���������������������������������������������������������������������������������
Validaci�n psicom�trica de las subescalas motivacionales del MSLQ en escolares de educaci�n virtual en Cusco, Per�
Psychometric validation of the motivational subscales of the MSLQ in virtual education schoolchildren in Cusco, Peru
Valida��o psicom�trica das subescalas motivacionais do MSLQ em escolares de educa��o virtual em Cusco, Peru
![]() |
||
![]() |
Correspondencia: teresa.fernandez.b@upch.pe
Ciencias de la Educaci�n
Art�culo de Investigaci�n
* Recibido: 23 de julio de 2022 *Aceptado: 18 de agosto de 2022 * Publicado: 19 de septiembre de 2022
- Universidad Peruana Cayetano Heredia, Per�.
- Universidad Peruana Cayetano Heredia, Per�.
- Universidad Peruana Cayetano Heredia, Per�.
- Universidad de Valencia, Espa�a.
Resumen
La educaci�n virtual escolar durante la pandemia por la COVID-19 ha replanteado tanto las estrategias pedag�gicas, como los factores psicol�gicos involucrados en el aprendizaje, siendo uno de los m�s importantes la motivaci�n. El Motivated Strategies for Learning Questionnaire (MSLQ) ha sido validado en m�ltiples contextos y niveles educativos durante las �ltimas tres d�cadas. Sin embargo, su estructura te�rica subyacente contin�a en discusi�n. La finalidad de la presente investigaci�n es determinar la validez y confiabilidad del MSLQ para escolares de Cusco en educaci�n a distancia. El estudio es de enfoque cuantitativo, pre-experimental y psicom�trico. La validez de contenido del MSLQ se determin� a trav�s de jueces expertos (n = 7) evidenciando una alta claridad, coherencia y relevancia (p < 0.01). La validez de constructo y confiabilidad por consistencia interna se evalu� en una muestra de escolares de Cusco (n = 322). A trav�s del An�lisis Factorial Exploratorio (AFE) se eliminaron los �tems con cargas cruzadas y baja comunalidad. La estructura final fue de tres dimensiones con 23 �tems, explicando un 96.55% de la varianza. Al realizar el An�lisis Factorial Confirmatorio (AFC) se determin� la validez convergente y discriminante del instrumento, as� como altos �ndices de bondad de ajuste (χ2/gl = 1.963, RMSEA = 0.055, SRMR = 0.054, CFI = 0.934, TLI = 0.927). Se determin� una alta confiabilidad por consistencia interna (α = 0.949, ω = 0.951) en el instrumento. Se discuten los resultados y utilidad en el contexto escolar de Cusco.
Palabras claves: Validaci�n Psicom�trica; Validez; Confiabilidad; MSLQ; Escolares; Per�.
Abstract
Virtual school education during the COVID-19 pandemic has rethought both pedagogical strategies and the psychological factors involved in learning, motivation being one of the most important. The Motivated Strategies for Learning Questionnaire (MSLQ) has been validated in multiple contexts and educational levels during the last three decades. However, its underlying theoretical structure remains under discussion. The purpose of this research is to determine the validity and reliability of the MSLQ for students in Cusco in distance education. The study has a quantitative, pre-experimental and psychometric approach. The content validity of the MSLQ was determined by expert judges (n = 7) showing high clarity, coherence and relevance (p < 0.01). Construct validity and internal consistency reliability were evaluated in a sample of schoolchildren from Cusco (n = 322). Through the Exploratory Factor Analysis (EFA) the items with cross loads and low communality were eliminated. The final structure was three-dimensional with 23 items, explaining 96.55% of the variance. When performing the Confirmatory Factor Analysis (CFA), the convergent and discriminant validity of the instrument was determined, as well as high goodness-of-fit indices (χ2/gl = 1.963, RMSEA = 0.055, SRMR = 0.054, CFI = 0.934, TLI = 0.927) . High reliability was determined by internal consistency (α = 0.949, ω = 0.951) in the instrument. The results and utility in the school context of Cusco are discussed.
Keywords: Psychometric Validation; Validity; Reliability; MSLQ; Schoolchildren; Peru.
Resumo
A educa��o escolar virtual durante a pandemia do COVID-19 repensou tanto as estrat�gias pedag�gicas quanto os fatores psicol�gicos envolvidos na aprendizagem, sendo a motiva��o um dos mais importantes. O Motivated Strategies for Learning Questionnaire (MSLQ) foi validado em v�rios contextos e n�veis educacionais durante as �ltimas tr�s d�cadas. No entanto, sua estrutura te�rica subjacente permanece em discuss�o. O objetivo desta pesquisa � determinar a validade e confiabilidade do MSLQ para estudantes em Cusco em educa��o a dist�ncia. O estudo tem uma abordagem quantitativa, pr�-experimental e psicom�trica. A validade de conte�do do MSLQ foi determinada por ju�zes especialistas (n = 7) apresentando alta clareza, coer�ncia e relev�ncia (p < 0,01). A validade de construto e a confiabilidade da consist�ncia interna foram avaliadas em uma amostra de escolares de Cusco (n = 322). Por meio da An�lise Fatorial Explorat�ria (AFE) foram eliminados os itens com cargas cruzadas e baixa comunalidade. A estrutura final foi tridimensional com 23 itens, explicando 96,55% da vari�ncia. Ao realizar a An�lise Fatorial Confirmat�ria (AFC), foi determinada a validade convergente e discriminante do instrumento, bem como altos �ndices de ajuste (χ2/gl = 1,963, RMSEA = 0,055, SRMR = 0,054, CFI = 0,934, TLI = 0,927). A alta confiabilidade foi determinada pela consist�ncia interna (α = 0,949, ω = 0,951) no instrumento. Os resultados e utilidade no contexto escolar de Cusco s�o discutidos.
Palavras-chave: Valida��o Psicom�trica; Validade; Confiabilidade; MSLQ; Alunos; Peru.
Introducci�n
La motivaci�n es un aspecto fundamental en la adquisici�n de aprendizajes (Schunk et al., 2014, p. 5-6). A trav�s del desarrollo cient�fico y su aplicaci�n sobre las disciplinas pedag�gicas, se evidencia que la motivaci�n es un aspecto fundamental dentro de toda adquisici�n de aprendizaje instruccional, a pesar de la existencia de dificultades en el aprendizaje o trastornos del neurodesarrollo (Rose et al., 2013; CAST, 2018). Asimismo, los instrumentos de medici�n para la motivaci�n poseen una larga trayectoria, existiendo en la actualidad una multiplicidad de posibles cuestionarios psicom�tricos (Finn, 2015), los cuales en su mayor�a poseen m�ltiples dimensiones te�ricas debido a la complejidad propia de la motivaci�n como fen�meno psicol�gico (Conradty & Bogner, 2022).
