Fuente: Elaboracin propia
Como muestran las tablas, los usos interactivos estn menos extendidos que los individuales
entre los estudiantes de las universidades estudiadas, llegando a haber un 9,67% de
0,31%
3,37%
12,56%
43,39%
31,34%
9,03%
0,49%
3,20%
8,16%
34,47%
36,08%
17,59%
0%
5%
10%
15%
20%
25%
30%
35%
40%
45%
50%
0 1 2 3 4 5
Presencial Virtual
9,67%
22,59%
30,39%
26,35%
11%
2,93%
8,70%
18,39%
28,98%
41%
0%
5%
10%
15%
20%
25%
30%
35%
40%
45%
0 1 2 3 4
Presencial Virtual


120

estudiantes de las universidades presenciales que no usa internet para comunicarse con nadie
y un 22,59% que realiza uno solo de los usos propuestos, en su mayora comunicarse con los
profesores, mientras que en el caso de los usos individuales no hay prcticamente nadie que
no haga al menos dos. Adems, a efectos de futuros anlisis conviene destacar que en el caso
de la universidad presencial la distribucin es similar a la normal mientras que en el caso de la
virtual es creciente.
6.4. Rendimiento acadmico
Si bien las variables de rendimiento acadmico pueden ser consideradas parte de las variables
acadmicas de los estudiantes, dada su importancia en la presente tesis se ha optado por
separarlas y dedicarles un apartado exclusivo.
Los datos de los que se dispone en la presente tesis para medir el rendimiento acadmico en el
curso 2005-06 son el nmero de crditos matriculados y el nmero de crditos superados por
cada estudiante en este curso. Los datos sobre los crditos estn agregados por ao y por
tanto cuentan los dos semestres de este curso. Adems, se ha optado por medir tan slo los
crditos ordinarios ya que estas variables sern las componentes de la tasa de rendimiento
acadmico y conceptualmente lo que se quiere medir es el rendimiento del estudiante en el
ao en las asignaturas que cursa que son en las que es susceptible de utilizar internet para su
estudio y no las convalidaciones provenientes de crditos aprobados en el pasado.
Analizando el nmero de crditos a los que se matriculan los estudiantes, destaca el hecho de
que los estudiantes de las universidades presenciales se matriculan a muchos ms crditos
ordinarios por curso que los de la UOC. La media entre los primeros 60,87 mientras que en la
UOC estas cifras bajan a la mitad: 30,35 crditos y tienen una desviacin estndar menor
(Tabla 6.24). No existen estudiantes con cero crditos ordinarios matriculados ya que estos no
forman parte del universo de estudio tal como se ha definido. Esto es as porque se considera
que no son estudiantes activos este curso aunque hayan matriculado crditos convalidados.
Tabla 6.24. Descriptivo de la variable crditos ordinarios matriculados en el curso
Media Desviacin Estndar Mnimo Mximo
Presencial 60,87 18,42 3 195
Virtual 30,35 14,36 4,5 123,5
Fuente: Elaboracin propia
La distribucin de los crditos ordinarios matriculados en el curso 2005-06 se puede ver en el
grfico siguiente (Grfico 6.5). En color rojo se encuentra la distribucin de las universidades


121

presenciales y en azul la de la virtual. Ambas distribuciones tienen una forma parecida a la
normal aunque la de las universidades presenciales est desplazada a la derecha debido al
mayor nmero de crditos que cursan los estudiantes.
Grfico 6.5. Crditos ordinarios matriculados en el curso

Fuente: Elaboracin propia
En la modalidad presencial de estos 60,87 crditos matriculados aprueban de media 45,06
mientras que en la UOC 24,30 de los 30,35 (Tabla 6.25). Nuevamente la desviacin estndar es
menor en la UOC debido a la menor cantidad de crditos que cursan los estudiantes.
Tabla 6.25. Descriptivos de la variable crditos ordinarios superados en el curso
Media Desviacin estndar Mnimo Mximo
Presencial 45,06 21,88 0 120,5
Virtual 24,30 14,36 0 123,5
Fuente: Elaboracin propia
La distribucin de la variable crditos superados en el curso se puede ver en el grfico
siguiente donde, nuevamente, la lnea roja se refiere a las universidades presenciales y la azul
a la UOC (Grfico 6.6). Los estudiantes de las universidades presenciales aprueban ms
0
.
0
1
.
0
2
.
0
3
.
0
4
0 50 100 150 200
x
kdensity CMCUOC kdensity CMCPRES CMCvirtual CMCpresencial


122

crditos que los de la virtual lo que refleja que como media los que terminen la carrera lo
harn en menos aos que los de la virtual.
Grfico 6.6. Crditos ordinarios superados en el curso

Fuente: Elaboracin propia
Los crditos matriculados y los superados no siguen la misma dinmica en todas las carreras ya
que la distribucin depende fuertemente de la duracin terica de la carrera. Si analizamos
por duracin se observa que en las universidades presenciales los estudiantes se matriculan de
media a ms crditos cuanto ms dura la carrera. Siendo la media de 47,955 en los segundos
ciclos, de 56,73 en las diplomaturas/ingenieras tcnicas y de 64,82 en las carreras ms largas.
Esta tendencia se observa tambin en la UOC con 27,62 30,12 y 33,15 crditos
respectivamente.
La misma dinmica se que en los crditos matriculados se ve en los crditos superados siendo
la media en las universidades presenciales de 37,96 para los segundo ciclos, de 41,54 en las
diplomaturas e ingenieras tcnicas y de 47,87 en las carreras ms largas, mientras que en la
UOC se sitan en 23,72; 22,94 y 26,64 respectivamente (Grfico 6.7).

0
.
0
1
.
0
2
.
0
3
0 50 100 150
x
kdensity CSCUOC kdensity CSCPRES CSCvirtual CSCpresencial


123

Grfico 6.7. Crditos matriculados y crditos superados por tipo de carrera

Fuente: Elaboracin propia
Con la informacin sobre los crditos ordinarios matriculados en el curso y los crditos
ordinarios superados se ha calculado una tasa de rendimiento acadmico que juega un papel
central en la presente tesis. Esta tasa se calcula dividiendo los crditos superados entre los
crditos matriculados y multiplicando el resultado por cien. Es decir es el porcentaje de
crditos superados sobre los matriculados de cada estudiante.
Tasa ue ienuimiento acaumico cuiso =
Ciuitos oiuinaiios supeiauos cuiso
Ciuitos oiuinaiios matiiculauos cuiso
X 1uu
Conceptualmente, esta tasa de rendimiento acadmico no considera que aprobar pocos
crditos en un ao sea un rendimiento bajo. Para esta tasa un rendimiento bajo sera no
aprobar los crditos a los que uno se matricula. Es por tanto una tasa que mide la eficiencia del
estudiante y no la eficacia. Es importante tener esto en mente a la hora de explicar los
resultados obtenidos.
Se ha optado por este indicador de rendimiento acadmico ya que es uno de los indicadores
oficiales que reportan las universidades. No obstante, se ha comprobado que los resultados de
la tesis son estables con los resultados que se hubiesen obtenido si el indicador de
rendimiento hubiese sido una medida de la eficacia: nmero de crditos superados por curso
(variable que medira la eficacia y que sigue una distribucin mucho ms similar a la normal).


124

Otro punto a sealar es que, si hubisemos considerado como output el nmero de crditos
aprobados por curso, al incorporar la variable crditos matriculados en el curso como variable
independiente, la capacidad explicativa de la varianza del indicador que tienen los modelos
planteados se elevara mucho. Ello es debido a la mayor varianza del indicador, pero sobretodo
a la existencia de una alta correlacin entre los crditos matriculados en el curso y los crditos
aprobados (Correlacin de 0,59 en la modalidad presencial y 0,8 en la virtual
18
). Esta
estabilidad de resultados nos permite dar mayor validez a los resultados que se mostrarn en
la tesis ya que pese a que los modelos explicativos de nuestro indicador tienen R
22
bajas el
propio indicador est controlando una variable clave: el nmero de crditos matriculados (no
es lo mismo un 50% de 60 crditos matriculados que de 20). Y, por tanto, las
R2
bajas a la hora
de explicar el rendimiento son en gran parte consecuencia de que se est explicando un
porcentaje de variacin muy pequeo (El que no viene explicado por el nmero de crditos a
los que se matricula el estudiante).
Centrndonos en la tasa de rendimiento elegida, hay que decir que no est distorsionada por
el hecho de que un estudiante abandone o acabe la carrera en el segundo semestre de los
estudiados ya que entonces tan solo se le cuentan los crditos superados y matriculados del
primero. Sin embargo, una debilidad de la tasa es que no tiene en cuenta la puntuacin
obtenida por cada estudiante en las asignaturas y solo divide el rendimiento en 2 categoras:
supera o no supera la asignatura. Ello debe tenerse en cuenta a la hora de interpretar los
datos.
Es cierto que lo ideal hubiese sido disponer de una medida de rendimiento acadmico ms
precisa que incluyese la nota con la que los estudiantes aprueban o no aprueban los crditos,
sin embargo no se ha podido conseguir esta informacin para los estudiantes estudiados, ya
que no es recogida as por los organismos que nos han facilitado las bases de datos sobre
rendimiento acadmico. Sin embargo, tanto en la base de datos de la Generalitat de Catalunya
para la UB y la UPC como en la de la UOC s se dispone informacin sobre los crditos
superados y crditos matriculados. Ello, nos permite calcular la tasa de rendimiento acadmico
descrita anteriormente para los 17.090 estudiantes de los que se dispone informacin.
Adems, puesto que esta tasa agrupa todas las asignaturas cursadas durante el ao se puede
considerar un buen proxy del rendimiento acadmico del estudiante. Efecivamente cabe
pensar que aquellos estudiantes que superan un menor porcentaje de asignaturas respecto a

18
La mayor correlacin puede ser efecto de las tutoras de la UOC que aconsejan sobre el nmero de
crditos adecuado para matricularse.


125

las matriculadas son los que tendran peor nota media de la totalidad de sus asignaturas, dado
que tendran mayor porcentaje de notas por debajo de 5.
En la tabla 6.26 se presentan los descriptivos de la tasa de rendimiento acadmico para las dos
modalidades de estudio presentadas. Como se observa, los estudiantes de la UOC tienen un
mayor rendimiento acadmico medio que los de la presencial. Es decir en el primer caso se
matriculan de menos cursos y aprueban de media el 78,26% de estos mientras que en las
Universidades presenciales los estudiantes se matriculan de muchos ms crditos y aprueban
un porcentaje tan solo un poco menor (74,057%).
Tabla 6.26. Descriptivos de la tasa de rendimiento acadmico por modalidad de estudio
Media Desviacin estndar Mnimo Mximo
Presencial 74,057 28,81 0 100
Virtual 78,26357 29,91 0 100
Fuente: Elaboracin propia
Las distribuciones mostradas reflejan que, entre nuestro universo de estudio de estudiantes
activos, el rendimiento acadmico es elevado. En ambas modalidades, el grueso de
estudiantes se concentra en ms del 90% de crditos superados sobre los matriculados. Es
decir, se comprueba de nuevo como los crditos aprobados dependen fuertemente de los
matriculados especialmente en el caso de la UOC. Por tanto, parece que los estudiantes que
siguen los cursos de forma activa no se matriculan a ms crditos de los que pueden,
sobretodo en la UOC donde pude jugar un papel importante la figura del tutor que orienta
respecto a la carga de crditos aconsejable.
Las cifras de rendimiento de los estudiantes de nuestra muestra son mayores que las de la
totalidad de estudiantes universitarios de las universidades estudiadas, ya que los estudiantes
que contestan la encuesta son los estudiantes que hemos definido como activos es decir que
tienen un cierto vnculo como estudiante con la institucin y no han abandonado sus estudios
(Tabla 6.27). Este hecho, como se comprob en el captulo 5, est ligado al hecho de que hay
menor porcentaje de estudiantes que aprueban cero crditos en nuestra muestra que en la
poblacin en general.
Tabla 6.27. Medias de rendimiento acadmico. Universo vs Muestra
Presencial Virtual
Muestra 74,06% 78,26%
Universo 66,89% 62,5%
Fuente: Elaboracin propia


126

Si comparamos las distribuciones de nuestra muestra separando por las dos modalidades de
estudio se comprueba que en la UOC hay una pequea tendencia a tener ms estudiantes que
no superan ningn curso (5,6 por un 3,7 de las presenciales) y una tendencia ms clara a tener
estudiantes con un rendimiento acadmico elevado que en las universidades presenciales
(Grfico 6.8).
Grfico 6.8. Tasa de rendimiento acadmico

Fuente: Elaboracin propia
Las cifras mostradas, especialmente teniendo en cuenta la tasa de abandono superior que se
da en la educacin virtual y en la UOC (Carnoy, Jarillo, Castao-Muoz, Duart-Montoliu, &
Sancho-Vinuesa, 2011) , indican que los estudiantes de la UOC que no abandonan, es decir
activos, no se exceden en sus matriculaciones, ya sea debido al mayor precio de estudiar en la
UOC o ya sea debido a la funcin tutorial implantada en esta universidad donde se aconseja a
cada estudiante sobre la carga de crditos que debe tener segn sus circunstancias personales.
Por otro lado, los datos tambin nos permiten hablar de dos velocidades distintas de
seguimiento de las carreras segn el modelo de enseanza que se estudie y explican, una de
las universidades presenciales en las que los estudiantes se matriculan del doble de crditos y
apenas aprueban un 4% menos que los de la UOC y otra de la universidad virtual en la que los
estudiantes se matriculan a pocos crditos pero aseguran un poco ms el aprobado.
0
.
0
1
.
0
2
.
0
3
.
0
4
.
0
5
0 20 40 60 80 100
x
kdensity Tasa_UOC kdensity Tasa_Presenciales Rendimiento virtual Rendimiento presencial


127

Tambin es importante destacar que el medio por el que se sigue el proceso de enseanza-
aprendizaje tiene efectos en la metodologa de evaluacin y de enseanza, as pues el sistema
de evaluacin continua continua es mayor en la modlidad virtual que en la presencial. Por otro
lado, el medio tambin marca algunas diferencias en cuanto a las metodologas de enseanza-
aprendizaje ya que una se basa en internet y las interacciones del curso slo se dan en este
medio mientras que en las universidades presenciales las interacciones se dan principalmente
cara a cara y de forma complementaria online.
La tabla 6.28 recoge estas las caractersticas de los dos tipos de educacinrespecto al
rendimiento acadmico. Estas diferencias llevan a pensar que cuando la tasa de rendimiento
acadmico de ambas modalidades no es comparable, ya que ni la velocidad d elos estudiantes
debido a la disponibilidad de tiempo ni los sitemas de evaluacin lo son. Por tanto
analizaremos siempre por separado las tasas de rendimiento acadmico de las dos
modalidades as como el efecto de los usos de internet acadmicos en ellas, ya que podemos
afirmar que se refieren a dos tipologas de estudios diferentes en cuanto a sus estudiantes y
metodologa docente y de evaluacin.
Tabla 6.28. Comparacin caractersticas modalidad virtual y modalidad presencial: Justificacin de
anlisis separados
Presencial Virtual
Velocidad Alta Baja
Evaluacin Predominio de exmenes finales Predominio de evaluacin continua
Interacciones Cara a cara y virtuales
Menor integracin en evaluacin
Virtuales.
Mayor integracin en evaluacin
Fuente: Elaboracin propia



128




129

7. METODOLOGA DE ANLISIS DE LOS DATOS
Una vez explicado el origen de los datos utilizados y las variables disponibles, para acabar con
el apartado de metodologa es necesario exponer como se han analizado estos datos para
alcanzar los objetivos de la tesis. Este es el objetivo del presente captulo. En primer lugar se
dar una visin general sobre los anlisis hechos
19
y despus se discutirn los principales
problemas de los datos analizados y las correcciones estadsticas propuestas para solventarlos.
Por ltimo, se discutirn algunas variables no observadas en los modelos de anlisis y cmo
pueden sesgar o forzar la interpretacin de los resultados obtenidos.
7.1. Panormica de los anlisis realizados
Como se ha dicho, la mayora de la informacin de esta tesis parte de un estudio basado en un
diseo observacional, concretamente una encuesta por cuestionario que ha sido
complementada con otros datos secundarios. A partir de la informacin disponible, la
metodologa de anlisis seguida se basa en anlisis estadsticos que se pueden dividir en dos
fases en funcin de los objetivos a los que dan respuesta (Ver tabla 7.1):
- Estudio de los efectos del uso de internet para la interaccin en el aprendizaje en el
rendimiento acadmico: En esta primera fase, de carcter ms causal y centrada en una
sola variable, se busca conocer si la interaccin mediante internet es un buen tratamiento
para mejorar el rendimiento acadmico y de qu manera lo es.
- Estudio de los determinantes del uso de internet para la interaccin en el aprendizaje en el
rendimiento acadmico: Una vez se conocen los efectos que tiene el uso de internet para
la interaccin en el aprendizaje, en la segunda fase, se estudiar cuales son los
determinantes de este uso. Esta fase tiene un carcter ms correlacional y no busca
estimar efectos causales de un tratamiento en concreto.


19
Ntese que este captulo da una panormica general de los anlisis realizados que ser ampliada en
cada captulo de resultados mediante un subapartado metodolgico propio donde se detalla mejor los
anlisis concretos realizados para cada objetivo.


130

Tabla 7.1. Conceptualizacin metodolgica y objetivos de la tesis
Diseo
observacional
Clculo de efectos causales a
partir de diseos
observacionales
Objetivo 1: Comparar la eficacia del uso de
internet en educacin para el aprendizaje
interactivo con la del uso de internet en
educacin para el aprendizaje individual.

Objetivo 2: Estudiar la variacin de los
beneficios del uso de internet para la
interaccin en el aprendizaje segn el
grado de intensidad de dicha interaccin.
Objetivo 3: Estudiar los efectos
diferenciados del uso de internet para la
interaccin en el aprendizaje en la mejora
del rendimiento acadmico.

Correlaciones entre variables
Objetivo 4: Estudiar cules son los
determinantes que facilitan a los
estudiantes el uso de internet para la
interaccin en el aprendizaje
Fuente: Elaboracin propia
Dadas las diferencias entre la educacin presencial y la virtual (Ver tabla 6.28), todos los
objetivos de la tesis se llevarn a cabo analizando por separado estas modalidades educativas.
Esta separacin, adems, es de utilidad para poder establecer tendencias comunes y
diferencias segn el grado de integracin de la virtualidad en el proceso de enseanza-
aprendizaje.
7.1.1. Fase 1. Estudio de los efectos del uso de internet para la interaccin en el
aprendizaje en el rendimiento acadmico
Conceptualmente, los anlisis realizados para dar respuesta al anlisis de los efectos de la
interaccin mediante internet en el aprendizaje en el rendimiento acadmico intentan superar
dos de los problemas tpicos de las funciones de produccin (Ver punto 2.1.) ya que:
- Tiene en cuenta la pedagoga utilizada. El hecho de que el tratamiento de inters sea el
uso de internet en educacin para la interaccin y no el uso de internet como un todo
homogneo introduce en el esquema de anlisis la metodologa de enseanza-
aprendizaje.
- El tratamiento analizado no corresponde a un solo curso sino que su medida se ampla al
uso de internet en ms de un curso. Un problema de usar medidas de rendimiento
acadmico como output a analizar es que ste es acumulativo y, por tanto, es difcil medir
la influencia de los inputs de un ao concreto en l. Sin embargo, en esta tesis no se


131

plante la medida del uso de internet para la interaccin (tratamiento) como producto de
un ao concreto sino que se asume que:
i. Dado que en el cuestionario no se pregunt por un ao o curso en concreto, los
datos autodeclarados sobre los usos educativos de internet seguramente no
reflejan tan son slo los del ao en curso, sino los hbitos generales como
estudiantes universitarios.
ii. Dado que los hbitos de uso de internet no varan de forma brusca, seguramente
los hbitos de uso de internet para la interaccin son en parte acumulativos (pese
a las variaciones que existan cada ao en funcin de los mltiples profesores y
asignaturas cursadas) y reflejan una historia de uso durante la universidad
20
y no
de un solo curso.
Respecto a los anlisis especficos, para estudiar el efecto de la intensidad de uso de
interaccin en el rendimiento acadmico de los estudiantes se seguirn 3 pasos que ligan con
los objetivos propuestos.
En primer lugar, se comparar el efecto del uso intensivo de internet para la interaccin en el
aprendizaje con el del uso intensivo de internet para la bsqueda de informacin
conceptualizados como tratamientos dicotmicos. Para realizar esta comparacin se
calcularn los efectos de ambos tratamientos y se compararn entre si. El clculo de los
efectos se ha hecho utilizando regresin lineal y mediante diseos quasi-experimentales que
permiten corregir el sesgo de seleccin de las variables observadas. En ambos casos se ha
corregido la correlacin interclase mediante el clculo de errores estndar robustos con
correccin cluster.
En segundo lugar, se estudiar la variacin en los beneficios segn el grado de intensidad de la
interaccin mediante internet que realiza cada estudiante y su posible tendencia decreciente.
Con la finalidad de poder comprobar las variaciones del efecto segn la intensidad de uso, esta
vez la variable de tratamiento no es dicotmica sino que se compone de de 5 variables
dummy, una por cada categora de intensidad. Esto permitir comparar los efectos de cada
nivel entendidos como la diferencia de rendimiento acadmico de los estudiantes de un nivel
de intensidad con los del inmediatamente anterior. Esta estrategia permite calcular la
productividad marginal del incremento de la intensidad de interaccin mediante internet en el

20
Posiblemente tambin sean acumulativos desde secundaria, pero el cambio metodolgico y de
contenido de pasar de secundaria a la universidad lleva a que consideremos que los hbitos de uso de
internet para la educacin superior suponen una ruptura con los de secundaria.


132

aprendizaje medida como el hecho de realizar un uso ms. Adems, permite comparar la
productividad de los niveles de intensidad bajos respecto a los altos. Para el clculo de los
efectos se utilizarn regresiones lineales corrigiendo la correlacin intraclase y el sesgo de
seleccin de las variables observadas.
En tercer lugar, para acabar con el anlisis de los efectos en el rendimiento acadmico del uso
de internet para interactuar en el proceso de enseanza-aprendizaje se romper la asuncin
de efectos homogneos a lo largo de todos los individuos y se estudiar quin se beneficia ms
de la interaccin por internet en el aprensizaje y porqu. Para ello se analizar la variacin de
los efectos en diferentes poblaciones de estudiantes:

- Estudiantes de estudios con diferentes grados de profesionalizacin.
- Estudiantes de diferentes reas de estudio.
- Estudiantes con diferentes habilidades tecnolgicas.

En este tercer punto, se harn algunos cambios en la conceptualizacin del tratamiento. En
primer lugar, dado que ya se sabe que la tendencia de los efectos de la interaccin mediante
internet en el aprendizaje sobre el rendimiento es decreciente, se introducir con una
correccin cuadrtica. En segundo lugar, a diferencia de los puntos anteriores, se considerar
la intensidad de uso de internet para la interaccin en el aprendizaje como una variable
continua pese a ser una ordinal de 5 categoras. Adems, para analizar las diferencias segn
escenarios se utilizar la tcnica de las variables multiplicativas ficticias, calculando la
interaccin entre la variable intensidad de uso de internet para la interaccin en el aprendizaje
y cada una de las categoras de las que interesa estudiar los efectos diferenciados. Todos los
anlisis corregirn el sesgo de seleccin de las variables observadas y la posible correlacin
interclase.
Variables controladas
Un aspecto central para calcular los efectos del uso de internet para la interaccin en el
rendimiento acadmico es tener controladas las posibles variables confusoras
21
. Para intentar
cumplir este supuesto, del que pocas veces un investigador puede estar seguro al 100%, al
calcular los efectos de los tratamientos en el rendimiento acadmico se necesita controlar
toda una serie de covariables potencialmente confusoras.

