179
Vol. 09 Núm.20 Suplemento CICA Multidisciplinario
Julio-diciembre 2025
ENFOQUES DE APRENDIZAJE Y FACTORES SOCIODEMOGRÁFICOS COMO
PREDICTORES DEL RENDIMIENTO ACADÉMICO EN ESTUDIANTES
UNIVERSITARIOS
LEARNING APPROACHES AND PSYCHOSOCIAL FACTORS AS PREDICTORS
OF ACADEMIC PERFORMANCE IN COLLEGE STUDENTS
ABORDAGENS DE APRENDIZAGEM E FATORES SOCIODEMOGRÁFICOS
COMO PREDITORES DO DESEMPENHO ACADÉMICO EM ESTUDANTES
UNIVERSITÁRIOS
AUTORES
Víctor Alejandro Bósquez Bàrcenes
1
Autor de correspondencia victor.bosquez@upec.edu.ec
Universidad Politécnica Estatal del Carchi. Tulcán – Ecuador
Gabriela Elizabeth Revelo Salgado
2
Email gabriela.revelo@upec.edu.ec
Universidad Politécnica Estatal del Carchi. Tulcán – Ecuador
Recibido:13 de agosto 2025 Aceptado: 13 de octubre 2025 Publicado:20 de diciembre 2025
RESUMEN
La presente investigación analiza los enfoques de aprendizaje y los factores
sociodemográficos como predictores del rendimiento académico en estudiantes universitarios
en la Universidad Estatal de Bolívar. El rendimiento académico es un indicador clave del éxito
profesional de los estudiantes, influenciado no solo por competencias técnicas y cognitivas,
sino también por estrategias de aprendizaje y aspectos sociodemográficos. Se fundamenta en
1
Víctor Alejandro Bósquez Barcenes victor.bosquez@upec.edu.ec 0009-0006-7102-7907
2
Gabriela Revelo Salgado gabriela.revelo@upec.edu.ec https://orcid.org/0000-0001-5238-223X]2
180
teorías previas existentes, destacando la importancia de la motivación y factores
sociodemográficos en el desempeño estudiantil. Se desarrolló bajo un enfoque cuantitativo,
descriptivo-correlacional, con el uso del método inductivo que partió del análisis de las
características particulares de los resultados de investigación para llegar a su generalización y
el método analítico para descomponer las variables y determinar la relación existente se utilizó
una muestra de 313 estudiantes. Se emplearon técnicas como el Análisis Factorial
Exploratorio (AFE) y Análisis Factorial Confirmatorio (AFC) para validar los instrumentos
de medición y estructurar las variables en factores subyacentes. Además, se aplicaron
ecuaciones estructurales para determinar las relaciones de dependencia entre los enfoques de
aprendizaje, los factores sociodemográficos y el rendimiento académico. Los resultados
muestran que los enfoques profundos y estratégicos están positivamente asociados con un
mejor rendimiento académico, mientras que los enfoques superficiales tienen un impacto
limitado. Asimismo, factores sociodemográficos como zona, sexo, niveles educativos de los
padres y tipo de familia se identificaron como elementos que influyen en el rendimiento
académico. el estudio destaca la necesidad de implementar estrategias educativas que
fortalezcan los enfoques de aprendizaje efectivos y la eliminación de brechas demográficas.
Permitirá a las instituciones de educación superior promover el éxito académico, así como
mejorar los procesos de enseñanza-aprendizaje.
PALABRAS CLAVE: Enfoques de aprendizaje; Factores sociodemográficos; rendimiento
académico; Análisis Factorial Exploratorio, Análisis Factorial confirmatorio.
ABSTRACT
This research analyzes learning approaches and sociodemographic factors as predictors of
academic performance in university students at Bolívar State University. Academic
performance is a key indicator of students' professional success, influenced not only by
technical and cognitive competencies but also by learning strategies and sociodemographic
181
aspects. It is based on previous existing theories, highlighting the importance of motivation
and sociodemographic factors in student performance. It was developed under a quantitative,
descriptive-correlational approach, using the inductive method that began with the analysis of
the specific characteristics of the research results to arrive at their generalization, and the
analytical method to decompose the variables and determine the existing relationships. A
sample of 313 students was used. Techniques such as Exploratory Factor Analysis (EFA) and
Confirmatory Factor Analysis (CFA) were employed to validate the measurement instruments
and structure the variables into underlying factors. In addition, structural equations were
applied to determine the dependency relationships between learning approaches,
sociodemographic factors, and academic performance. The results show that deep and
strategic approaches are positively associated with improved academic performance, while
surface approaches have a limited impact. Likewise, sociodemographic factors such as area,
gender, parental educational levels, and family type were identified as factors that influence
academic performance. The study highlights the need to implement educational strategies that
strengthen effective learning approaches and eliminate demographic gaps. This will enable
higher education institutions to promote academic success and improve teaching-learning
processes.
KEYWORDS: Learning approaches; Sociodemographic factors; Academic performance;
Exploratory Factor Analysis; Confirmatory Factor Analysis.
RESUMO
Esta pesquisa analisa as abordagens de aprendizagem e os fatores sociodemográficos como
preditores do desempenho académico em estudantes universitários da Universidade Estadual
de Bolívar. O desempenho académico é um indicador-chave do sucesso profissional dos
estudantes, influenciado não só pelas competências técnicas e cognitivas, mas também pelas
estratégias de aprendizagem e pelos aspetos sociodemo Resumo. Esta pesquisa analisa as
182
abordagens de aprendizagem e os fatores sociodemográficos como preditores do desempenho
académico em estudantes universitários da Universidade Estadual de Bolívar. O desempenho
académico é um indicador-chave do sucesso profissional dos estudantes, influenciado não só
pelas competências técnicas e cognitivas, mas também pelas estratégias de aprendizagem e
pelos aspetos sociodemográficos. Baseia-se em teorias anteriores, destacando a importância
da motivação e dos fatores sociodemográficos no desempenho dos alunos. Foi desenvolvida
sob uma abordagem quantitativa, descritivo-correlacional, utilizando o método indutivo, que
partiu da análise das características específicas dos resultados da investigação para chegar à
sua generalização, e o método analítico para decompor as variáveis e determinar as relações
existentes. Foi utilizada uma amostra de 313 alunos. Técnicas como a Análise Fatorial
Exploratória (AFE) e a Análise Fatorial Confirmatória (AFC) foram empregues para validar
os instrumentos de medição e estruturar as variáveis em fatores subjacentes. Além disso,
foram aplicadas equações estruturais para determinar as relações de dependência entre as
abordagens de aprendizagem, os fatores sociodemográficos e o desempenho académico. Os
resultados mostram que as abordagens profundas e estratégicas estão positivamente
associadas à melhoria do desempenho académico, enquanto as abordagens superficiais têm
um impacto limitado. Da mesma forma, fatores sociodemográficos como a região, o género,
o nível educacional dos pais e o tipo de família foram identificados como fatores que
influenciam o desempenho académico. O estudo destaca a necessidade de implementar
estratégias educativas que fortaleçam abordagens de aprendizagem eficazes e eliminem as
lacunas demográficas. Isto permitirá às instituições de ensino superior promover o sucesso
académico e melhorar os processos de ensino-aprendizagem.
PALAVRAS-CHAVE: Abordagens de aprendizagem; Fatores sociodemográficos;
Desempenho académico; Análise Fatorial Exploratória; Análise Fatorial
Confirmatória.gráficos.
183
INTRODUCIÓN
El rendimiento académico en los estudiantes de educación superior constituye uno de los
elementos de mayor importancia dentro de ese nivel de educación (Bazán-Perkins &
Santibañez-Salgado, 2025), debido a que este puede considerarse como predictor de
culminación de la carrera por parte de los estudiantes, además tiene una relación directa con el
éxito profesional y las competencias laborales que los estudiantes desarrollan (Acosta-Enriquez
et al., 2025).
En este sentido, el rendimiento académico no solo depende de factores cognitivos y
competencias técnicas, sino también está relacionado con aspectos como los enfoques de
aprendizaje que desarrollan y aplican los estudiantes dentro de su abordaje de las asignaturas,
además factores sociodemográficos y el aprendizaje autorregulado que moldean y repercuten
dentro del rendimiento académico (Cristea et al., 2025).
Bajo esta panorámica los enfoques de aprendizaje en los estudiantes incluyen aspectos como
estrategias de autorregulación, organización del tiempo dedicado al estudio, análisis y
comprensión profunda de distintos temas determinan cómo los estudiantes asimilan y procesan
la información que reciben dentro de su formación universitaria (Alanya et al., 2021). Es así
como, convergen de la misma factores sociodemográficos como sexo, ubicación, zona de
residencia, tipos de familia, estilos de crianza de los padres, nivel económico que inciden en
cómo el estudiante afronta los desafíos académicos (Samir et al., 2025).
Los enfoques de aprendizaje y factores sociodemográficos se ven influenciados por el contexto,
debido a ello es necesario analizar cómo estos elementos inciden en el rendimiento académico
de estudiantes universitarios tomando como referencia a la Universidad Estatal de Bolívar,
Facultad de Ciencias Agropecuarias con sus tres carreras: Medicina veterinaria, Agronomía y
Agroindustria y conociendo que por las características de la institución los estudiantes
provienen de distintas ciudades y provincias, por lo cual presentan distintas características
184
sociodemográficas que son necesarias analizarlas y su impacto en el rendimiento académico
(Cadena-Povea et al., 2025). En esta línea, la presente investigación analizó los enfoques de
aprendizaje y los factores sociodemográficos como predictores del rendimiento académico.
Alipio (2020) menciona que, durante los últimos años se han desarrollado investigaciones,
especialmente en Gran Bretaña, Suecia y Australia enfocándose en un área de investigación
denominada (Student Approaches to Learning). Varias etiquetas han sido utilizadas por los
autores: aprendizaje significativo y memorístico (Ausubel, 1986), procesamiento genérico y
reproductivo (Wittrock, 1974), aprendizaje reproductivo y transformacional (Thomas & Bain,
1984), enfoque profundo, superficial y estratégico (Entwistle, 1988), enfoque profundo,
superficial y de alto rendimiento (Biggs, 1987) entre otros, que han dado sustento a estudios
que buscan entender el aprendizaje humano.
El término enfoques de aprendizaje (approaches to learning) se refiere a la adaptación de
estrategias de estudio que llevan a cabo los estudiantes para afrontar distintas tareas en su vida
estudiantil (Elsayed et al., 2025). Barrón & Mitma (2017) manifiestan que el éxito de la vida
estudiantil en camino a su formación profesional depende de muchos factores como los
enfoques de aprendizaje, aspectos socioculturales, gestión del tiempo, entre otros.
De acuerdo con las teorías de aprendizaje, el éxito de la vida estudiantil en camino a la profesión
depende de muchos factores, como aspectos educativos y sociodemográficos para el
aprendizaje y la motivación (Abbiati et al, 2020). La mayoría de los estudios sobre la teoría del
aprendizaje resaltan la importancia central de la interacción enseñanza y aprendizaje (Barrón
& Mitma, 2017).
Los enfoques de aprendizaje son un reflejo de los diferentes niveles de procesamiento de
información y no solo está referido a las diferencias individuales de propósitos y motivos
cuando los estudiantes se enfrentan a una situación de aprendizaje, sino que también están
relacionados con la utilización de las estrategias correspondientes (Miličević et al., 2024).
185
Los enfoques de aprendizaje son los procesos de aprendizaje que surgen de las percepciones
que el estudiante tiene de una tarea académica, en cuanto que son influenciados por las
características del individuo. Este concepto tiene tanto de elementos situacionales como
personales (Vîrgă & Okros, 2024). Según este autor, cuando un estudiante se enfrenta a una
tarea, surgen dos interrogantes fundamentales, el primero referido a las metas y los motivos:
¿qué quiero conseguir con esto?, y el segundo a las estrategias y recursos que debe utilizar para
lograr sus objetivos: ¿cómo hago para conseguirlo? Así, los enfoques de aprendizaje se basan
en motivos y utilizan determinadas estrategias, que se combinan mediante un proceso
metacognitivo.
Es importante considerar que los enfoques de aprendizaje no son algo estable en el estudiante,
es decir, no son una característica personal inmutable. Por el contrario, un estudiante es capaz
de adoptar uno u otro enfoque de aprendizaje superficial, estratégico o profundo dependiendo
de la tarea académica a la que se enfrente (Ullah, 2016). En el enfoque profundo, los estudiantes
tienen motivación intrínseca para entender las ideas por sí mismos, además este está relacionado
con la autoeficacia y las estrategias de aprendizaje que asume (Hayat et al, 2020). El enfoque
profundo parte de un interés intrínseco por las materias: Las estrategias sirven a ese interés, el
estudiante tratará de comprender al máximo los contenidos conectando las ideas nuevas con
conocimientos previos (Bazán-Perkins & Santibañez-Salgado, 2025).
Alipio (2020) manifiesta que el aprendizaje profundo se basa en la motivación intrínseca. El
estudiante tiene interés por la materia y desea lograr que el aprendizaje tenga significación
personal. Las estrategias se usan para lograr la comprensión y satisfacer la curiosidad personal.
