Modelo integrado de factores cognitivos, motivacionales y afectivos del uso académico tecnológico

Autores/as

  • Oskar Alejandro Concha Villanueva Universidad San Ignacio de Loyola image/svg+xml Autor/a
  • Kerwin José Chávez Vera Universidad San Ignacio de Loyola image/svg+xml Autor/a

DOI:

https://doi.org/10.36390/telos283.30

Palabras clave:

Tecnologías digitales, uso académico, intención de uso académico, motivación hedónica, confianza, estudiantes universitarios

Resumen

La investigación analizó los factores cognitivos, motivacionales y afectivos asociados al uso académico de las tecnologías digitales en estudiantes universitarios, a partir del Modelo de Aceptación de la Tecnología (TAM) de Davis (1989) y de propuestas posteriores que incorporan dimensiones como la motivación hedónica y la confianza. Con base en este marco teórico, se propuso y evaluó un modelo para analizar la forma en que los estudiantes universitarios incorporan las tecnologías digitales en sus prácticas de aprendizaje. Desde el punto de vista metodológico, el estudio se desarrolló bajo un enfoque cuantitativo mediante modelamiento de ecuaciones estructurales por mínimos cuadrados parciales (PLS-SEM). La muestra estuvo conformada por 891 estudiantes de una universidad privada de Lima, y la información se recopiló mediante un cuestionario estructurado validado mediante juicio de expertos y prueba piloto. El análisis comprendió la evaluación del modelo de medición, el modelo estructural y los efectos directos e indirectos. Los resultados muestran que la intención de uso académico constituye el mecanismo central mediante el cual las percepciones sobre la utilidad, la facilidad de uso, la motivación hedónica y la confianza se relacionan con el uso académico autoinformado de las tecnologías digitales. Asimismo, la incorporación de variables motivacionales y afectivas incrementó la capacidad explicativa del modelo tradicional. En conjunto, los hallazgos sugieren que el uso académico de las tecnologías digitales se asocia no solo con su disponibilidad, sino también con las percepciones y experiencias de los estudiantes en contextos educativos digitalizados.

Visitas: 246Descargas: 138

Descargas

Los datos de descarga aún no están disponibles.

Biografía del autor/a

  • Oskar Alejandro Concha Villanueva, Universidad San Ignacio de Loyola

    Bachiller en Administración y Emprendimiento. Facultad de Ciencias Empresariales

Referencias

Abdullah, F., & Ward, R. (2016). Developing a General Extended Technology Acceptance Model for E-Learning (GETAMEL) by analysing commonly used external factors. Computers in Human Behavior, 56, 238–256. https://doi.org/10.1016/j.chb.2015.11.036

Arthur, F., Arkorful, V., Salifu, I., & Abam Nortey, S. (2023). Digital paradigm shift: Unraveling students’ intentions to embrace Tablet-based Learning through an extended UTAUT2 model. Cogent Social Sciences, 9(2), 2277340. https://doi.org/10.1080/23311886.2023.2277340

Bonisoli, L., & Castillo, K. L. (2022). Creencias normativas y confianza: Una adaptación del modelo de aceptación tecnológica al e-commerce durante la pandemia por COVID-19 en Ecuador. Innovar, 32(86), 135–149. https://doi.org/10.15446/innovar.v32n86.104666

Chin, W. W. (2010). Bootstrap Cross-Validation Indices for PLS Path Model Assessment. In V. Esposito Vinzi, W. W. Chin, J. Henseler, & H. Wang (Eds.), Handbook of Partial Least Squares (pp. 83–97). Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-540-32827-8_4

Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences. Statistical Power Analysis for the Behavioral Sciences, Lawrence Erlbaum Associates, Publishers, 2.

Davis, F. D. (1989). Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology. MIS Quarterly, 13(3), 319. https://doi.org/10.2307/249008

Essel, H. B., Vlachopoulos, D., Tachie-Menson, A., Johnson, E. E., & Baah, P. K. (2022). The impact of a virtual teaching assistant (chatbot) on students’ learning in Ghanaian higher education. International Journal of Educational Technology in Higher Education, 19(1), 57. https://doi.org/10.1186/s41239-022-00362-6

Fornell, C., & Larcker, D. F. (1981). Evaluating Structural Equation Models with Unobservable Variables and Measurement Error. Journal of Marketing Research, 18(1), 39. https://doi.org/10.2307/3151312

García-Martín, J., & García-Sánchez, J.-N. (2022). The Digital Divide of Know-How and Use of Digital Technologies in Higher Education: The Case of a College in Latin America in the COVID-19 Era. International Journal of Environmental Research and Public Health, 19(6), 3358. https://doi.org/10.3390/ijerph19063358

Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A primer on partial least squares structural equation modeling (PLS-SEM) (Third edition). SAGE.