21
Variables correlacionadas al mismo tiempo con el tratamiento y el output a estudiar,


133

Para llevar a cabo los anlisis propuestos en los tres puntos anteriores se partir de un mismo
modelo analtico base donde se controlan idnticas variables. Sin embargo, las variables
referidas al tratamiento se irn modificando ligeramente segn el objetivo especfico de cada
uno. A continuacin se enumerar y justificaran las variables controladas:
- Variables observadas directamente
i. Gnero y edad
ii. Brecha digital
iii. Variables acadmicas
iv. Usos de internet para la educacin
- Variables no observadas directamente
i. Tiempo de estudio disponible
Gnero y Edad
La literatura pone de manifiesto que en los pases desarrollados las mujeres acostumbran a
tener mejores resultados acadmicos que los hombres. Una posible explicacin se encuentra
en el trabajo de Bodson (Bodson, 1999) donde demostr que las mujeres preparan los estudios
durante todo el ao mientras que los hombres tienden a dejar el trabajo ms para el final. Por
otro lado, tambin es posible que existan diferencias en el uso de internet en educacin entre
gneros. Por estos motivos, es necesario controlar esta variable para evitar sesgos en el clculo
del efecto de los usos de internet.
En cuanto a la edad, los estudios ponen de manifiesto que es una variable importante al
explicar el rendimiento acadmico y tambin los usos de internet, normalmente vinculndose
en la educacin presencial una menor edad a un mayor rendimiento acadmico y a unos
mayores usos innovadores y comunicativos de internet. Por tanto, es otra variable importante
a controlar.
Brecha digital
La relacin del estudiante con la tecnologa es una de las variables sealadas por la literatura
tanto para explicar el uso de internet que da para la educacin como influyente en su
rendimiento acadmico (Ver captulo 3). El hecho de tener mejores infraestructuras,
experiencia, habilidades e intensidad de uso (Lder digital), puede restar tiempo de estudio al
dedicar ms a usar internet y repercutir en el rendimiento acadmico negativamente (Castao-
Muoz & Senges, 2011). Sin embargo, a la vez ser lder digital puede facilitar el uso de internet
para estudiar, ya que tal como seala la teora ser lder digital refleja una actitud favorable al


134

uso de la tecnologa y el hbito de usarla para el da a da, y estas caractersticas pueden
reflejarse en el uso acadmico (Ver captulo 2).
Por otro lado, existen usos de internet que se vinculan a fines que aportan valor aadido y
otros que se vinculan a fines que no (Dimaggio et al., 2004; Hargittai & Walejko, 2008; Robles-
Morales et al., 2010). Por ello, es posible que determinados usos no acadmicos de internet
estn ms relacionados con los usos acadmicos de esta tecnologa. Adems, se puede pensar
en clave de estilos de uso y suponer que existen personas ms afines a interactuar mediante
internet que tambin lo harn en educacin y otras ms proclives al uso de esta tecnologa de
forma individual y sern ms proclives a buscar informacin acadmica cuando llevan sus usos
al mundo educativo.
Teniendo en cuenta lo anterior, se hace necesario controlar al estimar los efectos del uso
educativo de internet tanto el hecho de ser lder digital como el tipo de usos que se hace de
internet. Por ello se han controlado en los anlisis tanto la variable lder digital como los
factores surgidos del anlisis de componentes principales de los usos no acadmicos de
internet.
Variables acadmicas
Est claro que existen diferencias de rendimiento acadmico segn las caractersticas de los
estudios. As pues existen carreras que por el rea, tipo o la modalidad formativa tienen
diferente rendimiento medio que otras, ceteris paribus. Si, como seala la literatura, tambin
existen diferentes estrategias y niveles de integracin de internet para el aprendizaje, sea para
buscar informacin o sea para interactuar (Lupiez & Duart, 2005; Zhao et al., 2005), el no
incluir el rea, la modalidad de estudio y el tipo de estudio (licenciatura, diplomatura o
segundo ciclo) puede sesgar los estimadores de los efectos de los usos de internet en el
rendimiento. Por este motivo, se han incluido estos controles en los anlisis.
La modalidad de estudio est especialmente bien controlada en nuestros anlisis ya que se
separarn los anlisis entre universidad virtual y universidades presenciales. Adems, dentro
de las presenciales tambin se ha incluido una variable que indica si un estudiante tiene
experiencia en cursos online o no.
Por otro lado, tanto el rea como el grado de profesionalizacin de la carrera que estudia el
estudiante pueden ser factores importantes para determinar el grado de bsqueda de
informacin e interaccin mediante internet y, por tanto, necesarias de controlar. Con esta


135

finalidad se ha incluido la variable rea que separa en 10 reas diferentes y el tipo de carrera:
primer ciclo, primer y segundo ciclo o slo segundo ciclo.
Por ltimo, se ha controlado la posicin del estudiante en la carrera cursada. Ello ayuda a
controlar la experiencia y el nmero de crditos que le quedan para acabar. Para ello se ha
controlado la variable Crditos superados acumulados en la carrera, sin contar los superados
en el curso de anlisis.
Usos de internet para la educacin
El uso de internet para la interaccin y el uso de internet para la bsqueda de informacin en
educacin estn correlacionados entre s. Por ello, para conseguir acotar el beneficio de un
determinado uso de internet en educacin es necesario incluir en el modelo una variable que
mida los usos de internet que no son la variable tratamiento a estudiar. En este sentido
cuando se estudie el efecto del uso de internet para la interaccin se controlar el uso de
internet para la bsqueda de informacin y a la inversa.
Tiempo de estudio disponible
El hecho de estar ocupado familiar y laboralmente se relaciona con un menor rendimiento
acadmico. Adems, es posible que se relacione con la intensidad y el tipo de uso de internet
que se da en educacin. Por un lado puede ser que los estudiantes con menos tiempo usen
ms internet para el estudio dado que les permite flexibilizar su tiempo, pero por otro tambin
es posible que al disponer de menos tiempo lo usen en menor medida. Sea cual sea la
direccin es importante controlar el tiempo disponible para no sesgar los estimadores
estudiados. Para ello, se han incorporado en el modelo algunas variables proxys a la
disponibilidad de tiempo: trabajo, edad, gnero y crditos matriculados en el curso.
Trabajar es una variable que dificulta el rendimiento acadmico alto y, por otro lado, tambin
es una de las variables que la literatura marca como importantes para determinar el uso de
internet en educacin ya que los estudiantes que trabajan disponen de menos tiempo para
estudiar y tambin para hacerlo mediante internet.
Por otro lado, el hecho de controlar la edad controla en parte la posicin del individuo en el
mercado laboral y sus posibilidades de tener jornada laboral completa en el trabajo. Adems,
incluir la edad y el gnero tambin son buenas proxys de las cargas domsticas familiares, ya
que cuantos ms aos existen ms posibilidades de estar emancipado/a en el caso de los
estudiantes jvenes y de tener hijos en el caso de estudiantes ms mayores. Por ltimo, si


136

existe desigualdad de gnero en el reparto de las tareas domsticas el hecho de controlar el
gnero evita el sesgo de seleccin que pudiera derivarse de la escasez de tiempo debido a las
cargas domsticas.
La carga de crditos durante el curso tambin es un factor importante que pude condicionar el
rendimiento acadmico y el uso de internet para la educacin. Ceteris paribus, el hecho de
tener ms crditos matriculados puede hacer que un individuo disponga de menos tiempo y
ello influya en su decisin de usar y como usar internet para el aprendizaje y en su rendimiento
acadmico.
Notacin del modelo base de regresin
Las variables discutidas son las que se controlar en esta tesis. Por tanto, en aquellos anlisis
en los que se emplee la regresin lineal como tcnica para estimar el efecto de la interaccin
(y en el primer objetivo la bsqueda de informacin) el modelo base ser el siguiente:
Rend
i=
b
j
X
ij
+ c
k
BD
ik
+ d
m
Est
im
+ f
n
T
in
+ g
p
UIE
ip
+
Donde:
X
ij
= un vector j de las caractersticas de los estudiantes: Edad, gnero (hombre/mujer).
BD
ik
= un vector de variables que hacen referencia a la dimensiones de la brecha digital.
- 1 variable dummy que separa a aquellos estudiantes mejor situados en la brecha
digital clsica de los peor situados, sin tener en cuenta la finalidad de los usos. Esta
variable es el resultado del anlisis clster presentado en el punto 6.3.2.2 y se centra
en la agrupacin de los usuarios en dos clster basndose en las infraestructuras, la
experiencia de uso, las habilidades y el tiempo online.
- Una serie de de variables que se refieren a la finalidad de los usos de internet. Para
medir las finalidades de uso no acadmicas se han incorporado los 6 ndices surgidos
del anlisis de componentes principales en el captulo 6: descarga y contenidos
audiovisuales, relaciones, web 2.0, usos comunes, e-comercio y entrono laboral.
Est
im
= un conjunto de variables ficticias o dummy que hacen referencia al tipo de estudios que
est siguiendo el estudiante y una variable continua que hace referencia a la posicin del
estudiante en estos estudios.
- 3 variables dummy que diferencian la modalidad de estudio del estudiante en la que el
estudiante estudia: 100% virtual, 100% presencial o hbrido. La variable hbrido solo se


137

aplica en el caso de la educacin mayoritariamente presencial y dentro de ella se
considera en esta a todos los estudiantes de la universidad presencial que han seguido
algn curso con contenidos online, aunque no necesariamente todos.
- 10 variables dummy que diferencian el rea en el que se inscribe la carrera estudiada
por el estudiante: Psicologa y educacin, Ingeniera informtica, Otras ingenieras,
Humanidades, Documentacin e informacin, Economa y empresa, Derecho y ciencias
polticas, Ciencias de la salud, Ciencias exactas y naturales y Otras ciencias sociales.
- 3 variables dummy que distinguen el tipo de carrera que est cursando el estudiante:
diplomatura o ingeniera tcnica, licenciatura o ingeniera superior o segundo ciclo.
- 1 variable continua que mide el nmero de crditos que el estudiante lleva superados
T
in
= Un vector que incluye una variable utilizada como proxys para juntamente con las
variables sociodemogrficas, evitar posibles sesgos derivados de no observar directamente el
tiempo de estudio disponible. Se controlar el nmero de crditos matriculados durante el
curso para controlar la carga de asignaturas del estudiante y una variable dummy que distingue
entre aquellos estudiantes que compaginan su actividad acadmica con actividad en el
mercado laboral y aquellos que no.
UIE
ip
= Un vector que incluye los ndices de uso de internet en educacin. Este vector incluye
tanto la variable tratamiento de la que se quiere medir el efecto (normalmente interaccin
mediante internet en el aprendizaje) como el otro ndice de uso de internet en educacin
(normalmente bsqueda de informacin). Esta inclusin ayuda a controlar que el efecto sea
exclusivamente del uso estudiado.
= el trmino de error
A partir de esta ecuacin bsica, en el anlisis de la eficacia del uso de internet para la
interaccin en la mejora del rendimiento acadmico, con el objetivo de alcanzar los objetivos
propuestos se ir cambiando la medida de la variable tratamiento e incluyendo algunos
elementos como interacciones. Estos cambios, que se han indicado en el punto 7.1 se
comentarn por separado de forma ms detallada en cada captulo. No obstante, en todos los
captulos se parte de esta misma ecuacin base y las mismas variables controladas.



138

7.1.2. Fase 2. Estudio de los determinantes del uso de internet para la interaccin en el
aprendizaje en el rendimiento acadmico
La agenda de investigacin de la brecha digital seala que uno de los puntos clave el estudio
de los determinantes de los usos considerados beneficiosos y que, por tanto, aportan valor
aadido a aquellos estudiantes que los realizan (Dimaggio et al., 2004). En consecuencia, una
vez estudiado el efecto del uso de internet para la interaccin en el rendimiento acadmico, en
un segundo momento, desde una perspectiva sociolgica, se estimarn cuales son los
determinantes del uso de internet para la interaccin en el aprendizaje.
Con este objetivo, en el anlisis de los determinantes, la intensidad de uso de internet para la
interaccin en el aprendizaje tomar el rol de variable dependiente y el resto de variables, a
excepcin del rendimiento acadmico del curso, sern consideradas variables independientes.
La medida de la variable dependiente es ordinal de 5 categoras (De 0 a 4 usos) y por ello,
aunque no es contina, podemos utilizar tcnicas de anlisis como si lo fueran (Jaccard & Wan,
1996). Para ver el efecto de las diferentes variables en la intensidad de uso de internet para la
interaccin en el aprendizaje se har una regresin lineal mltiple de la intensidad de uso en
funcin de las caractersticas sociodemogrficas del estudiante, el rea y tipo de carrera, el
nmero de crditos que lleva cursados y su relacin con la tecnologa. Nuevamente, como en
todos los anlisis se corregir la correlacin intraclase mediante el clculo de errores estndar
robustos con correccin clster.
A la hora de interpretar los resultados el hecho de haber estudiado en el paso anterior los
efectos diferenciados del uso de internet permitir comprobar, para el caso especfico de la
interaccin mediante internet, la hiptesis derivada de los modelos de adopcin de la
tecnologa que seala a la utilidad como un determinante del uso de internet y bajo qu
circunstancias se cumple.
Variables estudiadas
El modelo de anlisis propuesto intenta estudiar las diferencias en la intensidad de uso en
funcin de diferentes variables. La introduccin de las variables responde a dos objetivos:
controlar los posibles sesgos de las variables de inters para la hiptesis propuesta que postula
que los estudiantes que ms se benefician de la interaccin mediante internet son los que ms
intensamente lo usan y conocer qu variables se relacionan con un mayor uso de internet para
la interaccin ms all de la utilidad.


139

Gnero y edad
El gnero y la edad son dos variables clsicas en el estudio de los determinantes de los usos de
internet y se espera que tambin lo sean en el de la interaccin mediante internet en el
aprendizaje. Por otro lado su inclusin ayuda a no sesgar las estimaciones de otras variables.
Est claro que hay reas de estudio que estn dominadas por hombres (por ejemplo
ingeniera) y otras por mujeres (por ejemplo sanidad), igualmente los estudios ponen de
manifiesto que existen algunos usos de internet que realizan ms los hombres y otros las
mujeres. Por ello, si en las universidades tambin existen diferencias de gnero en los usos de
internet para el aprendizaje interactivo, los coeficientes estimados de la influencia del rea en
el uso de internet interactivo y las relaciones con los usos extraacadmicos estaran sesgados si
no se incluyera esta variable.
En cuanto a la variable edad, en nuestros datos se comprueba que existen diferencias de edad
relacionadas con las variables de inters. As pues los estudiantes que siguen segundos ciclos
son mayores que el resto. Por otro lado, la literatura tambin pone de manifiesto que los
estudiantes ms jvenes son los tienen mayor propensin a utilizar internet para su da a da
incluyendo el ocio y la interaccin y que tambin son proclives a utilizar internet en educacin
(Pedr, 2009b; Premsky, 2001)Por tanto, si no se incluyera la variable edad los estimadores de
la influencia de la relacin del estudiante con el mercado laboral, del grado de
profesionalizacin y de los usos extraacadmicos estaran sobreestimados.
Variables acadmicas
Sabemos que ms all de las caractersticas de los estudiantes, la institucin donde se estudia
y las caractersticas de los profesores son unos condicionantes bsicos del tipo de usos de
internet en el aprendizaje. Por ello, se han incluido en el anlisis. Adems, su inclusin ayuda a
eliminar los sesgos de las estimaciones ya que:
- Est claro que existe una asociacin entre la modalidad de estudio y el rea de disciplina y
el grado de profesionalizacin de los contenidos. En la universidad virtual del sistema no se
ofrecen las 10 reas de estudio analizadas sino que tan solo se ofrece 6 de ellas.
Concretamente en el 2005 no exista la posibilidad de cursar carreras de ingenieras no
informticas, ciencias exactas y naturales, ciencias de la salud y del rea que hemos
denominado otras ciencias sociales.


140

- Los estudiantes de la universidad virtual estudian en menor medida carreras de primer y
segundo ciclo que los estudiantes de las presenciales (un 30,7% en nuestra muestra frente
al 60,4% de las universidades presenciales).
- La modalidad destudio (online, presencial o hbrida) determina en gran medida el grado de
uso de internet para la interaccin. Teniendo en cuenta que el rea de estudio y el grado
de profesionalizacin de las carreras tambin se relacionan con el tipo de formacin, para
estimar el efecto neto de estas dos variables en el uso interactivo de internet es necesario
incluir la variable modalidad de estudio en el modelo presentado.
Por otro lado, el hecho de tener superados muchos crditos puede aportar una experiencia
como estudiante que lleve a identificar y realizar los usos beneficiosos de internet. Por ello se
ha incluido en el anlisis la variable crditos superados acumulados.
Brecha digital
La literatura ha puesto de manifiesto que el acceso a buenas infraestructuras de conexin, la
experiencia de uso de internet, las habilidades de uso y la intensidad son variables que van
relacionadas entre si (van Dijk, 2005; Hargittai & Hinnant, 2008). En la presente tesis, se ha
creado la variable dicotmica Lder digital para distinguir a aquellos estudiantes con mejores
accesos, ms experiencia, habilidades e intensidad de uso. Es posible que los estudiantes con
ms habilidades y ms acostumbrados a usar internet en su da a da sean tambin los que ms
utilicen internet en su estudio. Adems, controlar esta variable ayuda a ajustar otras
estimaciones.
Los datos presentados en el captulo 6 dejan claro que este perfil de estudiante se relaciona
especialmente con el estudio de ingenieras, sobretodo informtica y con carreras del mbito
de la informacin y la documentacin y, en menor proporcin, con el resto de reas. Por ello,
incluir la variable lder digital ayuda a controlar el sesgo en los estimadores de las reas de
estudio (y al revs) ya que sin incluirla la influencia de las ingeniera y las carreras de
informacin y documentacin estaran sobrestimadas en los modelos.
Centrndonos en las variables de inters, es especialmente til para controlar el efecto de
aquellas reas de estudio favorables o desfavorables al uso de internet en general ya que sin
controlar esta variable se sobrestimara su efecto en el uso de internet para interactuar en el
aprendizaje.



141

Usos de Internet en el aprendizaje
El hecho de incluir en el modelo una variable que mide el grado de usos acadmicos
individuales responde a la necesidad de evitar el sesgo en los estimadores provocado por la
posibilidad de puedan estar relacionados con un mayor uso de internet en general en el
aprendizaje y no especficamente con el uso para la interaccin en ste. Por ello, se incorpora
al anlisis el ndice de uso de internet para la bsqueda de informacin en el aprendizaje.
Tiempo disponible para el estudio
El hecho de estar ms ocupado y tener menos tiempo libre, se relaciona con un menor tiempo
de uso de internet para ocio y posiblemente tambin para el estudio. Por ello, se podra pensar
que los estudiantes que tienen ms tiempo ocupado por sus obligaciones laborales y familiares
utilizarn menos internet para la interaccin en el aprendizaje que los que no, que disponen de
ms tiempo para seguir sus estudios. Sin embargo, otra posibilidad alternativa y especfica
para el anlisis de los determinantes del uso de internet para la interaccin podra ser que los
estudiantes con menos tiempo para el estudio (y no abandonan los estudios) fuesen ms
proclives a flexibilizar la interaccin necesaria en el aprendizaje desplazndola hacia espacios
(fsicos y temporales), que como es el caso de internet, no coinciden con las clases
presenciales.
No se dispone de informacin ni teora sobre cul de estas tendencias es mayor y por tanto de
si el hecho de tener menos tiempo favorece o no la interaccin mediante internet en el
aprendizaje. De todas formas, dado que es muy probable que los estudiantes de segundo ciclo
sean individuos que por su posicin en el ciclo vital tengan menos tiempo libre para el estudio,
y por tanto para evitar sesgar el estimador del grado de profesionalizacin de los contenidos es
necesario controlar el tiempo disponible de los estudiantes.
Lamentablemente no se dispone de datos sobre la carga familiar (nmero de hijos, horas
dedicadas a trabajo domstico) de los estudiantes ni sobre el nmero de horas que dedican a
trabajar. Sin embargo, el hecho incluir en los anlisis las variables trabajo, edad, gnero y
crditos matriculados puede servir de proxy. En este sentido, en el modelo se asume que el
hecho de controlar el gnero, la edad y los crditos matriculados por curso controla
indirectamente la cantidad de responsabilidad domstica y familiares.
En primer lugar sabemos que el tiempo es limitado y por tanto, los estudiantes que trabajan
disponen de menos tiempo para dedicar al estudio que aquellos que no lo hacen. Adems, el
hecho de incorporar la variable edad en el modelo tambin puede servir de proxy para el


142

nmero de horas que el estudiante gasta en el mercado laboral: asumimos que los estudiantes
ms jvenes tienden a tener en menor proporcin trabajos de jornada completa.
En segundo lugar el modelo asume que los individuos ms jvenes tienen menos
responsabilidades domsticas y familiares debido a la menor tasa de emancipacin y ausencia
o menor nmero de hijos. Por otro, lado la variable gnero ayuda a controlar las cargas
familiares ya que en Catalunya las cargas domsticas y familiares recaen ms entre las
mujeres, especialmente en las edades ms elevadas donde es ms probable que tengan hijos.
Por ltimo, una variable que puede incidir en el tiempo disponible para el estudio es la carga
de asignaturas que un estudiante tiene en el ao. Sabemos que los estudiantes de segundos
ciclos se matriculan de media de menos crditos al ao que los de solo primer ciclo (37,78
crditos los primeros y 49,04 los segundos) y los de solo primer ciclo de menos que los de
primer y segundo ciclo (60,56). Por tanto, sin la inclusin de esta variable no se controlara el
efecto que puede tener la carga de asignaturas en el uso de internet para estudiarlas.
Notacin del modelo de regresin
Como se ha dicho la metodologa empleada para el anlisis de los determinantes del uso de
internet en educacin es la regresin lineal. La variable a explicar es una ordinal de 5
categoras y, por tanto, tal como marca la literatura puede ser tratada como continua y ser
incorporada en este tipo de anlisis (Jaccard & Wan, 1996).
Para comprobar la hiptesis de la utilidad como determinante de la intensidad de uso de
internet para la interaccin y conocer que otras variables influyen en ella se llevar a cabo el
siguiente modelo de regresin:
UII
i
= b
j
X
ij
+ d
k
BD
ik
+ c
m
Est
im
+ Ti
n
+
Donde:
UII
i
= El nmero de usos interactivos que realiza el estudiante. (De 0 a 4)
X
ij
= un vector j de las caractersticas de los estudiantes: Edad, gnero (hombre/mujer). Dos
variables clsicas en el estudio de determinantes de usos de internet.
BD
im
= un vector de variables que hacen referencia a la dimensiones de la brecha digital y que
la lliteratura marca claramente relacionadas con los usos que se hacen. Dentro de esta
categora se incluye el uso de internet en educacin para la bsqueda de informacin


143

- 1 variable dummy que separa a aquellos estudiantes mejor situados en la brecha digital
clsica de los peor situados, sin tener en cuenta la finalidad de los usos. Esta variable es la
denominada Lderes digitales, y es producto del anlisis clster ya presentado.
- Una serie de de variables que se refieren a la finalidad de los usos de internet. Para medir
las finalidades de uso no acadmicas se han incorporado los 6 ndices surgidos del anlisis
de componentes principales en el captulo 6
- Para los usos acadmicos la variable uso de internet individual para el aprendizaje
considerndola como continua ya que tiene ms de 5 categoras (ver captulo 6).
Est
ik
= un conjunto de variables ficticias o dummy que hacen referencia al tipo de estudios que
est siguiendo el estudiante y su posicin en ellos:
- 3 variables dummy que diferencian la modalidad de estudio del estudiante en la que el
estudiante estudia: 100% virtual, 100% presencial o hbrido. La categora hbrido hace
referencia a aquellos estudiantes de la universidad presencial que ha seguido algn curso
con contenidos online. Por tanto, esta variable no se usar en las ecuaciones donde se
analicen solamente los estudiantes de la universidad virtual.
- 10 variables dummy que diferencian el rea en el que se inscribe la carrera estudiada por
el estudiante: Psicologa y educacin, Ingeniera informtica, Otras ingenieras y
arquitecturas, Humanidades, Documentacin e informacin, Economa y empresa,
Derecho, ciencias polticas y administracin pblica, Ciencias de la salud, Ciencias exactas y
naturales y otras ciencias sociales.
- 3 variables dummy que distinguen el tipo de carrera que est cursa el estudiante:
diplomatura o ingeniera tcnica, licenciatura o ingeniera superior o segundo ciclo.
- 1 variable continua que mide la experiencia como estudiante y la cercana a la finalizacin
de los estudios: Crditos superados acumulados hasta el curso estudiado.
T
in
= Un vector de variables utilizadas como proxys para juntamente con las variables
sociodemogrficas, evitar posibles sesgos derivados de no observar directamente e l tiempo de
dedicacin por asignatura: Crditos matriculados durante el curso y situacin laboral del
estudiante
= el trmino de error




144

7.2. Caractersticas de los datos: Problemas y correcciones estadsticas

Los datos a analizar tienen tres problemas principales:
- En primer lugar, un problema comn para todos los anlisis es la correlacin interclase
derivada de la naturaleza multinivel de los datos.
- En segundo lugar, el sesgo de seleccin de las variables observadas a la hora de calcular el
efecto del uso de internet en el rendimiento acadmico.
- Por ltimo, la no observacin de algunas variables.
A continuacin se detallar en qu consisten los problemas citados y que soluciones se
plantean en la presente tesis.
7.2.1. Correlacin intraclase
Una particularidad que el sistema educativo comparte con otras organizaciones sociales es que
los sujetos forman grupos que comparten tiempo y actividades (Gaviria, 2000) y ello provoca
que la proximidad de ciertos individuos les haga ser ms homogneos. La correlacin
intraclase es aquella correlacin existente entre los individuos de un mismo clster o grupo
debido a la tendencia, comn en ciencias sociales, y en especial en anlisis educativos, a que
las unidades dentro de un mismo clster (por ejemplo una misma aula) se comporten de
forma similar.
La existencia de unidades agrupadas en diferentes clusters viola el supuesto necesario para el
clculo de los errores estndar de que cada observacin es independiente del resto de
observaciones de la base de datos. Cuanto mayor es la correlacin intraclase y, por tanto
menor es la independencia de las observaciones, cada observacin contiene menos
informacin nica o propia. Dado que para el clculo de los errores estndar slo se debe
utilizar la informacin propia o nica de cada individuo la consecuencia directa de la
correlacin intraclase es un aumento del error estndar y por tanto una mayor exigencia a la
hora de dar como significativas las relaciones encontradas en los anlisis.
Los problemas de correlacin intraclase no sesgan la estimacin de las estimaciones de los
modelos, sin embargo, pude afectar al clculo de los errores estndar y, por tanto, al nivel de
significacin, lo que en la prctica pude llevar al investigador a dar como significativas
relaciones que en realidad no lo son.