A pesar que el desarrollo y replanteamiento del proceso educativo (incluyendo el surgimiento de la pedagog�a moderna) ha evolucionado continuamente durante los �ltimos 100 a�os (Williams, 2017), incluyendo la valorizaci�n de los procesos motivacionales durante el aprendizaje, la pandemia de la COVID-19 y las medidas de aislamiento social ocurridas en todo el mundo conllevan un antes y un despu�s sobre la pedagog�a en todos sus niveles (Lockee, 2021). En la etapa m�s cr�tica de la pandemia, se estima que alrededor de 1.6 mil millones de estudiantes de educaci�n inicial, primaria y secundaria, en m�s de 190 pa�ses, interrumpieron la educaci�n presencial que llevaban previamente (UNESCO, 2020), siendo �nicamente en Latinoam�rica m�s de 71 millones de infantes (UNICEF, 2021). La principal respuesta educativa ante la imposibilidad de acudir a las clases, fue establecer pol�ticas para la adopci�n urgente de tecnolog�as de la informaci�n y comunicaci�n (TIC), as� como sistemas de educaci�n virtual, para la continuaci�n de la educaci�n. A pesar que no se poseen estad�sticas globales de la adopci�n de clases virtuales, el National Center for Education Statistics (NCES) estim� que el 61% de los estudiantes escolares estadounidenses se traslad� a un formato de aprendizaje a distancia (NCES, 2022) mientras que en los pa�ses europeos y de Asia central, m�s del 80% empleaban una educaci�n online (Vegas, 2020). En el caso de Latinoam�rica, �nicamente el 61% de estudiantes de 15 a�os pose�an acceso a una computadora previo a la pandemia, siendo en el caso de Per� �nicamente 53% (CEPAL, OCDE & PISA, 2018; citado en CEPAL, 2020). Asimismo, en el �ltimo reporte del Instituto Nacional de Estad�stica e Inform�tica (INEI) durante la pandemia, si bien m�s del 86% de infantes (tanto hombres como mujeres) poseen acceso a Internet, �nicamente el 17% lo hicieron a trav�s de una Laptop, y alrededor del 14.5% por medio de una computadora (INEI, 2021).
El aprendizaje en el sistema educativo requiere que los estudiantes comprendan, intercambien y finalmente creen significados a la informaci�n de las tem�ticas; sin embargo, para lograrlas es necesario que los estudiantes se mantengan atentos e interesados durante las clases, lo cual requiere de m�ltiples procesos motivacionales (Chiu et al., 2021). Se ha observado en estudiantes universitarios que, a diferencia de las clases presenciales, las clases a trav�s de la virtualidad requieren de procesos motivacionales como la autonom�a, autorregulaci�n metacognitiva, autoeficacia o el valor otorgado a las actividades escolares (Quesada-Pallar�s et al., 2021; D�az-Noguera et al., 2022). Asimismo, se ha identificado que la motivaci�n durante las clases virtuales universitarias se encuentra correlacionada con otros factores como la interacci�n en contextos virtuales o la satisfacci�n percibida (Thanasi-Bo�e, 2021). Por otro lado, existen pocos estudios destinados a conocer la motivaci�n acad�mica en estudiantes escolares latinoamericanos, a nivel internacional se evidencia que la autoeficacia y la motivaci�n intr�nseca se encuentran frecuentemente en estudiantes de diferentes niveles, incluyendo los escolares (Fong, 2022).
Uno de los principales instrumentos psicom�tricos para la medici�n de la motivaci�n en el contexto acad�mico es el Motivated Strategies for Learning Questionnaire (MSLQ), el cual fue desarrollado por Pintrich et al. (1991) y consiste en seis subescalas de �Motivaci�n� y nueve de �Estrategias de aprendizaje�. Seg�n sus autores originales, dichas subescalas pueden ser utilizadas de forma �modular�, por lo que se puede emplear las subescalas espec�ficas que el investigador o docente requiera para el contexto educativo espec�fico del colegio o universidad (Duncan & McKeachie, 2005; citado en Holland et al., 2018). La base te�rica del MSLQ parte de los estudios realizados principalmente por Paul R. Pintrich y Wilbert J. McKeachie durante los a�os ochenta, donde se detalla la importancia e interrelaci�n entre las percepciones, expectativas, orientaci�n sobre las actividades educativas y sobre s� mismo (McKeachie et al., 1986) tomando como referencia bases te�ricas previas como la teor�a social-cognitiva (Bandura, 1977) y la teor�a del valor-expectativa (Wigfield y Eccles, 2000), e influenciando teor�as posteriores como la teor�a de la autodeterminaci�n (Ryan & Deci, 2000). En el �rea de �Motivaci�n�, Pintrich et al. (1991) plantean las subescalas en tres dimensiones te�ricamente distintas: componentes de valor (incluyendo las subescalas �motivaci�n intr�nseca�, �motivaci�n extr�nseca� y �valor de la tarea�), componentes de expectativas (incluyendo las subescalas �creencias de control sobre el aprendizaje� y �autoeficacia�), y el componente afectivo (incluyendo una subescala llamada �test de ansiedad�).
En la actualidad, el MSLQ es uno de los instrumentos psicom�tricos m�s empleados en el estudio de la motivaci�n acad�mica por su abordaje integral sobre diversos componentes de la motivaci�n y una robusta base te�rica subyacente (Curione & Huertas, 2016). No obstante, con el desarrollo de la estad�stica psicom�trica y los procedimientos para evaluar de forma emp�rica la validez de los modelos te�ricos, se ha identificado que las subescalas e �tems del MSLQ no siempre mantienen la estructura y ordenamiento original (Holland et al., 2018). En la revisi�n realizada por Cred� y Phillips (2011) identifican en una muestra de m�s de 19 mil estudiantes universitarios que las subescalas motivacionales se agrupan de forma adecuada al excluir la subescala �test de ansiedad�. Asimismo, Moneta y Tofful (2019) �nicamente evidencian la existencia de las dimensiones �Metas extr�nsecas�, �Valor de la tarea� y �Autoeficacia� en estudiantes universitarios argentinos, mientras que Chakraborty et al. (2021) �nicamente encuentra con adecuada confiabilidad las subescalas �valor de la tarea� y �autoeficacia� en una muestra de estudiantes escolares afganos. Por otro lado, durante la pandemia, Veliz et al. (2021) determinaron en una muestra de estudiantes latinoamericanos (93% argentinos) que la mejor estructura factorial para las subescalas motivacionales excluye los componentes de valor, y distingui� en dos dimensiones distintas los componentes de expectativa y afectivos. Estas variaciones reportadas en diferentes contextos culturales pueden deberse a que los fen�menos psicol�gicos como la motivaci�n poseen una gran complejidad, as� como m�ltiples elementos relacionados entre s� (tanto ex�genos como end�genos), llevando a que los investigadores tomen decisiones considerables y cruciales para delimitar su organizaci�n, como elegir una estructura factorial entre diferentes opciones posibles, o eliminar m�ltiples �tems (Hilpert et al., 2013). Por ello, el estudio de los factores y organizaci�n subyacente al MSLQ a�n se mantiene en discusi�n.
Durante la pandemia, si bien ha existido un gran inter�s por conocer los cambios educativos ocurridos a partir de la adopci�n de la virtualidad en los estudiantes escolares, poco se conoce sobre los cambios en la motivaci�n desde la perspectiva latinoamericana. Espec�ficamente en el contexto de Cusco, previo a la pandemia el Ministerio de Educaci�n del Per� (MINEDU) registr� que el 74.2% de escuelas con educaci�n secundaria pose�a acceso a Internet en las escuelas (MINEDU, 20. No obstante, el Instituto Nacional de Estad�stica e Inform�tica (INEI) determin� que �nicamente el 16.9% de hogares cusque�os pose�an conexi�n a Internet a diferencia de Lima Metropolitana (ciudad capital) con un 49.8% (INEI, 2018). Posterior al inicio de la pandemia y las medidas de distanciamiento social, se ha identificado que el 88.3% de j�venes entre 12 a 18 a�os utiliza Internet de forma diaria (INEI, 2021a). Si bien la conectividad es un logro para el logro de la educaci�n a distancia, se estima que mayor�a de personas accede a trav�s de dispositivos m�viles (86,7%), y en una proporci�n muy reducida a trav�s de computadoras de escritorio (14,6%) o port�tiles (17,9%), lo cual constituye una brecha de acceso digital (INEI, 2021b). Se ha observado previamente que la educaci�n escolar a trav�s de dispositivos m�viles ha empleado plataformas no dise�adas para el aprendizaje, como aplicaciones m�viles de mensajer�a (WhatsApp). Si bien dichas plataformas permiten un contacto sincr�nico (mensajes o videollamada) con el estudiante, as� como intercambiar informaci�n de forma r�pida, poseen limitaciones para el proceso educativo (Puica�o, 2022).