Hair, J. F., Hult, G. T. M., Ringle, C. M., Sarstedt, M., Danks, N. P., & Ray, S. (2021). Partial Least Squares Structural Equation Modeling (PLS-SEM) Using R: A Workbook. Springer International Publishing. https://doi.org/10.1007/978-3-030-80519-7

Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how to report the results of PLS-SEM. European Business Review, 31(1), 2–24. https://doi.org/10.1108/EBR-11-2018-0203

Hasan, A., Habib, S., Khan, M. A., & Hamadneh, N. N. (2023). Student Adoption of E-Learning in Higher Education Institutions in Saudi Arabia: Opportunities and Challenges. International Journal of Information and Communication Technology Education, 19(1), 1–21. https://doi.org/10.4018/IJICTE.322792

Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115–135. https://doi.org/10.1007/s11747-014-0403-8

Huang, A. Y. Q., Lu, O. H. T., & Yang, S. J. H. (2023). Effects of artificial Intelligence–Enabled personalized recommendations on learners’ learning engagement, motivation, and outcomes in a flipped classroom. Computers & Education, 194, 104684. https://doi.org/10.1016/j.compedu.2022.104684

Ishengoma, F. (2024). Revisiting the TAM: Adapting the model to advanced technologies and evolving user behaviours. The Electronic Library, 42(6), 1055–1073. https://doi.org/10.1108/EL-06-2024-0166

Jarupunphol, P., Chansaeng, T., & Laosen, N. (2025). Gender differences in technology acceptance: Exploring UTAUT2 constructs for AI chatbot adoption. Multidisciplinary Reviews, 9(3), 2026137. https://doi.org/10.31893/multirev.2026137

Podsakoff, P. M., MacKenzie, S. B., Lee, J.-Y., & Podsakoff, N. P. (2003). Common method biases in behavioral research: A critical review of the literature and recommended remedies. Journal of Applied Psychology, 88(5), 879–903. https://doi.org/10.1037/0021-9010.88.5.879

Raposo-Rivas, M., Cebrián-Robles, V., García-Fuentes, O., & Tugores, L. (2025). Preconcepciones de los futuros docentes sobre la relación entre Innovación y Tecnología educativa. Edutec, Revista Electrónica de Tecnología Educativa, (93), 286–305. https://doi.org/10.21556/edutec.2025.93.3443

Rumbaut, D., Noblecilla Olaya, A. J., & Andrade Zamora, F. J. (2025). Adaptación tecnológica de los estudiantes a docentes de educación inicial: Un modelo de ecuaciones estructurales. European Public & Social Innovation Review, 10, 1–18. https://doi.org/10.31637/epsir-2025-2021

Scherer, R., Siddiq, F., & Tondeur, J. (2019). The technology acceptance model (TAM): A meta-analytic structural equation modeling approach to explaining teachers’ adoption of digital technology in education. Computers & Education, 128, 13–35. https://doi.org/10.1016/j.compedu.2018.09.009

Strzelecki, A. (2024). Students’ Acceptance of ChatGPT in Higher Education: An Extended Unified Theory of Acceptance and Use of Technology. Innovative Higher Education, 49(2), 223–245. https://doi.org/10.1007/s10755-023-09686-1

Tlili, A., Shehata, B., Adarkwah, M. A., Bozkurt, A., Hickey, D. T., Huang, R., & Agyemang, B. (2023). What if the devil is my guardian angel: ChatGPT as a case study of using chatbots in education. Smart Learning Environments, 10(1), 15. https://doi.org/10.1186/s40561-023-00237-x

Ulfert-Blank, A.-S., & Schmidt, I. (2022). Assessing digital self-efficacy: Review and scale development. Computers & Education, 191, 104626. https://doi.org/10.1016/j.compedu.2022.104626

Venkatesh, Thong, & Xu. (2012). Consumer Acceptance and Use of Information Technology: Extending the Unified Theory of Acceptance and Use of Technology. MIS Quarterly, 36(1), 157. https://doi.org/10.2307/41410412

Wu, R., & Yu, Z. (2024). Do AI chatbots improve students learning outcomes? Evidence from a meta‐analysis. British Journal of Educational Technology, 55(1), 10–33. https://doi.org/10.1111/bjet.13334

Xue, L., Rashid, A. M., & Ouyang, S. (2024). The Unified Theory of Acceptance and Use of Technology (UTAUT) in Higher Education: A Systematic Review. Sage Open, 14(1), 21582440241229570. https://doi.org/10.1177/21582440241229570

Publicado

2026-09-16

Número

Sección

Tesistas y Tutores Latinoamericanos

Cómo citar

Concha Villanueva, O. A., & Chávez Vera, K. J. (2026). Modelo integrado de factores cognitivos, motivacionales y afectivos del uso académico tecnológico. Telos: Revista de Estudios Interdisciplinarios en Ciencias Sociales, 28(3), 756-766. https://doi.org/10.36390/telos283.30

Artículos más leídos del mismo autor/a