Introducción
El aprendizaje autorregulado tiene un gran impacto sobre los hábitos de estudio. Existe una
correlación entre la autorregulación en preuniversitarios y la capacidad de estudio,
considerando esta como estudiar más material y durante más tiempo (Abar y Loken, 2010). De
hecho, un elemento clave del aprendizaje autorregulado es que permite una mayor persistencia
y regularidad durante el estudio, que a su vez está relacionado con un mayor rendimiento en
los exámenes (Chung y Hsiao, 2019).
El aprendizaje autorregulado puede tratarse como un marco
conceptual (Panadero, 2017), a partir del cual se han propuesto
diferentes enfoques y modelos, destacando tres aproximaciones.
Zimmerman (2002) propone un modelo sociocognitivo, en el que destaca
la capacidad de regular el propio aprendizaje. Winne (1996) relaciona
en su modelo autorregulación con metacognición, haciendo hincapié en
la reflexión sobre el proceso. Por último, Pintrich (2004) enfoca el
aprendizaje autorregulado desde una perspectiva motivacional.
Las estrategias metacognitivas son generales y transferibles, pero
las estrategias cognitivas y motiva- cionales son específicas de la
tarea, por lo que la formación en autorregulación del aprendizaje debe
ser híbrida (Schuster et al., 2020). Según Akamatsu et al. (2019), las
estrategias metacognitivas facilitan el uso de estrategias cognitivas,
gracias a la supervisión y reflexión sobre el proceso de aprendizaje.
De esta forma, las intervenciones y herramientas para facilitar el
aprendizaje autorregulado deben partir de las estrategias
metacognitivas, pero, a su vez, incluir cómo utilizar las estrategias
cognitivas. La relación entre aprendizaje autorregulado y
metacognición incluye la selección de objetivos, la planificación, la
supervisión del progreso, y la reflexión y autoevaluación sobre el
aprendizaje (Azevedo y Gašević, 2019).
Desarrollar estrategias para la gestión del tiempo de estudio, como
parte de la planificación, tiene un gran impacto en el rendimiento
(Colthorpe et al., 2018; Fokkens-Bruinsma et al., 2020). El uso de
estrategias de supervisión mejora la comprensión del proceso de
aprendizaje, que repercute además en mejorar la planificación en el
futuro (Schumacher e Ifenthaler, 2018). La autoeficacia, fundamental
para cultivar buenos hábitos de estudio, se ve mejorada si se emplean
estrategias de supervisión (Dixon et al., 2020). Además, la
autoeficacia también tiene una fuerte relación con las estrategias de
autoevaluación (Panadero et al., 2017). En relación con la
autoeficacia tenemos la acción para el aprendizaje o student
agency, que es la creencia en su habilidad para actuar sobre
su aprendizaje, que según Nieminen y Touhilampi (2020) se ve
especialmente mejorada al utilizar autoevaluación en la educación
superior.
Las estrategias de autorregulación del aprendizaje son especialmente importancias en contextos
en línea y semipresencial, ya que permiten aumentar la autodirección del proceso de
aprendizaje (Onah et al., 2020). En contextos online, el aprendizaje autorregulado se ha
relacionado tanto con logros académicos como no académicos (Anthonysamy et al., 2020;
Broadbent, 2017; Kickert et al., 2019). Precisamente, las relaciones entre metacognición,
gestión del tiempo, regulación del esfuerzo y pensamiento crítico son menores a distancia
que en la educación presencial (Broadbent et al., 2020). Por ello, los estudiantes que no se
ven capaces de autogestionar su aprendizaje, deciden no estudiar cursos en línea (Schwam et
al., 2020).
Así, el profesorado debe explicar la importancia de la autorregulación del aprendizaje al
inicio del curso (Vanslambrouck et al., 2019), para mejorar así la motivación inicial
(Broadbent y Fuller-Tyszkiewicz, 2018; Zhu et al., 2020). La regulación externa que
proporcionan los docentes tiene un efecto positivo sobre la autorregulación (Pachón-Basallo
et al., 2022). Cuando, durante la enseñanza, se sugiere a los estudiantes utilizar
diferentes técnicas de estudio, los estudiantes suelen aplicarlas de modo diferente según la
complejidad del contenido, lo que muestra una autorregulación del estudio, pero no son
capaces de utilizar las técnicas en función del tipo de tarea (Winne y Jamieson-Noel, 2003).
Por tanto, es importante que los docentes explici- ten qué técnicas son más adecuadas según
el contenido.