A nivel de procesos, el estudiante interactúa con el contenido relacionado las ideas con el
conocimiento previo y la experiencia, usa principios organizativos para integrar las ideas,
relaciona la evidencia con las conclusiones y examina la lógica del argumento. A nivel de
resultados, se obtiene un nivel de comprensión profundo, integrando bien los principios
186
fundamentales, así como los hechos. Los estudiantes con un perfil profundo suelen obtener
buenos rendimientos académicos.
El enfoque superficial se basa en una motivación extrínseca de los estudiantes, un esfuerzo
mínimo para evitar fracasar sin esforzarse demasiado. Acorde a esa motivación el estudiante
superficial despliega las estrategias oportunas, a saber, estudiar sólo lo esencial y reproducir de
memoria, es un estudiante que se preocupa del posible fracaso a la vez que se lamentará del
tiempo que emplea en su trabajo.
El aprendizaje estratégico, se puede definir como las estrategias de aprendizaje conducentes a
la toma de decisiones de manera consciente o inconsciente, donde el estudiante elige, recupera
y domina una estrategia determinada de manera coordinada, logrando aprender los
conocimientos que necesita para cumplir una determina tarea, en función de las características
de la situación educativa en que se produce la acción (Cristea et al., 2025). De manera muy
resumida se puede decir que el enfoque estratégico se caracteriza por la organización del
estudio, gestión del tiempo, logros, monitorización de la efectividad.
Se requiere tomar en cuenta que los nuevos desafíos de la educación superior se han
restructurado y han expuesto la necesidad de revisar, constantemente, el rendimiento
académico, según distintas variables. Por tanto, trabajar con estudiantes desde la condición
sociodemográfica es también una variable estratégica por investigar, sobre todo en el actual
momento histórico la educación superior pública.
Los estudios sobre rendimiento académico en educación superior son escasos, comparados con
otros niveles educativos. Asimismo, ha prevalecido un enfoque cuantitativo y han estado
orientados al desarrollo de información de tipo económico (Cadena-Povea et al, 2025). Las
causas del rendimiento académico, en particular de estudiantes según niveles
sociodemográficos, han sido poco exploradas.
187
El rendimiento académico impacta no solo a nivel institucional, en lo referente al uso de los
recursos, proyección externa–social, sino que también impacta en lo personal. Desde la
perspectiva del estudiante, el rendimiento académico incide en sus esfuerzos, aspiraciones y
proyectos personales, entre otros. Son muchas las causas asociadas al rendimiento académico,
por lo que se le considera un fenómeno multicausal; es decir, hay una tendencia a relacionar
ciertas causas con el rendimiento académico, pero no se pueden generalizar a diferentes
poblaciones (Merchant et al., 2025).
Conceptualizar el rendimiento académico es difícil, debido a su multicausalidad y complejidad,
ya que involucra factores como: actitudes, hábitos, carácter del personal docente, metodologías,
formación profesional, ambiente familiar, organización del sistema educativo y condición
socioeconómica, entre otros aspectos sociales, económicos y psicológicos (Axiotidou et al.,
2025). En lo que parece haber consenso es que múltiples factores afectan el rendimiento
académico: personales, sociales, económicos e institucionales. Por esa razón, estos
condicionantes no se pueden homogeneizar. Esos factores se agrupan en varias categorías:
sociodemográficos, psicosociales, pedagógicos e institucionales; es usual encontrar indicadores
de orden socioeconómicos dentro de los sociodemográficos. Por otro lado, las líneas de
investigación de las carreras muchas veces no son articuladas de forma homogénea, al respecto
los autores Serrano, M. P., & Serrano, M. J. (2020). Acotan lo siguiente” Se evidencia que el
proceso de asignación de los TIG(s) hay debilidad y deficiencia … por no disponer de una base
de datos que articule la aprobación de los anteproyectos de TIG(s)” lo que representa otra
dificultad. El rendimiento académico en estudiantes universitarios es un indicador trascendental
para la evaluación de la calidad educativa, se le considera como el resultado de la unión de
diferentes elementos que interactúan en el desempeño de la vida académica del estudiantado
(da Cruz & Esperidião, 2024). Este resultado se hace manifiesto a través de las calificaciones
alcanzadas por cada estudiante, por lo general en una evaluación cuantitativa.
188
El valor de las calificaciones representa los logros alcanzados en el desempeño académico,
producto de una serie de variables personales, académicas y sociales que interactúan entre sí y
entre ellas (Willison et al, 2024). Al respecto Wu et al. (2021), se refieren a variables que
intervienen en el rendimiento académico como las pedagógicas, institucionales,
sociodemográficas y psicosociales. En este sentido se pretende entender el rendimiento
académico desde el punto de vista de los enfoques de aprendizaje que un estudia asume y los
factores sociodemográficos como predictores del mismo. Bajo esta panorámica se plantea la
siguiente hipótesis de investigación:
H0: Los enfoques de aprendizaje y los factores sociodemográficos no predicen
significativamente el rendimiento académico de los estudiantes universitarios de la Facultad de
Ciencias Agropecuarias de la Universidad Estatal de Bolívar.
H1: Los enfoques de aprendizaje y los factores sociodemográficos predicen significativamente
el rendimiento académico de los estudiantes universitarios de la Facultad de Ciencias
Agropecuarias de la Universidad Estatal de Bolívar.
MATERIALES Y MÉTODOS
La siguiente investigación se desarrolló bajo la siguiente estructura metodológica, se realizó un
análisis de manera inicial bajo estadística descriptiva para caracterizar a los 313 estudiantes en
función de variables sociodemográficas y de rendimiento académico, mediante medidas de
tendencia central, dispersión y frecuencias. De manera seguida la estadística inferencial se
aplicó para relaciones y asociaciones entre enfoques de aprendizaje, factores sociodemográficos
y rendimiento académico, recurriendo a técnicas como el análisis factorial exploratorio (AFE),
confirmatorio (AFC) y modelamiento de ecuaciones estructurales. Esta estructura de análisis se
desarrolló debido a que se quería llegar a una comprensión integral de la investigación.
189
La investigación tuvo un alcance descriptivo–correlacional. Se consideró descriptiva por que
permitió detallar las características propias de los enfoques de aprendizaje seguidas por los
estudiantes y sus factores sociodemográficos. Y se consideró correlacional por que buscó la
identificación de la relación existente las variables mencionadas con anterioridad y el
rendimiento académico de los estudiantes, con la finalidad de no solo describir los hechos sino
más bien encontrar una explicación causal de los mismos.
El diseño establecido fue el no experimental y transversal, debido a que no se generó la
manipulación de ninguna variable independiente, sino más bien partió desde la observación de
los fenómenos tal cual como se encontraban generando dentro del contexto educativo de la
facultad, así como se considera transversal debido a que la recogida de información se realizó
en el PAO 2024-II, lo que permitió obtener una panorámica de las condiciones académicas y
sociodemográficas que caracterizan a los estudiantes de la institución educativa.
El enfoque utilizado fue el cuantitativo debido a la naturaleza del estudio se orientó al análisis
de las variables a través del uso de diferentes técnicas estadísticas, de forma convergente se
utilizó la técnica de encuesta estructurada para la recolección de datos y en contraste con los
registros académicos de la facultad. Los instrumentos usados fueron: Inventario de enfoques y
habilidades de estudio para estudiantes (ASSIST) (Brown et al., 2015), compuesto por 52 ítems
en escala Likert de 5 puntos, Cuestionario sociodemográfico de 16 ítems diseñado ad hoc y
Registros académicos institucionales, que proporcionaron las calificaciones de las asignaturas
de tronco común (Química, Matemática, Lenguaje y Comunicación, Informática y Realidad
Nacional). Finalmente, todos estos datos recogidos de los diferentes instrumentos de
recolección de datos se sometieron a pruebas de fiabilidad y validez (Alfa de Cronbach, KMO,
Bartlett, AFE y AFC), asegurando consistencia interna y pertinencia estadística.
Datos
190
Los datos fueron obtenidos de la Facultad de Ciencias Agropecuarias, Recursos Naturales y del
Ambiente, la misma que en el Periodo Académico Ordinario PAO 2024 I contó con un total de
1662 estudiantes considerado como el universo de investigación, a partir de ellos se tomó un
muestreo probabilístico bajo el 95% de significancia y un 5% de margen de error, dando como
resultado una muestra de 313 estudiantes, a los que se les aplicó el instrumento de recolección
de datos, que fue el Inventario de enfoques y habilidades de estudio para estudiantes (ASSIST)
(Brown et al., 2015), bajo un muestreo aleatorio simple con la finalidad de dar a cada estudiante
la misma probabilidad de formar parte de la investigación, este aspecto fue posible ya que las
carreras que forman parte de la Facultad de Ciencias Agropecuarias son presenciales.
Se aplicó el instrumento de cuestionario de encuesta a estudiantes de las tres carreras de la
facultad que son: Agronomía, Agroindustria y Medicina Veterinaria, los encuestados
presentaban edades entre 18 a 29 años, de los cuales el 48,6% fueron hombres y 51,4% mujeres,
por las características educativas que se generaron a partir del Sistema de Nivelación y
Admisión se cuenta dentro de la facultad con estudiantes de diferentes provincias del país lo
que se consideró una fortaleza ya que se contó con diferentes puntos de vista y características
tanto de los estudiantes como de sus familias que permitió analizar factores sociodemográficos
compuestos por 16 ítems como: Sexo, Zona, Ingresos familiares, Raza, Tipos de familia, Estilos
de crianza de los padres, Nivel educativo padres, estrés de los estudiantes como determinantes
del rendimiento académico, estos ítems de tipo cualitativo nominal y ordinal en su mayoría.
Para la obtención de datos de las calificaciones de los estudiantes se accedió a los registros
académicos tomando en cuenta las asignaturas de tronco común de las carreras de la Medicina
Veterinaria, Agronomía y Agroindustria, las mismas que se imparten en los primeros y
segundos ciclos, la información tomada corresponde al Periodo Académico PAO II 2024,
correspondiente a septiembre - diciembre de 2024, con la finalidad de contar con información
actualizada. En la tabla 1 se muestra un resumen de las medidas de tendencia central y de
191
dispersión para las asignaturas de: Química, Informática, Matemática, Lenguaje y
Comunicación y Realidad Nacional, así como el promedio final correspondiente a la media no
ponderada de las calificaciones obtenidas por los estudiantes a lo largo del semestre en las
materias mencionadas con la finalidad de contar con una descripción y breve panorámica del
rendimiento académico de los estudiantes.
Tabla 1
Resumen descriptivo de datos de asignaturas de tronco común
Variable
Media
Desviación
estándar
Varianza
Coeficiente
de
variación
Mínimo
Máximo
Mediana
Química
7,38
1,44
2,06
19,47
4
10
7
Informática
8,01
1,22
1,49
15,26
5
10
8
Matemática
6,6
2,14
4,58
32,44
3
10
7
Lenguaje y Comunicación
8,49
1,2
1,44
14,15
5
10
9
Realidad Nacional
8,13
1,41
1,99
17,34
5
10
8
Promedio final
7,72
1,482
2,312
19,732
4,4
10
7,8
Nota. Detalles cuantitativos, de cada materia
Fase 1.
Para la recogida de datos sobre los factores sociodemográficos se diseñó un cuestionario de
encuesta compuesto por 16 ítems como: Sexo, raza, zona, ingresos, familia, estilo de crianza de
los padres, entre otros, este cuestionario se desarrolló tomando en cuenta a lo mencionado por
Piscitello et al.(2022); Pellas, (2023) quienes mencionan a estos como los elementos
sociodemográficos más importantes, con el fin de entender el perfil de los estudiantes
universitarios, para determinar si estos son predictores del rendimiento académico en su proceso
académico. Para determinar los enfoques de aprendizaje se tomó en cuenta el cuestionario el
192
Inventario de enfoques y habilidades de estudio para estudiantes (ASSIST) (Brown et al., 2015),
compuesto por 52 ítems que están relacionados con tres enfoques (profundo, estratégico y
superficial) para el estudio y el aprendizaje, este cuestionario se validó mediante el estadístico
de Alfa de Cronbach en su investigación original y en la investigación actual se aplicará de la
misma forma. Los ítems se calificaron en una escala Likert de cinco puntos donde 5 = de
acuerdo, 4 = algo de acuerdo, 3 = inseguro, 2 = algo en desacuerdo y 1 = en desacuerdo. Para
cada encuestado, se sumó la puntuación de los ítems que componen cada una de las escalas de
estilo de aprendizaje y se calculó la puntuación media de cada escala para cada encuestado. El
estilo de aprendizaje “profundo” estuvo compuesto por 16 preguntas originalmente compuestas
por cuatro subdivisiones: búsqueda de significado, relación de ideas, uso de evidencia e interés
en ideas. El estilo de aprendizaje “superficial” estaba compuesta por 16 preguntas compuestas
originalmente de cuatro subdivisiones: falta de propósito, memorización no relacionada,
centrada en el programa de estudios y miedo al fracaso. El estilo de aprendizaje “estratégico”
estaba compuesto por 20 ítems originalmente compuestos de cinco subdivisiones: estudio
organizado, gestión del tiempo, alerta ante la demanda de evaluación, logro y seguimiento de
la eficacia.
Los dos instrumentos al estar compuestos de variables cualitativas ordinales se procedieron a
realizar la corrección policórica (Urbano & Pere, 2021; Cheng-Hsien, 2016), ésta es una técnica
estadística que estima la relación entre dos variables latentes continuas con distribución normal
y se caracteriza por ser ampliamente utilizada en análisis de datos ordinales, particularmente en
contextos como el análisis factorial y el modelado de ecuaciones estructurales como es el caso
de la presente investigación (Lai & Simoes, 2023).