145

Los datos a analizar en la presente tesis estn agrupados en diferentes niveles de anlisis
(Universidad, rea y tipo/duracin de estudios) y, por tanto, ignorar la existencia de la
correlacin intraclase puede llevar a resultados errneos
22
. Por este motivo, se ha optado por
el mtodo de corregir los errores estndar mediante su clculo robusto a la heteocedasticidad
y una correccin clster.
7.2.2. Sesgo de seleccin de las variables observadas.
En los tres primeros objetivos de la presente tesis, se quieren estimar efectos causales a partir
de datos provenientes de diseos observacionales. Este objetivo es comn en la investigacin
educativa donde se hace necesario saber que prcticas y programas particulares mejoran el
rendimiento de los estudiantes, el desarrollo social y los beneficios de la educacin (Schenider,
Carnoy, Kilpatrick, Schmidt, & Shalvelson, 2007). Si bien tradicionalmente los datos
observacionales se utilizaban para establecer relaciones probabilsticas y no para llevar a cabo
inferencias causales, gracias a los desarrollos que en las ltimas 3 dcadas se han hecho tanto
desde la econometra como desde la estadstica, las grandes bases de datos, como la que
disponemos con ms de 17.000 observaciones, pueden ser utilizadas para aproximarse a los
resultados de los experimentos controlados.
Varios son los planteamientos formales que desde la filosofa de la ciencia se han hecho para
especificar qu se pude considerar causalidad y se remite al lector interesado a los anexos de
la tesis
23
. Sin embargo, es importante destacar que la presente tesis parte de la solucin
estadstica para buscar la causalidad consistente en la comparacin de grupos homogneos y
que el modelo de anlisis propuesto cumple las condiciones necesarias de relatividad causal,
manipulacin causal y orden temporal. El punto ms dbil, como en casi todos los diseos no
experimentales es la casi imposible asuncin de la eliminacin de todas las explicaciones
alternativas o independencia condicional y este deber ser el ms discutido en los resultados.
En la investigacin realizada al hablar de causalidad se hace referencia a los efectos de una
causa y no a cules son las causas de un efecto. En concreto, se pretende conocer cules son
los cambios en el rendimiento acadmico (efecto) de un estudiante el hecho de que haga un

22
La literatura ha sealado diferentes mtodos para poder superar la violacin del supuesto de
independencia a la hora de calcular los errores estndar: Survey method, Clculo de errores estndar
robustos con correccin cluster, Anlisis multinivel. Para una revisin ver
http://www.ats.ucla.edu/stat/stata/Library/cpsu.htm (UCLA: Academic Technology Services, Statistical
Consulting Group., s.f.)
23
Ver anexo 1 para un desarrollo de la lgica contrafactual y causal y la adecuacin de las condiciones
causales al estudio propuesto.


146

tipo de uso de internet u otro en educacin (causa). Por tanto, no es objetivo de esta tesis
modelar cules son las causas que explican el efecto, es decir no se pretenden estudiar todos
los determinantes de la mejora del rendimiento acadmico de los estudiantes. Esta
aproximacin a la causalidad tiene la ventaja de poder dar mejor respuesta a la exigencia de
independencia condicional. Al especificar cul es la causa concreta a estudiar y poder disear
los anlisis a partir de esta especificacin, en la definicin del diseo de investigacin, no hace
falta tener informacin sobre todas las variables que influyen en el rendimiento acadmico, ya
que el objetivo de la tesis no es definirlas, sino que como se discutir ms adelante, slo es
necesario tener informacin sobre aquellas posibles variables confusoras: es decir aquellas que
se relacionan al mismo tiempo con el efecto y la causa y por tanto pueden llevar a un sesgo en
las estimaciones.
En cuanto a los diversos tipos de efecto de tratamiento que se pueden estudiar
24
, la tesis se
centrar en los efectos de tratamiento para los tratados, es decir en el efecto medio del
tratamiento slo para aquellos individuos que participan en el tratamiento. Este tipo de efecto
es el efecto de ms inters sustantivo para algunos investigadores, ya que para decidir si un
tratamiento o programa es beneficioso hay que saber si beneficia a aquellos a los que se
asigna en l.
La aproximacin causal utilizada en esta tesis trata de dar respuesta a hechos contrafactuales:
- Qu le hubiera pasado a un individuo que hace un determinado uso de internet para la
interaccin en educacin si no lo hubiese hecho?.
- Qu le hubiese pasado a un individuo que hace una intensidad de uso determinada si
hubiese hecho otra?
Para responder estas preguntas se parte del marco de anlisis de evaluacin conocido como el
modelo de Roy-Rubin (Roy, 1951; Rubin, 1974). Los pilares de este modelo son: los individuos,
el tratamiento y los outcomes potenciales (Caliendo, & Kopeinig, 2005).
En el caso de un tratamiento binario, el indicador de tratamiento Di =1 si el individuo i recibe el
tratamiento e Di=0 si no lo recibe. El outcome es definido como Yi(Di) para cada individuo i,
donde i=1,.,N y N es el total de la poblacin. Teniendo en cuenta lo anterior podemos notar
el efecto causal del tratamiento en un individuo como la diferencia para este individuo en el

24
Ver anexo 2 para ver una definicin de los diferentes tipos de tratamiento


147

outcome de inters en el caso de haber participado en el programa y el outcome en el caso de
no haberlo hecho de esta forma:
Efecto causal del tratamiento para un individuo : i= Yi(1)-Yi(0)
Siguiendo este argumento, para calcular el efecto de un tratamiento en un individuo se
debera saber tanto qu hubiera pasado con este individuo en el caso de haber participado en
el programa como en el caso de no haberlo hecho. Y ello lgicamente no se puede saber de
forma emprica, lo que supone el problema fundamental de la inferencia causal y el mayor
problema con el que la literatura sobre el clculo de tratamientos tiene que lidiar.
Como en la prctica de las ciencias sociales no es posible saber el hecho contrafctico sino solo
lo que realmente ha pasado, ests tienen que optar por la denominada solucin estadstica.
Esta solucin consiste en comparar dos grupos, uno tratado y otro no, bajo las dos condiciones
marcadas la participacin unitaria estable cuyas siglas en ingls y como se conoce son SUTVA:
- En primer lugar una primera condicin es que los dos grupos comparados sean
exactamente iguales en todas las caractersticas pretratamiento y que uno de los grupos
haya sido tratado y el otro no. Por tanto, idealmente ha de cumplirse la condicin de
independencia entre las caractersticas previas al tratamiento y las posibilidades de
asignacin al grupo de control o el de tratamiento (Guo & Fraser, 2010). Esta condicin es
conocida como la asuncin de la independencia condicional, en ingls Conditional
Independence Assumption y conocida por sus siglas (CIA).
- Una segunda condicin necesaria para que la solucin estadstica basada en el modelo
Neyman-Rubin funcione correctamente es que el valor del outcome estudiado ser el
mismo independientemente de los tratamientos que reciben el resto de unidades Rubin
(1980, 1986). Asumir que la variacin en un outcome para un individuo ser la misma de
forma independiente a lo que los tratamientos que reciben el resto de unidades significa
eliminar las reglas de interaccin social y los efectos de equilibrio que se dan en algunas
ocasiones (Heckman & Vytlacil, 2005)
25
.

25
Por ejemplo, en un sistema de de educacin competitivo que base la evaluacin del rendimiento
acadmico de sus alumnos en base los dems alumnos est condicin no tiene porque cumplirse al
analizar los efectos de tratamientos sobre el rendimiento acadmico. Un sistema as podra dividir a los
alumnos en 5 categoras de rendimiento en funcin de si estn en el quintil que mejor nota saca en un
examen, en el segundo quintil y as hasta el quinto, pero el hecho de que unos alumnos sacarn mejor


148

Para conseguir cumplir la asuncin de independencia condicional lo ideal es asignar los
individuos a los grupos de forma aleatoria. Debido a ello, existe un acuerdo en que, cuando
est bien realizado, un experimento aleatorizado y controlado es el diseo ms poderoso para
analizar los efectos de tratamiento. En este tipo de diseos la aleatoriedad asegura que la
asignacin a un grupo u otro es independiente de las caractersticas de los individuos previas a
la recepcin del tratamiento y, por tanto, la diferencia de medias del output de inters entre
ambos grupos puede ser atribuida slo y nicamente al tratamiento y no a las caractersticas
previas a este de los individuos.
Pero los diseos experimentales no estn exentos de problemas. Existen problemas respecto a
su generalizacin debido al tamao muestral
26
y problemas ticos y legales para llevarlos a
cabo (Schenider et al., 2007). Bajo qu criterio puede un investigador por ejemplo, utilizar dos
formas de educacin si existen indicios de que uno es superior a otro?. Cuando existen
impedimentos logsticos, legales o ticos, se hace muy necesario utilizar bases de datos
extensivas para aproximarse a los resultados de un experimento utilizando tcnicas
estadsticas. Los datos de diseos observacionales pueden ser entonces utilizados para
aproximarse a la estimacin de inferencias causales, ya sean con la finalidad de analizar los
datos para alcanzar resultados tentativos que permitan en un segundo paso implementar
experimentos sociales a gran escala o ya sea para aproximarse a las inferencias causales
mediante estos datos. Las principales ventajas de estos diseos son por tanto: la
generalizacin, la posibilidad de anlisis de subgrupos, la superacin de barreras ticas y
legales, as como la posibilidad de estudiar cambios a lo largo del tiempo
En el caso de los estudios basados en datos observacionales, como en la presente tesis, es
mucho ms difcil conseguir cumplir el criterio de independencia condicional. Y es que pese a

notas por haber seguido un tratamiento para la mejora del aprendizaje hara que pudieran subir de
quintil y desplazaran a otros alumnos a quintiles ms bajos, dndose as que el outcome de inters, el
rendimiento, se vera afectado por los tratamientos que reciben otros alumnos. Lo mismo podra pasar
en la incorporacin de los alumnos en el mercado de trabajo.

26
Uno de los mayores problemas con los que se encuentra el diseo de experimentos para el clculo de
efectos de tratamiento es el tamao de la muestra. Estadsticamente, la nica forma de garantizar la
representatividad en la poblacin es hacer un muestreo aleatorio representativo y convencer a todos los
individuos seleccionados a participar en el experimento, que a su vez los asignar aleatoriamente entre
el grupo de tratamiento y el grupo de control. Como se puede imaginar, esto es extremadamente difcil
de llevar a la prctica (Schenider et al., 2007) y los investigadores se encuentran con un primer
problema de validez externa para poder generalizar los resultados de los datos a las poblaciones: los
impedimentos logsticos, que habitualmente se intenta solucionar mediante la replicacin de estudios
en diferentes poblaciones, lugares etc.


149

que se pueden controlar las variables observadas, nunca se puede hacer lo mismo con las no
observadas y, por tanto, es muy difcil poder asegurar con certeza que no existen variables
confusoras no observadas, es decir variables que miden caractersticas previas al tratamiento y
que estn relacionadas tanto con el hecho de que un individuo participe en un tratamiento (en
esta investigacin uso de internet para la interaccin) como con los los outputs que ese
tratamiento modifica (en esta investigacin rendimiento acadmico).
Este hecho puede llevar a que aquellos individuos que participan en el programa difieran de
aquellos que no lo hacen en ms caractersticas que la pertenencia al grupo de control o al
grupo de tratamiento, pudiendo sesgar la estimacin de los efectos causales si stas estn
tambin relacionadas con el output de inters. Cuando sucede este problema es referido como
sesgo de seleccin (Sample selection bias) y pone de manifiesto que cuando no se controla, el
hecho de participar en un programa, o formar parte del grupo de tratamiento, no es aleatorio
y se asocia con variables previas al tratamiento.
Para evitar el sesgo de seleccin es de especial importancia tener una base de datos que
incluya informacin sobre todas las variables que la teora marca como confusoras, es decir
que influyen tanto en el hecho de recibir el tratamiento como en el otuput a estudiar. As pues,
en esta tesis ser de gran importancia tener controladas las variables que influyen en el uso de
internet para la interaccin en el aprendizaje y, a su vez, con el rendimiento acadmico para
poder calcular los efectos causales de este uso.
Resumiendo, las aportaciones anteriores, para poder hablar de causalidad en la presente tesis
se debe:
- Asegurar que todas las variables confusoras observadas estn equilibradas entre el grupo
de control y el de tratamiento.
- Asumir que todas o las principales variables confusoras estn observadas y que no existen
variables no observadas que puedan generar un sesgo de seleccin.
- Asumir que el hecho de que unos estudiantes mejoren su rendimiento gracias a hacer unos
usos de internet en educacin no afectar al rendimiento acadmico del resto.
Debido a limitaciones metodolgicas para llevar a cabo construcciones de grupos de control y
tratamiento adecuados
27
la investigacin sobre la medicin de los impactos de tratamientos en

27
Hasta la aparicin de las tcnicas de Propensity score matching la nica va posible consista en hacer
exact matching,


150

educacin superior a partir de datos observacionales ha acostumbrado a hacer las dos
asunciones propuestas, sin embargo no se ha preocupado por asegurar que todas las variables
confusoras estn equilibradas entre el grupo de control y el de tratamiento. As pues, la
estrategia utilizada habitualmente para el clculo de efectos causales a partir de datos
observacionales es hacer un modelo de regresin sobre el output que incluya una variable
dummy que indique si el individuo ha recibido o no el tratamiento. Dado que la interpretacin
del coeficiente de regresin es la cantidad que cambia la variable dependiente si se
incrementa la independiente, el coeficiente de regresin de la variable dummy que indica si un
individuo ha sido o no tratado se pude considerar como el efecto de haber recibido un
tratamiento (Domingue & Briggs, 2009). La estrategia bsica para controlar el sesgo de
seleccin que subyace detrs de los mtodos de regresin es encontrar un conjunto de
covariables que puedan ser incluidas en la ecuacin de regresin con la finalidad de eliminar la
correlacin entre la variable de tratamiento y el trmino de error.
Sin embargo, en las regresiones lineales sigue persistiendo parte del sesgo de seleccin. Los
anlisis de regresin no siguen la lgica causal presentada y por tanto, no garantizan que el
grupo de tratamiento y el de control cumplan la condicin de independencia condicional. Esto
es importante debido a que la independencia condicional, tal como demuestra Guo, es
equivalente a la asuncin que se hace en los anlisis de regresin sobre la exogeneidad o
independencia del trmino de error respecto a las variables independientes o (Guo & Fraser,
2010).
Por tanto, se pone de manifiesto un primer problema del clculo de efectos causales mediante
tcnicas de regresin: si la regresin no se hace sobre una muestra que cumple el criterio de
independencia condicional, el estimador estar sesgado ya que incumple uno de las
asunciones propias del modelo de regresin. O dicho de forma ms sencilla, en los modelos de
regresin con la totalidad de la muestra, si no se cumple la independencia condicional, se
estn comparando individuos incomparables entre s y existe cierto sesgo de seleccin (Guo &
Fraser, 2010; Schenider et al., 2007)
Desarrollos ms recientes en evaluacin de programas, que parten de la lgica contrafactual,
promueven nuevas tcnicas que se aproximan a la investigacin experimental. La idea
principal es conseguir que los datos observacionales con los que se trabaja se asemejen lo ms
posible a los datos que se hubiesen obtenido si hubiese existido aleatorizacin en la asignacin
de los individuos en los grupos de tratamiento y control. Es decir, se busca que estos grupos
sean iguales en todo excepto en la variable de tratamiento, o dicho ms tcnicamente, que la


151

variable de tratamiento sea independiente del resto de covariables de control incluidas en el
anlisis.
En los anlisis causales de la presente tesis, para conseguir controlar el sesgo de seleccin ( las
covariables de los individuos tratados no son igual que las del grupo de control), se utilizar un
desarrollo reciente de las tcnicas de matching que consiste en la construccin artificial de dos
grupos iguales entre s pero que difieran en la pertenencia al grupo de tratamiento o de
control sobre los que se pueden lanzar los anlisis sin sesgo de seleccin para las variables
observadas: el propensity score matching (PSM).
La tcnica del PSM consiste en construccin de un grupo de control comparable al de
tratamiento, en cuanto a las caractersticas pretratamiento, mediante la asignacin de pesos
basados en las probabilidades de recibir el tratamiento y la eliminacin de los individuos
outlayers o no comparables. La literatura ha demostrado que el emparejamiento segn la
propensin a recibir el tratamiento es eficaz para construir grupos comparables ( Rosenbaum
& D. B. Rubin, 1983; 1985). Para ello se siguen 3 pasos bsicos:
1. Estimar la probabilidad o propensity score de cada individuo de recibir el tratamiento en
funcin de las covariables a controlar. En principio la literatura marca que cualquier
modelo de eleccin discreta puede ser utilizado para el clculo de las probabilidades de
cada individuo de hacer el tratamiento dicotmico (Caliendo et al., 2005). En la presente
tesis esta estimacin se har mediante un modelo probit de la probabilidad de uso
intensivo de internet para la finalidad estudiada.
2. Implementar un algoritmo de matching que, basndose en el propensity score estimado,
empareje y pondere a los individuos de forma que se generen dos grupos lo ms parecidos
entre s pero diferentes en el hecho de que unos han seguido el tratamiento y otros no. Es
decir una potencial base de datos que cumpla el criterio de independencia condicional y
analizar la cual no introduzca sesgo de seleccin. Para emparejar los individuos a partir de
su propensity score existen varias posibilidades
28
. La literatura recomienda probar varios
algoritmos de matching para comprobar la estabilidad y as se har en esta tesis. En el
primer captulo se prueban varios algoritmos para ver su eficacia y estabilidad de

28
Para ver un resumen de las opciones de matching disponibles se puede consultar: (Caliendo et al.,
2005; Dehejia & Wahba, 1998; Guo & Fraser, 2010)



152

resultados (Diversas versiones del vecino ms prximo y Kernel matching
29
). A partir de las
comparaciones anteriores, en el noveno y dcimo captulo se opta directamente por el
algoritmo de matching de emparejamiento con los 5 vecinos ms prximos. Este algoritmo
consiste en emparejar a cada individuo tratado con los 5 individuos ms prximos en
cuanto a probabilidad de utilizar internet de forma interactiva para la educacin. Para
garantizar que el vecino ms prximo no se aleja demasiado se ha restringido el rango de
opciones para el emparejamiento a aquellos individuos con 0,5% probabilidades de uso
respecto al individuo tratado que se quiere emparejar. Adems, se ha optado por la opcin
de reemplazamiento, que consiste en que una vez un individuo del grupo de control est
emparejado no se elimina y puede volver a ser emparejado con otro individuo del grupo
de tratamiento. Ello permite conseguir pareja para un mayor nmero de individuos y no
reducir la muestra de forma importante. Por ltimo, hay que decir que se ha restringido el
algoritmo a la regin de soporte comn, es decir a aquella regin de la distribucin de
probabilidades en la que existen individuos tratados y no tratados, eliminando a los
individuos que no estn en ella. A partir de los algoritmos anteriores se construye un grupo
de tratamiento (todos los individuos que estn dentro de la zona de soporte comn y
encuentran por lo menos un individuo similar) y un grupo de control (los individuos
emparejados que no reciben el tratamiento ponderados por el nmero de veces que han
sido emparejados).
3. Comprobar el balanceo de las covariables de control entre el grupo de tratamiento y
control. Una vez emparejados los individuos se comprueba que los dos grupos resultantes
son casi iguales entre s en todas las covariables de inters. En la presente tesis la
comprobacin se hace mediante la comparacin de medias/proporciones entre los dos
grupos y la implementacin de un test de diferencias. Si la probabilidad de que sean
diferentes es menor del 5% en todas las variables estudiadas se considera que los grupos
son homogneos y balanceados.
Siguiendo los tres pasos anteriores se consigue eliminar a los individuos no comparables y
asignar a cada individuo del grupo de control un peso para ponderar la muestra que aplicado
consigue construir dos grupos homogneos o balanceados entre s en todas las covariables
observadas, pero diferentes en la variable de tratamiento. Es decir, en las variables observadas

29
Kernel matching a diferencia del resto de algoritmos de matching que solo usan algunos individuos
del grupo de control construye el grupo de control ponderando el peso de todos los individuos segn su
proximidad. Tiene la ventaja de un mayor nmero de individuos pero el inconveniente de sesgar el
resultado algo ya que introduce individuos que no son fcilmente comparables con otros del grupo
tratado.


153

se aproximan a los grupos que hubiesen resultado de la asignacin aleatoria de individuos al
tratamiento y control.
Hay que aclarar que la estimacin del propensity score usada para crear los grupos en la
presente tesis se ha hecho del uso intensivo definido a partir de 3 o 4 usos. Partiendo de lo
anterior, hay que avisar que los anlisis propuestos tienen corregida la probabilidad de usar
mucho/poco este uso de internet, pero no tienen en cuenta la variacin interna dentro estas
categoras (0,1,2 usos) (3,4 usos), por tanto cuando la variable de inters toma 5 categoras, si
bien disminuyen el sesgo de seleccin de las variables observadas, no se puede garantizar que
lo haga con la misma eficacia que cuando el tratamiento es dicotmico.
A partir de estos grupos se pueden llevar a cabo diversos tipos de anlisis sin sesgo de
seleccin de las variables observadas.
Un primer anlisis consiste en la comparacin de las medias de rendimiento acadmico de los
grupos control y tratamiento una vez balanceadas el resto de covariables observadas.
Sin embargo, las tcnicas de matching solo eliminan el sesgo de seleccin de las variables
observadas al 100% cuando es posible construir dos grupos idnticos 100%, o cuando es
posible hacer exact matching (Ho, Imai, King, & Stuart, 2007) cosa que no es comn debido a la
limitacin de individuos disponibles. Por este motivo, ms recientemente algunos autores
argumentan que esta lgica contrafactual de control de covariables aplicada en el PSM es
combinable con la lgica paramtrica de los anlisis multivariantes convencionales. La finalidad
de la combinacin es aplicar una doble correccin para an reducir ms el sesgo de seleccin
residual que contina existiendo tras las tcnicas de matching (Guo & Fraser, 2010; Ho et al.,
2007).
Esta estrategia de la doble correccin tiene, a priori, una desventaja respecto a la comparacin
de medias: se vuelven a asumir ciertas restricciones de forma y linealidad en las relaciones con
el output, pero como se ha demostrado, si se usa el propensity score matching como
pretratamiento de los datos, estas asunciones son mucho menores
30
, ms relajadas e
introducen menos sesgos sobre el valor real que si tan solo se utiliza tan solo la regresin
lineal. Adems, el beneficio obtenido por la doble correccin en la precisin del estimador es
mayor que el sesgo que introducen estas asunciones paramtricas (Ho et al., 2007).

30
Debido a la relajacin de las asunciones en las regresiones corregidas mediante el PSM en los anlisis
causales no se analizar en detalle el cumplimiento de los supuestos necesarios para el buen
funcionamiento de las regresiones lineales.