Es necesario que, de forma conjunta con un mayor acceso a dispositivos digitales en la regi�n para lograr una educaci�n a distancia de calidad, los factores pedag�gicos que permiten el proceso de ense�anza-aprendizaje sean replanteados desde la perspectiva de la virtualidad. Por ello, es necesario utilizar mediciones v�lidas y confiables por medio de cuestionarios que permitan conocer de forma integral los procesos motivacionales detr�s del comportamiento de los infantes y adolescentes durante la etapa escolar. El instrumento psicom�trico MSLQ ha sido adaptado en m�ltiples ocasiones a la poblaci�n escolar (Curione & Huertas, 2016). Sin embargo, se desconoce su validez y confiabilidad a partir del contexto de la educaci�n virtual la cual, debido a los cambios motivacionales evidenciados en la literatura, podr�a traer consigo una estructura factorial distinta. En este sentido, se plantea como objetivo general validar de forma psicom�trica las subescalas de Motivaci�n del MSLQ en escolares de educaci�n virtual en Cusco (Per�).
M�todos o metodolog�a
El presente estudio es de enfoque cuantitativo (Hern�ndez & Mendoza, 2018), con un dise�o pre-experimental (Campbell & Stanley, 1963, p. 6) de tipo psicom�trico, los cuales se basan en la creaci�n de nuevos instrumentos, as� como la verificaci�n de confiabilidad y validez, propiedades de sus �tems y diferencias de dichas escalas entre grupos (VandenBos, 2015).
Para la validaci�n de contenido, emple� una muestra de jueces expertos pertenecientes a las �reas de psicolog�a, pedagog�a e investigaci�n (n = 7). Por otro lado, para la validaci�n de constructo y confiabilidad por consistencia interna se realiz� un muestreo no probabil�stico a conveniencia, tomando como criterio de recolecci�n un m�nimo de 10 observaciones por variable (�tem) del cuestionario a validar (Ruiz et al., 2010). De esta forma la muestra fue de 322 estudiantes escolares hombres y mujeres, pertenecientes a 4� y 5� de secundaria de dos colegios de Lima Metropolitana (uno de financiamiento p�blico y otro privado), como se observa en la Tabla 1. La edad promedio de la muestra es de 15.7 a�os, con una desviaci�n t�pica de 0.04.
Figura 1: Datos sociodemogr�ficos de la muestra de escolares
|
|
f |
% |
Sexo |
Hombre |
202 |
62.73 |
|
Mujer |
120 |
37.27 |
Edad |
15 a�os |
134 |
41.61 |
|
16 a�os |
151 |
46.89 |
|
17 a�os |
37 |
11.49 |
Tipo de colegio |
Privado |
156 |
48.45 |
|
P�blico |
166 |
51.55 |
Grado escolar |
4� de secundaria |
181 |
56.21 |
|
5� de secundaria |
141 |
43.79 |
El reclutamiento de la muestra se realiz� considerando los principios �ticos de autonom�a, beneficencia y justicia, a trav�s de un consentimiento informado. Se cont� con el permiso de las autoridades de las escuelas as� como de los padres de cada estudiante participante. La recolecci�n de los datos se realiz� de manera virtual y sincr�nica, a trav�s de la plataforma de Formularios de Google (para el rellenado de la encuesta) y Zoom / Google Meet (para la explicaci�n de instrucciones y resoluci�n de dudas durante todo el tiempo de la encuesta), de acuerdo al uso de cada instituci�n educativa. Posteriormente, se seleccionaron los formatos de encuesta adecuadamente respondidos para ser incluidos en la base de datos para el an�lisis estad�stico.
El instrumento Motivated Strategies for Learning Questionnaire (MSLQ) desarrollado por Pintrich et al. (1991) posee seis subescalas siendo 31 �tems en su totalidad. Todos los �tems han sido redactados de forma directa (no inversa), respondidos a modo de una escala tipo Likert de 7 niveles, siendo en un extremo �Nada cierto� (con puntuaci�n 1) y del otro �Muy cierto (con puntuaci�n 7). Se han corroborado previamente los supuestos psicom�tricos del MSLQ en muestras de estudiantes cusque�os, siendo la primera en el 2002 en estudiantes de maestr�a (Torres, 2002) y la segunda en el 2019 (Y�bar, 2021) en una muestra similar de posgrado (n = 126) obteniendo resultados adecuados de confiabilidad por consistencia interna (α = 0.953). Por otro lado, la validez de contenido se verific� de forma subjetiva (consultando la opini�n de un juez experto sin mediciones cuantitativas) y no se analiz� la validez de constructo.
Para analizar los resultados durante la validez de contenido, se emple� el estad�stico V creado por Aiken (1985) sobre tres criterios consultados a los jueces: claridad, coherencia y relevancia. Se consideraron �tems con alta validez al poseer coeficientes con significatividad estad�stica (p < 0.05).
Como supuestos previos a la validez de constructo, se corrobor� la normalidad univariada a trav�s de las pruebas de asimetr�a y curtosis (D�Angostino et al., 1990), as� como la prueba de Shapiro-Wilk, siendo ambas adecuadas para muestras amplias (Mal� et al., 2021). En ambas pruebas, la significatividad estad�stica (p < 0.05) se interpreta como ausencia de normalidad en los puntajes de la muestra. Por otro lado, para evaluar la normalidad multivariada se utilizaron las pruebas de asimetr�a y curtosis de Mardia (Y��ez et al., 1999), con una interpretaci�n similar a los estad�sticos previos. Asimismo, para corroborar la adecuaci�n de los resultados a una estructura factorial, se emplearon la prueba Kaiser-Meyer-Olkin esperando un coeficiente por encima de 0.7, y la prueba de esfericidad de Bartlett esperando la significatividad estad�stica (p < 0.05).
Posteriormente, se realiz� un an�lisis factorial exploratorio (AFE) utilizando una matriz de correlaciones polic�ricas debido a que los �tems del instrumento se miden de forma ordinal, mientras que el m�todo de extracci�n fue de factores principales. A pesar que la extracci�n de componentes principales ha sido m�s com�n en la investigaci�n del MSLQ, se recomienda la extracci�n de factores por encima de los componentes, debido a que estos �ltimos pueden producir factores �matem�ticamente perfectos� pero no interpretables de forma te�rica o conceptual (L�pez-Aguado & Guti�rrez-Provecho, 2019). La rotaci�n de factores se realiz� a trav�s del m�todo varimax. Se consideraron tres criterios para la validez de los factores: 1) una carga factorial mayor a 0.3, 2) ausencia de cargas cruzadas entre factores esperando odd ratios mayores a 0.15, y 3) comunalidades mayores a 0.4 (Hair et al., 2019). Los factores que no cuenten con dichas caracter�sticas ser�n evaluados y retirados para lograr la validez del modelo factorial.
El an�lisis factorial confirmatorio, considerando las dimensiones identificadas en el AFE con los �tems no retirados, se realiz� a trav�s del m�todo de m�xima verosimilitud en su variante robusta con el ajuste del m�todo Satorra-Bentler (Deng et al., 2018), recomendado en situaciones en que no se cumple la normalidad en la muestra. Se evalu� la validez de constructo a trav�s de: 1) la validez convergente y divergente (Cheung & Wang, 2017) al analizar las correlaciones entre factores (esperando covarianzas con significancia estad�stica p < 0.05, as� como no sobrepasar correlaciones superiores a 0.85), y 2) la bondad de ajuste del modelo SEM a trav�s de m�ltiples �ndices: χ2/gl, CFI, TLI, NFI, RMSEA y SRMR, considerando los coeficientes de referencia planteados en la literatura (Schermelleh-Engel et al., 2003; Hooper et al., 2008; Schumacker & Lomax, 2010).