La correlación policórica se calcula suponiendo que las variables ordinales y provienen de
variables latentes continuas * y * con una distribución normal bivariada:
193
Donde:
• p: La correlación que se desea estimar entre * y *
• * y *: Las variables latentes continuas.
Luego de ello se realizó un análisis de umbrales para las variables ordinales, en este caso
variables ordinales y tienen y categorías, respectivamente. Cada categoría está
delimitada por umbrales en las variables latentes:
Los valores observados de y se corresponden con intervalos en las variables latentes. Por
ejemplo, para :
Se procede a la estimación de parámetros a través d ellos umbrales τk para y se calculan
utilizando las frecuencias marginales observadas en las variables ordinales.
Donde Φ () es la función de distribución acumulativa de una distribución normal estándar.
Luego se realiza un paso para maximizar la función log/verosimilitud, que suma los logaritmos
de las probabilidades conjuntas para todos los pares de categorías observadas:
194
Donde:
: Frecuencia observada de la combinación (,)
(=, =): Probabilidad estimada según la correlación y los umbrales.
La optimización de esta función proporciona:
La correlación policórica .
Los umbrales
y
Finalmente, se tomó en cuenta 5 materias que son transversales para las tres carreras evaluadas
que se reciben en los primeros ciclos de estudio con la finalidad de determinar si existe relación
entre el rendimiento académico de los estudiantes y las características sociodemográficas y
enfoques de aprendizaje que estos asumen en su proceso formativo.
Fase 2.
Análisis factorial AFE
Dentro de la investigación se aplicaron dos cuestionarios de recolección de datos: el primero
compuesto por 16 preguntas relacionadas a conocer los factores psicosociales de los estudiantes
que fue desarrollado dentro de la investigación y el segundo orientado a comprender los
enfoques de aprendizaje (ASSIST) desarrollado por Brown et al (2015), en este sentido con la
finalidad de optimizar dichos cuestionarios se aplicó AFE que es una técnica estadística que
permite explorar con mayor precisión las dimensiones subyacentes, constructos o variables
latentes de las variables observadas (Méndez-Martínez & Rondón-Sepúlveda, 2012), es decir,
195
las que observa y mide el investigador, esta prueba estadística se la realiza con el objetivo de
comprobar hasta qué punto los ítems que conforman estos dos cuestionarios representan
adecuadamente los constructos latentes de interés o diferentes dimensiones que lo conforman
(Pérez & Medrano, 2010; Nozaleda et al, 2025), para de esta forma reducir la complejidad de
los datos agrupados de variables relacionadas en factores comunes, esto con la finalidad de
facilitar la interpretación y comprensión de los datos parte de los cuestionarios que se
determinan como elementos predictores del rendimiento académico en los estudiantes (Awang-
Hashim et al., 2023).
Uno de los primeros pasos para determinar si los datos son aptos para el AFE, es la aplicación
de dos estadísticos como lo son Índice de Kaiser-Meyer-Olkin (KMO) que cuantifica el grado
en que las variables observadas dentro de los instrumentos están asociadas mediante factores
latentes (Abbiati et al., 2020). En este sentido como elemento clave se busca que los resultados
de este índice sean >0.7 como mínimo (Anders et al., 2020). A continuación, se presenta la
ecuación:
En este caso el rij es el elemento de la matriz de correlación entre las variables i y j. El pij es el
elemento de la matriz de correlaciones parciales entre i y j. En este caso como se mencionó el
denominador combina la correlación total y la correlación parcial, por lo que al dar un valor
alto superior a 0.7 indica que las correlaciones son suficientemente fuertes para justificar el
análisis AFE. De manera conjunta se aplica la Prueba de esfericidad de Bartlett, misma que se
utiliza para determinar si las correlaciones entre un conjunto de variables son significativas y
por lo tanto adecuadas para aplicar el AFE, evalúa sin la matriz de correlación es diferente de
la matriz de identidad (Saha et al., 2024). En la misma se debe obtener una significancia de
p<0.05 ello indica que las correlaciones son adecuadas, la ecuación para dicho procedimiento
se detalla a continuación:
196
Para lo cual n representa al número de observaciones, p al número de variables y R es el
determinante de la matriz de correlación. Luego de ello el análisis AFE se da inicio mediante
una matriz de correlación entre todas las variables observadas, ta cual como se muestra a
continuación:
Luego se realiza el proceso de extracción de factores, en el modelo de AFE asume que las
variables observadas (1, 2, ..., ) se explican por un conjunto de factores latentes (1, 2,
..., ):
En este caso es la carga factorial de la variable i sobre el factor j. Ej es el error o componente
especifico de la variable i. De manera seguida se realiza la carga de factores, en este caso la
relación entre las variables observadas y los factores extraídos se representa en la siguiente
ecuación:
Dentro de esta X representa a la matriz de variables observadas, L representa a la matriz de
cargas factoriales, F representa a la matriz de factores latentes y E a la matriz de errores o
residuos. Luego de ello se procede a determinar la varianza explicada por cada factor, esta se
calcula mediante los valores propios de la matriz de correlación R. Se considera un modelo
adecuado al que debe explicar el 60 o 70% de la varianza total.
197
Finalmente, se procede a la fase de rotación de factores que busca optimizar la simplicidad y la
interpretabilidad de los factores. La rotación ortogonal Varimax es la más utilizada debido a
que mejorar la interpretación de los factores extraídos, al mismo tiempo que mantiene la
independencia entre los factores. Esta sirve para que las agrupaciones sean más claras y por
ende cada ítem se relacione de forma clara con los factores, la función de rotación está dada
por:
En este caso T es la matriz de la transformación octogonal.
Bajo esta línea, existen estándares necesarios para garantizar la calidad y la validez de los
resultados para el Análisis AFE, se consideró tres estándares: (1) el tamaño muestral, (2) la
ratio mínima de casos por variable y (3) la ratio de variables por factor. En lo referente al tamaño
muestral se cuenta con una muestra de 313 encuestados por lo que se cumple con dicho criterio
ya que la recomendación es que sea superior a 100 (Hair et al., 2010), esto permite minimizar
la probabilidad de equivocación y así aumentar la precisión de los estimadores poblacionales
(Mavrou, 2015).
En lo que se refiere a la ratio mínima de casos por variable se sugiere que esta sea p de 10-15 y
como mínimo superior a 5 casos por cada variable en este caso al contar con 313 encuestas se
cumplen de forma adecuada (MacCallum, 2001), además es importante aclarar que con
muestras grandes ya no es necesario ratios de observaciones muy altos. En lo que se refiere a
ratio de variables por factor evalúa cuántas variables observadas respaldan cada factor latente.
Aquí se recomienda de 3 a 5 variables por factor y deben poseer cargas significativas.
La segunda cuestión tiene que ver con la calidad y la naturaleza de las variables observadas.
Según Fabrigar (1999) menciona que estas variables deben ser relevantes en función del
dominio que se estudia, pues, en caso contrario, existe el riesgo de que el AFE no revele factores
importantes o que conduzca a la obtención de factores espurios y no bien definidos.
198
Análisis factorial Confirmatorio AFC
De manera seguida se utilizó el AFC como método para analizar la fiabilidad y validez del
instrumento analizado previamente a través de AFE permite contrastar un modelo construido
con antelación, en el que el investigador establece a priori el conjunto total de las relaciones
entre los elementos que lo configuran (Fernández-Aráuz, 2015). A diferencia de la factorial
exploratoria, en la factorial confirmatoria se supone que el investigador es capaz de aventurar
a priori la estructura de los datos preferiblemente en función de una teoría bien establecida y
sólo precisa confirmar que esa estructura puede también obtenerse empíricamente (Lévy-
Mangin & Varela-Mallou, 2006). Dicho de otra manera, sirve para comprobar si las relaciones
entre las variables observadas y los factores latentes coinciden con un modelo que se basa en
hipótesis o teorías previas (Alnasraween & Al-Samadi, 2024).
Este método explica las covarianzas o correlaciones entre un conjunto de variables observadas
o medidas a través de un conjunto reducido de variables latentes o factores. Con esto se cuenta
con un formulario validado bajo criterios de validez y fiabilidad (Pérez, 2020). El análisis
factorial utilizó varios supuestos: Las relaciones lineales de las variables; Ausencia de
multicolinealidad; Relevancia de las variables y la existencia de una verdadera correlación entre
factores y variables
Dentro de este modelo se determinó los modelos previos a la investigación que mencionan la
incidencia de los enfoques de aprendizaje y los factores psicosociales como predictores del
rendimiento académico, aquí se parte del AFE para identificar los factores latentes a partir de
las variables que corresponden a los dos formularios, de la misma forma las relaciones
esperadas. En este sentido para ejecutar el AFC se requiere de un conjunto de ecuaciones
descritas a continuación.
199
Para determinar la relación entre variables observadas y factores latentes, se entiende que
variables observadas (X y Y) son combinaciones lineales de factores latentes (ξ o η) más un
término de error, por lo que para variables observadas dependientes (Y):
En este caso (Y) es el vector de variables observadas dependientes, () es la matriz de cargas
factoriales, () es el vector de factores latentes y es el vector de errores. De la misma forma
para variables observadas independientes se desarrolla la siguiente ecuación.
(X) es el vector de variables observadas independientes, es la matriz de cargas factoriales,
() es el vector de factores latentes y () es el vector de errores. Para determinar las matrices
de varianza y covarianza se determina las siguientes ecuaciones.
Varianza
Covarianza
Matriz de covarianza modelada para variables observadas (Σ):
En este caso es la matriz de cargas factoriales, () es la matriz de varianzas y covarianzas
entre factores latentes, () es la matriz de errores de medición (varianza específica).
La función de ajuste es parte del AFC y evalúa comparando la matriz de covarianza observada
() con la matriz modelada (Σ(θ)). Una función comúnmente utilizada es la de máxima
verosimilitud (ML)
200
Donde, () es el valor de la función de ajuste, () es la matriz de covarianza observada,
es la matriz de covarianza modelada y (p) es el numero de variables observadas. A continuación,
se presenta las diferentes ecuaciones para los cálculos de índices de ajuste.
Chi cuadrado ()
Conparative Fit Index (CFI)
Root Mean Square Error of Approximation (RMSEA)
Standardized Root Mean Square Residual (SRMR)
Estadístico η2 Eta al cuadrado
Con la finalidad de establecer la relación existente entre las variables categóricas relacionadas
a los factores sociodemográficos y socioculturales se tomó en cuenta el estadístico η2 (eta
cuadrada) este es una medida del tamaño del efecto utilizada en estadística para cuantificar la
proporción de varianza explicada por una variable independiente en un análisis de varianza
(ANOVA) (Richardson, 2011). Indica cuánto de la variabilidad en la variable dependiente se
debe a la variable independiente (Norouzian & Plonsky, 2018). Este estadístico se tomó en
cuenta debido a que se adapta a las condiciones propias de la investigación al contar con
variables cualitativas y variables cuantitativas, por lo que se aplicó para determinar la relación
entre los factores mencionados y su efecto en el rendimiento académico de los estudiantes, su
fórmula es:
201
• es la suma de cuadrados entre los grupos, es decir, la variabilidad explicada
por la variable independiente.
• es la suma total de cuadrados, que representa toda la variabilidad presente en
los datos.
Para el desarrollo de la investigación se utilizó el software R Studio en su versión
2024.12.1+563 y el lenguaje R para el manejo de la base de datos y los análisis correspondientes
y bajo el lenguaje R en su versión 4.3.2 (2023-10-31 ucrt), con las librerías necesarias.
RESULTADOS
Se procedió con el análisis de los datos correspondiente al determinar los enfoques de
aprendizaje usando el cuestionario (ASSIST). Para esto se llevó a cabo un análisis de
confiabilidad para evaluar la consistencia interna de la escala mediante el cálculo del coeficiente
Alfa de Cronbach con la finalidad de validar lo expuesto por (Brown et al, 2015). Los resultados
obtenidos brindan un valor de 0.96, esto refleja una excelente consistencia interna que supera
los resultados obtenidos en la investigación original con al valor de 0,92 (Brown et al, 2015).
Este valor supera ampliamente el umbral mínimo aceptable de 0.70 y se encuentra dentro del
rango de valores considerados como excelentes cuando superan a 0,9, lo que sugiere que los
ítems que componen la escala miden de manera consistente el constructo analizado como lo
menciona Masa’Deh et al, (2021), esto demuestra la excelente consistencia interna del
cuestionario y permite tener la certeza de la calidad del instrumento de recolección de datos.
