2.1. Revisión de literatura

Enfocándose en el interés de diversos investigadores como ^{Herrera y Arancibia (2022}), en la discusión sobre los diversos factores que determinan el rendimiento académico de los estudiantes, la literatura ilustra la presencia de diversos factores de índole social, personal e institucional, que suelen vincularse con variables demográficas, socioeconómicas, culturales, académicas y, psicológicas (^{Villarruel-Meythaler et al., 2020}).

En relación a los factores institucionales, la comunicación bidireccional entre estudiantes e instructores juega un papel crucial en el rendimiento académico (^{Ahmad et al., 2017}) puesto que esta interactividad permite a los profesores responder a los aportes de los estudiantes, promoviendo el aprendizaje colaborativo, la participación y el compromiso, mejorando así el rendimiento estudiantil (^{Chan et al., 2019}). ^{Shapiro et al. (2017}) señalan que la interactividad, tanto entre pares como con profesores, fomenta la participación activa, sugiriendo un compromiso consigo mismo y con los demás. Además, ^{Qureshi et al. (2021}) confirman la importancia de estos factores al encontrar una relación positiva entre la interacción social y el rendimiento académico, especialmente a través del aprendizaje colaborativo.

En entornos interactivos, los estudiantes actúan como recursos mutuos, compartiendo ideas, observando el trabajo de otros y tomando decisiones colectivas (^{Strebe, 2018}), generando relaciones significativas que respaldan la idea de que el aprendizaje colaborativo supera el aprendizaje individual (^{Hernández-Sellés et al., 2019}).

Si bien es cierto, en la actualidad, las plataformas virtuales facilitan el acceso autónomo a conocimientos, estas aún no han eliminado la relevancia del profesor como mediador en situaciones educativas. La interacción profesor-estudiante sigue siendo crucial para activar el aprendizaje, siendo esta indispensable en la exposición temática. Se ha demostrado que para fomentar estrategias de autorregulación y habilidades de razonamiento es esencial potenciar la interacción y cooperación entre estudiantes y profesores (^{Cerezo et al., 2019}). Otros estudios subrayan la importancia del diálogo y la competencia comunicativa en el aula universitaria (^{Ibarra y Benítez, 2019}), la formación docente inicial del profesorado (^{Vargas-Díaz y Apablaza, 2019}), y las competencias pedagógicas del docente universitario (^{Villarroel y Bruna, 2017}).

Por su parte, ^{Martín-Palacio et al. (2020}) señalaron que la percepción de profesores y estudiantes universitarios, sobre la actividad docente, son factores que afectan el desempeño académico, y aunque no hallan diferencias significativas entre estas percepciones, los procesos de aprendizaje, la evaluación y la motivación tienen un efecto positivo destacado en el rendimiento académico.

El compromiso conductual, tal como lo plantea ^{Fredricks et al., (2004}), resulta de la participación de los estudiantes en actividades académicas y, representa un factor relevante a considerar en este estudio puesto que, tal como lo plantea ^{López-Cárdenas et al., (2018}) este es crucial para transiciones exitosas en la educación superior. Y puesto que preparar una transición exitosa implica fomentar el compromiso y la motivación hacia el estudio desde el momento del ingreso a la universidad (^{De Soto, 2018}), este compromiso se vincula a la motivación y al deseo de logro de los estudiantes (^{Raza et al., 2020}) ya que, a través de las interacciones con sus pares en equipos de estudio, e instructores, genera involucramiento con las materias (^{Anderson, 2003}) contribuyendo al rendimiento. Esto destaca lo planteado por ^{Fredricks et al., (2004}) quienes señalan que el compromiso de los estudiantes resulta en atención y participación en clase junto con motivación para el aprendizaje.

La motivación ha sido definida por ^{Broussard y Garrison (2004}) como la razón que impulsa acciones y comportamientos, la que, en el contexto académico, se relaciona con la activación de recursos cognitivos necesarios para el aprendizaje (^{Valenzuela et al., 2015}) siendo ésta una clave para el éxito académico, puesto que genera una energía dinámica que impacta significativamente en su desempeño (^{McGillicuddy y McGloin, 2018}). Por ello cabe destacar que las teorías de aprendizaje en la literatura muestran que la motivación va más allá de los aspectos cognitivos, incorporando objetivos, necesidades y también creencias del estudiante (^{Carraça, 2017}; ^{Sá, 2017}) lo que refuerza lo planteado por ^{De Barba et al. (2016}) quienes señalan que la motivación y participación son predictores fuertes del rendimiento académico.