Además, los docentes deben explicar cómo utilizar las herramientas que los estudiantes pueden
emplear para autorregular su aprendizaje en situaciones a distancia. El diseño del
acompañamiento para la autorregulación puede realizarse en el propio Sistema de Gestión del
Aprendizaje (Learning Managment System o LMS) que utilizan en el curso, por ejemplo, en
Moodle (Núñez et al., 2011). En estos casos, Bull y Kay (2010) proponen el Modelo de
aprendizaje abierto (Open Learner Model o OLM), basado en la reflexión metacognitiva sobre
qué sé, cómo de bien lo sé, qué quiero saber y cómo puedo aprenderlo (Kay et al., 1997).
Este modelo se basa en la selección de objetivos y estrategias, y la supervisión del
rendimiento (Chou y Zou, 2020), teniendo un impacto positivo en modelos a distancia en
educación superior (Hooshyar et al., 2019).
También se han creado diferentes herramientas concretas como MetaTutor (Azevedo et al., 2010),
nStudy (Winne y Hadwin, 2013), o más recientes como la app para móvil
Ace your self-study (Baars et al., 2022), o el programa
Metadig (Ortega-Ruipérez y Castellanos, 2021). Este último desarrollado a
partir de las necesidades detectadas tras la pandemia de COVID-19 en 2020.
Para que el profesorado pueda abordar este tema de manera adecuada, no basta con explicar de
forma teórica la importancia del aprendizaje autorregulado y cómo lo pueden emplear. Ellos
mismos deben ser conscientes de los beneficios que tiene aplicar estrategias para la
autorregulación (Yan, 2018), deben conocer bien estas estrategias (Soodla et al., 2016), y
deben dominarlas y emplearlas durante su aprendizaje (Näykki et al., 2020; Panadero, 2017).
Por ello, Perry et al. (2019) destacan la necesidad de incluir prácticas en la formación
inicial del profesorado.
Martínez et al. (2019) han comprobado que la inclusión de prácticas
reflexivas mejora el control de la tarea en la formación del
profesorado. El profesorado mejora su autoeficacia al incluir el
aprendizaje autorregula- do como parte de su experiencia de
aprendizaje y como contenido a enseñar a sus estudiantes (Gan et al.,
2020). Así, de acuerdo con el estudio de Dignath (2021), la formación
del profesorado debe incluir estrategias metacognitivas, ya que su
empleo mejora la autoeficacia para fomentar el aprendizaje
autorregulado y su percepción en la práctica. El uso de estrategias
metacognitivas por parte del profesorado mejora, además, la enseñanza
en algunas cuestiones fundamentales como la alfabetización digital
(Pereles et al., 2024a).
Batdal et al. (2015) estudiaron la relación entre el uso del
aprendizaje autorregulado y la aproximación superficial o profunda que
hace el profesorado en formación durante el estudio de sus cursos de
formación, obteniendo una relación positiva con estrategias de
acercamiento profundo al estudio. Este resultado está en línea con el
de Núñez et al. (2011), la autorregulación permitirá lograr un
aprendizaje profundo. El uso de herramientas para la autorregulación
también ha proporcionado ya algunos resultados positivos en cuanto a
la mejora en los hábitos de estudio en la formación de profesorado a
distancia (Ortega-Ruipérez, 2022). En concreto, la herramienta Metadig
ha mostrado mejoras en comprensión lectora (Ortega-Ruipérez et al.,
2024) y en pensamiento crítico (Pereles et al., 2024b).
En línea con lo anterior, el objetivo de esta investigación es profundizar en el impacto que
tiene el uso de una herramienta digital para la mejora de los hábitos de estudio del
profesorado en formación a distancia. En concreto, se pretende estudiar, en profundidad,
cómo influye la herramienta en cuatro aspectos relacionados con los hábitos de estudio:
hábitos de regulación inadecuada, organización del entorno, búsqueda de información y
organización de la tarea.
Método
Diseño de investigación
Se ha optado por una investigación explicativa, con un diseño cuasi-experimental, ya que
algunos de los participantes han utilizado la herramienta voluntariamente, y otros
participantes no la han utilizado. Así, se pudo medir por separado al grupo que sólo
recibió la formación -grupo control- y al grupo que recibió la formación y utilizó la app
-grupo experimental-. También se incluye una medida pre-test, además del post-test. Esto
permite tener un mayor control sobre los resultados, pudiendo confirmar si existe una
mejora al utilizar la herramienta o si se debe a otras variables.