De manera seguida se realizó la corrección policórica debido a que el cuestionario tiene sus 52
ítems con variables de tipo ordinal, a partir de ello se procedió a realizar el análisis de
202
adecuación muestral, mediante el índice de Kaiser-Meyer-Olkin (KMO), con los siguientes
resultados:
KMO global = 0.93
Tabla 2
Resultados de la prueba de KMO
P1
P2
P3
P4
P5
P6
P7
P8
P9
P10
P11
P12
P13
P14
P15
P16
P17
0,95
0,94
0,94
0,93
0,94
0,94
0,93
0,94
0,92
0,91
0,95
0,91
0,90
0,93
0,94
0,94
0,95
P18
P19
P20
P21
P22
P23
P24
P25
P26
P27
P28
P29
P30
P31
P32
P33
P34
0,92
0,86
0,91
0,84
0,90
0,91
0,93
0,89
0,91
0,93
0,96
0,94
0,90
0,93
0,93
0,93
0,92
p35
P36
P37
P38
P39
P40
P41
P42
P43
P44
P45
P46
P47
P48
P49
P50
p51
0,94
0,94
0,95
0,95
0,94
0,92
0,94
0,91
0,91
0,91
0,92
0,91
0,91
0,92
0,92
0,92
0,90
Nota. Datos obtenidos KMO
El análisis de adecuación muestral mostró que los datos son altamente adecuados para realizar
un AFE. El KMO global fue de 0.93, lo que, según los criterios de Kaiser (1974), se considera
excelente (KMO ≥ 0.9), indica que las variables son lo suficientemente fuertes como para
realizar un AFE. Estos resultados van de la mano con los expuestos por Zafeer et al (2025)
quienes mencionan que, para buscar comprender el impacto de los tipos de enfoques de
aprendizaje en el rendimiento académico de los estudiantes es necesario identificar estructuras
subyacentes que nace de estos instrumentos de recolección de datos y como el AFC posterior
puede definir las mismas. Al contrastar estos resultados con otras investigaciones que analizan
los factores influyentes en los estilos de aprendizaje, se supera de forma categórica a estas como
la mencionada por Jamil et al, (2015) quienes presentan resultados de KMO de 0.621, Chik &
Hakim (2018) presentan valores de KMO de 0.723 por ende, los resultados en la presente
investigación presentan valores ideales para el AFE.
203
Por otro lado, los índices de adecuación muestral individuales (MSA) para cada una de las
variables oscilaron entre 0.84 y 0.96, lo que refuerza la solidez de los datos. Las variables con
valores más altos, como P28 (0.96), presentan una correlación muy fuerte con las demás
variables del conjunto, mientras que las variables con valores más bajos, como P21 (0.84) y
P19 (0.86), aunque relativamente más débiles, se mantienen dentro del rango aceptable para su
inclusión en el modelo factorial. Estos resultados sugieren que no existen variables
problemáticas que puedan comprometer la calidad del análisis, lo que se alinea a
investigaciones desarrolladas por Oyeniran et al (2025) quienes mencionan que es importante
determinar que items no cuentan con valores adecuados para lograr una mejora del modelo
inicial propuesto. Además, se observa que los resultados obtenidos están por encima de otras
investigaciones realizadas como la desarrollada por Chin et al, (2024) quienes obtienen valores
que oscilan entre 0.793 a 0.869, bajo esta línea se ratifica la calidad del análisis.
KMO global = 0.93
Tabla 3
Resultados de la prueba de KMO
P1
P2
P3
P4
P5
P6
P7
P8
P9
P10
P11
P12
P13
P14
P15
P16
P17
P18
0,78
0,76
0,79
0,82
0,76
0,82
0,75
0,93
0,94
0,91
0,94
0,96
0,92
0,93
0,94
0,76
0,68
0,83
P19
P20
P21
P22
P23
P24
P25
P26
P27
P28
P29
P30
P31
P32
P33
P34
P35
P36
0,86
0,84
0,71
0,81
0,78
0,77
0,67
0,71
0,79
0,72
0,86
0,81
0,86
0,82
0,81
0,73
0,89
0,83
P37
P38
P39
P40
P41
P42
P43
P44
P45
P46
P47
P48
P49
P50
P51
0,93
0,92
0,92
0,92
0,92
0,94
0,91
0,91
0,92
0,84
0,84
0,82
0,85
0,83
0,83
Nota. Resultados de la prueba de esfericidad de Bartlett se describen en la tabla 4
Tabla 4
Resultados de la prueba de esfericidad de Bartlett
Chi-cuadrado (χ2)
Grados de libertad
P-valor
204
4.536.138
1275
0
Nota. Datos de prueba de esfericidad
La prueba de esfericidad de Bartlett se realizó para evaluar si la matriz de correlaciones es
adecuada para el AFE. Esta prueba contrasta la hipótesis nula de que la matriz de correlaciones
es una matriz identidad, esto quiere decir, que las variables no están correlacionadas entre sí.
Un resultado significativo p<0.05 indica que existen correlaciones suficientes entre las
variables para justificar la aplicación del análisis factorial. Los resultados mostraron un
estadístico de chi-cuadrado χ2 es 14474.82, lo que indica que las correlaciones entre las
variables son significativamente diferentes de cero, con 1275 grados de libertad y un valor p de
0.000. Dado que el valor p es menor que 0.05, se rechaza la hipótesis nula, lo que confirma que
la matriz de correlaciones no es una matriz de identidad y que existen correlaciones
significativas entre las variables.
Figura 1
Análisis en paralelo
Nota. Datos de paralelo
En la Figura 1 Análisis en paralelo se puede observar que el modelo factorial retiene tres
factores, en vista que estos representan varianza significativa y explican de manera adecuada la
205
estructura de los datos. De manera seguida en la tabla 5 se muestra los resultados obtenidos del
(AFE) realizado:
Tabla 5
Resultados del AFE
ITEM
ML1
ML2
ML3
P1
0.528
P2
0.496
P3
0.758
P4
0.777
P5
0.810
P6
0.757
P7
0.814
P8
0.839
P9
0.878
P10
0.878
P11
0.878
P12
0.882
P13
0.616
P14
0.551
0.315
P15
0.640
P16
0.493
P17
0.419
P18
0.594
P19
0.648
P20
0.667
P21
0.637
P22
0.550
P23
0.670
206
P24
0.728
P25
0.566
P26
0.594
P27
0.421
P28
0.722
P29
0.492
P30
0.451
0.451
P31
0.329
0.489
P32
0.659
P33
0.780
P34
0.721
P35
0.773
P36
0.698
P37
0.797
P38
0.792
P39
0.769
P40
0.759
P41
0.756
P42
0.772
P43
0.840
P44
0.836
P45
0.833
P46
0.835
P47
0.843
P48
0.850
P49
0.793
P50
0.886
P51
0.822
Nota. Datos gestionados EFE
207
El AFE presentado en la tabla 5 y 6 permitió identificar tres factores principales que explican
los enfoques de aprendizaje: superficial (ML2), estratégico (ML1) y profundo (ML3), los cuales
han sido analizados dentro de las dimensiones teóricas propuestas en la literatura (Tait et al.,
1998).
Tabla 6
Resultados del AFE
ML2
ML1
ML3
SS loadings
10.595
9.440
8.238
Proportion Var
0.208
0.185
0.162
Cumulative Var
0.208
0.393
0.554
Nota. Datos gestionados AFE
El ML2 está asociado al enfoque superficial, con altas cargas factoriales en los ítems P37, P38,
P39, P40, P41, P42, P43, P44, P45, P46, P47, P48, P49, P50 y P51. Estas preguntas reflejan
estrategias desarrolladas por los estudiantes en referencia con la memorización mecánica, el
cumplimiento mínimo de tareas y la preocupación por el desempeño, características propias de
este enfoque. Este factor explicó el 20.8% de la varianza total, siendo el más predominante en
los resultados de los estudiantes analizados. En este sentido, hay otras investigaciones que
mencionan que el rendimiento académico se puede ver influenciado por otros factores como
entorno familiar con valores de 0. 447 y habilidades de aprendizaje con 0.425 como los mayores
determinantes del rendimiento académico.
Este hallazgo es interesante dentro de la investigación ya que, se observa que dentro de este
contexto los estudiantes tienden a priorizar estrategias con relación al enfoque superficial,
caracterizado por la memorización mecánica, el cumplimiento mínimo de tareas y una
preocupación centrada en el desempeño inmediato. Este comportamiento se puede estar
relacionando con factores contextuales, pedagógicos y culturales, los cuales han sido
208
ampliamente discutidos en la literatura (Benka-Coker et al, 2021). Este aspecto puede deberse
a que dentro del sistema educativo ecuatoriano se fomenta la evaluación sumativa y los
resultados cuantitativos, por ende, los estudiantes buscan simplemente aprobar su ciclo
académico que, a lograr un aprendizaje profundo, además se observa que los sistemas de
evaluación que promueven pruebas de memorización y tareas repetitivas fomentan este
aprendizaje (Usán et al, 2021).
El ML1 se asocia al enfoque estratégico, con altas cargas factoriales en los ítems P1, P2, P5,
P6, P7, P8, P9, P10, P11, P12, P13, P15, P16, P17, P30 y P31. Estos ítems están relacionados
con la organización, la planificación y la búsqueda de buenos resultados académicos, en este
sentido estas características definen este enfoque. Este factor explicó el 18.5% de la varianza
total, dentro del estudio, siendo el segundo en nivel de significancia. En este sentido, este
enfoque se caracteriza en estudiantes que buscan la optimización de su rendimiento académico,
se caracterizan por la gestión eficiente de recursos, así como lo menciona Ocaña-Moral et al
(2021) esta planificación estructurada es una característica del enfoque estratégico ya que
permite a los estudiantes maximizar su eficiencia y cumplir con las demandas académicas
mucho más cuando la carrera lo exige (Bonsaksen et al, 2020).
Finalmente, el ML3 corresponde al enfoque profundo, con altas cargas factoriales en los ítems
P3, P4, P14, P18, P19, P20, P21, P22, P23, P24, P25, P26, P27, P28, P29, P32, P33, P34, P35
y P36. Estos ítems reflejan la búsqueda de significado, la conexión entre ideas y el
cuestionamiento crítico, estas características reflejan un enfoque profundo. Este factor explicó
el 16.2% de la varianza total, siendo el menos representado dentro de la muestra en estudio. En
este sentido, lo estudiantes muestran una planificación consciente, una organización
estructurada y una priorización de tareas relevantes (Tadese et al, 2022). Este es un tipo de
estrategia de estudiantes que buscan un aprendizaje profundo y logran alto rendimiento
209
académico (de la Fuente et al, 2021). Por otro lado, otras investigaciones como las de
Okwuduba et al (2021) mencionan que existen factores como la inteligencia emocional y el
aprendizaje autodirigido que pueden ser características de estudiantes que asumen un enfoque
profundo como estrategia de aprendizaje y estas pueden convertirse en los mayores predictores
del rendimiento académico.
En base a dichos resultados, se evidencia que el enfoque superficial (ML2) es el que predomina
entre los estudiantes investigados, seguido por el enfoque estratégico y, finalmente, el enfoque
profundo. Estos resultados reflejan que los estudiantes analizados tienden a priorizar estrategias
orientadas al cumplimiento mínimo y la memorización, mientras que las estrategias de
organización y búsqueda de significado tienen una menor representación, lo que refleja que es
necesario adoptar estrategias que logren un empoderamiento y compromiso con su aprendizaje
por parte de los estudiantes dentro de la facultad como se muestra de forma visual en la Figura
2 del AFE.
Figura 2
Análisis factorial exploratorio
210
Nota. Análisis factorial confirmatorio
Como se ha mencionado dentro del análisis de la literatura el AFE y el AFC son procedimientos
complementarios que permiten identificar y validar las estructuras subyacentes de los
constructos medidos. En este sentido para garantizar la validez de la estructura identificada en
el AFE, es necesario realizar un AFC, el cual permite evaluar si el modelo teórico derivado del
AFE se ajusta adecuadamente a los datos empíricos. Por lo que la importancia de realizar un
AFC radica en que este análisis no solo confirma la estructura factorial identificada en el AFE,
sino que también permite refinar el modelo, identificando posibles problemas como ítems que
no cargan adecuadamente en su factor correspondiente o correlaciones entre errores que no se
ajustan al modelo teórico.
Bajo esta panorámica el aplicar estos análisis asegura que los enfoques de aprendizaje y los
factores sociodemográficos medidos sean representados de manera válida y confiable, lo que a
su vez fortalece la interpretación de su influencia como predictores del rendimiento académico
y permite ampliar el horizonte epistemológico sobre las variables estudiadas, a continuación,
se muestran los resultados obtenidos dentro del AFC.
Tabla 7
Resultados del AFC
Model Test User Model:
Test statistic
3.516.902
Degrees of freedom
1202
P-value (Chi-square)
0.000
Model Test Baseline Model:
Test statistic
119.063.452
Degrees of freedom
1275
P-value
0.000
User Model versus Baseline Model:
Comparative Fit Index (CFI)
0.980
Tucker-Lewis Index (TLI)
0.979
Root Mean Square Error of Approximation:
RMSEA
0.078
90 Percent confidence interval - lower
0.075
211
90 Percent confidence interval - upper
0.081
P-value H_0: RMSEA <= 0.050
0.000
P-value H_0: RMSEA >= 0.080
0.199
Standardized Root Mean Square Residual:
SRMR
0.084
Parameter Estimates:
Parameterization
Delta
Standard errors
Standard
Information
Expected
Information saturated (h1) model
Unstructured
Nota. Datos gestionados AFC
El modelo evaluado mediante AFC presentó un ajuste global adecuado basado en una muestra
de 314 participantes y 277 parámetros estimados. El estadístico de chi-cuadrado fue 3516.902
con 1202 grados de libertad con un valor p < 0.001. Este resultado es significativo, lo cual es
común en muestras grandes debido a la sensibilidad de la prueba al tamaño muestral, se
consideraron índices adicionales para evaluar el ajuste del modelo. Estos resultados van de la
mano con el estudio desarrollado por Asare (2025) quien presenta resultados similares que
determinan el impacto del chi-cuadrado para la validación de un modelo propuesto.