Finalmente, la confiabilidad por consistencia interna se corrobor� a trav�s de los coeficientes Alpha de Cronbach (α) y Omega de McDonald (ω), esperando puntajes mayores a 0.7, y coeficientes de correlaci�n �tem-total mayores a 0.4 (Fr�as-Navarro, 2021). El an�lisis estad�stico descriptivo e inferencial se realiz� en el programa estad�stico STATA versi�n 17.
Resultados
Para la validaci�n de contenido, se solicit� la evaluaci�n del instrumento a jueces expertos (n = 7) los cuales concluyeron que la totalidad del instrumento posee altos niveles de claridad (V = 0.979, p < 0.01), coherencia (V = 0.956, p < 0.01) y relevancia (V = 0.986, p < 0.01). La valoraci�n realizada por cada dimensi�n original del instrumento psicom�trico se observa en la Tabla 2.
Figura 2: Validaci�n de contenido por criterio de jueces expertos
Variable |
Claridad |
Coherencia |
Relevancia |
|||
V |
P |
V |
p |
V |
p |
|
Orientaci�n Intr�nseca |
0.964 |
< 0.01 |
0.928 |
< 0.01 |
1.000 |
< 0.01 |
Orientaci�n extr�nseca |
0.988 |
< 0.01 |
0.952 |
< 0.01 |
0.976 |
< 0.01 |
Valor de la tarea |
0.984 |
< 0.01 |
0.944 |
< 0.01 |
0.968 |
< 0.01 |
Control del aprendizaje |
1.000 |
< 0.01 |
0.964 |
< 0.01 |
1.000 |
< 0.01 |
Autoeficacia |
0.958 |
< 0.01 |
0.976 |
< 0.01 |
0.982 |
< 0.01 |
Test de ansiedad |
0.981 |
< 0.01 |
0.971 |
< 0.01 |
0.990 |
< 0.01 |
Por otro lado, para corroborar la validez del constructo a trav�s de una muestra de estudiantes escolares cusque�os (n = 322), se parti� por el an�lisis de normalidad. Se identific� que todos los �tems denotan puntajes estad�sticamente significativos (p < 0.01) en las pruebas de normalidad univariada de asimetr�a-curtosis y de Shapiro-Wilk, lo cual concluye su ausencia de normalidad univariada. De forma similar, la prueba de asimetr�a y curtosis multivariada de Mardia (1970) presentan coeficientes estad�sticamente significativos (p < 0.01) como se observa en la Tabla 3, corroborando que la muestra posee una distribuci�n no normal.
Figura 3: Test de normalidad multivariada de Mardia
|
Mardia |
χ2 |
gl |
p |
Asimetr�a |
284.646 |
15427.278 |
5456 |
0.000 |
Curtosis |
1432.227 |
6588.981 |
1 |
0.000 |
Posteriormente, al evaluar la adecuaci�n de los resultados a una estructura factorial se obtuvo un coeficiente alto en el test de Kaiser-Meyer-Olkin (KMO = 0.95) y estad�sticamente significativo en el test de esfericidad de Bartlett (χ2 = 6517.183, gl = 465, p = 0.000). Se determina un ajuste satisfactorio y adecuado para realizar un an�lisis factorial.
Para el an�lisis factorial exploratorio (AFE), se extrajeron factores a trav�s de una matriz de correlaciones polic�ricas, donde se identificaron tres factores con autovalores superiores a 1, lo cual logra un 87.9% de varianza explicada, como se observa en la Tabla 4.
Figura 4: An�lisis de autovalores y varianza explicada
|
Autovalores |
Diferencia |
PVE |
PVE (acumulada) |
Factor 1 |
14.573 |
12.727 |
0.713 |
0.713 |
Factor 2 |
1.846 |
0.290 |
0.090 |
0.803 |
Factor 3 |
1.556 |
0.756 |
0.076 |
0.879 |
Nota. PVE = Porcentaje de varianza explicada.
Se decidi� emplear una rotaci�n ortogonal, debido a que las dimensiones latentes del instrumento refieren a �reas te�ricamente diferenciadas, a pesar que todas ellas forman parte del mismo constructo psicol�gico de la motivaci�n. Al aplicar la rotaci�n ortogonal varimax, se identific� la estructura observada en la Tabla 5. Se identifica que los coeficientes m�s altos en cada factor poseen cargas altas (> 0.4). Sin embargo, se identifica que existen m�ltiples �tems con cargas cruzadas a trav�s del an�lisis por odd ratio planteado por Hair et al. (2019) y puntajes de comunalidad bajos.
Figura 5: Distribuci�n de cargas factoriales (inicial)
Variable |
Factor1 |
Factor2 |
Factor3 |
Comunalidad |
Odd ratio |
�tem 1 |
0.4676 |
0.4184 |
0.1565 |
0.4181 |
1.249 |
�tem 2 |
0.2949 |
0.5249 |
0.1555 |
0.3866 |
3.168 |
�tem 3 |
0.3226 |
0.5403 |
0.3128 |
0.4938 |
2.805 |
�tem 4 |
0.2557 |
0.5254 |
0.2686 |
0.4136 |
3.826 |
�tem 5 |
0.2984 |
0.4394 |
0.6521 |
0.7073 |
2.202 |
�tem 6 |
0.2674 |
0.3981 |
0.6547 |
0.6587 |
2.705 |
�tem 7 |
0.1963 |
0.1111 |
0.7199 |
0.5692 |
13.449 |
�tem 8 |
0.2502 |
0.2214 |
0.5963 |
0.4672 |
5.680 |
�tem 9 |
0.2996 |
0.6738 |
0.193 |
0.581 |
5.058 |
�tem 10 |
0.3045 |
0.7357 |
0.3599 |
0.7636 |
4.179 |
�tem 11 |
0.333 |
0.7234 |
0.1279 |
0.6506 |
4.719 |
�tem 12 |
0.2936 |
0.7667 |
0.0614 |
0.6778 |
6.819 |
�tem 13 |
0.3568 |
0.731 |
-0.0002 |
0.6617 |
4.197 |
�tem 14 |
0.2368 |
0.7123 |
0.3729 |
0.7025 |
3.649 |
�tem 15 |
0.3607 |
0.6659 |
0.2974 |
0.662 |
3.408 |
�tem 16 |
0.3165 |
0.5199 |
0.3954 |
0.5268 |
1.729 |
�tem 17 |
0.34 |
0.6306 |
0.3277 |
0.6206 |
3.440 |
�tem 18 |
0.3783 |
0.4523 |
0.4123 |
0.5177 |
1.203 |
�tem 19 |
0.7828 |
0.2315 |
0.2059 |
0.7088 |
11.434 |
�tem 20 |
0.6952 |
0.3911 |
0.0842 |
0.6434 |
3.160 |
�tem 21 |
0.606 |
0.4521 |
0.1537 |
0.5952 |
1.797 |
�tem 22 |
0.649 |
0.4025 |
0.1709 |
0.6124 |
2.600 |
�tem 23 |
0.7788 |
0.3312 |
0.2075 |
0.7592 |
5.529 |
�tem 24 |
0.7984 |
0.2173 |
0.2191 |
0.7327 |
13.279 |
�tem 25 |
0.8071 |
0.2883 |
0.2198 |
0.7828 |
7.837 |
�tem 26 |
0.798 |
0.2884 |
0.2174 |
0.7673 |
7.656 |
�tem 27 |
0.5064 |
0.0862 |
0.4979 |
0.5117 |
1.034 |
�tem 28 |
0.3072 |
0.2081 |
0.4864 |
0.3743 |
2.507 |
�tem 29 |
0.3522 |
0.1966 |
0.4577 |
0.3722 |
1.689 |
�tem 30 |
0.599 |
0.2506 |
-0.0142 |
0.4219 |
5.713 |
�tem 31 |
-0.1081 |
0.1824 |
0.4116 |
0.2144 |
5.092 |
En el primer an�lisis se identificaron cargas cruzadas en los �tems 1, 18 y 27. Posterior a su eliminaci�n, se realiz� un segundo an�lisis identificando una carga cruzada en el �tem 16. Sin la existencia de cargas cruzadas luego de eliminar los cuatro �tems previamente mencionados, se analiz� la comunalidad, identificando puntajes bajos (< 0.4) en los �tems 2, 28, 29 y 31, por lo que se decidi� su eliminaci�n. La mayor�a de �tems eliminados pertenecen a la dimensi�n afectiva de la prueba, compuesta por el �Test de ansiedad�, lo cual ha sido reportado previamente en la literatura (Cred� & Phillips, 2011; Moneta & Tofful, 2019). La estructura final se observa en la Tabla 6. El porcentaje de varianza explicada para esta �ltima distribuci�n fue de 96.55%.