Los análisis de los resultados de algunos estudios, han destacado la teoría de la autodeterminación de ^{Ryan y Deci (2000}), evidenciando que los estudiantes competentes están intrínsecamente motivados para aprender, sintetizar y conectar con diversos materiales (^{Lim et al., 2020}, ^{Parahoo et al., 2013}), y que los estudiantes altamente motivados demuestran mejor desempeño debido a actitudes y estrategias adaptativas, como mantener el interés intrínseco, establecer metas y autocontrol (^{Poon, 2018}). De hecho, ^{Froiland y Worrell (2016}) revelan una asociación positiva y significativa entre la motivación intrínseca, el compromiso conductual y, el rendimiento académico. No obstante, cabe destacar que, según los estudios de ^{Hamjah et al. (2011}), la motivación además puede verse influida por otros factores como el pedagógico-instruccional como, las metodologías de enseñanza y aprendizaje implementadas, y también por la infraestructura que circunscribe al ambiente estudiantil. Los resultados de esta investigación indicaron que los estudiantes universitarios se sienten motivados a aprender cuando los profesores preparan bien el material, usan comunicación verbal, incorporan TIC, muestran pasión por enseñar, y son accesibles. Además, aspectos como la amplitud de las aulas, el mantenimiento de laboratorios, la calidad de las bibliotecas y la disponibilidad de salas de estudio también influyen positivamente en la motivación.

En lo concerniente a la auto-percepción del desempeño académico del estudiante, esta se vincula a cómo el estudiante interpreta y evalúa su propio progreso, diferenciándose a veces de las calificaciones otorgadas por los profesores (^{Imose y Barber, 2015}). ^{Limaico-Nieto y Velasco-Arellano (2020}) han señalado que las calificaciones adquieren importancia relativa al evaluar el desempeño, dado que no existen criterios uniformes establecidos por las instituciones de educación superior. Se advierte entonces que esta percepción depende de factores personales, cognitivos, afectivos, conductuales e incluso institucionales, incluidas las puntuaciones en pruebas en un periodo específico y las auto-percepciones sobre el rendimiento y progreso individual (^{López-Angulo et al., 2020}).

Por lo tanto, dado que el desempeño en el proceso de aprendizaje refleja las capacidades del estudiante y su progreso formativo, lo que implica la adaptación del estudiante a las exigencias académicas afectando los indicadores de calidad, acreditación institucional, asignación de recursos y prestigio (^{Ezenwoke et al., 2018}; ^{Gallegos et al., 2018}), los desafíos educativos deberán ser enfrentados con nuevas propuestas de modelos de mejoramiento de la calidad de la educación (^{Raza et al., 2020}).

3.1. Diseño de la investigación

El proceso investigativo se realizó mediante un enfoque cuantitativo que usa la recolección de datos para cumplir el objetivo de determinar la percepción que tienen los estudiantes de pregrado de la carrera de Ingeniería Comercial, de la influencia de factores personales e institucionales en sus rendimientos académicos durante sus tres últimos años de estudio, basándose en la medición numérica y el análisis estadístico.

Según su nivel de profundidad este estudio tendrá un carácter descriptivo explicativo puesto que tiene como objetivo central la determinación de cualidades y atributos de una muestra de una población.

De acuerdo a su alcance temporal será seccional y según las variables, la investigación será no experimental cuantitativa, es decir, se tratará de un estudio en el cual no se alteran en forma intencional las variables independientes para ver su efecto sobre otras variables.

3.2. Muestra

El tamaño muestral se calculó utilizando la fórmula para población finita, considerando un nivel de confianza del 95 %, un margen de error de ±5 % y una variabilidad máxima esperada del 5 0%. Para una población de 181 casos, el cálculo indicó que era necesario incluir al menos 124 individuos en la muestra, logrando recolectar los datos suficientes, garantizando una representación adecuada de la población estudiada. Los factores que determinaron el tamaño fueron la distribución de la población, el nivel de confianza y el margen de error permitido.

Tamaño de Muestra = Z2 * (p) * (1-p) / c2

3.2.1. Instrumento y recolección de datos

La recolección de datos se sustenta en la aplicación de un instrumento basado en otros dos ya validados y aplicados en investigaciones anteriores que buscaban cumplir objetivos similares al del presente estudio. El primer instrumento considerado en esta investigación fue el aplicado por ^{Raza et al. (2020}) en el cual distinguieron como factores que influyen en el rendimiento del aprendizaje, el compromiso conductual, la motivación para el aprendizaje, y la autopercepción del rendimiento de aprendizaje. El segundo instrumento considerado fue el aplicado por ^{Qureshi et al. (2021}) contemplándose otros factores como la interacción con pares, y la interacción con el instructor.