154

Un segundo anlisis basado en la lgica de la doble correccin consiste en lanzar un anlisis de
regresin lineal sobre los dos grupos artificiales creados que tienen las mismas probabilidades
de utilizar internet para el tratamiento, pero que unos hacen y otros no
De esta forma, si se supone que no existe ninguna variable no observada que afecte a la vez al
rendimiento acadmico y al uso de internet para informacin y /o interaccin, se podra
argumentar que la diferencia de medias se puede atribuir casi en su totalidad al tratamiento y
no a ninguna otra de las covariables observadas. Hacer esta suposicin es muy difcil en la
prctica y por ello el investigador tiene que justificar muy bien la inexistencia de variables
relevantes no observadas.
7.2.3. Posibles sesgos por variables no observadas
Como se ha dicho, un problema de cualquier tipo de estudio que cuenta con datos que
provienen de diseos observacionales y no experimentales es que es prcticamente imposible
controlar todas las variables que pueden influir a la vez en el output y el tratamiento que se
quiere estudiar.
En la presente tesis, existen 2 variables de las que no se tiene informacin para todos los
individuos y que la literatura seala que especialmente relevantes a la hora de determinar el
rendimiento acadmico de los estudiantes y que cabra la posibilidad de que tambin lo fuesen
para determinar el uso de internet para la interaccin en educacin:
- La nota de entrada a la universidad como proxy de las capacidades innatas y adquiridas del
estudiante. Solo se dispone de esta informacin para los estudiantes de la universidad
presencial y falta para 1.216 estudiantes, es decir para el 15% de los estudiantes de esta
modalidad.
- El nivel de estudios de los padres como proxy del estatus socioeconmico familiar. Esta
variable la rellenan los estudiantes al elegir universidad y no es de cumplimentacin
obligatoria. No es de extraar, por tanto, que para las universideades presenciales solo se
disponga para 5.863 estudiantes (72,7%) y para la UOC para 4.779 (52,8%).
Para comprobar si estas variables tienen influencia sobre el uso de internet para la interaccin
se han realizado los anlisis de determinantes incluyendo estas dos variables (Ver anexo 3) y
dados los resultados se ha optado por no incluirlas en los modelos. Dos son los motivos para
hacerlo:


155

- En la submuestra para la que se dispone de datos la nota de entrada a la universidad
no se relaciona con un mayor uso de internet para la interaccin por tanto no es
necesario incluirlo en el anlisis de los determinantes ni controlar esta variable para no
sesgar los clculos del efecto de la interaccin en el rendimiento acadmico. No
obstante, aunque no es el objetivo de esta tesis buscar las causas del rendimiento
acadmico, hay que sealar que, en concordancia con la teora, la nota de entrada a la
universidad s es una variable fuertemente relacionada con el rendimiento acadmico
de los estudiantes en el curso 2005-06.
Tabla 7.2. Influencia de la nota de entrada en la intensidad de uso de internet para la
interaccin en el aprendizaje
Nota de entrada
Coeficientes estimados
(errores estndar)
De 5 a 6 0.074
(0.07)
De 6 a 7 -0.005
(0.08)
De 7 a 8 0.040
(0.06)
De 8 a 9 0.073
(0.06)
Nota_Missing 0.091
(0.11)
Fuente: Elaboracin propia
Notas: Categora de referencia de 9 a 10. Ninguna categora es significativa al 90%.
- Controlando por las variables de brecha digital, en la submuestra para la que se
dispone de informacin la educacin de los padres no se relaciona con un mayor uso
de internet para la interaccin y, por tanto, no incluirla no sesga nuestros resultados.
Hay que decir que esta variable s se relaciona con el hecho de que los individuos sean
o no lderes digitales.Controlando el resto de variables, los individuos que provienen
de familias con mayor educacin son en mayor medida lderes digitales y ser lder
digital si influye en el uso de internet para la interaccin.



156

Tabla 7.3. Influencia del mximo nivel de estudios de los padres en la intensidad de uso de
internet para la interaccin en el aprendizaje
Estudios de los padres
Coeficientes estimados
(errores estndar)
Todos Presencial Virtual
Medios -0.018 -0.015 -0.060
(0.02) (0.02) (0.05)
Altos -0.044 -0.049 -0.059
(0.03) (0.04) (0.05)
Missing -0.034 -0.053 0.004
(0.02) (0.04) (0.03)
Fuente: Elaboracin propia
Notas: Referencia: Nivel de estudios bajo. Ninguna categora es significativa al 90%.
Esta estrategia no nos permite descartar de forma absoluta la influencia de la variables nota de
entrada a la universidad y estudios de los padres para la totalidad de la muestra ya que no hay
razones para pensar que la falta de estas variables siga un patrn aleatorio. Sin embargo, al
menos nos sirve como indicador de que la influencia no puede ser elevada y por tanto los
resultados presentados no estn sesgados.
Otra variable de la que no se dispone de informacin y en la que la literatura pone el acento es
el tiempo que dedica cada estudiante al estudio. Los modelos propuestos incluyen algunas
variables que en parte corrigen esta carencia y controlan la disponibilidad de tiempo: Edad,
gnero, situacin laboral y carga de crditos en el curso. Sin embargo, aun controlando el
tiempo libre disponible puede existir variedad en que parte de este los estudiantes dedican al
estudio. En este sentido no se dispone de informacin y la literatura seala que la interaccin
mediante internet en el aprendizaje, as como la bsqueda de informacin por internet, suele
ir acompaada de una mayor dedicacin temporal para estudiar (Means et al., 2009). Por
tanto, hay que entender que cuando se habla de los efectos del tratamiento usar internet
para la interaccin implcitamente este tratamiento conlleva dedicar ms tiempo al estudio,
pero de una forma concreta.
7.3. Resumen del proceso de anlisis de datos
En la tabla siguiente se resume la metodologa de anlisis propuesta para alcanzar cada uno de
los objetivos. En ella se puede ver la tradicin acadmica de la que deriva el anlisis, cul es el
tratamiento de inters y el output de inters, qu correcciones se han hecho a los datos y qu
anlisis se han realizado.


157

Tabla 7.4. Resumen de la metodologa, correcciones y anlisis planteados
Objetivo Conceptualizacin Tratamiento de inters Output de inters Correcciones Anlisis
Objetivo 1: Comparar la
eficacia del uso de internet
en educacin para el
aprendizaje interactivo con la
del uso de internet en
educacin para el aprendizaje
individual.
-Funciones produccin
educacin
-Uso intensivo de internet para la
interaccin en el aprendizaje (dummy)
-Uso de internet para la bsqueda de
informacin (dummy)
Rendimiento
acadmico
(0-100)
-Sesgo seleccin

-Correlacin
intraclase
PSM + Comparacin de medias
Regresin lineal (1)

Objetivo 2: Estudiar la forma
de la productividad del uso
de internet para la
interaccin en el proceso de
enseanza-aprendizaje.
-Funciones produccin
educacin
-Uso de internet para la interaccin en
el aprendizaje (5 dummy, 1 por nivel
de intensidad)

Rendimiento
acadmico
(0-100)
-Sesgo seleccin

-Correlacin
intraclase
Regresin lineal (1)
Anlisis econmico de la productividad

Objetivo 3: Estudiar los
efectos heterogneos del uso
de internet para el
aprendizaje interactivo en el
rendimiento acadmico entre
diferentes grupos de alumnos
usuarios de internet.
-Funciones produccin
educacin
-Uso de internet para la interaccin en
el aprendizaje (Variable continua 0-4)

Rendimiento
acadmico
(0-100)
-Sesgo seleccin

-Correlacin
intraclase
Regresin lineal(1) con Interaccin de
variables
Objetivo 4: Explorar cules
son los determinantes que
facilitan a los alumnos
usuarios de internet hacer
uso de internet para el
aprendizaje interactivo.
-Brecha digital.
Anlisis de
determinantes de usos
beneficiosos.


--------------
Uso de internet
para la interaccin
en el aprendizaje
(0-4)

-Correlacin
intraclase
Regresin lineal (2)
(1 )Rend
i
= bjX
ij
+ ckBD
ik
+ dmEst
im
+ fnT
in
+ gpUIE
ip
+ (2) UIIi = bjX
ij
+ dkBD
ik
+ cmEst
im
+ T
in
+ (Ver punto 7.1 para la descripcin de las variables)
Fuente: Elaboracin propia


158




159




PARTE III: RESULTADOS
















No veo lgico rechazar datos porque parezcan increbles
Fred Hoyle


160





161

8. COMPARACIN DE LA EFICACIA DE DOS USOS DE INTERNET EN
EDUCACIN: INFORMACIN VS INTERACCIN
Tanto la perspectiva econmica como la sociolgica coinciden en que es importante conocer
qu usos de internet en el proceso de enseanza-aprendizaje pueden mejorar el rendimiento
acadmico de los estudiantes. Desde la perspectiva econmica porque se quiere mejorar la
produccin de educacin usando de forma eficaz y eficiente las posibilidades que las
tecnologas ofrecen. Desde la perspectiva sociolgica, porque se quiere conocer qu usos son
los que potencialmente pueden excluir de beneficios a los individuos o grupos sociales que por
sus caractersticas personales, sociales o relacin con la tecnologa no los hagan.
Sin embargo, la investigacin educativa no ha priorizado este tema sino que,
mayoritariamente, se ha centrado en la comparacin de la enseanza mediada por ordenador
con la enseanza tradicional o no mediada por ordenador (LaPointe, 2003). No son pocos los
estudios que han comparado la eficacia de estas dos formas de educacin entre s, ni tampoco
los meta-anlisis surgidos de el anlisis conjunto de estos estudios (Bernard et al., 2004;
Means et al., 2009; Russell, 1999)
En una primera etapa, la comparacin del uso/no uso de internet en educacin no mostraba
diferencias significativas en cuanto al nivel de aprendizaje del currculum por parte de los
estudiantes, fue lo que Russell denomin el fenmenos de la diferencia no significativa No
significant difference (Russell, 1999). Sin embargo, algunos autores argumentan que las
nuevas prcticas online del siglo XXI, debido a su mayor grado de interactividad, superarn a
las viejas formas de educacin a distancia y que el uso de internet pude tener ventajas sobre la
educacin que no lo incorpore (Twigg, 2001; Zhao et al., 2005).
Recientemente algunos programas presenciales que utilizan los instrumentos ms modernos
de interaccin han conseguido mejorar sus outputs (Zhao et al., 2005). En este sentido, son de
especial inters los resultados del reciente meta-anlisis del Departamento de Educacin de
Estados Unidos (Means et al., 2009). Este estudio pone de manifiesto que actualmente utilizar
internet en la modalidad de educacin presencial mejora el rendimiento acadmico de los
estudiantes. Sin embargo, al comparar la educacin virtual con la presencial, el mismo estudio
demuestra que ambas modalidades son igual de efectivas para la adquisicin de los contenidos
curriculares. No obstante, como recoge el propio informe, las evidencias presentadas no
pueden ser interpretadas como intrnsecas a los medios usados para llevar a cabo el


162

aprendizaje, ya que las condiciones que van ligadas a estos medios son diferentes. El
argumento central es que el uso de internet en educacin puede ser facilitador de una mayor
dedicacin temporal al estudio y que, adems, los diferentes medios suelen ir vinculados a
diferentes currculos, pedagogas y, especialmente, oportunidades de colaboracin e
interaccin (Means et al., 2009). La hiptesis de los autores es que son estas condiciones las
que haran que la incorporacin de internet mejore el rendimiento acadmico de los
estudiantes y no la incorporacin de internet en s misma.
De la literatura anterior se desprende que, tanto para evitar dar una visin homognea de
todo uso de internet en educacin como para evitar comparar eficacias de modalidades de
estudio que son intrnsecamente diferentes, una mejor opcin es la comparacin de los
beneficios de diferentes tipos de tratamientos educativos, mediados por internet, dentro de
una misma modalidad formativa: online o presencial (Bernard et al., 2009; Clark, 2000).
Siguiendo la premisa anterior, el presente captulo se aleja de la comparacin de medios y, por
tanto, de la eficacia de la educacin online con la de la presencial. Se quiere contribuir a dar
respuesta a la siguiente pregunta:
- Sea en la modalidad formativa que sea, Qu usos de internet en educacin son ms
eficaces para la mejora del rendimiento acadmico de los estudiantes?
En este captulo se abordar el primero de los objetivos propuestos en esta tesis: Comparar la
eficacia del uso de internet en educacin para el aprendizaje interactivo con la del uso de
internet en educacin para el aprendizaje individual.
Partiendo de los resultados del estudio del departamento de educacin de Estados Unidos
(Means et al., 2009) la hiptesis de partida es que:
- H1: Entre los dos usos propuestos el que ms se asocia a la mejora del rendimiento
acadmico de los estudiantes definidos como activos es la interaccin bidireccional con
otras personas y, por tanto, desde la perspectiva del estudiante es ms rentable dedicar
tiempo a interaccionar que a buscar informacin acadmica extra.
El argumento que lleva a plantear la hiptesis es el siguiente. La bsqueda de un mnimo de
informacin en internet es una condicin sine qua non para seguir los cursos. Ello es debido a
que una prctica habitual de las universidades estudiadas es colgar los temarios y los
materiales del curso en internet y, por tanto, todos los estudiantes que siguen los cursos y no
abandonan tienen que, necesariamente, bajarse esta informacin (Duart et al., 2008). Sin


163

embargo, una vez se accede a la informacin que la institucin demanda y valora como
contenido curricular, buscar informacin extra por internet, de forma autnoma, es poco o
nada til para la mejora del rendimiento acadmico y como mucha ayuda a memorizar los
contenidos. Por otro lado, la interaccin mediante internet no es una condicin sine qua non
sino un complemento al aprendizaje individual que permite construir conocimiento de forma
colectiva, ms profunda (Gonzlez, 2010) y sin centrarse en elementos externos
(memorizacin de materiales e informacin). Adems, ayuda a resolver dudas de forma ms
directa. Por tanto, este uso no centra el proceso de aprendizaje en los contenidos, sino que
permite profundizar y asimilar mejor la informacin que se debe adquirir para aprobar los
cursos.
Si esto es as, se tendr identificado el uso que realmente influye en la desigualdad de
resultados entre los estudiantes activos y por tanto, ser en este en el que se tendrn que
centrar los anlisis de futuros captulos.
8.1. Metodologa

El objetivo de este captulo es estimar y comparar los efectos de dos tratamientos
diferenciados en el rendimiento acadmico de los estudiantes estudiados:
- Tratamiento 1: El uso intensivo de internet para buscar informacin para el curso de forma
individual
- Tratamiento 2: El uso intensivo de internet para seguir un aprendizaje ms interactivo en
el rendimiento acadmico.
Ambos tratamientos estn medidos de forma dicotmica. Los ndices de uso de internet para
cada uno de estos fines, que fueron presentados en el captulo 6, han sido dicotomizados
considerndose como estudiantes con uso intensivo de internet para informacin aquellos
estudiantes que hacen 4 o 5 usos de los han sido definidos como tales y como estudiantes con
un uso intensivo de internet para interaccin a aquellos que hacen 3 o 4 usos de internet con
finalidades comunicativas.
Partiendo de esta definicin operativa, hay un total de 40,37% de estudiantes en las
universidades presenciales y un 53,68% en la UOC que hacen un uso intensivo de internet para
buscar informacin, mientras que hay un total de 37,35% en las primeras y un 69,98 en la
virtual de estudiantes que hacen un uso intensivo de internet para interactuar en el


164

aprendizaje (Grfico 8.1). Estas cifras reflejan que en las universidades presenciales los
estudiantes utilizan internet para buscar informacin y mucho menos para interactuar en el
aprendizaje, mientras que en la educacin a distancia la interaccin mediante internet es clave
en el proceso de enseanza-aprendizaje debido a que internet es casi el nico medio que se
dispone para llevar a cabo cualquier tipo de interaccin. Las cifras son un reflejo tanto del uso
como de las funcionalidades de los campus virtuales de las universidades presenciales que en
2005 incluan menos elementos interactivos y eran ms usados como repositorios de
informacin.
Grfico 8.1. Porcentaje de individuos tratados por modalidad formativa

Fuente: Elaboracin propia
De entre los estimadores que se pueden calcular se est interesado en el efecto medio que el
tratamiento tiene para los tratados (ATT) ya que se quieren conocer los efectos que estos usos
estn teniendo en la realidad estudiada y no sus efectos potenciales sobre los individuos que
no los usan. Por tanto, hay que tener en cuenta que los efectos presentados en los resultados
son ATT.
Para estimar los efectos de estos dos tratamientos, dado que no se dispone de datos
experimentales, se harn tres tipos de anlisis, uno sin correccin de sesgo de seleccin de las
variables observadas y los otros dos con la correccin (ver captulo 7):
- Regresin lineal (sin correccin de sesgo de seleccin)
- Propensity score matching + Comparacin de medias
40,37
53,68
37,35
69,98
0
10
20
30
40
50
60
70
80
PRESENCIAL UOC
Informacin Interaccin


165

- Propensity score matching + Regresin lineal
El clculo de los efectos mediante 3 tcnicas permitir estudiar la estabilidad de los resultados
y les dar mayor validez. A priori, no se esperan demasiadas diferencias entre los resultados
de las 3 tcnicas dado que la principal variable confusora, que puede influir tanto en el
rendimiento acadmico como en los usos de internet para el aprendizaje, es el medio por el
que se sigue la enseanza; al separar la universidad virtual de las presenciales se consigue que
esta variable tome exactamente el mismo valor tanto en el grupo de tratamiento como en el
de control y, por tanto, que no introduzca nada de sesgo de seleccin (Caliendo et al., 2005).
La notacin de los modelos de regresin parte de la ecuacin base propuesta en el punto 7.1.1
ya que se controlarn las mismas variables.
Rend
i=
b
j
X
ij
+ c
k
BD
ik
+ d
m
Est
im
+ f
n
T
in
+ g
p
IUI2
ip +
h
q
Trat1
iq
+
Rend
i=
b
j
X
ij
+ c
k
BD
ik
+ d
m
Est
im
+ f
n
T
in
+ g
p
IUI1
ip
h
q
Trat2
iq
+
Donde:
Rend= Rendimiento acadmico
X
ij
= un vector j de las caractersticas de los estudiantes: Edad, gnero (hombre/mujer).
BD
ik
= un vector de variables que hacen referencia a la dimensiones de la brecha digital.
Est
im
= un conjunto de variables ficticias o dummy que hacen referencia al tipo de estudios que
est siguiendo el estudiante y una variable continua que hace referencia a la posicin del
estudiante en estos estudios.
T
in
= Un vector que incluye una variable utilizada como proxys para juntamente con las
variables sociodemogrficas, evitar posibles sesgos derivados de no observar directamente el
tiempo de estudio disponible.
Trat1
iq
= Tratamiento 1: Uso intensivo de interenet para buscar informacin acadmica
IUI2
ip
= ndice Uso Internet para la interaccin en el aprendizaje (0-4)
Trat2
iq
= Tratamiento 2: Uso intensivo de interenet para interactuar en el aprendizaje
IUI1
ip
= ndice Uso Internet para la bsqueda de informacin en el aprendizaje (0-4)
= el trmino de error


166

Correccin sesgo seleccin de las variables observadas
Para corregir el sesgo de seleccin de las variables observadas se utilizar un desarrollo
reciente de las tcnicas de matching (que consisten en buscar individuos iguales entre s pero
que difieran en la pertenencia al grupo de tratamiento o de control): el propensity score
matching (Rosenbaum & Rubin, 1983; 1985). Esta tcnica permite emparejar a los individuos
segn la similitud en sus probabilidades estimadas de pertenecer al grupo de tratamiento y,
mediante ponderaciones derivadas de los emparejamientos, construir un grupo de control y
tratamiento artificiales iguales en todas las covariables observadas (Ver punto 7.2.2).
Las variables controladas sern las definidas en el captulo 7 para la fase 1, por tanto, los
grupos de control y tratamiento no presentarn diferencias significativas en estas covariables y
tendrn a priori las mismas posibilidades de haber hecho o no el tratamiento estudiar.
Para la implementacin de los anlisis sin sesgo de seleccin de las variabes observadas se han
seguido los siguientes pasos:
a) Se han calculado 2 propensity scores para cada individuo, uno que mide la probabilidad
de usar internet para interactuar en educacin y otro para buscar informacin acadmica.
El mtodo usado para ello ha sido el clculo de probabilidades mediante un modelo probit.
Las variables incluidas en el clculo del propensiy score son las definidas en el punto 7.1.1.
Por tanto, la ecuacin queda de la siguiente forma:

UI1
i
=

b
j
X
ij
+ c
k
BD
ik
+ d
m
Est
im
+ f
n
T
in
+ g
p
IUI2
ip
+
UI2
i
=

b
j
X
ij
+ c
k
BD
ik
+ d
m
Est
im
+ f
n
T
in
+ g
p
IUI1
ip
+
Dnde:
UI1
i
= Probabilidad de uso de internet para la bsqueda de informacin en el aprendizaje
UI2
i
= Probabilidad de uso de internet para la interaccin en el aprendizaje
X
ij
= Sociodemogrficas (Gnero y Edad)
BD
ik
= Variables brecha digital (Tipo de usuario y usos extracadmicos)
Est
im
=Caractersticas de los estudios (rea, Tipo/duracin, Crditos Superados
acumulados)
T
in
= Tiempo disponible (Trabajo, Crditos matriculados)
IUI 1
ip
= ndice de uso de internet para la bsqueda de informacin en el aprendizaje
(medido de 0 a 5)
IUI2
ip
= ndice de uso de internet para la interaccin en el aprendizaje (medido de 0 a 4)
= el trmino de error


167



b) Se han emparejado los individuos a partir de su propensity score estimado. Para ello
existen varias posibilidades (Caliendo et al., 2005; Dehejia & Wahba, 1998; Guo & Fraser,
2010). Entre todas se ha optado por hacer un matching de cada individuo con los 2 o 10
vecinos ms cercanos (para comprobar la estabilidad de resultados segn el nmero de
pares), con reemplazamiento y limitando el clculo a la zona de soporte comn. Adems se
han restringido los emparejamientos para diferentes rangos (caliper) de probabilidades
todos ellos son muy estrictos (0,1%, 0,05%, 0,01%) a la hora de limitar los posibles
candidatos al matching, de forma que se pude ver el efecto del caliper en el estimador y
adems garantizar que el emparejamiento sea con individuos muy prximos y, por tanto,
un mejor balanceo de los datos y unas estimaciones ms precisas. Adicionalmente se ha
realizado un matching de tipo Kernel que pondera los individuos en funcin de su
propensity score y no elimina a ningn individuo por razones de caliper. La ventaja de este
mtodo en comparacin del de vecino ms cercano es que consigue una menor varianza
del estimado al no eliminar individuos, aunque el estimador suele ser algo ms sesgado.
c) Se ha comprobado que todos los matchings utilizados consiguen balancear el grupo de
control y el de tratamiento
31
(ver anexo 4). Esta comprobacin es necesaria para poder
garantizar la ausencia de sesgo de seleccin de las variables observadas. Para comprobar
el balanceo de las covariables se ha realizado el test de comparacin de medias entre los
dos grupos (t-test), considerando balanceadas aquellas covariables con menos del 5% de
probabilidades de ser diferentes.
Correccin de la correlacin intraclase
En el caso del uso de regresin lineal (1 y 3 estimacin) los errores estndar de las
estimaciones del efecto se han calculado de forma robusta aplicando una correccin cluster
para evitar la correlacin intraclase derivada del hecho de que los estudiantes estudiados
estn agrupados en diferentes niveles de anlisis (Ver punto 7.2.1). Esta correccin toma como
unidades primarias la combinacin de las variables universidad, rea y tipos de carrera, dando
como resultado un total de 11 grupos en el caso de la UOC y 38 en el caso de las presenciales.

31
La nica excepcin es el matching mediante kernel en el caso del tratamiento uso intensivo de
internet para la interaccin, en el caso de la UOC en la covariablelicenciatura donde no se puede
afirmar al 95% de nivel de confianza que haya el mismo nmero de estudiantes de este tipo de estudios
en el grupo de control y el grupo de tratamiento. Sin embargo, si se puede afirmar al 90%. En el grupo
de tratamiento hay un 30,07% de individuos que cursan licenciaturas y en el control un 31,77%.
Teniendo en cuenta estos datos el sesgo que puede introducir esta covariable es mnimo.