Figura 6: Distribuci�n de cargas factoriales (final)
Variable |
Factor1 |
Factor2 |
Factor3 |
Comunalidad |
Odd ratio |
�tem 3 |
0.3203 |
0.5067 |
0.3505 |
0.4822 |
2.090 |
�tem 4 |
0.2466 |
0.5087 |
0.2927 |
0.4053 |
3.020 |
�tem 5 |
0.314 |
0.3677 |
0.7014 |
0.7258 |
3.639 |
�tem 6 |
0.283 |
0.322 |
0.737 |
0.727 |
5.239 |
�tem 7 |
0.1968 |
0.0489 |
0.7419 |
0.5915 |
14.212 |
�tem 8 |
0.2498 |
0.1945 |
0.5806 |
0.4373 |
5.402 |
�tem 9 |
0.313 |
0.638 |
0.2627 |
0.574 |
4.155 |
�tem 10 |
0.3134 |
0.6945 |
0.4416 |
0.7756 |
2.473 |
�tem 11 |
0.3123 |
0.7513 |
0.1721 |
0.6917 |
5.787 |
�tem 12 |
0.2843 |
0.7785 |
0.1144 |
0.7 |
7.498 |
�tem 13 |
0.3372 |
0.7573 |
0.0521 |
0.6899 |
5.044 |
�tem 14 |
0.2567 |
0.6476 |
0.4648 |
0.7013 |
1.941 |
�tem 15 |
0.3806 |
0.6068 |
0.3593 |
0.6421 |
2.542 |
�tem 17 |
0.3629 |
0.5784 |
0.3391 |
0.5813 |
2.540 |
�tem 19 |
0.7865 |
0.2154 |
0.2185 |
0.7126 |
12.957 |
�tem 20 |
0.6935 |
0.3743 |
0.1229 |
0.6361 |
3.433 |
�tem 21 |
0.6222 |
0.4183 |
0.1993 |
0.6018 |
2.213 |
�tem 22 |
0.6543 |
0.4029 |
0.1726 |
0.6202 |
2.637 |
�tem 23 |
0.7863 |
0.2999 |
0.232 |
0.7621 |
6.874 |
�tem 24 |
0.8046 |
0.1865 |
0.2281 |
0.7342 |
12.443 |
�tem 25 |
0.8078 |
0.2618 |
0.2504 |
0.7837 |
9.521 |
�tem 26 |
0.8027 |
0.2706 |
0.2374 |
0.774 |
8.799 |
�tem 30 |
0.5619 |
0.3019 |
-0.0125 |
0.407 |
3.464 |
Una vez clarificada la estructura factorial a nivel exploratorio, se realiz� un an�lisis factorial confirmatorio (AFC) a trav�s del m�todo de M�xima Verosimilitud, con un ajuste del error (causado por la falta de normalidad) por medio del m�todo de Satorra-Bentler (Deng et al., 2018). Se determina que la estructura factorial denota validez convergente, ya que los coeficientes de covarianza estandarizados (correlaciones) poseen valores estad�sticamente significativos. Asimismo, se corrobora la validez discriminante al no poseer coeficientes con valores mayores a 0.85, como se observa en la Tabla 7.
Figura 7: Coeficientes de covarianza estandarizados entre factores
|
β |
Error est�ndar |
p |
Intervalo de confianza al 95% |
|
Factor 1 <--> Factor 2 |
0.764 |
0.036 |
0.000 |
0.694 |
0.694 |
Factor 1 <--> Factor 3 |
0.721 |
0.045 |
0.000 |
0.632 |
0.632 |
Factor 2 <--> Factor 3 |
0.613 |
0.052 |
0.000 |
0.511 |
0.511 |
Por otro lado, al analizar la bondad de ajuste del modelo factorial se identifica un coeficiente Chi estad�sticamente significativo (χ2 = 445.561, gl = 227, p = 0.000). Sin embargo, para un mayor an�lisis de la bondad se evalu� la proporci�n entre la Chi con los grados de libertad (χ2/gl), as� como otros �ndices de error (RMSEA, SRMR) y comparativos (CFI, TLI). Como se observa en la Tabla 8, los �ndices de bondad de ajuste denotaron valores satisfactorios.
Figura 8: �ndices de bondad de ajuste para el modelo factorial
|
χ2/gl |
RMSEA |
SRMR |
CFI |
TLI |
Esperados |
≤ 2.0 |
≤ 0.08 |
≤ 0.1 |
≥ 0.9 |
≥ 0.9 |
Observados |
1.963 |
0.055 |
0.054 |
0.934 |
0.927 |
Corroborando estos criterios, se determina que las subescalas motivacionales del MSLQ poseen una adecuada validez de constructo al considerar tres factores latentes distribuidos a trav�s de 23 �tems, como se observa en la Figura 1.
Figura 9: An�lisis factorial confirmatorio de las subescalas motivacionales del MSLQ
En cuanto a la confiabilidad por consistencia interna, se analiz� el alfa de Cronbach por cada �tem, presentando resultados superiores a 0.9, considerado muy bueno. De esta manera, el instrumento psicom�trico final presenta niveles de confiabilidad satisfactorios en el Factor 1 (α = 0.805), Factor 2 (α = 0.921) y Factor 3 (α = 0.929). Al analizar los puntajes totales de la prueba, se obtuvo coeficientes adecuados tanto en el Alfa de Cronbach (α = 0.949) como en el Omega de McDonald (ω = 0.951). En cuanto a las correlaciones �tem-total, se obtuvo en promedio un valor de 0.692, lo cual corrobora la consistencia interna. Se concluye que las subescalas motivacionales del MSLQ poseen una alta confiabilidad por consistencia interna.
Con base en los resultados obtenidos, se propone que la estructura final del instrumento mantenga tres dimensiones similares a las propuestas en la versi�n original: �Motivaci�n extr�nseca� (�tems 5, 6, 7 y 8), �Autoeficacia� (�tems 19, 20, 21, 22, 23, 24, 26 y 29) y en base en la evidencia emp�rica, se propuso un tercer factor, el cual combina �tems que forman parte del componente de valor (�tems 3, 4, 9, 10, 11, 12, 13 y 14) y de expectativa (�tems 15 y 17). Una posible base te�rica es la misma teor�a del valor-expectativa de Eccles y Wigfield utilizada por Pintrich et al. (1991), que detalla que �no puede existir componentes de valor separados de los de expectativa� (Schunk et al., 2014, p. 57-78), ya que estos procesos psicol�gicos se encuentran entrelazados. En este sentido, los estudiantes podr�an percibir que el valor atribuido a diversos objetos dentro del proceso educativo (por ejemplo: �Es importante para m� aprender los contenidos de los cursos�) se encuentra de forma conjunta a la expectativa del logro espec�fico sobre dichos objetos de valor (por ejemplo: �Al estudiar de manera adecuada aprender� los contenidos de los cursos�). Se propone nombrar a este tercer factor �Valor intr�nseco� debido a la predominancia de los componentes de valor. La estructura final del cuestionario validado, junto a sus estad�sticos descriptivos, se pueden observar en la Tabla 9.