La encuesta fue construida con la finalidad de funcionar como un auto reporte por parte de los estudiantes. Un docente asistió al aula para leer el consentimiento informado a los estudiantes, en donde se les explicó la finalidad del instrumento, ante lo cual los encuestados manifestaron su libre voluntad de participar de manera anónima.

La encuesta se adaptó, como instrumento de recolección y medición de datos, a un cuestionario Likert con 5 escalas de medición, el cual fue traducido, adaptado y aplicado, a partir de los dos instrumentos ya mencionados, al grupo objetivo de estudiantes de la carrera de Ingeniería Comercial, previa aplicaciones y validación para estos fines.

• La primera sección incluyó los datos del participante lo que indica que la persona que responde está en conocimiento del propósito de esta encuesta y acepta realizarla.

• La segunda sección incluyó datos demográficos, años de ingreso a la carrera, situación laboral, y su percepción de su rendimiento académico.

• La tercera sección incluyó 21 items provenientes de los 5 factores influyentes en el rendimiento académico de los estudiantes. En cada factor se utilizó direcciones codificadas del 1 al 5, entre muy en desacuerdo y muy de acuerdo.

TABLA 1 Factores e items 

3.3. Análisis de datos

Los datos se analizaron cuantitativamente mediante estadística descriptiva y multivariada y se presentaron en forma de porcentaje, frecuencia y media. Se llevó a cabo utilizando paquetes estadísticos del software R. En lo concerniente al análisis descriptivo, se utilizaron medidas de tendencia central como la media y desviación estándar y en el caso multivariado, se aplicó en primera instancia un análisis factorial para cada factor, con la finalidad de analizar su composición y confiabilidad, notando adecuados niveles de consistencia interna, cargas factoriales e indicadores de ajuste. En el proceso se utilizó un análisis factorial con rotación varimax y método de mínimos cuadrados ponderados.

Consecutivamente, se presentó un análisis de regresión en el que se analizaron los tres modelos de regresión utilizados; el efecto de la motivación por el aprendizaje sobre el desempeño académico auto-percibido, otros factores que interfieren en el aula a nivel personal, y finalmente, variables de control sociodemográficas.

De acuerdo a la tabla 1, se determinó la interacción con los pares como la suma de los items del 1 al 5, la interacción con el profesor, del 6 al 9, el compromiso conductual, del 10 al 13, la motivación por el aprendizaje, del 14 al 17, y el desempeño académico del estudiante como la suma de los items18 al 21.

Interacción con los pares

Interacción con los profesores

Compromiso conductual

Motivación por el aprendizaje

Desempeño académico

Donde pi es el puntaje que responde el alumno en el item i. Se debe realizar lo mismo para las nuevas variables restantes.

Para analizar los factores que influyen en el desempeño académico, se emplearon tres modelos de regresión, cada uno considerando distintas variables utilizadas en investigaciones previas (^{Raza et al., 2020}; ^{Qureshi et al., 2021}). Este enfoque permite evaluar la relación y el efecto de los factores seleccionados sobre el rendimiento académico de los estudiantes de la Universidad Católica del Maule, además de determinar si los resultados obtenidos son consistentes con los hallazgos reportados en estudios anteriores.

La significancia estadística de cada variable se evalúa mediante pruebas de hipótesis asociadas a los coeficientes de regresión, utilizando el valor p y niveles de confianza convencionales (generalmente, un nivel de significancia de 0.05). Asimismo, la calidad general de los modelos se examina mediante el coeficiente de determinación ajustado (R2 ajustado). Estas métricas permiten determinar tanto la relevancia individual de las variables como la adecuación global de los modelos propuestos. Los modelos empleados en el análisis son los siguientes:

Modelo 1:

Modelo 2:

Modelo 3:

Percepción del rendimiento académico de los estudiantes de la carrera de Ingeniería Comercial

El nivel de educación de los encuestados antes de ingresar a la Universidad, está certificado por instituciones de educación secundaria. Las evidencias de este estudio señalaron que la percepción del rendimiento académico de los estudiantes, de los últimos tres años, de la carrera es satisfactorio. Esto se puede apreciar en las escalas de medición de la percepción del rendimiento académico utilizada, en la cual la escala 1 la indica como “muy mala” y la escala 7 como “muy buena”. De acuerdo a los resultados, 6 estudiantes (4,84 %) consideraron que su rendimiento era de 7, 36 estudiantes (29,03 %) se consideraron en escala 6, 63 estudiantes (50,81 %) se situaron en escala 5, 15 (12,09 %) en la escala 4, 4 (3,23 %) en la escala 3, y ninguno se sitió en el resto de las escalas.