Los índices de ajuste incremental, como el Comparative Fit Index (CFI) y el Tucker-Lewis
Index (TLI), obtuvieron valores de 0.980 y 0.979, respectivamente, indican un ajuste excelente
del modelo con valores ≥ 0.95 que son considerados óptimos. Por otro lado, el Root Mean
Square Error of Approximation (RMSEA) fue de 0.078, con un intervalo de confianza del 90%
entre 0.075 y 0.081, sugiere un ajuste adecuado, ya que valores entre 0.05 y 0.08 son
considerados adecuados. Estos resultados van de la mano con los resultados de Okwuduba et
al (2021) que presentan valores de RMSEA de 0,044, en los que se analiza la validez de sus
constructos. Sin embargo, el Standardized Root Mean Square Residual (SRMR) obtuvo un
valor de 0.084, ligeramente por encima del umbral recomendado < 0.08, lo que sugiere que
algunos aspectos del modelo podrían mejorarse en futuras investigaciones. Estos resultados
indican que el modelo propuesto presenta un ajuste global bueno, respaldado por los índices
212
CFI y TLI, aunque el RMSEA y SRMR sugieren que hay margen para mejoras específicas.
Estos hallazgos proporcionan evidencia empírica para la validez del modelo, pero también
destacan áreas que podrían beneficiarse de ajustes adicionales en futuras investigaciones.
Asimismo, como lo menciona Zafeer et al (2025) CFI y TLI, RMSEA y SRMR son resultados
de vital importancia para obtener un modelo adecuado y eficiente.
Tabla 8
Resultados de covarianzas entre factores
Estimate
Std.Err
z-value
P(>|z|)
Std.lv
Std.all
Factor1
Factor2
0.194
0.005
36.712
0.000
0.256
0.256
Factor3
0.188
0.006
30.745
0.000
0.306
0.306
Factor2
Factor3
0.573
0.012
38.253
0.000
0.890
0.890
Nota. Resultados AFC
Los resultados del AFC mostraron las covarianzas entre los factores latentes del modelo. La
covarianza estandarizada entre el Factor 1 y el Factor 2 fue baja 0.256, z = 36.712, valor p <
0.001, lo que indica una relación limitada entre ambos factores y sugiere que representan
constructos conceptualmente diferenciados. De manera similar, la covarianza estandarizada
entre el Factor 1 y el Factor 3 fue moderada 0.306, z = 30.745, valor p < 0.001, lo que implica
una relación algo más fuerte entre estos factores, pero aún consistente con la diferenciación
conceptual. Por otro lado, la covarianza estandarizada entre el Factor 2 y el Factor 3 fue alta
0.990, z = 48.253, valor p < 0.001, lo que indica una relación alta entre ambos factores. Este
resultado sugiere una posible redundancia conceptual, ya que ambos factores podrían estar
midiendo esencialmente el mismo constructo. Estos hallazgos respaldan la diferenciación del
Factor 1 respecto de los otros dos factores, pero plantean la necesidad de reconsiderar la
estructura del modelo en relación con el Factor 2 y el Factor 3 como se muestra a continuación
en la Figura 3.
213
Figura 3
Modelo con un diagrama estructural
Nota. Datos de diagrama estructural
Tabla 9
Resultados de la evaluación de la fiabilidad del modelo
Factor1
Factor2
Factor3
alpha
0.9644087
0.9545997
0.9340697
alpha.ord
0.9699741
0.9584999
0.9424358
omega
0.9601325
-24.652.416
11.007.988
omega2
0.9601325
-0.2040682
22.309.063
omega3
0.9620318
-0.2080514
22.050.381
Nota. Datos de fiabilidad del modelo
Los resultados obtenidos reflejan la evaluación de la fiabilidad de los factores en el modelo de
análisis factorial. En cuanto al alfa de Cronbach (alpha), todos los factores muestran una
excelente consistencia interna, con valores de 0.9644 para el Factor1, 0.9546 para el Factor2 y
0.9341 para el Factor3, superando ampliamente el umbral de 0.9. De manera similar, el alfa
ordinal (alpha.ord), que es más adecuado para datos categóricos u ordinales, indica una
excelente fiabilidad para todos los factores, con valores de 0.9700, 0.9585 y 0.9424,
respectivamente.
El Factor1 mantiene un excelente valor de 0.9601, el Factor2 muestra un valor negativo de -
2.4652, lo cual podría ser problemático e indica posibles errores en las cargas factoriales, y que
214
determina la necesidad de analizar los factores para lograr una mejora del modelo determinado
a través del AFE, la estructura del modelo o los datos. Por otro lado, el Factor3 presenta un
valor inusualmente alto de 1.1008, lo que sugiere problemas en la estimación. Estas anomalías
también se reflejan en las variantes omega2 y omega3, donde el Factor1 sigue mostrando una
excelente fiabilidad 0.9601 y 0.9620, pero el Factor2 presenta valores negativos -0.2041 y -
0.2081 y el Factor3 valores excesivamente altos 2.2309 y 2.2050, esto refuerza la necesidad de
revisar estos factores.
En cuanto a la varianza promedio extraída AVE, avevar, el Factor1 muestra un valor excelente
de 0.6871, superando el umbral de 0.5, lo que indica que este factor explica adecuadamente la
varianza de sus ítems. Sin embargo, no se reportaron valores de AVE para los Factores 2 y 3
(NA), lo cual podría deberse a problemas en la estructura del modelo o en los datos. En base a
los resultados del modelo original desarrollado en AFE y AFC se establecen ciertas estrategias
de mejora del modelo original para simplificar su estructura eliminando indicadores
problemáticos y eliminando superposición entre factores y diferenciarlos uno del otro para
simplificar el modelo. A continuación, se presentan los resultados obtenidos de las estrategias
propuestas de mejora al modelo original:
Tabla 10
Resultados del modelo ajustado AFC
Estimator
DWLS
Optimization method
NLMINB
Number of model parameters
250
Number of observations
314
Model Test User Model:
Test statistic
3.460.457
Degrees of freedom
1122
P-value (Chi-square)
0.000
Model Test Baseline Model:
Test statistic
110.761.701
Degrees of freedom
1176
215
P-value
0.000
User Model versus Baseline Model:
Comparative Fit Index (CFI)
0.979
Tucker-Lewis Index (TLI)
0.978
Root Mean Square Error of Approximation:
RMSEA
0.082
90 Percent confidence interval - lower
0.079
90 Percent confidence interval - upper
0.085
P-value H_0: RMSEA <= 0.050
0.000
P-value H_0: RMSEA >= 0.080
0.805
Standardized Root Mean Square Residual:
SRMR
0.079
Parameter Estimates:
Parameterization
Delta
Standard errors
Standard
Information
Expected
Information saturated (h1) model
Unstructured
Nota. Datos ajustados al modelo
En los resultados obtenidos del modelo ajustado se observa que el ajuste global indica que,
aunque el estadístico Chi-cuadrado χ² = 3460.457, gl = 1122, p < 0.001 es significativo, este
resultado es común en muestras grandes como en este caso 314 e implica que el modelo es
adecuado. Además, se consideraron otros indicadores de ajuste más robustos. El índice de ajuste
comparativo CFI con valores de 0.979 y el índice de Tucker-Lewis TLI con un valor de 0.978
muestran valores superiores a 0.95, lo que indica un excelente ajuste del modelo. En cuanto al
error de aproximación cuadrático medio RMSEA un valor de 0.082, este valor sugiere un ajuste
bueno, aunque dentro de límites aceptables, con un intervalo de confianza del 90% entre 0.079
y 0.085. Adicionalmente, la prueba de hipótesis para el RMSEA confirmó que el ajuste es bueno
p 0.805. Por último, el índice estandarizado de residuales cuadráticos medios SRMR = 0.079
se encuentra dentro del umbral de 0.08, lo que sugiere un buen ajuste. En conjunto, estos
resultados indican que el modelo ajustado representa razonablemente bien las relaciones entre
las variables propuestas. Además, estos resultados pueden sugerir que adicionalmente a los
elementos analizados en la investigación como los enfoques de aprendizaje y los factores
216
sociodemográficos, puede haber otros elementos que inciden en el rendimiento académico que
no han sido tomados en cuenta y que en futuras investigaciones se los podría analizar.
Los resultados obtenidos de aplicar las estrategias de mejora del modelo original hacia un
modelo ajustado corrigen la superposición de factores y la redundancia conceptual que se estaba
dando entre los factores 2 y 3 y desarrollan una diferencia clara entre estos, con lo que se obtiene
un modelo mejorado con diferenciación de los tres enfoques de aprendizaje analizados en la
presente investigación: ML2 enfoque superficial, ML1 enfoque estratégico y ML3 enfoque
profundo.
Figura 4
Modelo mejorado en base a AFC
Nota. Relación entre variables sociodemográficas y rendimiento académico
Variable categórica: Zona
Con la finalidad de analizar la relación entre los factores psicosociales y sociodemográficos es
fundamental emplear técnicas estadísticas que permitan cuantificar la relación entre variables
categóricas y continuas (Richardson, 2011). En este contexto, el cálculo de η² (eta cuadrado)
217
se presenta como una herramienta esencial para evaluar el tamaño del efecto de los factores
psicosociales y los enfoques de aprendizaje sobre el rendimiento académico, debido a los
expuesto se aplicó dicha técnica estadística para determinar la relación entre los factores
mencionados, a continuación, se detallan los resultados:
Tabla 11
Resultados de relación entre variables estadístico η², η2 parcial, ω2
Variable_Categórica
Variable_Continua
η²
η2 parcial
ω2
Sexo
Química
2.719114e-03
2.719114e-03
-0.0004860185
Sexo
Informática
7.413565e-02
7.413565e-02
0.0709473843
Sexo
Matemática
7.073508e-05
7.073508e-05
-0.0031343938
Sexo
Lenguaje_y_comunicación
1.380132e-01
1.380132e-01
0.1348676839
Sexo
Realidad_Nacional
3.399087e-02
3.399087e-02
0.0307890912
Zona
Química
1.186973e-05
1.186973e-05
-0.0031932586
Zona
Informática
1.504611e-01
1.504611e-01
0.1473270266
Zona
Matemática
8.886675e-03
8.886675e-03
0.0056817082
Zona
Lenguaje_y_comunicación
1.031002e-01
1.031002e-01
0.0999280956
Zona
Realidad_Nacional
2.846244e-02
2.846244e-02
0.0252596121
Raza
Química
1.204820e-02
1.204820e-02
-0.0007798448
Raza
Informática
4.507710e-02
4.507710e-02
0.0325745079
Raza
Matemática
3.921341e-02
3.921341e-02
0.0266525215
Raza
Lenguaje_y_comunicacion
1.212319e-01
1.212319e-01
0.1095069046
Raza
Realidad_Nacional
2.127397e-02
2.127397e-02
0.0085361201
Familia
Química
2.095024e-03
5.750644e-03
-0.0038897464
Familia
Informática
4.824459e-02
4.232795e-03
-0.0054173896
Familia
Matemática
3.852284e-03
1.390224e-02
0.0043147050
Familia
Lenguaje_y_comunicación
7.210120e-02
3.817854e-02
0.0287509719
Familia
Realidad_Nacional
1.278948e-02
3.198199e-03
-0.0064586532
Padres
Química
5.750644e-03
2.193893e-02
0.0124039324
Padres
Informática
4.232795e-03
2.465106e-02
0.0151338863
Padres
Matemática
1.390224e-02
5.156920e-03
-0.0044873033
Padres
Lenguaje_y_comunicación
3.817854e-02
3.437957e-02
0.0249267157
Padres
Realidad_Nacional
3.198199e-03
2.043719e-02
0.0108923442
Nivel_educativo_padres
Química
2.193893e-02
1.487328e-02
0.0052920687
Nivel_educativo_padres
Informática
2.465106e-02
2.089325e-03
-0.0075746654
Nivel_educativo_padres
Matemática
5.156920e-03
1.416060e-02
0.0045747497
Nivel_educativo_padres
Lenguaje_y_comunicaciòn
3.437957e-02
3.648450e-03
-0.0060055018
Nivel_educativo_padres
Realidad_Nacional
2.043719e-02
2.779291e-02
0.0182964418
Nota. Datos de rendimiento académico
218
Como se observa en la tabla 11 existen ciertos factores que denotan incidencia sobre el
rendimiento académico de los estudiantes como: la variable Zona (rural o urbano) dentro de la
investigación demostró ser el factor más influyente en el rendimiento académico, especialmente
en la asignatura de Informática, en esta presentó un efecto grande 0.1504. Este resultado sugiere
que los estudiantes provenientes de zonas urbanas o rurales tienen diferencias significativas en
su desempeño en esta asignatura, posiblemente debido a desigualdades en el acceso a recursos
tecnológicos y educativos que caracteriza a cada zona.