Figura 10: Subescalas motivacionales del MSLQ
� |
Media |
DE |
|
Dimensi�n: �Valor intr�nseco� |
|
|
|
M3 |
Lo que m�s me gusta es comprender los contenidos lo m�s profundamente posible. |
5.429 |
1.496 |
M4 |
Cuando tengo oportunidad elijo tareas de las cuales puedo aprender a pesar de no estar seguro de salir bien. |
4.882 |
1.491 |
M9 |
Lo que aprendo en un curso lo podr� usar en otros. |
5.531 |
1.443 |
M10 |
Es importante para m� aprender los contenidos de los cursos. |
5.727 |
1.356 |
M11 |
En general me interesan los contenidos de la mayor�a de cursos. |
4.941 |
1.602 |
M12 |
Considero provechosos los contenidos de los cursos porque me permiten aprender. |
5.304 |
1.468 |
M13 |
En general me gustan los contenidos de los cursos. |
4.944 |
1.556 |
M14 |
Entender el contenido de los cursos es muy importante para m�. |
5.854 |
1.316 |
M15 |
Al estudiar de manera adecuada aprender� los contenidos de los cursos. |
5.767 |
1.341 |
M17 |
Si me esfuerzo lo suficiente entender� los contenidos de los cursos. |
5.953 |
1.347 |
Dimensi�n: �Motivaci�n extr�nseca� |
|
|
|
M5 |
Tener buenas notas en mis cursos es lo que m�s me gusta. |
5.941 |
1.362 |
M6 |
Lo m�s importante para m� es tener buenas notas para mejorar mi promedio. |
5.866 |
1.393 |
M7 |
Me gustar�a tener mejores notas que mis compa�eros. |
5.677 |
1.561 |
M8 |
Quiero que todo me salga bien porque para m� es importante que los dem�s reconozcan mis habilidades. |
5.289 |
1.678 |
Dimensi�n: �Autoeficacia� |
|
|
|
M19 |
Conf�o en que tendr� excelentes notas en los cursos. |
5.314 |
1.44 |
M20 |
Estoy seguro que podr� comprender los contenidos m�s dif�ciles de las lecturas. |
5.373 |
1.389 |
M21 |
Conf�o en que entender� con conceptos b�sicos de los cursos. |
5.78 |
1.336 |
M22 |
Conf�o en que entender� con conceptos m�s complejos de los cursos. |
5.345 |
1.461 |
M23 |
Conf�o en que har� un excelente trabajo con las actividades y ex�menes de cada curso. |
5.425 |
1.411 |
M24 |
Conf�o en que me ir� bien en los cursos. |
5.534 |
1.479 |
M25 |
Conf�o en que podr� obtener las competencias ense�adas. |
5.497 |
1.39 |
M26 |
Conf�o en que tendr� �xito, incluso en los cursos de mayor dificultad. |
5.404 |
1.491 |
M30 |
Al dar un examen, me siento c�modo, sin nada que me haga sentir mal. |
4.615 |
1.824 |
Nota. DE = Desviaci�n est�ndar.
Discusi�n
La pandemia por la COVID-19 ha permitido el desarrollo de infraestructura tecnol�gica en la regi�n de Cusco, la cual resulta cada vez m�s indispensable en todos los �mbitos vitales, siendo la educaci�n uno de los m�s importantes (Gobierno Regional Cusco, 2022). Sin embargo, es necesario que el proceso de ense�anza-aprendizaje ocurrido en ambientes virtuales sea dise�ado de forma contextualizada y considerando tanto las plataformas digitales para su logro, como nuevas maneras en que los docentes generen motivaci�n hacia el aprendizaje en la virtualidad. Estos objetivos no podr�an ser alcanzados sin instrumentos de medici�n que permitan un diagn�stico v�lido y confiable de la realidad psicol�gica estudiantil.
El objetivo de la presente investigaci�n fue la validaci�n de contenido y de constructo de la subescala de motivaci�n del MSLQ en escolares en Cusco (Per�), durante la pandemia, es decir cuando se vieron obligados a estudiar a distancia. Como principal resultado, acorde a la evidencia emp�rica de los estudiantes escolares cusque�os, se determin� que el MSLQ posee 23 �tems agrupados en tres dimensiones: valor intr�nseco, motivaci�n extr�nseca y autoeficacia. Esta configuraci�n es distinta a la estructura te�rica original, tal como han encontrado diversas validaciones realizadas a nivel nacional e internacional. Sin embargo, como se describe en la revisi�n sistem�tica de Curione y Huertas (2016), se han realizado muchos estudios sobre el MSLQ en los �ltimos 25 a�os, encontrando distintas configuraciones estructurales. Aunque muchos mantienen la estructura factorial similar al estudio original, otros resultados demuestran que existen tanto factores como �tems que estad�sticamente no cumplen con los valores esperados. Estas diferencias se deben a temas de tipo cultural y contextual.
Los resultados del presente estudio coinciden con ciertas constantes encontradas en la literatura como el retiro de la subescala �test de ansiedad� (Cred� & Phillips, 2011; Moneta & Tofful, 2019) ya que, si bien Pintrich et al. (1991) lo considera como un aspecto que afecta el desempe�o acad�mico, resulta poco relacionado al constructo psicol�gico de la motivaci�n al momento de ser analizado por estudiantes tanto universitarios como escolares. Asimismo, se ha encontrado en diversos contextos que la estructura del MSLQ posee una mejor explicaci�n al reducir su estructura, existiendo ejemplos con 3 factores y 17 �tems, as� como estructuras de 4 factores (Jake�ov�, 2014; Vacul�kov�, 2016; Cardozo, 2018; todos citados en Villarreal-Fern�ndez & Arroyave-Giraldo, 2022).
A trav�s de la presente investigaci�n se corrobora que la subescala de motivaci�n del MSLQ en su versi�n final es v�lida y confiable para conocer la motivaci�n para el aprendizaje, y puede ser usado con garant�a en estudiantes de los �ltimos a�os de secundaria de Cusco, tanto en instituciones de financiamiento p�blico como privado. No obstante, existe la limitaci�n de no poder generalizar estos resultados, debido a que no se ha analizado las variaciones que pudieran existir en la poblaci�n de otras regiones y si la estructura del MSLQ validada en la presente investigaci�n puede ser diferente seg�n caracter�sticas sociodemogr�ficas como el sexo, el tipo de colegio o la regi�n en la que se vive, por lo que futuros estudios de invarianza factorial son recomendados. Asimismo se debe considerar que estos datos corresponden a escolares durante la �poca de pandemia, que oblig� a que estudiaran a trav�s de dispositivos digitales, lo cual puede haber modificado las condiciones motivacionales para el aprendizaje. Se sugiere que este instrumento contin�e siendo validado, en su contenido y constructo, especialmente en zonas con modalidades idiom�ticas del espa�ol, con formas distintas de expresi�n.