Factores que afectan el rendimiento académico entre los estudiantes de la carrera de Ingenieria Comercial

Respecto a los 5 factores que podrían influir en el rendimiento académico entre los estudiantes, en la tabla 2, se ilustra el análisis factorial correspondiente al primero de estos factores.

De acuerdo al análisis del factor “Interacción con los pares” en promedio, la media más alta en esta sección se puede ver en el ítem “Soy capaz de desarrollar habilidades y conocimientos con otros estudiantes.” (media = 4,210). Por su parte, el ítem que recibió el menor número de acuerdos en promedio fue “Intercambio frecuentemente mis ideas con otros estudiantes” (media = 3,976), lo que hace suponer, que el desarrollo de las habilidades académicas se limitan, en cierto modo, a la frecuencia en que los estudiantes comparten sus ideas con sus pares. Esta participación de los estudiantes en actividades de colaboración, implicaría el uso de ideas, el intercambio y la comprensión de diferentes puntos de vista, lo que reflejaría un compromiso del estudiante. No obstante, en general la mayoría de los encuestados estuvo de acuerdo en que los cinco elementos discutidos en esta sección influyen en el desempeño académico.

Este hallazgo fue consistente con el estudio de ^{Qureshi et al. (2021}), en el cual se evidenció que la interacción con los compañeros predijo altos niveles de aprendizaje colaborativo activo que, a su vez, predijo un mayor compromiso de los estudiantes y, en última instancia, mejoró el rendimiento de aprendizaje de los estudiantes.

En lo referente al factor “Interacción con el profesor”, la tabla 3 nos ilustra que la media más alta entre los encuestados (4,524) la obtuvo el ítem “Los estudiantes tienen la oportunidad de hacer preguntas al profesor” seguido del ítem "El profesor generalmente estimula el trabajo de los estudiantes” con una media de 4,274. Los ítems que obtuvieron el menor número de acuerdos fueron "El profesor es receptivo a las nuevas ideas” con una media de 4,137, seguido de “El profesor anima a los estudiantes a expresar sus opiniones” con una media de 4,153 denotando una percepción de que los estudiantes sienten barreras al estímulo del desarrollo de la expresión de sus propias ideas ante el docente.

Según lo expuesto por ^{Chan y Ko (2019}) el contacto interactivo con los profesores permite a los estudiantes participar en las discusiones, reforzando la idea de que la autoridad del profesor es esencial para motivarlos. Por lo tanto, se sugiere que el profesor adopte un enfoque colaborativo, delegando un nivel adecuado de control y actuando como facilitador en la realización de las tareas, al mismo tiempo que fomenta la participación de los alumnos en la toma de decisiones relacionadas con estas.

En lo concerniente al compromiso conductual de los estudiantes, la tabla 4 indica que la media del ítem “Me esfuerzo cuando empezamos algo nuevo en clase” (4,298) fue más alta que la del ítem “Me esfuerzo en cada curso” (4,194). Esto ilustra que los encuestados en este estudio se sintieron algo más atraídos a esforzarse ante nuevos desafíos que a los ya conocidos.

La discusión mostró que, en términos de personalidad, los encuestados en este estudio tienden a estar más motivados para aprender si podían enfrentar nuevas experiencias, lo que supone la búsqueda de la satisfacción en el logro de nuevas expectativas, aún con temas o contenidos académicos ya revisados. Si bien es cierto que todos los ítems tuvieron medias sobre 4, destacando al compromiso conductual como un factor esencial para el logro académico (^{Fredricks et al., 2004}), resulta importante además considerar la percepción del estudiantado respecto a la recepción de los conocimientos, puesto que ^{Jones y Carter (2019}) revelaron que la percepción de la clase por parte de los estudiantes predice su compromiso que, a su vez, predice su aprendizaje. De hecho, ^{Raza et al., (2020}) destacó la utilización de herramientas como el material de aprendizaje basado en casos durante la enseñanza como aportes, no solamente al compromiso conductual, sino que también al compromiso emocional y cognitivo entre los estudiantes universitarios.

Con respecto al factor “motivación por el aprendizaje”, la tabla 5 muestra que la mayor cantidad de los encuestados afirmaron que hacen todo lo posible por estudiar el material del curso, el cual tuvo una media de 4,129, mientras que el resto de los ítems calificaron bajo la escala 4, siendo el menos votado “Dedico mucho tiempo al estudio” con una media de 3,556.