Respecto a las hipótesis de investigación, se estudia cada una de
las dimensiones planteadas respecto a los hábitos de estudio que
permiten un estudio autodirigido:
La herramienta Metadig disminuirá los hábitos de regulación
inadecuada
La herramienta Metadig facilitará la organización del
entorno
La herramienta Metadig mejorará la búsqueda de
información
La herramienta Metadig ayudará en la organización de la
tarea
Participantes
Participaron 261 estudiantes de máster, el 38,7% de los 650 estudiantes matriculados en el
Máster de tecnología educativa de una universidad a distancia, un porcentaje suficiente
para poder generalizar los resultados obtenidos. El procedimiento de muestreo fue por
conveniencia, ya que la participación de los estudiantes fue voluntaria. Los participantes
eran de varios países de habla hispana, destacando más participantes de España, Colombia y
Ecuador. No se conocen los porcentajes exactos porque no se consideró una variable
importante para responder al objetivo del estudio.
Tampoco se conoce en profundidad la distribución de la muestra, ya que se decidió limitar las
preguntas relacionadas con datos personales, al no ser parte del objetivo del estudio. De
esta forma, y tal y como sugirió el Comité de Ética, sería más fácil conseguir el
consentimiento informado de los participantes. Al inicio del cuestionario que se utilizó
para la recogida de datos, se incluyó la explicación del estudio para que pudieran
consentir su participación. Además, como dato para poder emparejar sus respuestas del
pretest y postest, se les requirió un código que sólo ellos conocían y que resultaba de
combinar fechas de nacimiento con las iniciales de sus progenitores.
El 42% utilizó la app con regularidad (110 participantes),
mientras que el 58% apenas la utilizó más allá de los primeros días
(151 participantes). Esta información se obtuvo del cuestionario
postest, al que se le añadió una pregunta sobre el uso de la
herramienta. Así se obtuvieron los dos grupos de estudio, que nos
sirvieron para contrastar el beneficio de utilizar la aplicación
(grupo experimental) frente a no utilizarla (grupo control).
Variables e instrumentos
El estudio sobre cómo el uso de estrategias metacognitivas con una herramienta digital tiene
un impacto positivo en el estudio autodirigido, se aborda con una variable independiente
que incluye un curso de formación sobre el aprendizaje autorregulado y la herramienta
Metadig, de la que derivan los grupos que permiten comparar los resultados, quienes
utilizan la herramienta como grupo experimental y quienes no la utilizan como grupo
control.
Se impartió a todos los participantes un curso de formación de cuatro horas sobre la
importancia del aprendizaje autorregulado en el segundo cuatrimestre. Se les ofreció el
uso voluntario de la app Metadig para que pudieran autorregular su aprendizaje durante el
cuatrimestre. Esta herramienta se encuentra publicada en abierto, en el repositorio Github
(JorgeGoRo, 2023). En la primera semana, debían planificar sus objetivos y decidir cómo
iban a abordarlos. Durante las siguientes 15 semanas, la duración del cuatrimestre, la
aplicación permite gestionar y supervisar el progreso semanal. Para la última semana, la
app incluye una función de autoevaluación, revisando qué objetivos llevan peor para poder
dedicar mayor tiempo de repaso.
Por otro lado, el impacto en el estudio dirigido, y en concreto,
las cuatro dimensiones: hábitos de regulación inadecuada,
organización del entorno, búsqueda de información y organización de
la tarea, se incluyen como variables dependientes, para medir así el
impacto del uso de estrategias autorreguladas en cada una de
ellas.
Para la evaluación de los hábitos de estudio, se ha utilizado la adaptación al español de
Hernández y Camargo (2017) del Self-Regulation Strategies Inventory (SRSI-SR) de Cleary
(2006). Este inventario incluye cuatro dimensiones (D): hábitos de regulación inadecuados
(I), organización del entorno (II), búsqueda de información (III) y organización de la
tarea (IV). La escala de respuesta es de tipo Likert de cinco puntos y mide el grado de
acuerdo en 18 ítems (Figura 1).
Figura 1. Ítems adaptados de la prueba SRSI-SR basados en Hernández y Camargo (2017).
![]()
Procedimiento
La intervención se llevó a cabo durante el segundo cuatrimestre
del máster. La semana anterior al inicio del cuatrimestre se
contactó con el alumnado para explicarles la investigación. A través
de diferentes medios: correo electrónico, menú de notificación del
aula virtual, llamadas telefónicas de los tutores; se les informó de
la formación que podían recibir para mejorar sus hábitos de estudio
para el máster.