Referencias
1. Aiken, L. R. (1985). Three coefficients for analyzing the reliability and validity of ratings. Educational and Psychological Measurement, 45(1), 131�142. https://doi.org/10.1177/0013164485451012
2. Alfaro Aucca, C. (2019). Motivaci�n acad�mica y estrategias de aprendizaje de los estudiantes de la escuela profesional de arquitectura de la universidad andina del Cusco, 2019 [Tesis de doctorado, Universidad Andina del Cusco]. Repositorio Universitario. https://bit.ly/3L6Fxpo
3. Bandura, A. (1977). Self-efficacy: Toward a unifying theory of behavioral change. Psychological Review, 84(2), 191-215. https://doi.org/10.1037/0033-295X.84.2.191
4. Campbell, D. T., & Stanley, J. C. (1963). Experimental and quasi-experimental designs for research. Rand McNally & Company. https://bit.ly/3d0eGyJ
5. Cardozo, A. (2008). Motivaci�n, Aprendizajey rendimiento acad�mico en Estudiantesdel primer a�o universitario. Laurus, 14(28), 209-237. http://www.redalyc.org/articulo.oa?i d=76111716011
6. CAST. (2018). Universal design for learning guidelines, version 2.2 [Organizador Gr�fico]. CAST. https://bit.ly/3cNVqEE
7. Chakraborty, R., Haqyar, M., & Chechi, V. K. (2021). Validation of Motivated Strategies for Learning Questionnaire Among High School Students in Afghanistan. Pakistan Journal of Psychological Research, 36(4), 615-629. https://bit.ly/3RqVWYa
8. Cheung, G. W., & Wang, C. (2017). Current Approaches for Assessing Convergent and Discriminant Validity with SEM: Issues and Solutions. Academy of Management Proceedings, 2017(1). https://doi.org/10.5465/ambpp.2017.12706abstract
9. Chiu, T. K. F., Lin, T. J., & Lonka, K. (2021). Motivating Online Learning: The Challenges of COVID-19 and Beyond. The Asia-Pacific Education Researcher, 30, 187-190. https://doi.org/10.1007/s40299-021-00566-w
10. Comisi�n Europea. (2021). E-learning through lockdown [Art�culo Web]. Comisi�n Europea. https://bit.ly/3wTCPOd
11. Conradty, C., & Bogner, F. X. (2022). Measuring Students� School Motivation. Education Sciences, 12, 378. https://doi.org/10.3390/educsci12060378
12. Cred�, M., & Phillips, L. A. (2011). A meta-analytic review of the Motivated Strategies for Learning Questionnaire. Learning and Individual Differences, 21(4), 337�346. https://doi.org/10.1016/j.lindif.2011.03.002
13. Curione, K. y Huertas, J. A. (2016). Revisi�n del MSLQ: veinticinco a�os de evaluaci�n motivacional. Revista de Psicolog�a, 12(24). https://bit.ly/3Iicfku
14. D'agostino, R. B., Belanger, A. & D'agostino Jr., R. B.(1990) A Suggestion for Using Powerful and Informative Tests of Normality. The American Statistician, 44(4), 316-321. http://doi.org/10.1080/00031305.1990.10475751
15. Deng, L., Yang, M., & Marcoulides K. M. (2018) Structural Equation Modeling With Many Variables: A Systematic Review of Issues and Developments. Frontiers in Psychology, 9(580). http://doi.org/10.3389/fpsyg.2018.00580
16. D�az-Noguera, M. D., Herv�s-G�mez, C., De la Calle-Cabrera, A. M., & L�pez-Meneses, E. (2022). Autonomy, Motivation, and Digital Pedagogy Are Key Factors in the Perceptions of Spanish Higher-Education Students toward Online Learning during the COVID-19 Pandemic. International Journal of Environmental Research and Public Health, 19(2), 654. https://doi.org/10.3390/ijerph19020654
17. Finn, B. (2015). Measuring Motivation in Low-Stakes Assessments. ETS Research Report Series, 2015(2), 1�17. http://doi.org/10.1002/ets2.12067
18. Fong, C. J. (2022). Academic motivation in a pandemic context: a conceptual review of prominent theories and an integrative model. Educational Psychology. https://doi.org/10.1080/01443410.2022.2026891
19. Gobierno Regional Cusco. (2022). Conectando la regi�n: acceso gratuito a internet en zonas rurales para mejorar la educaci�n [Nota de prensa]. Gobierno del Per�. https://bit.ly/3LcMu8B
20. Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis, 8va edici�n. Cengage Learning.
21. Hern�ndez, R., & Mendoza, C. P. (2018). Metodolog�a de la investigaci�n: las rutas cuantitativa, cualitativa y mixta. McGraw-Hill Education. https://bit.ly/3Ry0WKs
22. Hilpert, J. C., Stempien, J., van der Hoeven Kraft, K. J., & Husman, J. (2013). Evidence for the Latent Factor Structure of the MSLQ. SAGE Open, 3(4). https://doi.org/10.1177/2158244013510305
23. Holland, D. F., Kraha, A., Zientek, L. R., Nimon, K., Fulmore, J. A., Johnson, U. Y., Ponce, H. F., Aguilar, M. G., & Henson, R. K. (2018). Reliability Generalization of the Motivated Strategies for Learning Questionnaire: A Meta-Analytic View of Reliability Estimates. SAGE Open, 8(3). https://doi.org/10.1177/2158244018802334
24. Hooper, D., Coughlan, J., & Mullen, M. R. (2008). Structural Equation Modelling: Guidelines for Determining Model Fit. The Electronic Journal of Business Research Methods, 6(1), 53-60. https://bit.ly/3BbN1CV
25. Instituto Nacional de Estad�stica e Inform�tica [INEI]. (2018). Per�: Perfil sociodemogr�fico. Informe Nacional. INEI. https://bit.ly/2N9nTHc
26. Instituto Nacional de Estad�stica e Inform�tica [INEI]. (2021a). Se increment� poblaci�n que utiliza Internet a diario [Nota de prensa]. INEI. https://bit.ly/3QNS8iu
27. Instituto Nacional de Estad�stica e Inform�tica [INEI]. (2021b). El 55,0% de los hogares del pa�s accedieron a internet en el tercer trimestre del 2021 [Nota de prensa]. INEI. https://bit.ly/3eEOfis
28. Instituto Nacional de Estad�stica e Inform�tica [INEI]. Se incrementa asistencia de ni�as y ni�os a clases virtuales de todos los niveles educativos [Nota de prensa virtual]. INEI. https://bit.ly/3cXFaRp
29. Inzunza, B., P�rez, C., M�rquez, C., Ortiz, L., Marcellini, S., & Duk, S. (2018). Estructura factorial y confiabilidad del Cuestionario de Motivaci�n y Estrategias de Aprendizaje, MSLQ, en Estudiantesuniversitarios chilenos de primer a�o. Revista Iberoamericana de Diagn�stico y Evaluaci�n �e Avalia��o Psicol�gica, 47(2), 21-35. https://doi.org/10.21865/ridep47.2.02
30. Jake�ov�, J. (2014). The validity and reliability study of the czech version of the motivated strategies for learning questionnaire (MSLQ). The New Educational Review, 35(1), 54-65. https://tner.polsl.pl/e35/a4.pdf
31. Jakesova, J., & Hrbackova, K. (2014). The Czech adaptation of motivated strategies for learning questionnaire (MSLQ). Asian Social Science, 40, 90�116. https://doi.org/10.5539/ass.v10n12p72
32. Lockee, B. B. (2021). Online education in the post-COVID era. Nature Electronics, 4, 5-6. https://doi.org/10.1038/s41928-020-00534-0