El análisis indicó que, en términos de motivación para aprender, los encuestados en este estudio no estaban muy motivados para ello, aunque sí hacían un esfuerzo para estudiar los contenidos de sus asignaturas. Este hecho puede ser explicado, en alguna medida, por ^{Carraça (2017}), ^{Sá (2017}) y ^{Tabile y Jacometo (2017}), quienes sugirieron que los objetivos, necesidades y creencias de los estudiantes son elementos que influyen directa o indirectamente en su motivación para aprender, enfocándose en alcanzar metas que les otorguen importancia, significado y valor, y también por ^{Chinomona y Macongue (2021}), quienes plantearon la relación entre el desempeño de los estudiantes con diversas variables independientes, evidenciando, a través del coeficiente de trayectoria, que la relación más fuerte se estableció con la variable motivacional de los estudiantes.

Y con respecto a la autopercepción del desempeño académico del estudiante, la tabla 6 nos ilustra los resultados del respectivo análisis factorial, con un alfa de Cronbach equivalente a 0,902.

Los hallazgos en este punto señalaron que la mayor parte de los encuestados manifestaron adquirir conocimientos en las asignaturas de la carrera (media = 4,266), seguido estrechamente del ítem "Desarrollo habilidades en las asignaturas de mi carrera” con una media de 4,250. Sin embargo, los resultados indican que el ítem más descendido fue “Aprendo mucho en las asignaturas de mi carrera” con una media de 4,113, junto con el ítem “Soy capaz de aplicar el material que vemos en clases” cuya media fue de 4,129.

De acuerdo a estos resultados surge la presencia de una pequeña brecha entre la cantidad de conocimientos adquiridos por los estudiantes y sus propias percepciones del aprendizaje y aplicación de ellos. Este tipo de fenómenos, por más leves en que se presenten, nos mueve a cuestionar el grado de adquisición de aprendizajes significativos y suelen apuntar en contra de la motivación de los propios estudiantes. En relación a ello, cobra relevancia la teoría del constructivismo que se basa en la idea de que “el aprendizaje significativo ocurre cuando las personas intentan activamente dar sentido al mundo”, es decir, cuando construyen una interpretación de cómo y por qué son las cosas, filtrando nuevas ideas y experiencias a través de las estructuras de conocimiento existentes” (^{Snowman et al., 2000}). Cuando los estudiantes consideran las tareas académicas como interesantes y relevantes, es más probable que estén dispuestos a aprender, y además el compromiso de los agentes mejora el aprendizaje de los estudiantes y por consecuencia su rendimiento académico, debido a las contribuciones realizadas por los estudiantes en sus propias actividades de aprendizaje (^{Raza et al., 2020}).

De acuerdo a lo expuesto en la tabla 7, en general, para los tres modelos planteados es posible apreciar que existe un buen nivel de ajuste y significancia del modelo a nivel global (prueba F es significativa). A nivel individual, es posible apreciar que la motivación por el aprendizaje siempre genera un impacto positivo en el desempeño académico, el que es significativo. En el modelo 1, se observa que existe una relación positiva y estadísticamente significativa entre la variable independiente MOT y la variable dependiente DAC. El coeficiente asociado a MOT es 0,5997 (p < 0,001), lo que indica que, en promedio, un aumento de una unidad en MOT está asociado con un incremento de 0,5997 en DAC, manteniendo constantes otras condiciones. El intercepto (7,5107) sugiere que, cuando MOT es igual a cero, el valor estimado de MOT_DAC es 7,5107. El coeficiente de determinación (R-squared) es 0,428, lo que indica la existencia de factores adicionales no considerados que contribuyen a la variabilidad restante. Los modelos 2 y 3 incorporan nuevas dimensiones al análisis, ampliando la comprensión de los factores que explican la variabilidad de DAC. El Modelo 2, con un R2 ajustado de 0,639, destaca por incluir variables sociales y conductuales claves, como IPA, IPR y COM. Estas variables tienen efectos significativos y positivos sobre DAC, lo que indica que este modelo es más robusto. Por su parte, el Modelo 3, aunque presenta un R2 ajustado ligeramente superior (0,641), incorpora variables adicionales como sexo, trabajo y percepción de desempeño. Sin embargo, muchas de estas variables no son estadísticamente significativas, y la prueba F muestra una disminución en la robustez global del modelo. Esto sugiere que la inclusión de dichas variables introduce complejidad sin aportar una mejora sustancial en la capacidad explicativa del modelo en comparación con el Modelo 2.