La primera parte de la formación se impartió la primera semana del cuatrimestre, con una
duración de dos horas, en la que se explicó qué es el aprendizaje autorregulado y por qué
es importante utilizar estrategias para autorregular su aprendizaje, explicando
principalmente las estrategias metacognitivas y cómo podían aplicarlas si utilizaban la
herramienta Metadig. El uso de la herramienta se enmarcó en el proyecto de investigación,
y su uso se propuso como opcional. Así, podíamos dividir a los participantes en el grupo
experimental o en el grupo de control, dependiendo de si habían utilizado la herramienta.
Para participar en el estudio, se les informó de la necesidad de responder a un
cuestionario que contenía los ítems de la escala SRSI-SR. Los que no pudieron asistir a la
sesión en directo tuvieron la opción de verla en diferido durante una semana. El
cuestionario también se dejó abierto durante una semana para recoger las respuestas del
pretest. En las 15 semanas siguientes, coincidiendo con la duración del curso, el alumnado
utilizó la herramienta de forma autónoma, organizando cada uno su proceso de aprendizaje
como mejor le pareciera. Se les recordó que utilizaran la herramienta dos veces durante el
curso, coincidiendo con las semanas cinco y diez. Por último, antes de los exámenes, se
les recordó cómo podían utilizar el menú de autoevaluación de la herramienta para mejorar
su estudio. Al final del trimestre, se celebró la segunda sesión de formación, también de
dos horas de duración. Esta vez versó sobre cómo podían enseñar a su alumnado estrategias
para autorregular su aprendizaje. La primera media hora de la sesión se dedicó a
reflexionar entre todos los asistentes sobre cómo les había ayudado la herramienta y si
consideraban que estas estrategias podían ser útiles para su alumnado. El seminario
finalizó con un agradecimiento y la petición de su participación en la cumplimentación del
cuestionario, para poder obtener las respuestas post-test. Del mismo modo, quienes no
pudieron asistir a la sesión en directo tuvieron la oportunidad de verla en diferido y
responder al cuestionario durante la semana siguiente.
Análisis de datos
Para el análisis de los datos, empezamos utilizando el alfa de Cronbach para medir la
fiabilidad, primero de la prueba en general, y después de cada dimensión (Ortega-Ruipérez
et al., 2023). Así, comprobamos que la prueba es adecuada para medir los hábitos de
estudio de la muestra. A continuación, creamos dos variables por dimensión: una para los
resultados del pretest y otra para los del postest. Las variables se han creado obteniendo
el valor medio de los ítems de la dimensión para ese momento (pretest o postest), ya que
se trata de una prueba estandarizada para la población española (Hernández & Camargo,
2017). Para este cuestionario, los ítems 2, 3, 4 y 5, pertenecientes a la dimensión
regulación de hábitos inadecuados, y el ítem 9, de la dimensión organización del entorno,
tuvieron que ser recodificados, ya que originalmente fueron diseñados como ítems inversos.
A continuación, se realizó la prueba de Shapiro-Wilk para cada dimensión, con el fin de
averiguar si los datos siguen una distribución normal, y así poder elegir pruebas
paramétricas o no paramétricas que produzcan resultados más adecuados. En ambos casos se
ha utilizado un Modelo Lineal Generalizado, si los resultados seguían una distribución
normal, el modelo se ha realizado con una distribución Gaussiana, y si no seguían la
distribución normal, se ha utilizado el modelo Gamma para distribuciones no simétricas.
Para conocer el impacto real del grupo (factor) sobre la dimensión estudiada después de la
intervención (variable dependiente), libre del efecto inicial, se coloca como covariable
la variable pretest de esa dimensión.
Para realizar todos estos análisis se utilizó el programa estadístico Jamovi, versión 2.3.26.
El coeficiente de correlación (R2 corregido) se utiliza para determinar la cantidad de
variabilidad explicada por el modelo. En los coeficientes de regresión, el valor del
estimador del intercepto (Tabla 1) explica la media en la dimensión una vez controlado el
nivel inicial.
Alguien del grupo de control, los que no utilizan Metadig, mejoraría los puntos estimados por
este coeficiente. Mientras que alguien del grupo experimental, los que utilizan
regularmente las estrategias metacog- nitivas con Metadig, mejoraría el valor del
intercepto más la diferencia estimada entre grupos (Tabla 2), si la diferencia es
significativa según el estadístico p-valor de la prueba de Bonferroni corregida, más
adecuada para controlar el tamaño de la muestra. Por último, con un gráfico de medias
marginales estimadas, se comprueba visualmente la influencia del grupo en la dimensión
libre del efecto pretest.