33. L�pez-Aguado, M., & Guti�rrez-Provecho, L. (2019). C�mo realizar e interpretar un an�lisis factorial exploratorio utilizando SPSS. Revista d'Innovaci� i Recerca en Educaci�, 12(2), 1-14. http://doi.org/10.1344/reire2019.12.227057
34. Mal�, I., Sladek, V., Bilkova, D. (2021). Power Comparisons of Normality Tests Based on L-moments and Classical Tests. Mathematics and Statistics, 9(6), 994-1003. http://doi.org/10.13189/ms.2021.090615
35. Mardia, K. V. (1970). Measures of multivariate skewness and kurtosis with applications. Biometrika, 57(3), 519�530. https://doi.org/10.1093/biomet/57.3.519
36. McKeachie, W. J., Pintrich, P. R., Lin, Y. y Smith, D. A. F. (1986). Teaching and Learning in the College Classroom. A Review of the Research Literature. University of Michigan. https://bit.ly/3L4FmKf
37. Ministerio de Educaci�n del Per� [MINEDU]. (2016). Cusco: �C�mo vamos en educaci�n?. ESCALE. https://bit.ly/3qW9XBH
38. Moneta Pizarro, A. y Tofful, C. M. (2019). La motivaci�n de los alumnos y sus dimensiones en las carreras de grado a distancia de la FCA-UNDEF [Art�culo de ponencia]. 8� Seminario Internacional Rueda 2019, Argentina. https://bit.ly/3PhdDJ0
39. National Center for Education Statistics. (2022). Impact of the coronavirus pandemic on the elementary and secondary education system. En The Condition of Education 2021. U.S. Department of Education, Institute of Education Sciences. https://bit.ly/3RAHywc
40. OCDE. (2020). La educaci�n en tiempos de la pandemia de COVID-19 [Informe virtual]. CEPAL. https://bit.ly/3Rs1vpb
41. Pintrich, P. R., Smith, D. A. F., Garc�a, T. y McKeachie, W. J. (1991). A Manual for the Use of the Motivated Strategies for Learning Questionnaire (MSLQ). University of Michigan. https://bit.ly/3Jia2qO
42. Puica�o, A. L. (2022). El uso del WhatsApp y el desempe�o docente a nivel primario en el distrito de Oco�a, 2022. Horizontes. Revista de Investigaci�n en Ciencias de la Educaci�n, 6(24). https://doi.org/10.33996/revistahorizontes.v6i24.402
43. Quesada-Pallar�s, C., S�nchez-Mart�, A., Ciraso-Cal�, A., & Pineda-Herrero, P. (2019). Online vs. Classroom Learning: Examining Motivational and Self-Regulated Learning Strategies Among Vocational Education and Training Students. Frontiers in Psychology, 10. https://doi.org/10.3389/fpsyg.2019.02795
44. Rose, D. H., Gravel, J. W., & Gordon, D. T. (2013). Universal Design for Learning. En L. Florian (Eds.), The SAGE Handbook of Special Education, Volume One, 2nd edition (pp. 442-454). SAGE. https://bit.ly/3RhxwAn
45. Ruiz, M. A., Pardo, A., & San Mart�n, R. (2010). Modelos de ecuaciones estructurales. Papeles del Psic�logo, 31(1), 34-45. https://bit.ly/3BpmovK
46. Ryan, R. M. y Deci, E. L. (2000). Self-Determination Theory and the Facilitation of Intrinsic Motivation, Social Development, and Well-being. American Psychologist, 55(1), 68-78. http://doi.org/10.1037110003-066X.55.1.68
47. Schermelleh-Engel, K., Moosbrugger, H., & M�ller, H. (2003). Evaluating the Fit of Structural Equation Models: Tests of Significance and Descriptive Goodness-of-Fit Measures. Methods of Psychological Research, 8(2), 23�74. https://bit.ly/3Dn7gAg
48. Schumacher, R. E., & Lomax, R. G. (2015). A Beginner�s Guide to Structural Equation, 4ta edici�n. Routledge.
49. Schunk, D. H., Meece, J. R., & Pintrich, P. R. (2014). Motivation in Education: Theory, Research and Applications. Pearson. https://bit.ly/3wVw6Dg
50. Torres Valladares, M. (2002). Influencia de la motivaci�n y estrategias de aprendizaje en el rendimiento acad�mico de estudiantes universitarios [Investigaci�n acad�mica]. CONCYTEC. https://bit.ly/3Qx6K5K
51. UNESCO. (2020, 16 de diciembre). From COVID-19 learning disruption to recovery: A snapshot of UNESCO�s work in education in 2020 [Art�culo web]. UNESCO. https://bit.ly/3cNXpsA
52. UNICEF. (2021). Reimaginar la educaci�n en Am�rica Latina y el Caribe [Art�culo web]. UNICEF. https://uni.cf/3Qg9Afo
53. Vacul�kova, J. (2016). The Third Round of the Czech Validation of the Motivated Strategies for Learning Questionnaire (MSLQ). International Education Studies, 9(7), 35-46. http://dx.doi.org/10.5539/ies.v9n7p35
54. VandenBos, G. R. (2015). APA dictionary of psychology, segunda edici�n. American Psychological Association. https://doi.org/10.1037/14646-000
55. Vegas, E. (2020, 14 de Abril). School closures, government responses, and learning inequality around the world during COVID-19 [Reporte virtual]. Brookings. https://brook.gs/3QfyWKr
56. Veliz M, Nieva J, Soto L, Robalino P, Musso M. (2021). Validaci�n de un cuestionario de motivaci�n y estrategias de aprendizaje (MSLQ) para la modalidad virtual durante la pandemia COVID-19 [Art�culo de ponencia]. Reuniones AACC, XVIII Reuni�n Nacional y VII Encuentro Internacional de la AACC. https://bit.ly/3qhGWzZ
57. Villarreal-Fern�ndez, J. E., & Arroyave-Giraldo, D. I. (2022). Adaptaci�n y Validez de la Escala de Motivaci�n del Motivated Scale Learning Questionnaire (MSLQ) en Universitarios Colombianos. Electronic Journal of Research in Educational Psychology, 20(1), 119-150. https://doi.org/10.25115/ejrep.v20i56.4394
58. Wigfield, A. y Eccles, J. S. (2000). Expectancy�Value Theory of Achievement Motivation. Contemporary Educational Psychology 25, 68�81. http://doi.org/10.1006/ceps.1999.1015
59. Williams, M. K. (2017). John Dewey in the 21st Century. Journal of Inquiry & Action in Education, 9(1), 91-102. https://bit.ly/3KJuiTw
60. Y�bar Calder�n, V. (2021). Correlaci�n entre inteligencia emocional y motivaci�n en estudiantes de docencia universitaria de posgrado de la universidad andina Cusco 2019 [Tesis de maestr�a, Universidad Andina del Cusco]. Repositorio Institucional. https://bit.ly/3qv0zET
61. Y��ez, S., Jaramillo, M. C., & Correa, J. C. (1999). Una revisi�n de medidas multivariadas de asimetr�a y Kurtosis para pruebas de multinormalidad. Revista Colombiana de Estad�stica, 22(2), 5-16. https://bit.ly/3RWuKQI
� 2022 por los autores. Este art�culo es de acceso abierto y distribuido seg�n los t�rminos y condiciones de la licencia Creative Commons Atribuci�n-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)
(https://creativecommons.org/licenses/by-nc-sa/4.0/).
Enlaces de Referencia
- Por el momento, no existen enlaces de referencia
Polo del Conocimiento
Revista Científico-Académica Multidisciplinaria
ISSN: 2550-682X
Casa Editora del Polo
Manta - Ecuador
Dirección: Ciudadela El Palmar, II Etapa, Manta - Manabí - Ecuador.
Código Postal: 130801
Teléfonos: 056051775/0991871420
Email: polodelconocimientorevista@gmail.com / director@polodelconocimiento.com
URL: https://www.polodelconocimiento.com/