168

Control del sesgo variables no observadas
Como se discutir, todas las metodologas presentadas asumen que se tienen controladas
todas las variables potencialmente confusoras, es decir todas aquellas que afectan tanto al
tratamiento como al output, ya que si esto no es as los estimadores de los efectos pueden
estar sesgados. En el captulo de metodologa se ha discutido el control de las posibles
variables confusoras observadas. Sin embargo, puede seguir existiendo un sesgo debido a las
caractersticas no observadas como los rasgos de personalidad de los estudiantes o el tiempo
dedicado al estudio. Recordemos que no se consideran variables confusoras ni la habilidad del
estudiante medida como la nota de entrada a la universidad ni el estatus socioeconmico,
medido como el mximo noivel de estudios de los padres ya que no se relacionan con un
mayor omenor uso de internet para la interaccin.
Para estimar la sensibilidad de los resultados obtenidos a este sesgo se aplicar el test de
lmites de Rosenbaum o Rosenbaum bounds (Rosenbaum, 2002). Este test no permite
conocer si existe un sesgo derivado de la omisin de variables, pero si permite conocer la
robustez de los resultados ante este posible sesgo y da una cifra de la intensidad que tendra
que tener la variable no observada para que los efectos calculados fueran falsos, definiendo
falsos como el hecho de que tuvieran ms de un 5% de probabilidad de ser iguales a cero.
8.2. Resultados
La hiptesis de partida del presente captulo es que, para mejorar el rendimiento acadmico,
dedicar tiempo al uso de internet para interactuar en el aprendizaje es ms eficaz que
dedicarlo al uso de internet para buscar informacin de forma unidireccional. En este apartado
se calcularn los efectos de estos dos usos de internet en el rendimiento acadmico en dos
modalidades de estudio diferentes: presencial y virtual y se compararn los resultados
32
.

32
Hay que aclarar que en la literatura no est claro como acomodar las ponderaciones muestrales con
las tcnicas de matching (Leuven & Sianesi, 2003)y, por ello, en este captulo los resultados presentados
no se encuentran ponderados por universidad. En los anlisis realizados el hecho de no ponderar no
supone un problema excesivo ya que, al separar en el anlisis el efecto en la modalidad presencial y la
modalidad virtual, se ha eliminado la principal variable que corrige la ponderacin planteada en el
captulo 5 y, por ello, los resultados son similares ponderando que sin ponderar. Para el caso de las
universidades presenciales con la finalidad de confirmar este hecho se han calculado los resultados de la
regresin lineal simple y la diferencia de medias ponderando las diferencias por el peso de cada


169

En primer lugar, se han calculado los efectos del uso intensivo de internet para interactuar en
el aprendizaje mediante una regresin lineal que incluye los tratamientos como variables
dummies dando como resultado la estimacin de una mejora de 3,12% en el rendimiento
acadmico en las universidades presenciales y de un 4,97% en la modalidad virtual.
Estas estimaciones conllevan un sesgo de seleccin debido a que los grupos de tratamiento y
control no son iguales. Para disminuir este sesgo se han calculado los estimadores mediante la
comparacin de medias de los grupos construidos mediante la tcnica del PSM. Las
estimaciones puntuales son en todos los casos superiores a las de la regresin lineal por lo que
parece que el sesgo de seleccin hace que se infravalore, el efecto estudiado. La nica
excepcin se encuentra en la modalidad presencial en el caso extremo en el que se ha
impuesto un caliper de 0,0001 ya que 1.233 individuos de los 2.955 tratados no encuentran
una pareja tan prxima y se eliminan del anlisis. La diferencia de este estimador con los
dems por tanto puede ser debida a la prdida de individuos. Los resultados pueden verse en
la tabla 8.1.
Tabla 8.1. Efectos del uso de internet para la interaccin en el aprendizaje por modalidad de estudio
Modalidad presencial
Regresin
PSM
NN n(2)
cal (0,001)
PSM
NN n(2)
cal (0,0005)
PSM
NN n(2)
cal (0,0001)
PSM
NN n(10)
cal (0,005)
PSM
Kernel
matching
Efecto 3,10*** 3,22*** 3,00*** 2,10*** 3,31*** 3,48***
Error Estndar 0,66(a) 0,898 0,893 1,00 0,809 0,808
Trat. Fuera soporte 0 136 274 1219 295 4
Modalidad virtual
Regresin
PSM
NN n(2)
cal (0,001)
PSM
NN n(2)
cal (0,0005)
PSM
NN n(2)
cal (0,0001)
PSM
NN n(10)
cal (0,0005)
PSM
Kernel
matching
Efecto 4,97*** 5,99*** 5,67*** 6,18*** 5,79*** 5,67***
Error Estndar 0,78(a) 1,05 1,02 1,06 0,95 0,94
Trat. Fuera soporte 0 201 558 3161 635 47
Fuente: Elaboracin propia
Nota: (a) Errores estndar robustos con correccin clster
*** Significativo al 99%


Dejando de lado el caso extremo del caliper 0,0001, donde se pierden muchos individuos, se
ha realizado un doble ajuste mediante el clculo de una regresin lineal ponderada por los

individuo segn la universidad a la que pertenece y se ha comprobado que los resultados no cambian y
son prcticamente iguales a los presentados.



170

pesos otorgados en el matching a cada individuo del grupo de no tratados, mientras que a los
individuos tratados se les otorga un peso de 1. El uso del matching para preparar los datos
para la regresin permite precisar ms los estimadores y corregir con facilidad los errores
estndar mediante su clculo robusto y una correccin clster que corrija la correlacin
intraclase y comprobar mejor las hiptesis planteadas.
Tabla 8.2. Efectos del uso de internet para la interaccin en el aprendizaje por modalidad de estudio:
doble correccin
Modalidad presencial

PSM
NN n(2)
cal (0,001)
PSM
NN n(2)
cal (0,0005)
PSM
NN n(10)
cal (0,005)
PSM
Kernel
matching
Efecto 3,21*** 3,00*** 3,35 3,30***
Error Estndar 0,92(a) 0,93(a) 0,81(a) 0,70(a)
n 5360 5215 7222 8042
Modalidad virtual

PSM
NN n(2)
cal (0,001)
PSM
NN n(2)
cal (0,0005)
PSM
NN n(10)
cal (0,005)
PSM
Kernel
matching
Efecto 5,78*** 5,47*** 5,78 5,67***
Error Estndar 0,76(a) 0,76(a) 0,88(a) 0,85(a)
n 8399 8007 8270 8994
Fuente: Elaboracin propia
Nota: (a) Errores estndar robustos con correccin clster
*** Significativo al 99%


Los datos de la tabla 8.2 confirman que el hecho de utilizar internet para la interaccin en el
aprendizaje es un uso positivo que mejora el rendimiento acadmico medido como la cantidad
de crditos superados respecto a los matriculados. Por otro lado, ninguno de los mtodos
utilizados nos permite decir al 95% de confianza que la interaccin mediante internet aumenta
ms la eficacia en la modalidad virtual que en la modalidad presencial. Por tanto vemos que es
una herramienta til en ambas modalidades de estudio.
En cuanto al segundo de los tratamientos, se podra pensar que dedicar ms tiempo a la
bsqueda de informacin mediante internet de forma unididreccional es un uso positivo para
la mejora del rendimiento acadmico. Sin embargo, los anlisis realizados no permiten hablar
de un efecto, ni positivo ni negativo, en el rendimiento de los estudiantes (Tabla 8.3).



171

Tabla 8.3. Efectos del uso de internet la bsqueda de informacin acadmica por modalidad de estudio
Modalidad presencial
Regresin
PSM
NN n(2)
cal (0,001)
PSM
NN n(2)
cal (0,0005)
PSM
NN n(2)
cal (0,0001)
PSM
NN n(10)
cal (0,005)
PSM
Kernel
matching
Efecto 0,30 0,99 0,80 0,28 0,75 0,48
Error Estndar 0,65(a) 0,87 0,87 0,97 0,78 0,78
Trat. Fuera soporte 0 194 337 1202 313 10
Modalidad virtual
Regresin
PSM
NN n(2)
cal (0,001)
PSM
NN n(2)
cal (0,0005)
PSM
NN n(2)
cal (0,0001)
PSM
NN n(10)
cal (0,005)
PSM
Kernel
matching
Efecto -0,94 0,16 -0,03 0,05 -0,181 -0,37
Error Estndar 0,64 0,86 0,86 0,93 0,76 0,76
Trat. Fuera soporte 0 104 287 1946 486 36
Fuente: Elaboracin propia
Nota: Ningn efecto es significativo al 90%. (a) Errores estndar robustos con correccin clster
Calculando los efectos mediante una regresin lineal ponderada con los pesos provenientes
del matching (Tabla 8.4) se observa que los resultados son los mismos: no se pude decir que el
hecho de buscar informacin de forma extensiva mejore el resultado de aquellos estudiantes
que lo hacen. Adems, nuevamente no se observan diferencias significativas si se comparan
los resultados de la modalidad presencial con los de la virtual y, por tanto, estos resultados son
comunes para las dos modalidades de estudio. Es ms, si se tiene en cuenta la mayor cantidad
de nmero de crditos a los que se matriculan los estudiantes de la modalidad virtual se
comprueba que en nmeros absolutos la mejora de rendimiento acadmico es incluso mayor
en esta modalidad.
Tabla 8.4. Efectos del uso de internet la bsqueda de informacin acadmica por modalidad de estudio.
Doble correccin.
Modalidad presencial

PSM
NN n(2)
cal (0,001)
PSM
NN n(2)
cal (0,0005)
PSM
NN n(10)
cal (0,005)
PSM
Kernel
matching
Efecto 0,91 0,64 0,8 0,25
Error Estndar 0,77 0,81 0,72 0,6
N 5653 5490 7334 8036
Modalidad virtual

PSM
NN n(2)
cal (0,001)
PSM
NN n(2)
cal (0,0005)
PSM
NN n(10)
cal (0,005)
PSM
Kernel
matching
Efecto -0,18 -0,35 -0,39 -0,57
Error Estndar 0,80(a) 0,85(a) 0,76(a) 0,58(a)
N 7747 7556 8391 9005
Fuente: Elaboracin propia
Nota: Ningn efecto es significativo al 90%. (a) Errores estndar robustos con correccin clster


172

El hecho de aquellos estudiantes que usan ms intensivamente internet para la bsqueda de
informacin no tengan en promedio mejor rendimiento acadmico no significa que buscar
informacin en internet no tenga beneficios en ningn caso:
- En primer lugar, es plausible que los usuarios que ms buscan informacin sean aquellos
que ms lo necesitan y, por tanto, puede ser que los estudiantes que mejor se adaptan a
sus estudios superiores o con ms habilidades necesiten menos buscar informacin
complementaria por internet dado que con los materiales de los cursos ya pueden
comprender los conceptos y habilidades curriculares. Sin embargo, esta explicacin parece
descartarse ya que los datos de la submuestra para los que se dispone la nota de entrada
indica que los estudiantes con mayor nota de entrada y por tanto, a priori, con ms
habilidades, son tambin los que ms buscan informacin de forma intensiva (37,44% en el
caso de los que han entrado con menos de 7 como nota media y 41,7% en el de los que
han entrado con ms), resultados que se mantienen si controlamos por las mismas
covariables utilizadas en el captulo 11 .
- En segundo lugar, que los estudiantes que hacen un uso intensivo de internet para buscar
informacin no tengan ms rendimiento una vez controladas el resto de variables tan solo
indica que a partir de un determinado nivel, este uso no tiene beneficios. En este sentido,
es posible que la informacin de internet, especialmente de planes de estudio, bibliografia
y materiales del curso, sea un requisito sine qua non para seguir los cursos. Los datos
utilizados nos muestran que, comparando los 6 niveles posibles de uso de interaccin en
la educacin presencial, ninguno aumenta el rendimiento, mientras que en la virtual pasar
de 0 a 1 aumenta un 9,89% el rendimiento acadmico aunque debido al escaso nmero de
individuos que no realizan ningn uso destinado a la bsqueda de informacin (n=45,
0,49%) o que tan solo realizan uno (n=289, 3,2%), en la muestra de estudiantes activos
analizada en la presente tesis esta diferencia no es estadsticamente significativa y solo nos
permite hablar de tendencias (Grfico 8.2). Sin embargo, la tendencia, no significativa
estadsticamente, seala en la direccin de que los estudiantes que no disponen de la
informacin mnima no pueden seguir los cursos
33
. Por otro lado, en la educacin
presencial no existe esta necesidad de buscar la informacin en internet y se puede seguir
los cursos con la informacin conseguida mediante medios presenciales. Por este motivo,

33
Se han calculado los efectos mediante una regresin lineal con variables dummy para cada tipo de
intensidad corrigiendo por sesgo de seleccin (PSM de 10 vecinos ms cercanos, caliper 0,005) y
correlacin interclase.


173

las estimaciones son similares teniendo una tendencia lineal no significativa de -0,043%
menos de rendimiento por uso extra.
Grfico 8.2. Efectos del uso de internet la bsqueda de informacin acadmica por modalidad de
estudio. Anlisis de 6 intensidades

Fuente: Elaboracin propia
Si comparamos los efectos del uso de internet de forma intensiva para la interaccin y para la
bsqueda de informacin vemos que tienen tendencias diferenciadas. Esto indica que tal como
argumentaba la hiptesis planteada, controlando el resto de variables observadas, los
estudiantes que usan internet para interactuar de forma intensiva con otras personas, sean
profesores o compaeros, tienen unos beneficios mayores que los que lo usan para buscar
informacin.
Un posible problema de la estimacin del efecto positivo de utilizar internet para la interaccin
en el aprendizaje es la casi imposibilidad de justificar que no existen variables no observadas
que influyen al mismo tiempo en este tratamiento y en el rendimiento acadmico. Si esto
fuera as, existira un sesgo oculto (Hidden Bias) en el efecto estimado. No obstante, mediante
el anlisis de sensibilidad de los resultados derivados de la comparacin de medias tras el
matching se puede determinar la fuerza que tiene que tener una variable no observada para
socavar los resultados presentados. Para ello se utiliza el mtodo conocido como Rosenbaum
bounds (Di Petre & Gangl, 2004; Rosenbaum, 2002) mediante el programa rbounds del
paquete estadstico STATA (Gangl, 2004).
-6
-4
-2
0
2
4
6
8
10
12
14
0 1 2 3 4 5
Virtual Presencial


174

Los resultados nos muestran dependiendo de la tcnica de matching utilizada los resultados
son ms o menos robustos (Ver tabla 8.5.). Adems, en todos casos, los resultados para la
modalidad virtual son ms robustos que para la modalidad presencial, debido al mayor efecto
de la interaccin en ella
34
.
Tabla 8.5. Anlisis de sensibilidad Rosembaun Bounds. Gammas estimadas segn algoritmo de matching.
Efectos del uso de internet para la interaccin en el aprendizaje
PSM
NN n(2)
cal (0,001)
PSM
NN n(2)
cal (0,0005)
PSM
NN n(10)
cal (0,005)
PSM
Kernel matching
Presencial 1,3 1,3 1,5 1,6
Virtual 1,6 1,5 1,8 1,9
Fuente elaboracin propia
Incluso en el peor de los escenarios, el matching con los 2 vecinos ms cercanos dentro de un
caliper de 0,0005, los resultados son robustos ya que los valores Gamma de 1,3 en el caso de la
universidad presencial y de 1,5 en el de la virtual son los primeros en que se incluye en su
intervalo de confianza (CI- a CI+) el cero (Ver anexo 4.5).
A partir de estos datos, se pude decir que, siendo muy estrictos, para que la interaccin
mediante internet no tuviese efectos en el rendimiento acadmico debera existir una variable
no observada que hiciese que los odd ratio, o ratio de posibilidades, de utilizar internet para la
interaccin en el aprendizaje, entre los estudiantes tratados (que hacen un uso intensivo de
internet para la interaccin) y los que no cambiase y pasase de ser igual a 1 (muestras
balanceadas).
Pero que exista esta variable no significa que la estimacin sea invlida, en este sentido la
magnitud del cambio debera ser, segn el algoritmo de matching usado, de entre de 1,3 y 1,6
en el caso de la universidad presencial y de entre 1,5 y 1,9 en el de la virtual. Es decir que si
partiendo de la base de que gracias al matching el grupo de control y de tratamiento tienen un
oddratio de 1, o lo que es lo mismo las mismas posibilidades (50%) de utilizar internet para la
interaccin en el aprendizaje (asignacin aleatoria), debera existir una variable no observada
que hiciese que se rompiera este equilibrio y las probabilidades de uso reales de los tratados
en lugar de ser del 50% fueran entre 57%/43% y 62%/38% en el caso de la universidad
presencial y de entre 60%/40% y 66%/34% en el de la virtual.

34
Una vez se ha comprobado la estabilidad de resultados a partir de este captulo solo se trabajar con
el matching con los 10 vecinos ms cercanos dado que es el matching mediante la tcnica del vecino
ms cercano que tiene una mayor robustez. No se ha optado por el Kernel dado que no siempre genera
buenos grupos y, adems, al usar todos los individuos a priori incluye un mayor sesgo en el estimador
debido a la inclusin (aunque ponderada a la baja) de individuos difcilmente emparejables.


175

El anlisis de sensibilidad nos ayuda a dar ms robustez al hecho de que usar internet para la
interaccin en el aprendizaje es, como media, una causa de mejora del rendimiento acadmico
pese a la posible no inclusin de algunas variables observadas que puedan introducir cierto
sesgo en el estimador, como podra ser la influencia de alguna forma no medida de de la
personalidad o motivacin del estudiante.
8.3. Conclusiones
Diversas polticas educativas se han basado en conseguir romper las barreras de acceso formal
a internet, asumiendo como se ha comprobado, que dadas las caractersticas de los
estudiantes (juventud y educacin elevada) no existen barreras motivacionales para su uso
(Pea-Lpez, 2009; Warschauer, 2002). Sin embargo, las evaluaciones de estos programas
muestran que la extensin del acceso y uso de las infraestructuras necesarias para conectarse
a internet no se ha visto reflejada en un incremento de los efectos en el rendimiento
acadmico de los estudiantes (Angrist & Lavy, 2002; Neuman & Celano, 2006; Rouse &.
Krueger, 2004). Estos resultados indican que, si no hay un cambio de modelo en el proceso de
enseanza-aprendizaje, la incorporacin de tecnologa en las aulas no tiene efectos positivos
en el rendimiento. Usar la tecnologa para repetir un modelo de enseanza-aprendizaje
unidireccional, centrado en los materiales y la memorizacin, conduce a los mismos resultados
que ese modelo sin incorporar la tecnologa.
Los resultados mostrados en este captulo son consistentes con esta argumentacin. Los datos
nos confirman que si bien no se dispone de pruebas slidas para hablar de un efecto
diferenciador positivo de un uso mnimo de internet para buscar informacin en la educacin
online, podra darse dado que es una condicin sine qua non para seguir el curso. Sin embargo,
a partir de este mnimo requerido, dedicar ms tiempo a buscar informacin acadmica extra
mediante internet, no aporta ms beneficios a la tasa de crditos superados respecto a los
matriculados
35
. Es decir, los estudiantes que usan internet como repositorio de materiales,
reproduciendo en sta tecnologa las bsquedas que antes podan hacer en textos o en papel,
no obtienen mayor rendimiento que los que no.
Hay que tener precaucin con una limitacin metodolgica del estudio propuesto. La igualdad
de rendimiento acadmico entre aquellos que usan internet de forma intensiva para buscar

35
Hay que aclarar que en esta tesis no se analiza especficamente el papel de la bsqueda de
informacin en las bibliotecas mediante internet. No obstante algunas pruebas realizadas indican que
solo aquellos usuarios ms intensivos (quintil 5) obtienen mejores notas que aquellos que menos usan
(quintil 1 y 2). En la educacin presencial mientras que en la virtual no se detectan efectos significativos
de su uso.


176

informacin y los que no puede ser consecuencia de la medida del rendimiento acadmico
utilizada y no se dispone de forma de comprobarlo. Al medir el rendimiento acadmico como
el porcentaje de crditos aprobados sobre los matriculados, no se puede saber si la bsqueda
extra de informacin proporciona mejores resultados acadmicos una vez se tiene la
informacin necesaria para superar los crditos matriculados, es decir, no se puede saber si
mejora las notas del estudiante y solo podemos saber que no ayuda a aprobar ms
asignaturas.
Por otro lado, eliminando el posible sesgo de seleccin de las variables observadas, se ha
estimado que, en el caso de los estudiantes que siguen los cursos de forma activa y no
abandonan sus estudios, utilizar la red para interactuar con otras personas de forma
multidireccional es una metodologa eficaz en la mejora del rendimiento acadmico. Es decir,
los estudiantes que, mediante la tecnologa, superan la metodologa unidireccional de uno a
muchos hacia una metodologa multidireccional (con 3 o 4 de los usos para la interaccin
propuestos) obtienen mejores resultados que el resto.
Respecto al segundo de los tratamientos estudiados, en concordancia con la hiptesis surgida
del metaanlisis del departamento de educacin de EEUU y la investigacin internacional, los
resultados indican que el cambio metodolgico centrado en la interaccin llevada a cabo a
travs de internet s aporta mejoras al rendimiento acadmico. La validez de estos resultados
es mayor dado que las tendencias son ciertas tanto en la modalidad virtual, donde la nica
forma de interaccin es online y donde muchas veces esta interaccin forma parte del trabajo
evaluado por la institucin, como en la modalidad presencial, dnde existe la posibilidad de
interactuar cara a cara y la interaccin va internet est menos tenida en cuenta a la hora de
evaluar el aprendizaje del alumnado.
Una posible crtica a este resultado es la posibilidad de que parte de la predisposicin al uso de
internet est relacionada con alguna caracterstica no observada y ello es una debilidad del
anlisis que deriva de los datos disponibles
36
. Una posible variable es el tiempo de estudio
dedicado, sin embargo, si asumimos que las medidas de intensidad son similares para los dos
tratamientos, los resultados confirman que es ms til emplear el tiempo en la interaccin que
en buscar informacin por internet. Adems, los resultados del anlisis de sensibilidad

36
No se incluyen entre las posibles variables confusoras la habilidad del estudiante ni su condicin
socioeconmica familiar ya que como se vi en en el captulo 7 controlando las variables incluidas en los
modelos de matching estas no afectan directamente a la intensidad de usos interactivos que hacen los
alumnos. No obstante s pueden tener un papel indirecto. Tampoco se incluye el tiempo de estudio ya
que se considera parte del tratamiento.


177

mostraron que en las dos modalidades la fuerza del sesgo introducido por esta variable no
observada debera ser bastante alta para que la interaccin por internet no causara una
mejora del rendimiento.
Teniendo en cuenta lo anterior, se puede afirmar que internet es una herramienta eficaz para:
- Canalizar la interaccin necesaria para el aprendizaje en la modalidad online
- Ampliar de una forma eficaz el tiempo de estud.io de los estudiantes en ambas
modalidades
- Complementar la interaccin que se da cara a cara en la modalidad presencial.
Los resultados obtenidos confirman, a nivel cataln, las interpretaciones que los autores dan a
los resultados del reciente meta-anlisis estadounidense que afirman que actualmente el uso
de internet puede ser un buen canalizador de la interaccin y potenciador del tiempo de
estudio (Means et al., 2009), as como el de otros estudios que afirman que la interaccin
entre personas mediada por ordenador, y no la interaccin con contenidos (textos, vdeos),
es la variable clave para que el uso de internet en educacin sea ms efectivo, superando
incluso a la educacin presencial (S. R. Levin, J. A. Levin, & Chandler, 2001; Twigg, 2001; Zhao
et al., 2005).
La conclusin prctica para mejorar la eficacia parece clara: si se quieren consolidar los
resultados acadmicos de aquellos estudiantes que ya siguen cursos mediante la incorporacin
de internet en el proceso de enseanza-aprendizaje, se debera fomentar desde las
instituciones la inclusin de elementos virtuales que permitan romper el modelo
unidireccional y hagan que los estudiantes dediquen ms tiempo a la interaccin con personas
que a la bsqueda de informacin de manera individual o la interaccin con materiales poco
interactivos.
Desde el punto de vista de la igualdad, el resultado tambin est claro: Partiendo de la
investigacin internacional y de los resultados propios, se puede argumentar que para
profundizar en los motivos que pueden llevar a que algunos estudiantes que siguen los cursos
tengan ventaja competitiva sobre otros por el hecho de usar internet hay que centrar el
anlisis en la interaccin mediante internet. En los siguientes captulos se estudiar en
profundidad este tipo de uso de internet analizando las diferencias de beneficio segn su
intensidad, bajo qu condiciones es ms beneficioso y cules son sus determinantes.