Resultados
Los resultados se han visto mejorados respecto a los resultados
obtenidos antes de la intervención con la herramienta Metadig
(Ortega-Ruipérez et al., 2023). En una escala de cuatro puntos, las
mayores debilidades en el pretest se dieron en la búsqueda de
información autorregulada (media: 2,68), seguida de los hábitos de
regulación inadecuada (media: 3,08) y la organización de tareas
(media: 3,18). La organización del entorno resulta ser el factor que
más autorregulan los alumnos para su aprendizaje (media: 3,35).
Hábitos de estudio inadecuados
Con la prueba Shapiro-Wilk, se observa que no sigue una distribución normal (p = 0.001), así
que se utiliza la prueba Modelos lineales generalizados con la distribución Gamma para
distribuciones no simétricas. En este caso, la proporción de la varianza total de la
dimensión es explicada en un 12,6% por los predictores (grupo y pretest). Sin embargo, si
atendemos a los estadísticos de la variable grupo, se observa que no es significativa (p =
0.728), por lo que estaría explicado por la intervención que reciben ambos grupos, que sí
resulta significativa (p < 0.001). Es decir, la formación de 4 horas sobre la
importancia del aprendizaje auto-rregulado ha tenido efecto para mejorar la regulación de
los hábitos inadecuados de todos los participantes en el proyecto.
Por su parte, el uso de la herramienta para emplear estrategias metacognitivas de forma
regular no ha tenido ningún efecto para mejorar la regulación de los hábitos de estudio
inadecuados. Observando la Tabla 1 de
parámetros estimados, se puede observar que cualquier participante del proyecto obtendría
un 3.08 sobre cuatro puntos, y que, como se ha especificado, la variación entre los grupos
no es significativa, según la prueba de Bonferroni (Tabla 2), y como se puede ver en la Figura
2.
Tabla 1. Estimaciones de parámetros para hábitos de estudio inadecuados
|
95% Confidence Interval |
|
| Names |
Effect |
Estimate |
SE |
Lower |
Upper |
z |
p |
| (Intercept) |
(Intercept) |
3.0637 |
0.0333 |
2.999 |
3.130 |
92.008 |
< .001 |
| IRH_pre |
IRH_pre |
0.4103 |
0.0622 |
0.282 |
0.537 |
6.595 |
< .001 |
| Grupos1 |
1 - 0 |
0.0230 |
0.0661 |
-0.108 |
0.155 |
0.348 |
0.728 |
Tabla 2. Comparaciones post hoc para hábitos de estudio inadecuados por grupos
| Comparison |
|
| Grupos |
Grupos |
Difference |
SE |
z |
p bonferroni |
| 0 |
1 |
-0.0230 |
0.0661 |
-0.348 |
0.728 |
Figura 2. Gráficos - medias marginales estimadas por grupo para hábitos de estudio
inadecuados
![]()
Organización del entorno
Con la prueba Shapiro-Wilk, se observa que no sigue una
distribución normal (p < 0.001), así que se utiliza la prueba
Modelos lineales generalizados con la distribución Gamma para
distribuciones no simétricas. En este caso, la proporción de la
varianza total de la dimensión organización del entorno explicada
por el uso de Metadig es del 7,8%.
Por otra parte, si nos fijamos en la Tabla 3 los predictores son estadísticamente
significativos. En la estimación de los parámetros se puede ver que el valor estimado
medio para alguien que pertenece al grupo que no utiliza regularmente estrategias
metacognitivas es de 3.44 puntos. Una persona que utiliza regularmente estas estrategias
podría tener 0.14 puntos más, es decir, 3.58 puntos sobre 5. Atendiendo a la prueba
corregida de Ponferroni (Tabla 4), se confirma que la diferencia entre grupos es
significativa. Esta diferencia entre grupos, tras haber controlado el efecto del pretest,
se puede ver de manera gráfica en la Figura 3.
Tabla 3. Estimación de parámetros para la organización del entorno
|
95% Confidence Interval |
|
| Names |
Effect |
Estimate |
SE |
Lower |
Upper |
z |
p |
| (Intercept) |
(Intercept) |
3.439 |
0.0255 |
3.3893 |
3.489 |
134.78 |
< .001 |
| Grupos1 |
1 - 0 |
0.136 |
0.0511 |
0.0358 |
0.238 |
2.67 |
0.008 |
| OE_pre |
OE_pre |
0.230 |
0.0537 |
0.1256 |
0.331 |
4.28 |
< .001 |
Tabla 4. Comparaciones post hoc para la organización del entorno por grupos
| Comparison |
|
| Grupos |
Grupos |
Difference |
SE |
z |
p bonferroni |
| 0 |
1 |
-0.136 |
0.0511 |
-2.67 |
0.008 |
Figura 3. Medias marginales estimadas por grupo para la organización del entorno
![]()
Búsqueda de información
Con la prueba Shapiro-Wilk, se observa una distribución normal (p = 0.121), asíque se utiliza
la prueba Modelos lineales generalizados con la distribución Gaussian. En primer lugar, se
observa la medida de ajuste del modelo con R2. En este caso, el modelo sugiere que el
16,7% de la búsqueda de información es explicada por el uso de estrategias metacognitivas
a través de la herramienta utilizada.