Figura 5
Relación entre la variable zona y asignaturas
Nota. Datos de relación de variables
En la asignatura de Lenguaje y Comunicación, la variable zona mostró un efecto moderado
(0.1031), lo cual indica que esta variable también influye de manera importante en el
rendimiento en habilidades lingüísticas, este aspecto como lo menciona Tayyaba (2012) los
estudiantes suelen tener mayor exposición a entornos ricos en lenguaje, como bibliotecas,
actividades extracurriculares y medios de comunicación, mientras que en zonas rurales estas
219
oportunidades suelen ser más limitada. Sin embargo, en las asignaturas de Química 0.00001 y
Matemática 0.0088, el efecto fue inexistente o nulo.
En referencia a la variable Sexo fue relevante, especialmente en la asignatura de Lenguaje y
Comunicación como se muestra en la Figura 6, donde presentó un efecto moderado 0.1380.
Este hallazgo respalda investigaciones previas que sugieren que las diferencias de género
pueden influir en el desarrollo de habilidades comunicativas. Asimismo, en Informática, mostró
un efecto moderado 0.0741, lo cual podría reflejar diferencias en el acceso, interés o experiencia
previa con herramientas tecnológicas entre hombres y mujeres.
Figura 6
Relación entre la variable sexo y asignaturas
Nota. Datos de relaciones sexo y asignaturas
La variable ingresos familiares también demostraron un efecto moderado en Lenguaje y
Comunicación 0.0721, lo cual evidencia que las condiciones socioeconómicas pueden influir
significativamente en el rendimiento en esta asignatura, estos resultados van de la mano con
Selvitopu & Kaya (2021) quienes mencionan que los estudiantes provenientes de familias con
mayores ingresos tienen más probabilidades de acceder a recursos educativos como libros,
220
tecnología, tutorías y actividades extracurriculares que favorecen el desarrollo de habilidades
lingüísticas y por ende podrían darle una ventaja significativa frente a los que no cuentan estos
recursos. Sin embargo, en las demás asignaturas no se evidenció efecto alguno.
DISCUSIÓN
Validación de instrumentos y estructura factorial
La estructura tridimensional de los enfoques de aprendizaje identificada mediante AFE, que
explica el 55.4% de la varianza acumulada, confirma el modelo teórico propuesto por Tait et
al. (1998) y validado por Brown et al. (2015) en contextos similares. La excelente confiabilidad
interna del instrumento ASSIST con un α = 0.96 supera incluso los valores reportados en la
investigación original α = 0.92, lo que sugiere que este cuestionario mantiene su validez y
consistencia en el contexto ecuatoriano. Estos resultados son consistentes con los hallazgos de
Masa'Deh et al. (2021), quienes también reportaron valores superiores a 0.90 en la evaluación
de instrumentos relacionados con el rendimiento académico.
El índice KMO de 0.93, considerado excelente según los criterios de Kaiser (1974), supera
ampliamente los valores reportados en investigaciones similares, como las de Jamil et al. (2015)
con KMO de 0.621 y Chik & Hakim (2018) con 0.723. Esta superioridad metodológica
fortalece la validez de los constructos medidos y respalda la pertinencia del AFE en este
contexto. Asimismo, los índices de ajuste del AFC (CFI = 0.980, TLI = 0.979, RMSEA = 0.078)
demuestran un ajuste global excelente del modelo teórico propuesto, coincidiendo con los
estándares establecidos por Okwuduba et al. (2021) y superando los valores reportados por
Muca et al. (2023) en estudios con estudiantes de Ciencias Veterinarias.
Enfoques de aprendizaje como predictores del rendimiento académico
El hallazgo más significativo de esta investigación es la predominancia del enfoque superficial
(ML2), que explica el 20.8% de la varianza total, siendo el factor más representativo entre los
estudiantes evaluados. Este resultado contradice lo esperado desde la perspectiva pedagógica
221
ideal, pero es consistente con la realidad educativa observada en contextos donde predominan
sistemas de evaluación sumativa y orientados a resultados cuantitativos. Como señalan Benka-
Coker et al. (2021) y Usán et al. (2021), los sistemas educativos que priorizan pruebas de
memorización y tareas repetitivas inadvertidamente fomentan estrategias de aprendizaje
superficial en lugar de promover la comprensión profunda.
La asociación negativa entre el enfoque superficial y el rendimiento académico confirma los
postulados teóricos de Bazán-Perkins & Santibañez-Salgado (2025), quienes argumentan que
la memorización mecánica y el cumplimiento mínimo de requisitos limitan el desarrollo de
competencias cognitivas superiores. Este fenómeno puede atribuirse a características
específicas del sistema educativo ecuatoriano en educación superior pública, donde, como
menciona el estudio, existe presión por aprobar ciclos académicos más que por lograr
aprendizajes significativos. Esta situación exige una reflexión crítica sobre las metodologías de
enseñanza y los sistemas de evaluación implementados en la institución.
Por el contrario, los enfoques estratégicos (ML1, 18.5% de varianza) y profundo (ML3, 16.2%
de varianza) mostraron asociaciones positivas significativas con el rendimiento académico,
validando la propuesta de Hayat et al. (2020) sobre la importancia de la autoeficacia y las
estrategias metacognitivas en el éxito académico. El enfoque estratégico, caracterizado por la
planificación estructurada y la gestión eficiente del tiempo, resulta especialmente relevante en
carreras como Medicina Veterinaria, Agronomía y Agroindustria, donde las demandas
académicas requieren organización sistemática, como sostienen Bonsaksen et al. (2020) y
Ocaña-Moral et al. (2021).
El enfoque profundo, aunque menos representado en la muestra, emerge como el predictor más
robusto del rendimiento académico sostenible, coincidiendo con los hallazgos de de la Fuente
et al. (2021) y Tadese et al. (2022). Los estudiantes que adoptan este enfoque no solo obtienen
mejores calificaciones, sino que desarrollan aprendizajes más duraderos y transferibles. La baja
222
prevalencia de este enfoque (16.2%) en la población estudiada representa una preocupación
pedagógica significativa que requiere intervenciones institucionales orientadas a fomentar
estrategias de aprendizaje profundo desde los primeros ciclos universitarios.
Factores sociodemográficos como predictores del rendimiento académico
Los resultados del estadístico η² revelaron que la variable zona de procedencia (urbana/rural)
constituye el predictor sociodemográfico más significativo del rendimiento académico,
particularmente en asignaturas que requieren competencias tecnológicas y comunicativas. El
efecto grande observado en Informática (η² = 0.1504) evidencia la brecha digital existente entre
estudiantes de zonas urbanas y rurales, confirmando los hallazgos de Ouahi et al. (2021),
quienes documentaron diferencias sustanciales en el acceso a dispositivos tecnológicos,
conectividad a internet y alfabetización digital entre estas poblaciones.
El efecto moderado en Lenguaje y Comunicación (η² = 0.1031) sugiere que los estudiantes
urbanos tienen mayor exposición a entornos lingüísticamente enriquecidos, como bibliotecas,
centros culturales y medios de comunicación diversos, mientras que los estudiantes rurales
enfrentan limitaciones en estas oportunidades, como señala Tayyaba (2012). Esta disparidad
representa una inequidad estructural que requiere políticas institucionales específicas de
nivelación y apoyo académico diferenciado.
La variable sexo mostró efectos moderados particularmente en Lenguaje y Comunicación (η²
= 0.1380), donde las estudiantes mujeres exhibieron mejor desempeño, resultado consistente
con Mahdavi et al. (2021), quienes atribuyen esta diferencia a patrones de socialización
temprana que favorecen el desarrollo de habilidades lingüísticas en mujeres. Sin embargo, en
Informática (η² = 0.0741), la persistencia de brechas de género sugiere la necesidad de
estrategias pedagógicas que promuevan mayor inclusión y participación equitativa en áreas
tecnológicas.
223
Los ingresos familiares demostraron impacto moderado en Lenguaje y Comunicación (η² =
0.0721), evidenciando que las condiciones socioeconómicas influyen en el acceso a recursos
educativos complementarios como libros, tutorías y actividades extracurriculares. Estos
resultados son congruentes con Selvitopu & Kaya (2021), quienes documentaron que
estudiantes de familias con mayores recursos económicos poseen ventajas significativas en el
desarrollo de competencias académicas, particularmente en áreas que requieren inversión en
materiales educativos.
Resulta notable que variables como zona, sexo e ingresos familiares mostraron efectos
diferenciados según la asignatura, lo que sugiere que el impacto de los factores
sociodemográficos no es homogéneo, sino que interactúa con las características específicas de
cada disciplina. Este hallazgo complementa las observaciones de Merchant et al. (2025) y
Axiotidou et al. (2025) sobre la multicausalidad del rendimiento académico y la necesidad de
adoptar enfoques contextualizados en las intervenciones educativas.
Implicaciones de los modelos AFE y AFC
El proceso iterativo de refinamiento del modelo, desde el AFE inicial hasta el AFC ajustado,
permitió identificar y corregir problemas de redundancia conceptual entre factores,
particularmente entre los factores 2 y 3 del modelo original. Los índices finales del modelo
ajustado (CFI = 0.979, TLI = 0.978, SRMR = 0.079) confirman que la estructura tridimensional
de los enfoques de aprendizaje es robusta y teóricamente coherente. Este proceso metodológico
riguroso es consistente con las recomendaciones de Fernández-Aráuz (2015) y Lévy-Mangin
& Varela-Mallou (2006) sobre la importancia de validar modelos de medición mediante
técnicas complementarias.
La fiabilidad compuesta de los factores (α > 0.93 en todos los casos) y la varianza promedio
extraída del Factor 1 (AVE = 0.6871) superan los umbrales recomendados, como reportan
Escobedo et al. (2024), confirmando que los constructos medidos son consistentes y válidos.
224
No obstante, la identificación de problemas en los índices omega de los Factores 2 y 3 en el
modelo inicial destacó la importancia del AFC para detectar y corregir especificaciones
inadecuadas del modelo, un aspecto enfatizado por Zafeer et al. (2025) en sus investigaciones
sobre validación de instrumentos educativos.
Limitaciones y fortalezas del estudio
A pesar de sus contribuciones, este estudio presenta limitaciones que deben considerarse al
interpretar sus resultados. Primero, la naturaleza transversal del diseño impide establecer
relaciones causales definitivas entre las variables estudiadas. Como sugieren Cristea et al.
(2025), estudios longitudinales serían necesarios para examinar la evolución de los enfoques de
aprendizaje a lo largo de la trayectoria universitaria y su impacto acumulativo en el rendimiento
académico. Segundo, la muestra se limitó a una única facultad en una universidad ecuatoriana,
lo que restringe la generalización de los hallazgos a otros contextos disciplinarios o
institucionales. Tercero, aunque se incluyeron 16 variables sociodemográficas, no se
consideraron factores psicoemocionales como motivación, autoeficacia o manejo del estrés,
variables que investigaciones como las de Okwuduba et al. (2021) han identificado como
predictores significativos del rendimiento académico.
Entre las fortalezas del estudio destaca el rigor metodológico empleado, incluyendo la
corrección policórica para datos ordinales, el uso complementario de AFE y AFC, y la
aplicación del estadístico η² para cuantificar efectos de variables categóricas. Asimismo, la
muestra probabilística de 313 estudiantes de tres carreras diferentes proporcionó diversidad
suficiente para identificar patrones consistentes. La validación exhaustiva del instrumento
ASSIST en el contexto ecuatoriano representa una contribución metodológica significativa para
futuras investigaciones en la región.
Integración de hallazgos con el objetivo de investigación
225
Los resultados obtenidos confirman plenamente el objetivo de la investigación al demostrar que
tanto los enfoques de aprendizaje como los factores sociodemográficos funcionan como
predictores significativos del rendimiento académico, aunque con magnitudes de efecto
diferenciadas. El modelo integrado revela que el 55.4% de la varianza en los enfoques de
aprendizaje puede explicarse por la estructura tridimensional identificada, mientras que factores
sociodemográficos específicos como zona y sexo explican entre 7.4% y 15% de la varianza en
asignaturas particulares. Estos porcentajes, aunque moderados, son consistentes con la
naturaleza multicausal del rendimiento académico descrita por Samir et al. (2025) y Cadena-
Povea et al. (2025).
La interacción entre enfoques de aprendizaje y factores sociodemográficos sugiere que las
condiciones socioeconómicas y contextuales no solo influyen directamente en el rendimiento
académico, sino que también pueden modular la adopción de estrategias de aprendizaje
específicas. Por ejemplo, estudiantes de zonas rurales con acceso limitado a recursos
tecnológicos podrían verse obligados a adoptar enfoques más superficiales en asignaturas como
Informática, no por falta de capacidad cognitiva, sino por limitaciones estructurales del entorno.
Esta interpretación subraya la importancia de intervenciones institucionales que no solo
promuevan enfoques de aprendizaje profundos y estratégicos, sino que también reduzcan las
brechas socioeconómicas y geográficas que condicionan las oportunidades educativas.
Los hallazgos de esta investigación validan la hipótesis alternativa y demuestran que los
enfoques de aprendizaje y los factores sociodemográficos constituyen predictores significativos
del rendimiento académico en estudiantes universitarios. Los resultados exigen una reflexión
institucional profunda sobre las prácticas pedagógicas, los sistemas de evaluación y las políticas
de equidad educativa, orientada a fomentar enfoques de aprendizaje efectivos mientras se
mitigan las desigualdades derivadas de factores sociodemográficos.