178




179

9. BENEFICIOS E INTENSIDAD DE USO DE INTERNET PARA LA
INTERACCIN EN EL APRENDIZAJE. EVIDENCIAS DE
PRODUCTIVIDAD DECRECIENTE?
En el captulo anterior se ha comprobado que el uso intensivo de internet para el aprendizaje
interactivo es ms eficaz a la hora de mejorar los resultados acadmicos que su uso para
buscar informacin. Sin embargo, hasta hora nada se ha dicho sobre la manera en la que las
diferentes intensidades de uso de la interaccin mediante internet en el aprendizaje afectan al
rendimiento acadmico. En el presente captulo se dar un paso ms abordando el segundo de
los objetivos planteando en esta tesis: Estudiar la variacin de los beneficios de la interaccin
mediante internet en el proceso en el proceso de enseanza-aprendizaje segn la intensidad
de sta.
Para ello se quiere dar respuesta a las siguientes dos cuestiones:
- Cmo varan los beneficios de la interaccin mediante internet segn el grado de
intensidad de sta?
- Es la variacin igual para la educacin online que para la presencial?
En una aportacin, ms terica que emprica, sobre el tema, Anderson ha teorizado sobre la
posibilidad de que sumar grados de interaccin en el aprendizaje beneficie cada vez menos a
los estudiantes. Esta idea se refleja en la segunda parte del denominado teorema de la
equivalencia de la interaccin de Anderson (Anderson, 2003; Miyazoe & Anderson, 2010). En
este teorema Anderson postula que en la educacin a distancia: Es probable que unos cursos
con niveles altos de ms de uno de estos tres modos (Estudiante-Estudiante, Estudiante-
Profesor y Estudiante-contenido
37
) proporcione una experiencia educativa ms satisfactoria, sin
embargo, teniendo en cuenta el coste y el tiempo necesitado, estos cursos no sern tan
efectivos como otros menos interactivos.
Pese a su formulacin el propio autor observa que existen pocos estudios empricos sobre el
tema. En el ao 2010 Miyazoe y Anderson (Miyazoe & Anderson, 2010) hacen una revisin de
ellos y observan que tan solo dos estudios se han preocupado por esta cuestin. Uno de ellos
cuenta con una muestra muy pequea y escasamente representativa de tan solo 236
estudiantes de Japn y Taiwan y no se centra especficamente en este resultado ( Miyazoe,

37
Ver captulo 4.


180

2009). El otro, ms representativo, trata de comprobar empricamente esta parte del teorema
a partir de los resultados 77 estudios analizados en forma de meta-anlisis (Bernard et al.,
2009). El resultado del meta-anlisis es interesante ya que parece confirmar que en aquellos
cursos donde se dan niveles ms altos de interaccin los beneficios en el rendimiento
acadmico no crecen de forma proporcional a la interaccin mediante internet, sino que lo
hacen a un ritmo menor. Este resultado por extensivo y pionero es de especial importancia
para la presente tesis, sin embargo, existen 3 puntos del anlisis de Bernard que este captulo
quiere mejorar:
- La ausencia de estudios que analicen los efectos de diferentes grados de intensidad de la
interaccin obliga a los autores a crear las 3 categoras de la escala de intensidad de
interaccin (baja, moderada y alta) a partir de diferencias de nivel entre el grupo de
tratamiento y control de varios estudios recogidos en el meta-anlisis y no a partir de
estudios que comparen diferentes intensidades. Ello lleva a que en su escala la intensidad
sea relativa y se considere de la misma intensidad (por ejemplo 1) a un estudio que
compara un grupo de control con interaccin nula con uno de tratamiento con intensidad
baja que a otro cuyas intensidades sean moderada y alta respectivamente. En el caso de
que en el grupo de intensidad 1 predomine la comparacin de estudios con alguna
intensidad los resultados pueden estar sesgados.
- Solo se consideran objeto del anlisis los cursos 100% online o aquellos hbridos con
tendencia ms online: ms del 50% de interacciones se hacen online.
- No se separan los efectos entre los dos tipos de instruccin, cuando en los cursos hbridos
la interaccin es conceptualmente diferentes ya que se complementa con la interaccin
mediante internet.
Partiendo de estos resultados, nuestros datos nos permiten superar algunas de las limitaciones
metodolgicas expuestas. Por ello, en el presente captulo se quiere dar un paso ms y analizar
de forma separada cmo varan los beneficios en el rendimiento acadmico segn el nivel de
interaccin y segn la modalidad de estudio, incorporando en el anlisis aquellos cursos que se
dan principalmente cara a cara y utilizan la interaccin mediante internet como forma de
mejorar el aprendizaje. En este sentido, el captulo quiere contribuir a un campo relativamente
vaco de conocimiento y dar un paso ms all comprobando los lmites en otra modalidad de
estudio. No obstante, solamente se tendrn en cuenta las interacciones entre personas y no
con el contenido.


181

Para responder a las preguntas planteadas, nos basaremos en los estudios microeconmicos
de la produccin, trasladndolos al anlisis del proceso de produccin de educacin en las
universidades catalanas estudiadas. Habitualmente, la economa estudia dos aspectos
diferenciados del proceso productivo: a) el tcnico, como es la productividad y los
rendimientos, y b) el econmico, como son los costes (Hortal i Arau, 1996). De estos dos
aspectos, con el objetivo de dar respuesta a la pregunta planteada, el anlisis propuesto se
centrar en el aspecto tcnico y concretamente en la productividad.
En el proceso productivo de cualquier bien o servicio si se varan las cantidades aplicadas de un
factor implicado en el proceso productivo se espera, tambin, una variacin en la cantidad
obtenida del output. La productividad de un factor puede ser definida como este cambio. Es
decir como el cambio en la produccin de un output que se da como consecuencia de la
variacin de uno de los inputs cuando el resto se mantiene estable. Para comprobar de forma
emprica el teorema de Anderson en este captulo se analizar la productividad de la
interaccin mediante internet en el proceso de produccin de mejora de rendimiento
acadmico y cules son sus etapas.
La hiptesis de partida de este captulo se deriva de la segunda parte del teorema de la
interaccin de Anderson:
- H1: Manteniendo estable la tecnologa, la productividad de la interaccin mediante
internet en el proceso de enseanza-aprendizaje tiene una tendencia decreciente, y ello
tanto en la modalidad formativa online como en la presencial.
Dicho de otro modo, esto significa que en las primeras interacciones online el estudiante
adquiere la mayor cantidad de conocimientos que le llegan por esta va y que posteriormente,
a medida que se aumenta la interaccin, el estudiante adquiere menor cantidad de
conocimientos curriculares nuevos. Probablemente, esta dinmica se deba a que los primeros
conocimientos que se adquieren son los ms bsicos y necesarios para superar con xito las
asignaturas, mientras que a medida que se aumenta la interaccin se adquieren conocimientos
ms especializados que estn menos extendidos entre el grupo de aprendizaje y que, en
ocasiones, pueden requerir unos conocimientos bsicos previos para poder adquirirlos de
forma plena.
Tener informacin sobre este aspecto puede ser de gran importancia a la hora de saber la
cantidad de recursos ptima (incluyendo el tiempo de estudio) que se tiene que invertir en la


182

interaccin mediante internet y, desde el lado del profesorado y la institucin, en la facilitacin
y promocin de sta para conseguir un mayor rendimiento acadmico.
Pese a ello, hay que tener en cuenta que, al contrario de la teora de la produccin de las
empresas, la decisin de utilizar la interaccin mediante internet no depende nicamente de la
universidad (Carnoy, 2007) y, por tanto, desde un punto de vista institucional es ms difcil
ajustar los usos a un criterio ptimo. Por centralizado que sea el proceso de enseanza-
aprendizaje en una universidad, el proceso de produccin de educacin contina fuera del
horario de clases, y es all donde el estudiante (y su entorno) dirigen el proceso de produccin
y, por tanto tambin en que intensidad utilizan unos u otros inputs. Como se comprobar en el
captulo 11 puede haber estudiantes que independientemente de la carrera estudiada y la
metodologa de enseanza-aprendizaje usada sean ms proclives a la interaccin (no dirigida)
mediante internet que otros y este hecho se escapa a las decisiones de la universidad.
Productividad marginal, productividad media y las etapas de la produccin
La productividad de un input puede expresarse en trminos medios o incrementales. En el
primer caso, da lugar a la productividad media (Pme) y, en el segundo caso, a la productividad
marginal (Pma) (Fernndez de Castro & Tugores, 1997). La primera se define como la cantidad
de produccin total que ha aumentado un output debido al input estudiado dividido entre la
cantidad utilizada de ese input en un punto de la funcin de produccin. La segunda se define
como el incremento del output como consecuencia del cambio en una unidad del input
estudiado. Siendo L el input que vara y q la cantidad del output producido estos conceptos se
pueden expresar como:
Pme =
q
L

Pma =
q
L

La relacin entre Pma y Pme permite establecer diferentes etapas y puntos de inters en la
curva de produccin de un input.
Tpicamente, la productividad de cualquier input no es lineal sino que, dado un determinado
estado de tcnica, genricamente, la curva de produccin total tiene una forma de S, con una
primera parte de la funcin convexa y una cncava. Esta forma es debida a que, en un
principio el aumento de un factor provoca un crecimiento rpido en la produccin pero llega
un momento donde, tras pasar por su correspondiente punto de inflexin, el crecimiento del


183

output es cada vez menor por unidad del input aadido, llegando incluso a un punto donde
aadir cantidades del factor no tiene consecuencias o hace disminuir a produccin del output
esperado.
Esta forma de la curva de produccin y sus propiedades permiten hablar de 3 etapas de la
produccin:
- En una primera etapa, la productividad marginal es mayor que la productividad media. Es
una etapa inicial de rpido crecimiento de la produccin total y comprende desde el inicio
de la produccin hasta llegar al punto denominado ptimo tcnico que es el punto donde
la Pme es mayor.
- En una segunda etapa, la productividad marginal contina siendo positiva, sin embargo es
inferior a la productividad media, lo que indica que la primera est decreciendo, siendo
cada vez menor y ms prxima a cero. Esta va desde el ptimo tcnico hasta el mximo
tcnico, el punto en el cual incrementar una unidad ms del input estudiado ya no
incrementa ms la produccin total, es decir donde el Pma<=0
- En la tercera etapa, el rendimiento marginal se hace igual a cero o negativo lo que significa
que, manteniendo estables el resto de factores, aadir ms cantidad del factor estudiado
no mejora la produccin e incluso llega a disminuirla. Esta etapa va desde punto de
mximo tcnico hacia adelante.
9.1. Metodologa
En la exposicin del marco terico (Ver captulo 2), se ha puesto de manifiesto que los inputs
sealados como ms importantes por la literatura para las funciones de produccin educativas
tienen que ver con las caractersticas de la universidad, del aula, del estudiante, de su familia y
del contexto social. Partiendo de esta literatura, en el anlisis desarrollado en este captulo se
mantendrn como inputs fijos los definidos en el punto 7.1.1.
Manteniendo fijos el resto de inputs, el factor productivo sobre el que se centrar la atencin
es la interaccin mediante internet en el proceso de enseanza-aprendizaje. Concretamente,
se estudiarn sus efectos en la produccin de educacin utilizando como output
nuevamente el porcentaje de crditos aprobados sobre el total de matriculados (Sin contar los
crditos convalidados).


184

El anlisis de la productividad de la interaccin mediante internet en este captulo parte de la
asuncin de que incrementar en uno el nmero de usos interactivos medidos incrementa un
nivel de intensidad la interaccin. Es decir que la intensidad se relaciona directamente con el
nmero de usos.
El anlisis de los efectos de la intensidad de la interaccin mediante internet en el rendimiento
acadmico se ha separado en 2 fases. Cada una de estas fases se realizar por separado para la
modalidad formativa online y para la modalidad formativa presencial:
Interaccin como factor discreto
En un primer punto, se calcular el efecto de la intensidad de usos interactivos que hace el
estudiante (entendida como la cantidad de usos que realiza) en su rendimiento acadmico
asumiendo el input estudiado como un factor discreto e indivisible, el cual se tiene que
incrementar en unidades enteras. Para ello, se utilizar la tcnica del propensity score
matching para ajustar lo ms posible los resultados a los efectos causales y reducir el sesgo de
seleccin y la dependencia de los modelos paramtricos (Ho et al., 2007):
1. En primer lugar, a travs de la metodologa del propensity score matching se crearn dos
grupos con similares probabilidades de hacer un uso intensivo de internet para la
interaccin en educacin (3 o 4 usos). La tcnica utilizada para el clculo del propensity
score ser el mismo probit expuesto en el captulo anterior:
UII
i
=

b
j
X
ij
+ c
k
BD
ik
+ d
m
Est
im
+ f
n
T
in
+ g
p
IUI2
ip
+
Donde:
UII
i
= Probabilidad de uso de internet para la interactuar en el aprendizaje
X
ij
= Sociodemogrficas (Gnero y Edad)
BD
ik
= Variables brecha digital: (Tipo de usuario y usos extracadmicos)
Est
im
=Caractersticas de los estudios (rea, Tipo/duracin, Crditos Superados acumulados)
T
in
= Tiempo disponible (Trabajo, Crditos matriculados)
IUI 1
ip
= ndice de uso de internet para la bsqueda de informacin en el aprendizaje (medido
de 0 a 5)
= el trmino de error
Para el emparejamiento de individuos se utilizar un algoritmo ya utilizado en el captulo
anterior. Se empareja a cada individuo con cmo mximo los 10 vecinos ms cercanos siempre
que no estn alejados ms de un 0,5% de probabilidades de uso (Caliper de 0,005). Adems se
realizar un matching con reposicin de los individuos del grupo de control ya emparejados. Se


185

ha escogido este algoritmo puesto que dentro de los de vecino ms cercano que balancean
todas las covariables, es el que se ha mostrado ms robusto en el anlisis de sensibilidad hecho
en el captulo anterior. Este algoritmo permite construir dos grupos sin diferencias
significativas en las covariables controladas.
2. En segundo lugar, para el clculo de los efectos, por cada nivel de intensidad se realizar
una regresin lineal tomando como individuos los dos grupos creados en el punto anterior.
Ello disminuye el sesgo de seleccin de las variables observadas y reduce la dependencia
de las asunciones del modelo de regresin utilizado (Ho et al., 2007). En esta regresin la
variable dependiente ser el rendimiento acadmico y las independientes todas las
variables fijas en el esquema de clculo de la productividad (Punto 7.1.1) ms la variable
Intensidad de uso interactivo de internet para la educacin. Esta ltima variable se
introducir como un conjunto de variables dummies y tomar como referencia la categora
de uso cero.
Rend
i=
b
j
X
ij
+ c
k
BD
ik
+ d
m
Est
im
+ f
n
T
in
+ g
p
IUI1
ip +
h
qI
Intensidad_Trat
iq
+
Donde:
Rend= Rendimiento acadmico
X
ij
= un vector j de las caractersticas de los estudiantes: Edad, gnero (hombre/mujer).
BD
ik
= un vector de variables que hacen referencia a la dimensiones de la brecha digital.
Est
im
= un conjunto de variables ficticias o dummy que hacen referencia al tipo de estudios que
est siguiendo el estudiante y una variable continua que hace referencia a la posicin del
estudiante en estos estudios.
T
in
= Un vector que incluye una variable utilizada como proxys para juntamente con las
variables sociodemogrficas, evitar posibles sesgos derivados de no observar directamente el
tiempo de estudio disponible.
IUI1
ip
= ndice Uso Internet para la bsquedad de informacin en el aprendizaje (0-5)
Intensidad_Trat
iq
: Una serie de variables dummy que indican la intensidad de uso de internet
para la interaccin. Se tomar como referencia la intensidad 0 para comprobar que beneficios
tiene cada nivel de intensidad respecto a los estudiantes que no interactan por internet.
= el trmino de error


186

Siguiendo los pasos anteriores, se est en disposicin de estimar cul es el aumento en el
rendimiento acadmico de los estudiantes que hacen 1, 2, 3 o 4 usos interactivos respecto a
los que no hacen ninguno (que se asume como aumento cero), evitando en parte el posible
sesgo de seleccin de las variables observadas.
Finalmente, para poder determinar si aumentar el input estudiado en una unidad mejora o no
la produccin de rendimiento acadmico respecto a la intensidad inmediatamente anterior se
llevarn a cabo test de igualdad entre las estimaciones de aumento de rendimiento de las
diferentes categoras. Si las estimaciones son estadsticamente significativas se podr afirmar
que la variacin en la cantidad de input provoca una variacin significativa en el output.
Interaccin como factor continuo
En la prctica, normalmente, los anlisis microeconmicos de la produccin asumen que los
factores productivos son continuos y divisibles (Hortal i Arau, 1996). En el anlisis planteado
esta asuncin es coherente con la realidad ya que, pese a que la medicin de las variables
utilizadas es dicotmica, es muy lgico pensar que existen diferentes grados de intensidad
dentro de cada una. Efectivamente, es razonable que existan diferencias de intensidad entre,
por ejemplo, dos estudiantes que s se comunican con el profesor.
Para poder llevar esta asuncin a la prctica, se proceder de la siguiente forma:
- Partiendo los incrementos de productividad calculados en la fase anterior, se situarn los
puntos en un grfico de dispersin de dos dimensiones donde el eje de las x ser la
cantidad de interaccin mediante internet y el de las y el beneficio acumulado derivado
del uso de sta.
- Tomando como variable dependiente el aumento acumulado de rendimiento y como
independiente el nmero de usos interactivos de internet en el aprendizaje, se har una
regresin de segundo orden que ajuste lo mejor posible una curva sobre los puntos del
grfico anterior. Esto nos permitir tener una buena aproximacin a la funcin de
produccin total considerando la interaccin como una variable como continua.
- Una vez calculadas las funciones de produccin total se podrn definir las regiones de
produccin de Cassel as como los ptimos y mximos tcnicos para cada modalidad
formativa.



187

9.2. Resultados
En este punto se presentarn los principales resultados de los anlisis llevados a cabo. Para
ello se separar la consideracin de la interaccin como factor discreto y la consideracin de la
interaccin como factor continuo.
9.2.1. La interaccin como factor de produccin discreto
Una vez construidos los dos grupos (control y tratamiento) sobre los que se realizaran los
anlisis (Ver anexo 5.1 Y 5.2), los tomamos como muestra. A continuacin, podemos calcular la
productividad de la interaccin mediante internet en el aprendizaje eliminando en gran parte
el posible sesgo de seleccin proveniente del hecho de trabajar con datos observacionales y no
aleatorios. Para ello, se utilizar una regresin lineal simple ponderando los casos por los pesos
resultantes del algoritmo de emparejamiento realizado. Pese a la correccin anterior, hay que
tener en cuenta que no se elimina el sesgo de seleccin que pudiera derivarse del hecho de
que existiera alguna variable no observada relacionada tanto con el rendimiento acadmico
como con el uso de internet para la interaccin en el aprendizaje, como podra ser el nmero
de horas dedicadas al estudio, que se tiene que entender como parte del tratamiento.
Las estimaciones de la productividad de la interaccin mediante internet para el aprendizaje,
separando la educacin virtual de la educacin presencial, se muestran en la tabla 9.1 y de
forma ms visual en el grfico 9.1.



188

Tabla 9.1. Productividad total y marginal de los usos interactivos de internet en la educacin
por modalidad de estudio
Tabla 9.1. Productividad total y marginal de los usos interactivos de internet en la educacin por
modalidad de estudio
Productividad
total
Presencial
Productividad
Marginal
Presencial
Productividad
total
Virtual
Productividad
Marginal
Virtual
0 usos interactivos Ref -- Ref ---

1 uso interactivo 0,889 0,889 9,05* 9,05*
(1,50)(a) (1,50) (4,56)(a) (4,56)(a)
2 usos interactivos 4,96*** 4,07*** 13,79*** 4,74***
(1,82)(a) (1,29)(a) (4,05)(a) (1,50)(a)
3 usos interactivos 6,20*** 1,24 16,08*** 2,29***
(1,58)(a) (0,81)(a) (4,06)(a) (0,52)(a)
4 usos interactivos 7,57*** 1,37 18,23*** 2,15***
(1,94)(a) (0,86)(a) (3,88)(a) (1,08)(a)
Fuente: Elaboracin propia
Nota: (a) Errores estndar robustos con correccin clster
*** Efecto significativo al 99% ** Efecto significativo al 90%
Grfico 9.1. Productividad total y marginal de los usos interactivos de internet en la educacin por
modalidad de estudio (representacin grfica)

Fuente: Elaboracin propia
0
2
4
6
8
10
12
14
16
18
20
0 1 2 3 4
Presencial Virtual
+9,05 *
+2,15 *
+1,37
+1,24
+4,07 ***
+0,89
+2,29 ***
+4,74 ***
+2,61 **


189

La interaccin mediante internet beneficia ms a los estudiantes de la educacin virtual ya que
es su nica forma de interactuar con los profesores y estudiantes, mientras que en el caso de
la universidad presencial esta interaccin es ms un complemento que una condicin
necesaria para la interaccin y, por tanto, los beneficios de usarla son menores.
Las estimaciones nos muestran que por un lado, en promedio, un alumno virtual que hace 4
usos aprueba un 18,23% ms de cursos que uno que no hace ninguno y un 9,18% que uno que
tan solo hace uno. Por otro lado, en la universidad presencial la diferencia es menor ya que un
estudiante medio que hace una intensidad de uso mxima (cuatro usos) aprueba un 7,57%
crditos ms que uno que no hace ninguna.
Estos datos son importantes ya que muestran que la incorporacin y fomento de la interaccin
mediante internet puede repercutir directamente y de forma significativa en el rendimiento
acadmico y el tiempo que un estudiante tarda en graduarse, especialmente en las carreras
ms largas donde el porcentaje mayor de aprobados del curso se va acumulando durante ms
cursos.
A continuacin se analizar de forma ms detallada la productividad de la interaccin por
internet en cada una de las modalidades formativas estudiadas.
Modalidad virtual
Como se observa en la tabla y el grfico anterior parece haber indicios de que, en la educacin
virtual, tal como se hipotetiz, los rendimientos son decrecientes y por ello, cada nuevo uso
que hace el estudiante tiene una productividad marginal menor que el anterior.
El hecho de pasar de cero a un uso aumenta el rendimiento de forma significativa con un nivel
de confianza del 90% aunque no del 95%, debido al escaso nmero de individuos que hacen
cero o un solo uso en esta modalidad. El hecho de pasar de 1 a 2 lo hace con una significacin
de ms del 99%, el de pasar de 2 a 3 con una significacin tambin superior al 99%. Por ltimo,
pasar de 3 a 4 lo hace con una significacin inferior al 95% pese a ser en estas categoras
donde se concentran casi el 70% de los individuos que estudian en la universidad virtual. Esto
lleva a pensar en la existencia de 3 fases diferenciadas:
1. Fase de ruptura. Esta fase consiste en consiste en pasar de una intensidad de cero usos a
una de un uso y es donde se estima un el beneficio es mximo. Esta fase tiene una
estimacin puntual de la productividad marginal muy elevada (9,05%). Esto es lgico si se
piensa que, como no existe posibilidad de interaccin cara a cara, es la fase que distingue a


190

aquellos estudiantes activos de los o bien no siguen los cursos
38
, o bien lo hacen de forma
totalmente individual sin ningn tipo de interaccin durante su proceso de aprendizaje. Es
difcil pensar en un estudiante que siga de forma activa los cursos en la modalidad virtual
(ver captulo 5) y haga un aprendizaje tan individual que no conlleve ninguna de las 4
modalidades de interaccin sobre las que se dispone informacin. Adems, teniendo en
cuenta que la metodologa de enseanza-aprendizaje de esta universidad fomenta la
interaccin incorporndola en la evaluacin continua, an ms difcil es pensar en un
estudiante que tenga interaccin cero y a su vez buenos resultados acadmicos.
Por otro lado, hay que tener precaucin al interpretar este resultado ya que con los datos
disponibles no se puede asegurar con un 95% de confianza que aumentar de cero a 1 sea
significativo, sin embargo, s con un 90%. Este hecho, teniendo en cuenta los pocos
estudiantes que no hacen ningn uso interactivo de internet en el aprendizaje (265, un
2,93% del total) y el elevado error estndar robusto de esta estimacin (4,5), lleva a pensar
que la baja significacin es un problema de la seleccin de la muestra. Efectivamente,
como se demostr en el punto 5.2, la encuesta PIC la contestaron en su gran mayora
estudiantes activo. Y estos alumnos en la UOC llevan a cabo sin duda algo de interaccin.
2. Fase de mxima explotacin. Esta fase se refiere al paso de intensidad de un uso a dos. En
la curva de produccin suele ser la fase donde la productividad marginal es mayor, sin
embargo en el clculo de la educacin virtual esto no es as ya que la fase anterior es casi
un condicin necesaria para seguir los cursos de forma satsfatoria en modalidad virtual. .
La productividad estimada se sita en un 4,74% y es diferente de la anterior con nivel de
confianza del 95%. El hecho de que la productividad marginal sea mayor que en las dos
intensidades siguientes apunta que se trata de una fase donde la adquisicin de
conocimientos es elevada, y, dejando de lado a los alumnos que no hacen ningn tipo de
interaccin mediante internet, es donde se sita el ptimo y por tanto donde, si
suponemos costes de tiempo fijos, donde ms rentable sale invertir tiempo en interactuar.
3. Fase de saturacin. Esta fase se refleja en una cada de la productividad marginal y da
indicios de los rendimientos decrecientes de la interaccin. Pasar de dos a tres usos tiene
una productividad marginal estimada de 2,29% con un nivel de confianza del 99%; pasar de
3 a 4 la tiene de 2,15%, sin embargo en este ltimo caso el nivel de confianza se sita por
debajo del 95%. Este bajo nivel de significacin en el paso de una intensidad de 3 a 4 usos
es ilustrativo de productividad decreciente, ya que siendo en estas categoras donde se

38
Recordemos que en el capitulo 8 se ha mostrado como en el anlisis de productividad del uso de
internet para la bsqueda de informacin se observa la misma dinmica al pasar de 0 a 1 uso.