Al analizar los parámetros estimados (Tabla 5);
cuyos estadísticos son significativos (p < 0.001), se puede apreciar que una persona
con un nivel medio en el pretest, y que no utiliza la herramienta Metadig para el uso
regular de estrategias metacognitivas, obtendría 2.9 puntos en la gestión de la
planificación. Mientras tanto, una persona que sí utiliza Metadig para emplear
regularmente la metacognición, llegaría a obtener 3.26 puntos en la gestión de la
planificación, es decir, 0.36 puntos más. Se comprueba con Bonferroni que las diferencias
entre grupos también son significativas (Tabla
6), tal y como se aprecia en la Figura
4.
Tabla 5. Estimación de parámetros para la búsqueda de información
|
95% Confidence Interval |
|
| Names |
Effect |
Estimate |
SE |
Lower |
Upper |
z |
p |
| (Intercept) |
(Intercept) |
2.897 |
0.0415 |
2.815 |
2.978 |
69.86 |
< .001 |
| Grupos1 |
1 - 0 |
0.359 |
0.0832 |
0.196 |
0.522 |
4.32 |
< .001 |
| IS_pre |
IS_pre |
0.323 |
0.0619 |
0.202 |
0.445 |
5.22 |
< .001 |
Tabla 6. Comparaciones post hoc para la búsqueda de información por grupos
| Post Hoc Comparisons - Grupos |
| Comparison |
|
| Grupos |
|
Grupos |
Difference |
SE |
z |
p bonferroni |
| 0 |
- |
1 |
-0.359 |
0.0832 |
-4.32 |
< .001 |
Figura 4. Gráficos - medias marginales estimadas por grupo para la búsqueda de información
![]()
Organización de tareas
Con la prueba Shapiro-Wilk, se observa que no sigue una
distribución normal (p < 0.001), así que se utiliza la prueba
Modelos lineales generalizados con la distribución Gamma para
distribuciones no simétricas. En primer lugar, se observa la medida
de ajuste del modelo con R2. En este caso, el modelo sugiere que el
9,6% de la organización de la tarea es explicada por el uso de
estrategias metacognitivas a través de la herramienta utilizada.
Si atendemos a los parámetros estimados del modelo (Tabla
7), se comprueba que los predictores (grupo y pretest) son estadísticamente
significativos. Controlando el efecto del pretest, el valor promedio de una persona que no
utiliza estrategias metacognitivas es de 3.25 puntos sobre 5 para la gestión de la
motivación. Alguien que sí utiliza estas estrategias regularmente puede obtener 0.17
puntos más en la gestión de la motivación, es decir, 3.42 puntos. Se confirman que estas
diferencias son significativas con la prueba de Bonferroni (Tabla 8) y se pueden ver de forma gráfica en la Figura 5.
Tabla 7. Estimaciones de parámetros para la organización de tareas
|
95% Confidence Interval |
|
| Names |
Effect |
Estimate |
SE |
Lower |
Upper |
z |
p |
| (Intercept) |
(Intercept) |
3.252 |
0.0383 |
3.1779 |
3.328 |
84.97 |
< .001 |
| Grupos1 |
1 - 0 |
0.165 |
0.0760 |
0.0153 |
0.316 |
2.17 |
0.031 |
| TO_pre |
TO_pre |
0.337 |
0.0603 |
0.2187 |
0.453 |
5.59 |
< .001 |
Tabla 8. Comparaciones post hoc para la organización de tareas por grupos
| Comparison |
|
| Grupos |
|
Grupos |
Difference |
SE |
z |
p bonferroni |
| 0 |
- |
1 |
-0.165 |
0.0760 |
-2.17 |
0.030 |
Nota: Intercepción calculada para Grupos=0
Figura 5. Gráficos - medias marginales estimadas por grupo para la organización de tareas
![]()
Resumen de resultados
Tras comprobar que las diferencias entre grupos han sido significativas en organización del
entorno, búsqueda de información y organización de tareas, en la Tabla 9 se resume, por una parte, el peso de varianza explicada del
uso de Metadig en cada una de dichas dimensiones y, por otra parte, se muestra la diferencia
de puntuaciones medias entre quienes utilizan regularmente las estrategias metacognitivas
gracias a Metadig y quienes no las utilizan. Esto nos ayudará a determinar en qué
dimensiones puede resultar más útil el uso de Metadig para mejorar los hábitos de estudio
gracias a la autorregulación.