226
CONCLUSIONES
La presente investigación tuvo como objetivo analizar los enfoques de aprendizaje y los factores
sociodemográficos como predictores del rendimiento académico en estudiantes universitarios
de la Facultad de Ciencias Agropecuarias de la Universidad Estatal de Bolívar. Los hallazgos
obtenidos proporcionan evidencia empírica suficiente para rechazar la hipótesis nula (H0) y
aceptar la hipótesis alternativa (H1), confirmando que tanto los enfoques de aprendizaje como
los factores sociodemográficos predicen significativamente el rendimiento académico de los
estudiantes universitarios. Esta confirmación se fundamenta en los resultados del análisis
factorial exploratorio (AFE), confirmatorio (AFC) y el estadístico η², los cuales demuestran
relaciones estadísticamente significativas entre estas variables y el desempeño académico.
El estudio "Enfoques de aprendizaje y factores psicosociales como predictores del rendimiento
académico en estudiantes universitarios" evaluó la relación entre tres enfoques de aprendizaje
y su impacto en el rendimiento académico. Los factores identificados fueron: Factor 1: Enfoque
de aprendizaje superficial, Factor 2: Enfoque de aprendizaje estratégico, y Factor 3: Enfoque
de aprendizaje profundo. Los resultados indican que el enfoque superficial ML2, caracterizado
por la memorización mecánica, la falta de planificación y un interés limitado en el significado
del contenido, está negativamente asociado al rendimiento académico. Este enfoque refleja una
estrategia de aprendizaje menos efectiva, donde los estudiantes priorizan cumplir con las
exigencias mínimas sin integrar o comprender profundamente los conceptos, se evidencia que
un gran porcentaje de estudiantes asumen este tipo de enfoque dentro de sus estudios. Por otro
lado, el enfoque estratégico ML1 mostró una relación positiva significativa con el rendimiento
académico. Este enfoque se caracteriza por la organización, la planificación y el monitoreo
constante del progreso en el aprendizaje. Los estudiantes que adoptan este enfoque buscan
maximizar su desempeño académico mediante el uso de estrategias eficientes, lo que les
permite alcanzar mejores resultados.
227
El enfoque profundo ML3 también se asocia positivamente con el rendimiento académico. Este
enfoque implica la búsqueda activa de significado, la integración de conocimientos y la
motivación intrínseca para comprender los temas en profundidad. Los estudiantes que emplean
este enfoque tienden a obtener un aprendizaje más significativo y duradero, lo que se refleja en
un mejor desempeño académico.
En este sentido, los resultados destacan que los enfoques estratégicos y profundos son
predictores positivos del rendimiento académico, mientras que el enfoque superficial tiene un
impacto negativo. Estos hallazgos subrayan la importancia de fomentar estrategias de
aprendizaje que promuevan la comprensión profunda y la planificación estratégica, mientras se
desalienta el uso exclusivo de métodos superficiales. Esto tiene implicaciones clave para el
diseño de intervenciones pedagógicas que busquen mejorar el rendimiento académico en
estudiantes universitarios.
Dentro de la investigación el AFE permitió identificar las dimensiones subyacentes que
estructuran las variables relacionadas con los enfoques de aprendizaje, los factores
psicosociales y el rendimiento académico. Este análisis fue clave para reducir la complejidad
de los datos y agrupar las variables observadas en factores comunes que explican gran parte de
la varianza. Además, las cargas factoriales obtenidas fueron adecuadas, lo que indica una fuerte
asociación entre las variables observadas y los factores identificados. Asimismo, el AFE mostró
que los factores explican un porcentaje significativo de la varianza total de la muestra tomada
en la investigación, de esta forma validando la estructura teórica propuesta y reforzando la
relevancia de estos constructos en la explicación del rendimiento académico en los estudiantes
universitarios.
Por su parte, el AFC validó la estructura de factores identificada en el AFE, confirmando que
los enfoques de aprendizaje y los factores psicosociales están organizados de acuerdo con las
228
dimensiones teóricas planteadas. Los índices de ajuste del modelo como el CFI, TLI y RMSEA
alcanzaron valores buenos, indicando que el modelo teórico se ajusta adecuadamente a los datos
observados. Además, los coeficientes de fiabilidad asociados a los factores fueron altos, lo que
refuerza la consistencia de las dimensiones medidas. El AFC también permitió evaluar las
relaciones entre los factores, destacando, por ejemplo, la correlación positiva entre los enfoques
de aprendizaje profundos y los factores psicosociales positivos, lo que refuerza su papel como
predictores claves del rendimiento académico.
El estadístico η2 permitió cuantificar el tamaño del efecto de las variables categóricas sobre el
rendimiento académico y los factores psicosociales. Los valores obtenidos indicaron efectos
moderados y grandes para variables como el enfoque de aprendizaje profundo, destacando su
relevancia en la explicación del rendimiento académico. Este análisis también identificó qué
variables tienen un impacto significativo, mostrando que los enfoques profundos y estratégicos
son más influyentes y las variables zona y genero inciden de forma significativa mientras que
los enfoques superficiales tienen un impacto menor. Los resultados de η2 proporcionaron
información práctica para priorizar intervenciones educativas, sugiriendo que las instituciones
deben enfocarse en fortalecer los factores psicosociales y los enfoques de aprendizaje profundos
para maximizar el éxito estudiantil.
Esta investigación evidenció que las variables psicosociales y contextuales tienen un impacto
diferencial en el rendimiento académico según la asignatura. La variable Zona fue la variable
categórica con mayor influencia global, mientras que Lenguaje y Comunicación e Informática
fueron las asignaturas más afectadas por los factores evaluados. Estos resultados resaltan la
necesidad de adoptar enfoques educativos integrales que consideren tanto los aspectos
académicos como los factores psicosociales y contextuales para promover el éxito académico
en estudiantes universitarios.
229
En cuanto a las limitaciones del estudio se puede destacar que la investigación se desarrolló en
la Facultad de Ciencias Agropecuarias de una única universidad ecuatoriana, lo cual limita la
generalización de los hallazgos a otras disciplinas, contextos geográficos o niveles educativos,
además si bien la investigación incluyó dieciséis variables sociodemográficas, no se
consideraron otros determinantes relevantes como: variables pedagógicas, institucionales o
psicoemocionales relacionadas a los estudiantes que podrían aportar explicaciones
complementarias al fenómeno del rendimiento académico. Finalmente, para la investigación se
analizó el rendimiento académico a partir de cinco asignaturas comunes de los primeros ciclos
tomados de un solo semestre; ello podría no capturar la variabilidad del desempeño a lo largo
de toda la carrera, lo que podría tener un sesgo dentro del estudio.
A partir de los resultados obtenidos del estudio se presentan diversas oportunidades para futuras
investigaciones, entre las que se destaca la necesidad de realizar un estudio longitudinal para
medir la evolución del impacto de los enfoques de aprendizaje en el rendimiento a lo largo de
la carrera y si estos enfoques pueden variar en un estudiante durante su proceso académico.
Este hecho de identificar las características de cada enfoque de aprendizaje que permitan
diseñar y evaluar intervenciones pedagógicas desde la institución orientadas a fomentar el
aprendizaje profundo y estratégico en los estudiantes, para con ello no solo medir el rendimiento
académico sino también variables psicoemocionales como la motivación, la autoeficacia y el
manejo del estrés que en otras investigaciones se han identificado como determinantes del
rendimiento académico. Finalmente, es importante que estudios posteriores analicen como se
correlacionan los enfoques de aprendizaje con variables institucionales como: metodologías
docentes, tipo de evaluación, clima de aula, que permitan identificar practicas educativas que
mejoren la calidad educativa y por ende el rendimiento académico en los estudiantes
universitarios.
230
RECOMENDACIONES
En futuras investigaciones se recomienda realizar análisis factorial confirmatorio multigrupo
(por sexo, zona o nivel socioeconómico) para evaluar la invarianza factorial. Esto permitirá
comprobar si los instrumentos miden los constructos de la misma manera en diferentes
subpoblaciones.
Se recomienda que en futuras investigaciones se podría aplicar índices de colinealidad (VIF,
tolerancia) y métodos de reducción de dimensiones (por ejemplo, rotaciones oblicuas) para
optimizar la parsimonia del modelo.
La investigación se desarrolló bajo un enfoque transversal, sin embargo, a futuro, se recomienda
aplicar modelos longitudinales o de crecimiento latente permitiría observar cómo evolucionan
los enfoques de aprendizaje y el rendimiento académico a lo largo de los ciclos universitarios.
REFERENCIAS
Abbiati, M., Savoldelli, G., Baroffio, A., & Bajwa, N. (2020). Motivational factors influencing student intentions
to practise in underserved areas. Medical Education, 54(4), 356 - 363.
https://doi.org/10.1111/medu.14063
Acosta-Enriquez, B., Guzmán, M., Arbulú, M., Arbulú, J., Arbulu, C., & Torres, S. (2025). What is the influence
of psychosocial factors on artificial intelligence appropriation in college students? BMC Psychology,
13(1). https://doi.org/10.1186/s40359-024-02328-x
Alnasraween, M., & Al-Samadi, M. (2024). The Factorial Structure of the Self-Control and Self-Management
(SMCS) Scale Using Exploratory and Confirmatory Factor Analysis among Jordanian University
Students. An-Najah University Journal for Research - B (Humanities), 38(8), 1623 - 1650.
https://doi.org/10.35552/0247.38.8.2245
Anders, P., Davis, E., & McCall, J. (2020). Psychometric properties of an instrument to assess critical thinking
disposition and metacognition in dental students. Journal of Dental Education, 84(5), 559 - 565.
https://doi.org/10.1002/jdd.12038
Asare, P. (2025). Cognitive strain and performance reflection: Unpacking Financial Management-induced test
anxiety across educational programmes, age, and gender. International Journal of Management
Education, 23(2). https://doi.org/10.1016/j.ijme.2025.101162
Ausubel, D. P. (1986). Educational psyology, A cognitive view. New York: Holt, Rinehart and Winston.
Awang-Hashim, R., Yusof, N., Kanageswari, S., Shanmugam, S., Kaur, A., & Benlahcene, A. (2023).
Psychometric Properties of the Quality of Undergraduate Learning Experiences in Malaysian
Universities. Asia Pacific Journal of Educators and Education, 38(1), 33 - 53.
https://doi.org/10.21315/apjee2023.38.1.3
Axiotidou, M., Koutroulou, A., Karapanayiotides, T., & Papakonstantinou, D. (2025). Prevalence, triggers, and
impact of migraine on university students: a scoping review. Egyptian Journal of Neurology, Psychiatry
and Neurosurgery, 61(1). https://doi.org/10.1186/s41983-025-00945-w
Barrón, H., & Mitma, Y. (2017). Enfoques de aprendizaje y rendimiento académico en estudiantes de medicina
del primer año de la Universidad Nacional Mayor de San Marcos. Anales de la Facultad de Medicina.
231
Bazán-Perkins, B., & Santibañez-Salgado, J. (2025). Relationship between the learning gains and learning style
preferences among students from the school of medicine and health sciences. BMC Medical Education,
25(1). https://doi.org/10.1186/s12909-024-06554-0
Benka-Coker, G., Young, B., Oliver, S., Schaeffer, J., Manning, M., Suter, J., . . . Magzamen, S. (2021).
Sociodemographic variations in the association between indoor environmental quality in school buildings
and student performance. Building and Environment.
Bonsaksen, T., Magne, T., & Stigen, L. (2020). Associations between occupational therapy students’ academic
performance and their study approaches and perceptions of the learning environment. BMC Medical
Education. https://doi.org/https://doi.org/10.1186/s12909-021-02940-0
Brown, S., White, S., Wakeling, L., & Naiker, M. (2015). Approaches and Study Skills Inventory for Students
(ASSIST) in an Introductory Course in Chemistry. Journal of University Teaching & Learning Practice,
12(3). https://doi.org/http://ro.uow.edu.au/jutlp/vol12/iss3/6
Cadena-Povea, H., Hernández-Martínez, M., Bastidas-Amador, G., & Calderón-Muñoz, J. (2025). Perceived
Stress: Psychosocial-Sociodemographic Factors as Predictors of Tension, Irritability, and Fatigue Among
Ecuadorian University Professors. International Journal of Environmental Research and Public Health,
22(1). https://doi.org/10.3390/ijerph22010107
Cheng-Hsien, L. (2016). The performance of ML, DWLS, and ULS estimation with robust corrections in structural
equation models with ordinal variables. Psychological Methods, 21(3), 369 - 387.
https://doi.org/10.1037/met0000093
Chik, Z., & Hakim, A. (2018). Developing and Validating Instruments for Measurement of Motivation, Learning
Styles and Learning Disciplines for Academic Achievement. International Journal of Academic Research
in Bussines and Social Science, 8(4), 594 - 605. https://doi.org/10.6007/IJARBSS/v8-i4/4035
Chin, Y., Chua, N., Muhammad, N., Mohammad, W., & Siew, N. (2024). Psychometric evaluation: exploratory
and confirmatory factor analysis of the malay version of the student stress inventory (ssi) for university
students. Jurnal Ilmi, 14(1), 20-35.