191

concentra el 70% de los estudiantes de la UOC, y, la baja significacin no es un problema
de falta de muestra que en la primera fase. As pues, el incremento de productividad
marginal derivado del hecho de pasar de 3 a 4 usos no aumenta significativamente al 95%
de confianza la produccin total y ello es un indicador de que este tramo est cerca del
mximo tcnico de la productividad de la interaccin en el rendimiento. Si se trabajara con
un nivel del 90% de confianza, s se podra decir que existen diferencias en la productividad
total. An as, la idea anterior de la proximidad al mximo tcnico quedara igualmente
reflejada en el hecho de que la productividad marginal estimada es la menor de todas, con
un aumento de tan solo el 2,52%.
Modalidad presencial
Si bien en la educacin virtual se ha comprobado que la productividad sigue una pauta
decreciente debido a la alta productividad de romper la barrera de uso, en la educacin
presencial esta dinmica no est tan clara y sus beneficios son menores. Para entender estas
diferencias entre las dos modalidades hay que tener presente que en la modalidad online la
interaccin por internet es la nica posible mientras que en la modalidad online
principalmente funciona como un complemento a la que se da cara a cara.
En el grfico 9.1 se comprueba que la productividad en la modalidad presencial no sigue una
tendencia decreciente pura, sino que se asemeja ms a la funcin de productividad clsica con
forma de S descrita en la introduccin de este captulo. Por tanto, se observa que en una
primera fase la productividad es baja, mientras que en una segunda fase los beneficios
aumentan ms que proporcionalmente para, por ltimo, llegar a una tercera fase donde la
productividad marginal es menor. Como se observa, en la modalidad presencial tan slo el
incremento de 1 a 2 usos es significativo al 95% e incluso al 90%. Sin embargo, tambin
destaca el hecho que pese a que ni pasar de 2 a 3 usos ni pasar de 3 a 4 tiene este grado de
significacin, s lo tiene el hecho de incrementar la intensidad de 2 a 4 usos. La dinmica
anterior nos indica nuevamente la existencia de 3 fases, similares a las de las universidades
online pero con algunas diferencias, especialmente en la primera de ellas:
1. Fase de ruptura. Esta fase consiste nuevamente en pasar de una intensidad de cero usos a
una de un uso. Es la fase donde se rompe la barrera de uso de internet para la interaccin
en el aprendizaje, pero al contrario que en la educacin online, en esta fase no se observan
ningn tipo de beneficios significativos en trminos de rendimiento acadmico. Esta
diferencia se explica por el hecho de que en la modalidad presencial, al ser la interaccin


192

un complemento a la cara a cara y no la nica va, tener cero usos no distingue a los
estudiantes que peor siguen los cursos.
La ausencia de beneficios significativos en esta fase de la modalidad presencial refleja la
existencia de un coste de entrada a la dinmica de uso de internet de forma interactiva
para el aprendizaje ya que sus benficos no se obtienen de forma inmediata sino que hay
que dedicarle ms intensidad de uso. Por tanto, se puede considerar una fase de
aproximacin, exploracin y aprendizaje al uso de internet para interactuar en el proceso
de enseanza-aprendizaje que abre las puertas a poder pasar a la intensidad de uso de las
siguientes fases donde ya s existen beneficios diferentes a cero.
2. Fase de mxima explotacin. Esta fase se refiere nuevamente al paso de la intensidad de
nivel uno a nivel dos. Siguiendo la dinmica clsica de las curvas de produccin, es la fase
donde la productividad marginal es mayor (una estimacin de un incremento de 4,07%) y,
adems, es mayor que la fase anterior con un 99% de nivel de confianza. En esta fase una
vez superada la primera fase de adaptacin y exploracin, es donde el hecho de
complementar la interaccin por internet con la interaccin cara a cara da los mayores
beneficios marginales, es decir donde ms conocimientos se adquieren. No obstante, hay
que tener en cuenta el coste de entrada de la fase de la fase uno y por tanto, la
productividad media mxima no tiene por qu estar dentro de los intervalos de intensidad
que marca esta fase. Este tema se estudiar en detalle en el siguiente punto asumiendo la
funcin de intensidad de uso de internet para la interaccin en el aprendizaje como
continua.

3. Fase de saturacin. Tal como ocurre en la modalidad presencial, en esta fase, que va desde
el nivel de intensidad 2 al 4, la productividad de la interaccin mediante internet es menor
que en la anterior y aumentar la intensidad de uso aumenta en poca cantidad el
rendimiento acadmico. De hecho, para que el incremento sea significativo al 95%, se
necesita pasar de 2 a 4 usos y no se observa beneficio con esta significacin con el
incremento de un solo nivel de intensidad. Esta tendencia decreciente indica que el
conocimiento importante ya se ha adquirido en la fase anterior y, en esta fase, aumentar
la intensidad de uso, con tecnologa fija, es cada vez menos productivo. Por tanto, esta
fase estara cerca del mximo tcnico.



193

9.2.2. La Interaccin como factor de produccin contino
En este punto se analizar la interaccin mediante internet en el aprendizaje como una
variable continua. Esta asuncin es ms coherente con la realidad, donde la interaccin con un
mismo actor se puede dar en diferentes grados de intensidad.
Partiendo de los puntos representados en el grfico 1, correspondientes al nmero de usos y el
beneficio marginal acumulado del uso de interne para la interaccin se estimar la funcin de
productividad de este factor para las dos modalidades formativas. Para ello se utilizar una
regresin lineal simple en la que la variable dependiente (Y) es el aumento de rendimiento
acadmico y la independiente (X) la intensidad de uso de internet para la interaccin en el
aprendizaje.
Dada la forma grfica y las tendencias analizadas en el punto anterior, en el caso de la
universidad presencial se ha considerado que la mejor funcin para ajustar la lnea de puntos
es la cuadrtica, y en el caso de las universidades presenciales una funcin cbica, (ms
habitual en los los anlisis de productividad). Las funciones calculadas son las siguientes:
:irt = - 1,227x
2
+ 9,S49Sx
prcs = -u,26Sx
3
+ 1,47Sx
2
+u,2x
En ambos casos, el ajuste con los puntos de la tabla es muy aceptable, en el caso de la UOC la
R2 es de 0,998 (0,996 ajustado) y en el de las universidades presenciales de 0,990 (0,975
ajustado). Hay que tener en cuenta que se ha forzado el paso por la interseccin del eje de las
x y las y, por lo tanto, la ecuacin parte del punto (0,0) que sera el correspondiente con
una intensidad de uso cero y un beneficio cero. Se ha optado por esta opcin para adecuar
ms el modelo a la realidad estudiada.
En el grfico 9.2, se representan grficamente las funciones de la productividad de la
interaccin como factor continuo y los beneficios estimados para cada uno de los puntos del
factor discreto. Ello nos permite comprobar visualmente el correcto ajuste de las funciones
propuestas a los puntos calculados. Una de las asunciones bsicas de este modelo es que el
paso de un punto a otro sigue un patrn continuo sin altos ni bajos entre medio.



194

Grfico 9.2. Ajuste de las ecuaciones propuestas a los valores reales

Fuente: Elaboracin propia
Nota: R
2
ajustado viirtual= 0,996; R
2
ajustado presencial= 0,975
A partir de las ecuaciones anteriores, se ha calculado la productividad marginal y media de la
funciones continuas de productividad (Ver anexo 5.3). En el grfico 9.3 y 9.4 se representan
grficamente ambas para cada modalidad de estudio.
En la modalidad virtual se pude comprobar que, al seguir una dinmica de rendimientos
decrecientes puros, debido a la autoseleccin de aquellos estudiantes que hacen cero usos,
tanto la productividad media como la marginal son decrecientes y por ello no se cruzan. Este
hecho indica que el ptimo tcnico para esta modalidad de estudio est en la primera
interaccin, es decir, en conseguir que los estudiantes hagan un mnimo de interaccin en su
proceso de enseanza aprendizaje. En el fondo, garantizar este mnimo es sinnimo de
garantizar que los estudiantes no abandonan el seguimiento del curso.
La forma decreciente de los rendimientos medios y marginales indica que en las intensidades
ms bajas de la interaccin es donde se consigue un mayor nivel de conocimientos curriculares
y que, a medida que se aumenta la interaccin, la adquisicin de estos conocimientos es
menor.
Siguiendo est dinmica se puede llegar a un punto donde el beneficio de incrementar la
intensidad de la interaccin sea igual a cero o incluso negativo, asumiendo que no se cambia la
tecnologa o el proceso de interaccin. En la funcin propuesta, la productividad marginal se
iguala a cero en el punto que se corresponde con una intensidad de 3,85 sobre un mximo de
0
0,89
4,96
6,2
7,57
0
9,05
13,79
16,08
18,23
0
2
4
6
8
10
12
14
16
18
20
0 1 2 3 4 5
Presencial Virtual


195

cuatro. A este punto se le denomina mximo tcnico y es el punto donde, dada la tecnologa
usada por las universidades, la interaccin por internet para el aprendizaje tiene el mximo
nivel de productividad posible. Es decir, el punto donde ms ayuda a que los estudiantes
aprueben las asignaturas a las que se matricula. El hecho de que est tan cerca de 4, el
mximo nivel medido, y de que en el punto anterior se haya detectado una tendencia pequea
pero creciente al aumento en el incremento de interaccin en las cantidades ms elevadas de
esta nos indica un cierto estancamiento con la tecnologa actual, pero por otro lado, no hay
seales de que un exceso de interaccin de cmo resultado una sobreinformacin que
disminuya el rendimiento acadmico de los estudiantes.
Grfico 9.3. Productividad media y productividad marginal de la interaccin en educacin virtual

Fuente: Elaboracin propia
En la educacin presencial, se observa que la productividad marginal no tiene una forma
decreciente desde el primer momento. Por el contrario, en un principio la productividad
marginal va en aumento hasta llegar a un punto donde empieza a decrecer. Esta tendencia de
incremento de la productividad marginal de ms a menos refleja la existencia de un coste de
entrada a la interaccin mediante internet para el aprendizaje en la modalidad presencial que
se ve reflejado en una primera fase de adaptacin y exploracin de este tipo de interaccin
que no reporta beneficios elevados, pero necesaria para pasar a una fase de explotacin
mxima.
A partir de un punto de inflexin determinado, los rendimientos marginales empiezan a
decrecer, dndose una tendencia de productividad decreciente. Este punto coincide con el
-2
0
2
4
6
8
10
0
0
,
2
0
,
4
0
,
6
0
,
8 1
1
,
2
1
,
4
1
,
6
1
,
8 2
2
,
2
2
,
4
2
,
6
2
,
8 3
3
,
2
3
,
4
3
,
6
3
,
8 4
PMeUOC PMaUOC


196

mximo de la productividad marginal y matemticamente coincide con el punto donde la
segunda derivada de la funcin es igual a cero. En nuestro caso este punto se sita
aproximadamente en el punto 1,9 de intensidad de uso.
El punto donde se consigue mayor productividad por nivel de intensidad de interaccin
empleado u ptimo tcnico, coincide con el punto donde la productividad media es mxima,
que es el mismo punto donde la productividad media se cruza con la marginal. En la modalidad
presencial, el ptimo tcnico de la interaccin mediante internet para el aprendizaje se sita
en torno a una intensidad de uso de 2,8 sobre 4, esto es aproximadamente un 70% sobre el
mximo de intensidad posible. Asumiendo constantes los costes de produccin unitarios de la
interaccin mediante internet para el aprendizaje, es justo esta intensidad la que ofrece ms
beneficios por cada unidad de tiempo y/o dinero dedicado a ella. Por tanto, es de especial
inters para aquellos estudiantes con restricciones temporales y, para la distribucin de
recursos en la implementacin de herramientas tecnolgicas desde las universidades.
Por ltimo, el mximo tcnico, se sita en el punto donde el rendimiento marginal es igual a
cero. En el caso de las universidades presenciales se sita en el mismo punto que en la
educacin online, aproximadamente a partir de 3,9 cercano el mximo nivel medido. Por
tanto, teniendo en cuenta la cercana de este punto al mximo medido y que el modelo no se
ajusta al 100% a los datos reales, no existen evidencias de decrecimiento en la productividad
debido a un exceso de informacin conseguida mediante la interaccin, pero s de un
estancamiento.
Grfico 9.4: Productividad media y productividad marginal de la interaccin en educacin presencial

Fuente: Elaboracin propia
-1
-0,5
0
0,5
1
1,5
2
2,5
3
3,5
0
0
,
2
0
,
4
0
,
6
0
,
8 1
1
,
2
1
,
4
1
,
6
1
,
8 2
2
,
2
2
,
4
2
,
6
2
,
8 3
3
,
2
3
,
4
3
,
6
3
,
8 4
PMePres PMaPres


197

En la tabla siguiente (Tabla 9.2) se resumen las evidencias empricas halladas en el estudio de
la productividad de la interaccin mediante internet separndolas por las 3 regiones de Cassel.
Tabla 9.2. Resumen de evidencias empricas sobre la variacin de beneficios segn el grado de
intensidad de la interaccin mediante internet en el aprendizaje
Regiones de Cassel Virtual Presencial
I Pma>Pme No evidencia.
ptimo tcnico= romper la
barrera de uso
0 a 2,8 (ptimo tcnico)
II Pme>Pma>0 De 0 a 3,9 (mximo tcnico) 2,8 a 3,9 (mximo tcnico)
III Pma<0 No evidencia. Estancamiento:

Factor discreto: No diferencias
significativas de rendimiento
entre 3 y 4 usos

Factor contino: Inicio del
decrecimiento casi en el mximo
uso medido.
No evidencia. Estancamiento

Factor discreto: No diferencias
significativas de rendimiento
entre 3 y 4 usos

Factor contino: Inicio del
decrecimiento casi en el mximo
uso medido.
Fuente: Elaboracin propia
9.3. Conclusiones
A partir de los resultados anteriores, se pude afirmar que:
- La eficacia de la interaccin mediante internet para el aprendizaje a la hora de aumentar el
xito de los estudiantes depende de la intensidad en que esta se d.
- La eficacia de la interaccin mediante internet para el aprendizaje tiene unos lmites a la
hora de mejorar el rendimiento acadmico a partir d elos cuales no se puede obtener ms
beneficios.
Manteniendo estables el resto de factores productivos controlados, en la educacin online la
productividad asociada la intensidad de interaccin sigue una tendencia decreciente desde el
inicio. Esto es sinnimo a decir que tan solo existe evidencia de la fase II de Cassel, donde la
productividad media es mayor que la marginal, y ello es debido a que el mayor beneficio se
obtiene rompiendo la barrera de uso de la interaccin. Esta tendencia se puede explicar por
dos motivos:
- Por la condicin de factor limitativo (necesario para la produccin) de la interaccin
mediante internet para seguir cursos en la UOC. Los estudiantes que declaran hacer cero
usos de interaccin son los que, sea por estilo de aprendizaje, tiempo, capacidades o
inters, tienen ms dificultades para poder seguir los cursos.


198

- Porque con las primeras interacciones se consigue un mayor conocimiento que con las
siguientes.
Este resultado concuerda con el teorema de la equivalencia de interaccin de Anderson y la
comprobacin emprica propuesta por Bernard et alt. (Bernard et al., 2009) para la educacin
online.
La principal novedad que aporta esta tesis es la postulacin de la existencia de diferencias
entre la modalidad online y la presencial. Se ha probado la posibilidad de trasladar la hiptesis
de rendimientos decrecientes a la modalidad de aprendizaje presencial, demostrndose que
no es factible.
En la modalidad presencial, la productividad de la interaccin mediante internet tiene la forma
de S, tpica de las funciones de produccin y, por tanto, no se puede hablar de productividad
decreciente desde el inicio. De hecho, en las intensidades ms bajas de uso de internet para la
interaccin no existen beneficios significativos para el rendimiento acamico. La interpretacin
de esta evidencia es la siguiente: existe una fase de exploracin y adaptacin a la
incorporacin de este uso de internet en educacin que hace que en los primeros usos los
estudiantes no saquen todo el beneficio posible. Y esta fase hay que tenerla en cuenta a la
hora de hacer el diseo pedaggico de los cursos.
Las consecuencias de estos resultados parecen claras:
- Desde la perspectiva del estudiante. Dedicar un mnimo de tiempo a la interaccin es til
para sacar provecho del potencial de internet para la mejora del aprendizaje y ello sea por
canales fomentados por la institucin o por canales propios. Debatir, formular dudas,
hacer trabajos en equipo, conocer las opiniones de los compaeros hace que los
estudiantes construyan conocimiento mediante el dialogo y aprendan mejor el contenido
curricular. En el caso de las universidades presenciales, no obstante, hay que romper la
barrera de uso mnimo en la cual no se aprende ms de forma significativa dado que es
una fase de exploracin y adaptacin y donde posiblemente se repetir la interaccin que
se puede llevar a cabo cara a cara y no aportar beneficios.
- Desde la perspectiva de las instituciones de educacin a distancia. Pese al escaso peso de
los estudiantes con poca intensidad de uso de internet para la interaccin (2,91% no hacen
ningn uso y 8,6% hace solo 1) no hay que dejarlos de lado debido a que su peso
ponderado por el mayor beneficio que obtendran de incrementar su intensidad es mayor
que su peso numrico. En educacin online si hay que elegir entre fomentar la intensidad


199

de un estudiante con usos bajos o uno con usos altos es comparativamente ms eficaz
centrarse en el primero. Sin embargo, dado que estos son una minora, si se llevan a cabo
polticas generales de fomento de la interaccin entre toda la poblacin de estudiantes
centrarse en el target de estudiantes con usos medios altos (el ms numeroso) puede ser
ms eficaz para la mejora del aprendizaje. No obstante, este tipo de poltica incrementara
la desigualdad entre los estudiantes que menos usan la interaccin mediante internet y el
resto.
- Desde la perspectiva de las universidades presenciales que incorporan internet para
mejorar su eficacia. En estas universidades los estudiantes estn menos acostumbrados a
la interaccin mediante internet. Por tanto, hay que conseguir que no se limiten a la toma
de contacto con esta metodologa, que no aporta beneficios significativos, sino que
realmente superen la barrera del uso mnimo y se siten por lo menos en una intensidad
de uso media. En el caso de estas universidades si existe una masa importante que est
atrapada en los escasos beneficios de un uso mnimo (23%) y, centrarse en conseguir
que este target de usuarios soft incremente su uso puede ser una poltica altamente
eficaz para mejorar la eficacia de la educacin
Para acabar, pese a que en esta tesis no se entrar en detalle, las conclusiones anteriores no
pueden ser completas si no se habla de costes
39
. Si los costes de pasar de un nivel de
intensidad a otro son constantes las afirmaciones anteriores son ciertas, pero si por el
contrario requieren una inversin inicial y luego bajan, las instituciones que quieran maximizar
la eficacia deben fomentar al mximo los usos de internet, siempre comparando el beneficio
con otro tipo de actividades de aprendizaje. En este sentido, en la presente tesis no se
disponen datos sobre el coste para los estudiantes y para las instituciones de llevar a cabo esta
interaccin. No obstante se pueden pensar diferentes escenarios:
- Desde la perspectiva del estudiante. El principal coste posible para estudiar una asignatura
una vez matriculado es el temporal. En este sentido, si se asumen costes fijos, es decir que
aumentar la misma cantidad de intensidad de interaccin cuesta siempre el mismo
tiempo, se pude pensar que hay que buscar un equilibrio entre la interaccin y otras
formas de estudio, ya que, a partir de un determinado nivel, los beneficios de la
interaccin son mnimos.

39
Para ver un buen resumen sobre los costes de la incorporacin de las tecnologas en las universidades
ver el estudio de Castillo Tecnologia, economia i universitat: anlisi dels efectes de les tecnologies de la
informaci i la comunicaci sobre leficincia econmica de les universitats virtuals (Castillo Merino,
2004)


200

- Desde la perspectiva institucional. Los costes son ms variados y no necesariamente fijos.
Existen costes de formacin del profesorado, costes de tiempo para el profesor, costes en
forma de prdida de autoridad y control del conocimiento y, por ltimo costes monetarios
para la implementacin de herramientas tecnolgicas que permitan la interaccin. Sin
datos, es difcil poder saber cmo se tienen que combinar estos costes con los resultados
de la interaccin mostrados. Sin embargo, actualmente se puede argumentar que los
costes son menores que en los inicios del e-learning sobretodo porque buena parte de la
interaccin mediante internet no tiene porque implicar herramientas tecnolgicas propias
de la universidad. En este sentido, parece que los costes ms importantes a analizar seran
los del fomento al uso de la interaccin (por parte del profesorado y el alumnado) y, si son
constantes, con nuestros datos, podemos decir que el uso ms eficiente coincide con una
intensidad de 2 o 3 usos de los 4 por los que se ha preguntado. Sin embargo, si como
parece ms lgico, estos costes no son constantes, se requiere un anlisis ms detallado
que no es objeto de esta tesis.



201

10. QUIN SE BENEFICIA MS?. LOS CONDICIONANTES DE LA
INTERACCIN MEDIANTE INTERNET EN EL APRENDIZAJE
La literatura de evaluacin de programas acostumbra a asumir homogeneidad en las
respuestas a un mismo tratamiento entre individuos diferentes
40
(Cansino Muoz-Repiso &
Romn Collado, 2007; Manski, 2001). En esta investigacin, este hecho llevara a pensar que
todos los colectivos de estudiantes se benefician de forma homognea de la interaccin
mediante internet independientemente de sus caractersticas personales y del entorno donde
estudian. Sin embargo, este escenario es difcil de creer (Pascarella, 2006).
En este captulo, partimos de la asuncin de heterogeneidad de los efectos para cumplir con el
tercer objetivo de esta tesis. Estudiar los efectos diferenciados del del uso de internet para el
aprendizaje interactivo a la hora de mejorar el rendimiento acadmico. O lo que es lo mismo,
dar respuesta a la siguiente pregunta:
- Quin se beneficia ms de la la interaccin mediante internet en el aprendizaje?
Algunos estudios han sealado varios condicionantes por los el uso de internet en educacin
puede afectar de forma diferente a diferentes poblaciones. Sin embargo, estos estudios no se
centran en el efecto de la interaccin mediante internet sino del uso de la tecnologa como un
todo.
Desde la perspectiva de los centros educativos, Claro hace un buen resumen de las
condiciones pedaggicas que van ligados a qu el uso de la tecnologa mejore el rendimiento
acadmico (Claro, 2007). La autora cita varios estudios que demuestran las siguientes
caractersticas como potenciadoras de la eficacia del uso de internet en educacin: una buena
infraestructura tecnolgica en el centro educativo (Machin et al., 2007), profesores con
metodologas de aprendizaje centradas en el estudiante (Becker, 2000), la integracin
curricular del uso de la tecnologa (Hunt et al., 2005) y la definicin clara de las finalidades de
uso (Trucano, 2005). Por tanto, los estudiantes en instituciones que cumplan estas
caractersticas se benefician ms del uso de internet en educacin a la hora de mejorar su
aprendizaje.

40
Tal como afirma Manski la asuncin de efectos homogneos en la investigacin emprica parte ms de
de la bsqueda de precisin de los efectos estimados que de una base terica firme, dado que al reducir
la muestra para analizar subpoblaciones los test de hiptesis tienden a definir los tratamientos como no
significativos (Manski, 2001).