Tabla 9. Resultados por dimensiones
| Dimensión |
R2 |
Mean G-0 |
Mean G-1 |
Difference |
| Organización del entorno |
0.078 |
3.44 |
3.58 |
0.14 |
| Búsqueda de información |
0.167 |
2.90 |
3.26 |
0.36 |
| Organización de tareas |
0.096 |
3.25 |
3.42 |
0.17 |
Según los resultados, el uso regular de estrategias metacognitivas a través de la herramienta
Metadig explica casi el 17% de la mejora en la búsqueda de información durante el estudio.
En menor medida, su uso explica también la mejora en la organización de la tarea, casi en un
10%, y la organización del entorno, casi en un 8%.
Si atendemos a las diferencias entre los grupos, según las puntuaciones medias del postest, es
decir, libre del efecto de pretest, la mayor diferencia se encuentra en la dimensión de
búsqueda de información. Este es un gran resultado, dado que en el pretest esta dimensión
obtuvo la peor puntuación, con mucha diferencia sobre el resto (Ortega-Ruipérez et al.,
2023), y los resultados sugieren que el uso regular de estrategias metacognitivas con
Metadig ha permitido aumentar considerablemente este factor tan importante para el
estudio.
Mientras que en el pretest se obtuvo una media de 2.68 (sobre una
escala de 4 puntos) en la búsqueda de información, después del uso de
la herramienta, el grupo experimental ha llegado a una media de 3.26
puntos, lo que supone una gran mejora, ya que el grupo control sólo a
mejorado hasta una puntuación media de 2.9.
En la organización del entorno y organización de tareas, el uso regular de estrategias
metacognitivas a través de Metadig también ha supuesto una mejora respecto a las
puntuaciones del pretest de 3.35 y 3.18 respectivamente. Ya que, en ambas dimensiones, en el
grupo control la formación de cuatro horas ha supuesto una leve mejora de menos de 0.1; pero
en el grupo experimental la formación más el uso de Metadig ha supuesto una mejora cercana a
0.25 puntos.
Respecto a los resultados obtenidos, en relación con el diseño de la herramienta
(Ortega-Ruipérez y Castellanos, 2023), resulta evidente la mejora notoria en la dimensión de
búsqueda de información. La detección de puntos débiles durante el estudio, como parte de
las estrategias de supervisión, deben haber promovido la búsqueda de información por parte
de los estudiantes, de cara a resolver dudas y profundizar en esos puntos débiles para poder
dominarlos y adquirir ese conocimiento.
Discusión y conclusiones
En este estudio se ha abordado la regulación de los hábitos
inadecuados de estudio vinculándolos a la autorregulación del
aprendizaje a través de dos acciones. La primera de estas acciones
consistía en una formación de 4 horas divididas en dos sesiones en la
que ha abordado la importancia del aprendizaje auto- rregulado. En la
primera sesión se invitó al alumnado a reflexionar sobre la
importancia del aprendizaje auto- rregulado motivándolo a
desarrollarlo (Broadbent y Fuller-Tyszkiewicz, 2018; Zhu et al.,
2020). En la segunda sesión, tras finalizar la intervención, se
reflexionó sobre el proceso llevado a cabo siguiendo a Martínez et al.
(2019), lo que supuso una dinámica metacognitiva para el alumnado que
contribuye según los resultados del estudio a mejorar la regulación de
los hábitos de estudio inadecuados.
En lo que respecta a la segunda acción llevada a cabo en esta
intervención, se utilizó el programa Metadig (Ortega-Ruipérez y
Castellanos, 2021), ya que se ha pretendido comprobar si las
herramientas digitales son grandes recursos para el acompañamiento en
el proceso de autorregulación del aprendizaje y, por tanto, en el
desarrollo de buenos hábitos de estudio (Bull y Kay, 2010).
Así, analizando cada dimensión de los hábitos de estudio por separado, no se ha hallado una
relación significativa entre el uso de la herramienta y la regulación de hábitos inadecuados
de estudio. Esto puede deberse a que, si se revisan los diferentes ítems incluidos en esta
dimensión, se encuentran cuestiones como preguntar al profesorado y a los compañeros si
tienen dudas. Ambas acciones son complejas de gestionar desde la herramienta Metadig y más
aún en la modalidad de docencia en línea.