Cristea, T. S., Heikkinen, S., Snijders, S., Saqr, M., & Matzat, U. (2025). Dynamics of self-regulated learning: The
effectiveness of students’ strategies across course periods. Computers and Education, 28.
https://doi.org/10.1016/j.compedu.2025.105233
Curelaru, M., & Curelaru, V. (2025). Psychological Distress and Online Academic Difficulties: Development and
Validation of Scale to Measure Students’ Mental Health Problems in Online Learning. Behavioral
Sciences, 15(1). https://doi.org/10.3390/bs15010026
da Cruz, I., & Esperidião, F. (2024). Difference in educational performance between students from rural and urban
areas in Brazil: An unconditional quantile analysis. Nova Economia, 34(3). https://doi.org/10.1590/0103-
6351/8384
de la Fuente, J., Malpica-Chavarria, E., Garzón-Umerenkova, A., & Pachón-Basallo, M. (2021). Effect of Personal
and Contextual Factors of Regulation on Academic Achievement during Adolescence: The Role of
Gender and Age. Int. J. Environ. Res. Public Health, 18(17).
https://doi.org/https://doi.org/10.3390/ijerph18178944
Elsayed, A., Wardat, Y., Alawaed, M., & Albaraami, Y. (2025). The effect of employing project-web learning
approach in teaching mathematics instruction methods course on developing the mind habits among
Dhofar University students. Eurasia Journal of Mathematics, Science and Technology Education, 21(2).
https://doi.org/10.29333/ejmste/15930
Entwistle, N. (1988). Motivational factors in students’ Approaches to Learning, In Schmeck, R.R. (ed.) Learning
Strategies and Learning Styles. New York: Plenum Press.
Erçetin, S., Güngör, H., & Hamedoğlu, M. (2020). Academic Success Scale: Second-Order Confirmatory and
Exploratory Factor Analysis. International Journal of Educational Research Review, 5(3), 178-189.
https://doi.org/https://doi.org/10.24331/ijere.727245
Escobedo, F., Córdova, E., Flores, C., Clavijo-López2, R., Cruz-Tarrillo, J., & Sánchez, R. (2024). Virtual
Education and Post-Pandemic Academic Performance in University Students. Academic Journal of
Interdisciplinary Studies, 13(4), 481-492.
Fernández-Aráuz, A. (2015). Aplicación del análisis factorial confirmatorio a un modelo de medición del
rendimiento académico en lectura. Revista De Ciencias Económicas, 33(2), 39-65.
https://doi.org/https://doi.org/10.15517/rce.v33i2.22216
Hayat, A., Shateri, K., Amini, M., & Shokrpour, N. (2020). Relationships between academic self-efficacy,
learning-related emotions, and metacognitive learning strategies with academic performance in medical
students: a structural equation model. BMC Medical Education, 20(76).
https://doi.org/https://doi.org/10.1186/s12909-020-01995-9
Intan, A., Ramlee, I., & Khoo, Y. (2022). Validation of Learning Style Instruments and Holistic Intelligence on
Achievement of Form Six Economics Students: Exploratory Factor Analysis (EFA). International
232
Journal of Academic research in Progressive Education and Development, 11(2), 474–493.
https://doi.org/10.6007/IJARPED/v11-i2/13237
Jamil, N., Baharuddin, F., & Ratul, T. (2015). Factors Mining in Engaging Students Learning Styles Using.
International Accouting and business conference 2015, IABC 2015. https://doi.org/10.1016/S2212-
5671(15)01161-2
Jiménez, R., Dalmau, J., & Gargallo, E. (2024). Factors associated with academic performance in adolescents from
La Rioja (Spain): lifestyle habits, health indicators, and sociodemographic factors. Nutricion
Hospitalaria, 41(1), 19 - 27. https://doi.org/10.20960/nh.04599
Lai, K., & Simoes, S. (2023). Reflecting on the “Robust” Standard Errors for Two-Stage SEM Estimation With
Categorical Data: Mistakes and Correction. Structural Equation Modeling, 30(5), 691 - 707.
https://doi.org/10.1080/10705511.2022.2141246
Lévy-Mangin, J., & Varela-Mallou, J. (2006). Modelización con estructuras de covarianzas en ciencias sociales.
Temas esenciales, avanzados y aportaciones especiales. Netbiblo.
MacCallum, R. C. (2001). Sample size in factor analysis: The role of model error. Multivariate Behavioral
Research, 36(4), 611-637. https://doi.org/10.1207/S15327906MBR3604_06
Mahdavi, p., Valibeygi, A., & Sadeghi, S. (2021). Relationship Between Achievement Motivation, Mental Health
and Academic Success in University Students. Community Health Equity Research & Policy, 43(3).
https://doi.org/Sadeghi
Masa’Deh, R., AlAzzam, M., Al-Dweik, G., Masadeh, O., Hamdan-Mansour, A., & Basheti, I. (2021). Academic
performance and socio-demographic characteristics of students: Assessing moderation effect of self-
esteem. International Journal of School & Educational Psychology , 9(4).
https://doi.org/https://doi.org/10.1080/21683603.2021.1901811
Mavrou, I. (2015). Análisis factorial exploratorio:cuestiones conceptuales y metodológicas. Revista Nebrija.
Méndez-Martínez, C., & Rondón-Sepúlveda, M. A. (2012). Introducción al análisis factorial exploratorio. Revista
Colombiana de Psiquiatría, 41(1), 197-207. https://doi.org/https://doi.org/10.1016/S0034-
7450(14)60077-9
Merchant, A., Afzal, N., Rahim, K., Shah, S., & Jamal, W. (2025). Application to achievement: association
between pre-admission factors, admission scores, and medical students’ performance. BMC Medical
Education, 25(1). https://doi.org/10.1186/s12909-025-06800-z
Miličević, A., Despotović-Zrakić, M., Stojanović, D., & Suvajžić, M. (2024). Academic performance indicators
for the hackathon learning approach – The case of the blockchain hackathon. Journal of Innovation and
Knowledge, 9(3). https://doi.org/10.1016/j.jik.2024.100501
Muca, E., Molino, M., Ghislieri, C., Baratta, M., Odore, R., Bergero, D., & Valle , E. (2023). Relationships
between psychological characteristics, academic fit and engagement with academic performance in
veterinary medical students. BMC Veterinary Research, 19(132).
https://doi.org/https://doi.org/10.1186/s12917-023-03695-0
Norouzian, R., & Plonsky, L. (2018). Eta- and partial eta-squared in L2 research: A cautionary review and guide
to more appropriate usage. Second Language Research.
https://doi.org/https://doi.org/10.1177/026765831668490
Nozaleda, B., Dayag-Tungpalan, M., Arao, H., & Ramos, C. (2025). Cluster analysis of learning styles and ICT
competence: Towards a typology of flexible learners in higher education. Multidisciplinary Reviews, 8(5).
https://doi.org/10.31893/multirev.2025144
Ocaña-Moral, M., Gavín-Chocano, Ó., Pérez-Navío, E., & Martínez-Serrano, M. (2021). Relationship among
Perceived Stress, Life Satisfaction and Academic Performance of Education Sciences Students of the
University of Jaén after the COVID-19 Pandemic. 11(12). https://doi.org/Martínez-Serrano
Okwuduba, E., Nwosu, K., Okigbo, E., & Samuel, N. (2021). Impact of intrapersonal and interpersonal emotional
intelligence and self-directed learning on academic performance among pre-university science students.
Heliyon, 7(3).
Ortiz-Gómez, M., Lizarte-Simón, E., & Mingorance-Estrada, Á. (2025). The attitudes towards mathematics:
analysis in a multicultural context. Humanities and Social Sciences Communications, 12(1).
https://doi.org/10.1057/s41599-025-04548-x
Ouahi, M., Ait, M., Bliya, A., Hassouni, T., & Al Ibrahmi, E. (2021). The Effect of Using Computer Simulation
on Students’ Performance in Teaching and Learning Physics: Are There Any Gender and Area Gaps?
Education Research International. https://doi.org/https://doi.org/10.1155/2021/6646017
Oyeniran, S., Ayanwale, M., Atolagbe, A., & Mochekele, M. (2025). Construction and validation of goal
achievement scale for colleges of education. Journal of Applied Research in Higher Education, 17(7),
131 - 150. https://doi.org/10.1108/JARHE-07-2024-0336
Pellas, N. (2023). The influence of sociodemographic factors on students' attitudes toward AI-generated video
content creation. Smart Learning Environments, 10(57). https://doi.org/https://doi.org/10.1186/s40561-
023-00276-4
233
Piscitello, J., Youn-kyoung, K., Orooji, M., & Robison, S. (2022). Sociodemographic risk, school engagement,
and community characteristics: A mediated approach to understanding high school dropout. Children and
Youth Services Review, 133. https://doi.org/https://doi.org/10.1016/j.childyouth.2021.106347
Rajendran, S., Chamundeswari, S., & Amitanand, A. (2022). Predicting the academic performance of middle- and
high-school students using machine learning algorithms. Social Sciences & Humanities Open, 6(1).
https://doi.org/https://doi.org/10.1016/j.ssaho.2022.100357
Richardson, J. (2011). Eta squared and partial eta squared as measures of effect size in educational research.
Educational Research Review, 6(2), 135-147.
https://doi.org/https://doi.org/10.1016/j.edurev.2010.12.001
Saha, M., Islam, S., Akhi, A., & Saha, G. (2024). Factors affecting success and failure in higher education
mathematics: Students' and teachers’ perspectives. Heliyon, 10(7).
https://doi.org/10.1016/j.heliyon.2024.e29173
Samir, A., Elamir, A., Basyouni, M., Goudy, Y., Elbarbary, K., & El-Mezayen, M. (2025). Sociodemographic,
lifestyle, and psychological factors as controllable predictors of academic self-efficacy after reforming a
medical education system; the Egyptian Nationwide experience. BMC Medical Education, 25(1).
https://doi.org/10.1186/s12909-025-06805-8
Selvitopu, A., & Kaya, M. (2021). A Meta-Analytic Review of the Effect of Socioeconomic Status on Academic
Performance. Studies in Educational Evaluation, 36(4).
https://doi.org/https://doi.org/10.1177/00220574211031978
Serrano, M. P., & Serrano, M. J. (2020). Líneas de investigación de las carreras de la ULEAM Extensión El
Carmen y su relación con los proyectos de titulación periodo 2015 - 2019. Código Científico Revista De
Investigación, 1(1), 72–84. Recuperado a partir de
https://revistacodigocientifico.itslosandes.net/index.php/1/article/view/15
Silva, A., Vautero, J., & Usssene, C. (2021). The influence of family on academic performance of Mozambican
university students. International Journal of Educational Development, 87.
https://doi.org/https://doi.org/10.1016/j.ijedudev.2021.102476
Smit, B. (2021). Introduction to ATLAS.ti for Mixed Analysis.
Tadese, M., Yeshaneh, A., & Baye Mulu, G. (2022). Determinants of good academic performance among
university students in Ethiopia: a cross-sectional study. BMC Medical Education, 22.
https://doi.org/https://doi.org/10.1186/s12909-022-03461-0
Tait, H., Entwistle, N., & McCune, V. (1998). A Reconceptualization of the approaches to Studying Inventory.
Oxford Brookes University, The Oxford Center for Staff and Learning Development.
Tayyaba, S. (2012). Rural‐urban gaps in academic achievement, schooling conditions, student, and teachers'
characteristics in Pakistan. International Journal of Educational Management, 26(1), 6-26.
https://doi.org/https://doi.org/10.1108/09513541211194356
Ullah, R. (2016). Learning environment, approaches to learning and learning preferences: Medical students versus
general education students. Journal of Pakistám Medical Association, 541-544.
Urbano, L., & Pere, F. (2021). Not Positive Definite Correlation Matrices in Exploratory Item Factor Analysis:
Causes, Consequences and a Proposed Solution. Structural Equation Modeling, 28(1), 138 - 147.
https://doi.org/https://doi.org/10.1080/10705511.2020.1735393
Usán, P., Salavera, C., & Quílez-Robres, A. (2021). Self-Efficacy, Optimism, and Academic Performance as
Psychoeducational Variables: Mediation Approach in Students. Physical Education, Physical Activity,
and Health Education in Children and Adolescents, 9(3).
https://doi.org/https://doi.org/10.3390/children9030420
Vîrgă, D., & Okros, N. (2024). Why should you believe in yourself? Students' performance-approach goals shape
their approach to learning through self-efficacy: A longitudinal analysis. European Journal of Education,
59(2). https://doi.org/10.1111/ejed.12624
Willison, J., Draper, C., Fornarino, L., Li, M., Sabri, T., & Shi, Y. (2024). Metacognitively ALERT in science:
literature synthesis of a hierarchical framework for metacognition and preliminary evidence of its
viability. Studies in Science Education , 60(2).
https://doi.org/https://doi.org/10.1080/03057267.2023.2207147
Wittrock, M. C. (1974). Learning as a generative process. Educational Psycologist, 87-95.
Zafeer, H., Maqbool, S., Rong, Y., & Maqbool, S. (2025). Beyond the Classroom: How Socioeconomic Status,
Parental Involvement and Home Environment Impact on Students' Science Academic Performance at
Secondary Schools. European Journal of Education, 60(1). https://doi.org/10.1111/ejed.70023
Zafeer, K., Maqbool, S., Rong, Y., & Maqbool, S. (2025). Beyond the Classroom: How Socioeconomic Status,
Parental Involvement and Home Environment Impact on Students' Science Academic Performance at
Secondary Schools. European Journal of Education, 60(1). https://doi.org/10.1111/ejed.70023