202

Respecto al tipo de contenidos que estudia cada estudiante, Zhao, en un meta-anlisis sobre la
eficacia de la educacin online, llega a la conclusin de que el uso de internet en educacin es
especialmente adecuado para adquirir los conocimientos curriculares valorados en el rea de
informtica (Zhao et al., 2005). Igualmente, en el mismo estudio, Zhao demuestra que la
educacin online beneficia ms a los estudiantes que solo tienen titulacin secundaria que a
los que ya tienen educacin superior (Zhao et al., 2005). El argumento es que los primeros
acostumbran a cursar cursos a nivel de college, ms centrados en la enseanza de habilidades
prcticas, y los segundos a nivel de gradate, centrados en la transmisin de ideas abstractas y
el desarrollo de intereses de investigacin. Por tanto, para Zhao existe algo inherente a la
enseanza mediante internet que favorece su uso para transmitir los contenidos prcticos y lo
dificulta para la transmisin y discusin de contenidos tericos ms profundos.
Desde la perspectiva de los estudiantes, Liu et alt. distinguen tres tipos de condicionantes que
hacen que el uso de internet en educacin sea especialmente beneficioso para algunos
estudiantes: las caractersticas sociales, las caractersticas psicolgicas y las habilidades
tecnolgicas (Liu, Gomez, Khan, & Yen, 2007).
Algunos condicionantes sociales estudiados han sido el gnero y el status socioeconmico
familiar. Brown y Liedholm demuestran que la desigualdad de rendimiento entre hombres y
mujeres, a favor de los primeros, en un curso de economa se reduce al llevar a cabo el mismo
curso de forma virtual ( Brown & Liedholm, 2002). Jackson et al., por su parte, demuestran, en
el marco de la educacin primaria, que los estudiantes de clases bajas que ms usan internet
fuera del aula tienen mejor rendimiento acadmico en test de lectura, al contrario de la
literatura que suele asociar un mayor uso de internet fuera del aula a un peor rendimiento
acadmico (Jackson et al., 2006).
Respecto a las caractersticas psicolgicas ms estudiadas como condiciones necesarias para el
mejor funcionamiento de la enseanza online, a veces van ligadas con el estatus
socioeconmico, han sido la motivacin, la autodisciplina y las habilidades comunicativas.
Smiths et al. demuestran que los estudiantes que acaban los cursos online tienen una mayor
motivacin, autodisciplina y capacidad comunicativa que los que no. Adems, se plantean el
hecho que los estudiantes online suelen ser diferentes de los presenciales en estas
caractersticas, por lo que se da una autoseleccin que lleva a replantearse si estudiar online
sera igual de efectivo para todos los estudiantes o la eficacia solo se est viendo para aquellos
ms adecuados para este tipo de educacin (Smith Jaggars & Bailey, 2010).


203

Por ltimo, para acabar con la revisin de los condicionantes referidos al estudiante para el
xito de la educacin online, es necesario notar como la literatura seala que el nivel de
alfabetizacin digital de los estudiantes tiene un rol importante para conseguir que la
enseanza online sea ms efectiva. Diversos estudios demuestran que la habilidad tecnolgica,
muchas veces medida como la autopercepcin de esta habilidad (Internet self-efficacy), es un
factor importante para tener un mayor rendimiento a la hora de seguir cursos de educacin
online (Castillo-Merino et al., 2010; R. J. Chu & A. Z. Chu, 2010; Joo, Bong, & Choi, 2000; Liu et
al., 2007; M.-J. Tsai & C.-C. Tsai, 2003). Sin embargo, existe un cierto vaco respecto al papel de
las habilidades tecnolgicas a la hora de seguir cursos de educacin presenciales
complementados con el uso de la tecnologa. Es importante saber utilizar internet para
beneficiarse de la interaccin mediante internet en la educacin presencial o al ser en este
tipo de formacin un uso de menos intensidad no es necesario tener tantas habilidades?.
Ms all de la educacin por internet, existe otra rama de la literatura que ha estudiado los
efectos diferenciados de la interaccin presencial en el rendimiento acadmico de los
estudiantes universitarios. Una primera conclusin es que en general la interaccin mejora el
rendimiento acadmico y la satisfaccin de los cursos pero no lo hace para todos los
estudiantes por igual. La revisin de Kim y Sax refleja que algunos estudios muestran
diferencias por gnero (Colbeck, 2001; Sax, Bryant, & Harper, 2005), otros por raza o
pertenecer a una minora (Cole, 2010; Lundberg & Schreiner, 2004) y, otros, ponen el acento
en que el tamao del centro educativo condiciona la proximidad de estudiantes y profesores
dificultando la interaccin entre estos (Kuh & Hu, 2001). Kim y Sax dan un paso ms all
estudiando las diferencias por gnero, raza y aadiendo el status socioeconmico y la
condicin de ser estudiante de primer ao en la universidad ( Kim & Sax, 2007). Sin embargo
sus resultados no son claros y el estudio no saca ningn patrn comn para los diferentes
outputs estudiados. Sin embargo, seala la necesidad de analizar ms concretamente los
diferentes efectos de la interaccin.
Partiendo de los estudios anteriores, se detecta como no existe una literatura importante
sobre los efectos diferenciados del uso de internet en educacin presencial, ni tampoco sobre
los condicionantes que se asocian a una mayor eficacia del uso de internet para interaccin.El
presente captulo pretende contribuir al anlisis de estos dos campos. Para ello:
- En un primer punto, se quiere conocer cuales son las carreras cuyos estudiantes se
benefician ms del uso de internet en la interaccin en el aprendizaje. Por un lado, se
quiere estudiar que reas de estudio integran ms las habilidades ligadas a la interaccin


204

mediante internnet en su currculo y, por otro lado, se quiere estudiar si el nivel de
profesionalizacin de la carrera juega algn papel relevante en esta integracin.
- En un segundo punto, se quiere investigar cual es el rol de las habilidades de uso de
internet en la obtencin de mayores beneficios del uso de internet para la interaccin en
el aprendizaje. A partir de la literatura revisada, se parte de la base de que en educacin
online la habilidad de uso de internet es positiva para conseguir mayores beneficios de la
interaccin. Pero se quiere dar un paso ms e investigar cual es el rol de las habilidades
tecnolgicas a la hora de mejorar el rendimiento acadmico en un entorno educativo
presencial, que incorpora internet como complemento para mejorar la educacin cara a
cara.
A continuacin se situar ms en detalle cada uno de estos dos puntos y se expondrn las
hiptesis de partida.
Grados de integracin de las habilidades ligadas a la interaccin en el aprendizaje mediante
internet en el currculo acadmico: el papel del rea de estudios y el grado de
profesionalizacin de la carrera
En el captulo anterior se ha demostrado que, como trmino medio, los estudiantes que
incorporan la interaccin mediante internet en sus procesos de enseanza-aprendizaje
obtienen mejores resultados que el resto y que estas mejoras son, en general, decrecientes.
Pero ello no significa que este uso sea igual de til en todas las carreras. Ms all de la
modalidad formativa en que se estudie (Virtual o presencial), Qu caractersticas de las
carreras son condicionantes para el mejor funcionamiento de de este uso de internet?
Asumir que el efecto de la interaccin mediante internet es homogneo a travs de todas las
carreras sera caer en el simplismo de pensar que no existen diferencias en cuanto al grado de
integracin de las habilidades fomentadas por la interaccin mediante internet en educacin
en el currculo acadmico y en los mecanismos de evaluacin.
A efectos operativos, en la presente tesis, se asume que el aprendizaje de los contenidos
curriculares del estudiante es un objetivo ms o menos consensuado por los diferentes actores
que participan en su definicin. Sin embargo, el consenso no tiene porque ser homogneo en
todas las universidades, ni dentro de una universidad en todas las carreras. En cada carrera
existen intereses y actores diferentes que influyen en la definicin del currculo y provocan que
estos sean heterogneos.


205

En el sistema universitario cataln, la existencia de currculos heterogneos se pone de
especial relieve en la integracin de aquellas habilidades transversales que van ms all de los
contenidos propios de cada carrera que vienen marcados por la ley de una forma bastante
homognea. En el 2005, las habilidades potenciadas por el uso de internet para la interaccin
son, en la mayora de los casos, parte de estas habilidades transversales no marcadas por ley y,
por tanto, es lgico pensar que existen diferencias importantes en cuanto a su integracin en
el currculo.
Tradicionalmente el esquema organizativo de la educacin superior catalana ha sido
unidireccional y, a grandes rasgos, diferentes estudios han puesto de manifiesto que la
integracin de internet acostumbran a reproducir esta dinmica (Carnoy, 2004; FODID (Grup
dinnovaci docent: Formaci docent i innovaci pedaggica), 2005). Para que el uso de
internet sea realmente innovador debe ser usado bajo unas condiciones organizativas de la
pedagoga que pongan al estudiante en el centro del proceso de enseanza-aprendizaje. Es
decir, se debe superar el modelo unidireccional clsico (profesor estudiante) que
tradicionalmente ha dominado la enseanza universitaria, mediante la descentralizacin del
proceso de produccin educativa y la incorporacin de la interaccin multidireccional entre
estudiantes y estudiantes y estudiantes y profesores.
Un estilo de aprendizaje que prime unas determinadas habilidades es especialmente
beneficioso cuando es reconocido y valorado en el entorno acadmico en el que un individuo
se desenvuelve, mientras que si no lo es no tiene porque serlo. Por tanto, el uso de internet
para la interaccin en el rendimiento acadmico debera ser especialmente positivo en las
carreras en las que:
- Se ha producido un cambio organizacional hacia la multidireccionalidad en el aprendizaje.
- Se ha incorporado internet como herramienta para llevar a cabo el cambio organizacional.
- Se han integrado la adquisicin de habilidades fomentadas por el trabajo en red y la
interaccin mediante internet, as como la interaccin en s misma, en la valoracin del
rendimiento acadmico.
Partiendo de lo anterior, se parte de la hiptesis de que existen carreras que han llevado a
cabo un cambio tecnolgico-pedaggico que llevan a introducir las habilidades que se que se
adquieren mediante la interaccin mediante internet en el currculum acadmico de una
forma ms fuerte que otras. Por tanto, existirn diferencias de beneficos entre los estudiantes
segn la carrera que estudien.


206

Pero, cules son los motivos para que existan entornos donde se incorpora y valora una
metodologa de trabajo descentralizada multidireccional mediante las Internet y otros no? A
este respecto en el presente captulo se plantean dos hiptesis.
- H1.1: Existen diferencias entre disciplinas acadmicas que reflejan los diferentes grados de
integracin de las habilidades que fomenta la interaccin mediante internet en el currculo
y el sistema de evaluacin de los estudiantes en cada una.
- H1.2: Las carreras que priman una integracin en el mercado laboral de sus estudiantes
son las que incorporan en mayor medida en su currculum el trabajo en red mediante el
uso de internet y, por tanto, en las que interactuar en el proceso de enseanza-
aprendizaje tiene un valor aadido mayor.
Respecto a la primera hiptesis, cada disciplina tiene unos contenidos, una tradicin
acadmica y unos actores diferentes. Por ello, pensar en un escenario donde todas las
disciplinas integren de forma homognea las habilidades ligadas a la interaccin mediante
internet en la valoracin del rendimiento acadmico no es una hiptesis realista. El anlisis de
los efectos diferenciados por disciplina nos permitir explorar qu carreras son las valorn
ms las habilidades de uso de internet para la interaccin en su currculum.
La segunda hiptesis parte de la perspectiva econmica y se sita bajo el prisma de la relacin
de las carreras con el mercado laboral. En la sociedad actual se ha demostrado que el uso de
las TIC genera un valor mayor en aquellas organizaciones que, en paralelo a la integracin de la
tecnologa en el proceso productivo, han llevado a cabo cambios organizativos y estratgicos
orientados al trabajo en red. Algunos de los aspectos organizativos que se ha sealado como
positivo para obtener un mayor beneficio de la tecnologa son: la colaboracin, la
descentralizacin, la delegacin de la autoridad en los trabajadores y el trabajo en red de las
empresas (Carnoy, 2000). Adems, en Catalunya y Espaa se ha demostrado como aquellas
empresas que ms incorporan la tecnologa ofrecen como media salarios superiores que el
resto (Daz Chao, 2008; Torrent, Daz, & Ficapal, 2008) , lo que demuestra que el manejo de la
tecnologa es una habilidad valorada en el mercado laboral.
Como se ha visto en el captulo cuarto, las habilidades que se consiguen mediante la
interaccin son similares a las demandadas por el mercado laboral. En este sentido, mediante
la interaccin se consigue que el estudiante sea independiente, tome la autoridad de su propio
aprendizaje y desarrolle habilidades sociales y crticas. Adems, el hecho de llevar a cabo la


207

interaccin por internet incrementa la familiaridad con las nuevas tecnologas y su uso con un
objetivo productivo claro, desarrollando las habilidades de uso de los estudiantes.
Partiendo de lo anterior, la hiptesis propuesta es que, independientemente de la disciplina, la
interaccin mediante internt tendr mayor valor en las carreras que busquen la integracin del
estudiante en el mercado laboral de una forma ms directa. Es decir, en aquellas que
transmitan y valoren en mayor medida conocimientos directamente vinculados con las
demandas del mercado laboral.
Sin embargo, esta afirmacin no tiene porque ser vlida en el caso de que una institucin
integre el trabajo en red mediante el uso de la tecnologa como parte de su currculum bsico
en todos los tipos de carreras. En este caso, lgicamente, no existirn diferencias entre las
carreras profesionalizadoras y el resto ya que en todas se valorar de forma similar estas
competencias. Por ello, se espera que en la universidad virtual no existan diferencias entre las
carreras profesionalizadoras y el resto
La hiptesis propuesta ofrece una explicacin alternativa a la hiptesis planteada por Zhao en
la que explica porque en EEUU la educacin online es ms adecuada para seguir los cursos a
nivel de college que a nivel de graduate. Zhao plantea que, dado que el tipo de contenido de
los primeros se centra ms en la adquisicin de habilidades prcticas y el de los segundo en
ideas abstractas e intereses de investigacin, la diferente utilidad del aprendizaje online en
ellos puede ser causada por la menor adecuacin de Internet para transmitir contenido
profundo y abstracto, para lo cual quizs se necesite ms interaccin entre profesores y
estudiantes.
En esta tesis, se parte de la base de que los nuevos desarrollos de la web permiten aprender
cualquier tipo de contenido independientemente del grado de abstraccin e interaccin
necesaria para su adquisicin. Por ello, las diferencias entre las carreras profesionalizadoras y
las carreras ms tericas debe explicarse bajo el prisma de la vinculacin con el mercado
laboral y no del tipo de contenido.
Para comprobar esta hiptesis contamos con la posibilidad de comparar dos modalidades de
enseanza (presencial y virtual) donde se ofrecen los mismos contenidos, ya que vienen
marcados por ley, y donde en una de ellas se incorpora la interaccin mediante internet, y las
habilidades derivadas de ella, como parte esencial de su sistema de enseanza-aprendizaje.



208

Efectos heterogneos segn la relacin del estudiante con la tecnologa: Habilidades
estratgicas de los estudiantes y la produccin de educacin
Partiendo de la asuncin de que los beneficios de la interaccin en el aprendizaje no solo
dependen de la intensidad de su uso (como se ha analizado en el captulo anterior), sino
tambin de la capacidad de los estudiantes de hacerla con mayor complejidad y sofisticacin,
es muy plausible que la interaccin mediante internet conduzca a mayores beneficios cuando
los estudiantes tienen un nivel de habilidades de uso de internet elevado.
Algunos estudios han puesto de manifiesto que los estudiantes con ms habilidades y
experiencia son tambin los que hacen unos usos ms sofisticados de internet de los que
potencialmente se pude sacar ms ventajas y beneficios sociales (Bonfadelli, 2002; Hargittai &
Walejko, 2008; Robles-Morales et al., 2010). En el caso de la educacin, se ha relacionado la
habilidad tecnolgica con el rendimiento a la hora de seguir cursos de educacin online
(Castillo-Merino et al., 2010; R. J. Chu & A. Z. Chu, 2010; Joo et al., 2000; Liu et al., 2007; M.-J.
Tsai & C.-C. Tsai, 2003).
Van Dijck clasifica las habilidades de uso de internet en tres tipos: habilidades operacionales
informacionales y estratgicas (van Dijk, 2005). Las primeras permiten hacer funcionar
ordenadores y programas, las segundas buscar, seleccionar y procesar informacin de
ordenadores e internet y las terceras tomar la propia iniciativa a la hora de buscar, seleccionar,
integrar, valorar y aplicar informacin con la intencin de mejorar la posicin de uno en la
sociedad
41
. Las 3 habilidades son acumulativas y secuenciales.
Por otro lado, otros autores han teorizado sobre un cuarto tipo de interaccin ms all de los 3
bsicos (estudiante-estudiante, estudiante-profesorado, estudiante-contenido). Esta
interaccin es la denominada estudinate-interface (Hillman et al., 1994) y se refiere a la
interaccin con la tecnologa mediante la cual se sigue el aprendizaje. Los estudiantes que no
tienen las habilidades necesarias para el manejo de la tecnologa gastan ms tiempo para ser
capaces de interactuar mediante internet con los dems o aprender la leccin.

41
Este concepto tiene un paralelismo evidente con el concepto empresarial de capacidad de absorcin,
definido como la habilidad de una empresa para reconocer el valor de la informacin externa nueva,
asimilarla y aplicarla con finalidades comerciales (Cohen & Levinthal, 1989). Es decir, como la capacidad
de una empresa para aprender y sacar beneficio de lo aprendido. Para una revisin de esta idea en el
mundo de la empresa ver: (Fernndez Ardvol, 2008).



209

Trasladando estas ideas al mundo universitario se puede pensar que los individuos con
mayores habilidades de uso de internet, definidos en esta tesis como lderes digitales, tienen:
- Mayor capacidad para interaccionar con cualquier interface de internet
- Mayores habilidades estratgicas que, aplicadas al mundo educativo, les permita en
menos tiempo buscar, seleccionar, integrar, valorar y aplicar en beneficio propio (aumento
del rendimiento acadmico) la informacin nueva externa proveniente de la interaccin
mediante la tecnologa con otros estudiantes y/o profesores.
Por tanto, siguiendo estas premisas nuestra hiptesis es que:
- H2.1: Una mayor facilidad para interactuar con la interface y unas habilidades estratgicas
de uso de internet para la interaccin elevadas provocan que la interaccin mediante
internet en el aprendizaje sea ms rentable.
Pero los beneficios extras de la interaccin gracias a unas mayores habilidades estratgicas y
facilidad de interactuar con el interface pueden tener algunas limitaciones. En educacin la
capacidad de obtener beneficios puede venir limitada por la integracin de las habilidades que
se adquieren en la interaccin mediante internet en el currculo acadmico. Por tanto, se
espera que las habilidades tecnolgicas avanzadas solo sea especialmente positivo en aquellas
instituciones donde se incorpora de forma clara la interaccin mediante la tecnologa en los
sistemas de evaluacin.
- H2.2: Las habilidades elevadas de uso de internet solo so tiles en las instituciones que dan
la posibilidad de ponerlas en juego en el aprendizaje. Es decir, aquellas universidades que
incorporan ms las habilidades ligadas a la interaccin mediante internet en la evaluacin
del rendimiento del alumnado.
10.1. Metodologa
En primer lugar, antes de implementar los modelos de regresin que lleven a las estimaciones
de las diferencias de beneficio entre grupos, se har una correccin del sesgo de seleccin
consistente en la construccin de dos grupos iguales en las variables observadas y diferentes
en la variable de tratamiento: el uso intensivo de internet para la interaccin mediante
internet. La construccin de los grupos sigue exactamente la misma dinmica que en captulo
anterior utilizando un algoritmo de matching con los 10 vecinos ms cercanos, con una


210

distancia mxima de 0,5% de probabilidad, reposicin y excluyendo a los individuos que no
estn en la zona de soporte comn (Ver anexo 6).
Una vez construidos los dos grupos (control y tratamiento), el anlisis parte de la ecuacin
base presentada en el punto 7.1.1 para el estudio del efecto de la interaccin mediante
internet en el aprendizaje en el rendimiento acadmico. No obstante, en concordancia con los
resultados del captulo anterior se introducir un trmino cuadrtico de la variable de
tratamiento intensidad de uso de la interaccin mediante internet en el aprendizaje para
reflejar la tendencia de efectos decrecientes. Adems se introducir como variable a estudiar
el ndice de uso de internet para la interaccin en el aprendizaje (0-4) considerndola como
una variable contina pese a ser ordinal de 5 categoras (Jaccard & Wan, 1996). Con las
modificaciones las ecuaciones resultantes son las siguientes:
Rend
i
= b
j
X
ij
+ c
k
BD
ik
+ d
m
Est
im
+ f
n
T
in
+ g
p
IUI1
ip +
(h
qI
IUI2
iq
+ j
qI
IUI2
iq
2

)+
Donde:
Rend
i
= Rendimiento acadmico
X
ij
= un vector j de las caractersticas de los estudiantes: Edad, gnero (hombre/mujer).
BD
ik
= un vector de variables que hacen referencia a la dimensiones de la brecha digital.
Est
im
= un conjunto de variables ficticias o dummy que hacen referencia al tipo de estudios que
est siguiendo el estudiante y una variable continua que hace referencia a la posicin del
estudiante en estos estudios. En el caso de la universidad presencial tambin se incluye una
variable que hace referencia a si el estudiante a seguido algn curso online en su educacin
universitaria.
T
in
= Un vector que incluye una variable utilizada como proxys para juntamente con las
variables sociodemogrficas, evitar posibles sesgos derivados de no observar directamente el
tiempo de estudio disponible.
IUI1
ip
= ndice Uso Internet para la bsqueda de informacin en el aprendizaje (0-5)
IUI2
iq
= ndice de Uso de Internet para la interaccin en el aprendizaje (0-4)
= el trmino de error
A partir de esta ecuacin, en cada una de las modalidades formativas, para determinar si
existen efectos diferenciados entre grupos en funcin de las variables propuestas y, por tanto,


211

condiciones bajo las que la interaccin en el aprendizaje es ms efectiva para mejorar el
rendimiento acadmico se utilizar la metodologa de las variables ficticias multiplicativas. Esta
metodologa permitir determinar si la influencia de la interaccin mediante internet en el
aprendizaje sobre el rendimiento acadmico es distinta en funcin del grado de
profesionalizacin, el rea de estudio de las carreras y las habilidades y el hbito de uso de
internet del estudiante.
El primer paso de esta metodologa consiste en crear una variable de interaccin entre las
variables a estudiar. Es decir una variable que sea el resultado de multiplicar la variable
contina (variable de la que se quieren analizar los efectos diferenciados) por la variable
categrica (variable que identifica los grupos en los que se sospecha que la variable contina
afecta de forma diferenciada) en forma de variables dummy.
Incorporando las variables de interaccin al modelo de regresin lineal mltiple propuesto
permite averiguar como el efecto de una variable IUI2: (Intensidad de interaccin en el
proceso de enseanza-aprendizaje) en una variable Rend: (el rendimiento acadmico), cambia
dependiendo del grupo de estudiantes considerado.
El efecto de la variable IUI2 sobre la variable Rend se puede definir como la pendiente de la
recta de regresin, por tanto, una interaccin significativa de una variable categrica por una
variable continua (expresado por la significacin del coeficiente de la variable de interaccin)
significa que la pendiente de la variable continua (Intensidad de Interaccin mediante internet)
es diferente para uno o ms grupos de la variable categrica.
La notacin del modelo de interaccin para 2 grupos es la siguiente (Verbeek, 2004) donde el
efecto o pendiente de la variable X
1
sobre Y puede cambiar dependiendo del grupo
considerado, mientras que el efecto del resto de variables X
2
se asume como constante.
Y=
1
+ X
1
+
2
X
2
+
1
Grupo
1
X
1
+
2
Grupo
2
X
1
+ v
t

En este caso:
Grupo
1
: 1 si el estudiante pertenece al grupo 1 y 0 en otro caso.
Grupo
2
: 1 si el estudiante pertenece al grupo 2 y 0 en otro caso.
O lo que es lo mismo:
Grupo
2
: (1- Grupo
1
)
Por tanto,


212

Y=
1
+ X
1
+
1
Grupo
1
X
1
+
2
(1-Grupo
1
)X
1
+ 2X
2
+ v
t
Y=
1
+ (X
1
+
2
)X
1
+ (
1
-
2
) Grupo
1
X
1
+
2
X
2
+ v
t

(X
1
+
2
)=
1
: Pendiente de referencia del Grupo 1.
(
1
-
2
)=
2
: Diferencia en la pendiente entre el grupo 1 y el grupo 2.
A partir de estos coeficientes se puede calcular la pendiente (el efecto) para el grupo 2 como