Sin embargo, esto puede tener una correlación con que el impacto más alto detectado tras la
intervención está vinculado a la búsqueda de información ya que, al no poder contar con la
figura del docente o del compañero diariamente, el estudiante tiende a solventar sus dudas
en internet. En el estudio se ha detectado que el uso de la herramienta Metadig mejora de
forma significativa la capacidad de búsqueda de información. El uso de esta herramienta
integra a su vez el Aprendizaje profundo, el cuál ayuda a desarrollar sistemas de búsqueda
más precisos gracias a la capacidad de procesamiento y análisis de datos (Panadero et, al.,
2021). Esta ayuda se observa en los resultados del estudio ya que, el uso de Metadig,
optimiza la búsqueda de información y fomenta de estrategias metacognitivas que mejoran la
gestión del estudiante a la hora de planificar su estudio. Por tanto, se puede afirmar que
los estudiantes, tras el uso de Metadig, mejoran su capacidad de planificación y gestión del
tiempo de estudio optimizando así su rendimiento (Colthorpe et al., 2018).
Otro de los aspectos abordados en esta investigación hace
referencia a la organización del entorno de aprendizaje, esto implica
un espacio adecuado y propicio para desarrollar dinámicas de
aprendizaje (Broadbent et a., 2020). En el estudio se observa que el
uso de estrategias metacognitivas en un entorno de aprendizaje
adecuado ayuda a mejorar la autorregulación de su aprendizaje y, por
tanto, el rendimiento del alumnado respecto a aquellos que no utilizan
dichas estrategias. El entorno de aprendizaje puede influir en la
aplicación y efectividad de las estrategias metacognitivas al
proporcionar condiciones favorables para su uso y adaptarse a las
necesidades metacognitivas de los estudiantes (Anthonysamy et al.,
2020). Además, el entorno puede ofrecer retroalimentación que permita
a los estudiantes ajustar y mejorar sus estrategias me- tacognitivas.
La interacción entre el entorno de aprendizaje y las estrategias
metacognitivas es fundamental para promover un aprendizaje efectivo y
autónomo (Hooshyar et al., 2019).
Estos dos conceptos están intrínsecamente relacionados con la gestión del tiempo. Las
estrategias me- tacognitivas pueden aplicarse a la gestión del tiempo a través del
desarrollo de una planificación, pueden servir para monitorear el uso efectivo del tiempo o
incluso para evaluar cómo ha utilizado su tiempo de estudio (Fokkens-Bruinsma et al., 2020).
A su vez, el estar en un entorno adecuado para el estudiante puede facilitar la gestión
efectiva del tiempo y viceversa, una buena planificación ayuda a generar un entorno de
aprendizaje más propicio al evitar sensaciones de urgencia y permitir un enfoque más
centrado en el aprendizaje (Vanslambrouck et al., 2019). Por tanto, al trabajar con Metadig,
el alumnado se planifica mejor y desarrolla estrategias metacognitivas que le permiten
generar un mejor entorno de aprendizaje, esto optimiza el rendimiento del estudiante durante
el estudio.
En lo referente a la organización de tareas y gestión del tiempo, los resultados indican que
los estudiantes que han utilizado Metadig, han sido capaces de desarrollar estrategias
metacognitivas vinculadas a la planificación y a la supervisión. Esto les ha permitido
mejorar sus percepciones de autorregulación del aprendizaje y su motivación lo que conlleva
una mejora en el rendimiento académico frente a aquellos que no han utilizado Metadig. En
este caso concreto, los participantes cuentan además con una planificación semanal diseñada
y estructurada por la Universidad en la que viene reflejado cuando abordar cada contenido.
Por tanto, el estudiante no tiene que preocuparse por desarrollar las estrategias previas de
planificación lo que conlleva a su vez una peor gestión del tiempo según Fokkens-Bruinsma et
al. (2020). Este recurso, compartido por la Universidad, fomenta el desarrollo de
estrategias de supervisión por parte del alumnado vinculadas a la reflexión sobre su proceso
de aprendizaje, advirtiendo cambios y mejoras en las planificaciones futuras (Schumacher e
Ifenthaler, 2018).
En resumen, tras la dinámica de intervención realizada con la herramienta Metadig, los
estudiantes obtienen mejores resultados en las tres dimensiones analizadas. De estos
resultados, destaca la mejora notable en la dimensión de búsqueda de información. Por tanto,
la intervención llevada a cabo permite afirmar que el uso de herramientas digitales como
Metadig ha fomentado el desarrollo de estrategias metacognitivas y ha ayudado al estudiante
a mejorar en el proceso de autorregulación de su propio aprendizaje durante el estudio.