Revista Ciencia UNEMI  
Vol. 19, N° 50, Enero-Abril 2026, pp. 30 - 42  
ISSN 1390-4272 Impreso  
ISSN 2528-7737 Electrónico  
https://doi.org/10.29076/issn.2528-7737vol19iss50.2026pp30-42p  
Autorregulación en estudiantes universitarios:  
un análisis comparativo entre educación presencial  
y en línea  
Dayanara Katherine Villena Cuesta1; Patricio Alejandro Apunte Vallejo2;  
Mayra D’Armas Regnault3*  
Resumen  
Este estudio analiza las diferencias en autorregulación del aprendizaje entre estudiantes universitarios de modalidades presencial y en  
línea. Se empleó un diseño cuantitativo comparativo-correlacional con 3,303 estudiantes de las carreras de Educación de una Institución  
de Educación Superior pública del Ecuador, durante el período académico abril-julio 2025. La autorregulación se evaluó mediante la Escala  
de Autorregulación del Aprendizaje (EA-ARA) de 40 ítems, organizada en tres dimensiones: Motivación y actitud hacia el aprendizaje  
(MAHA), Estrategias cognitivas (EC) y Autorregulación metacognitiva (ARM). El instrumento demostró excelentes propiedades  
psicométricas con coeficientes alfa superiores a 0.99 y valores de varianza media extraída entre 0.937-0.951. Los resultados revelaron  
diferencias estadísticamente significativas entre modalidades, con puntuaciones ligeramente superiores en estudiantes de educación en  
línea (p < 0.001), aunque con tamaño de efecto pequeño (d ≈ 0.20-0.22). La edad se asoció positivamente con la autorregulación (r ≈  
0.12), mientras que el género no mostró relaciones significativas. Las tres dimensiones presentaron correlaciones muy altas (r > 0.97),  
respaldando una concepción integrada del constructo. El modelo de regresión múltiple explicó 1.6% de la varianza, identificando la edad  
y modalidad como predictores significativos. Los hallazgos sugieren que los entornos virtuales estimulan estrategias autorregulatorias,  
proporcionando evidencia para desarrollar intervenciones pedagógicas contextualizadas.  
Palabrasclave:autorregulacióndelaprendizaje, educaciónsuperior, modalidadpresencial, educaciónenlínea, estrategiasmetacognitivas,  
estudiantes universitarios.  
Self-regulation in university students: a comparative  
analysis between face-to-face and online education  
Abstract  
This study analyzes differences in self-regulated learning between face-to-face and online university students. A quantitative comparative-  
correlational design was employed with 3,303 students from Education programs at a public Higher Education Institution in Ecuador  
during the April-July 2025 academic period. Self-regulation was assessed using the Self-Regulated Learning Scale (EA-ARA) comprising 40  
items organized into three dimensions: Motivation and attitude toward learning (MAHA), Cognitive strategies (EC), and Metacognitive self-  
regulation (ARM). The instrument demonstrated excellent psychometric properties with alpha coefficients above 0.99 and average variance  
extracted values between 0.937-0.951. Results revealed statistically significant differences between modalities, with slightly higher scores  
in online education students (p < 0.001), although with small effect size (d ≈ 0.20-0.22). Age was positively associated with self-regulation  
(r ≈ 0.12), while gender showed no significant relationships. The three dimensions presented very high correlations (r > 0.97), supporting  
an integrated conception of the construct. The multiple regression model explained 1.6% of the variance, identifying age and modality as  
significant predictors. The findings suggest that virtual environments stimulate self-regulatory strategies, providing evidence for developing  
contextualized pedagogical interventions.  
Keywords: self-regulated learning, higher education, face-to-face modality, online education, metacognitive strategies, university  
students.  
Recibido: 09 de septiembre 2025  
Aceptado: 01 de diciembre 2025  
1
Magister en Educación Básica. Ingeniera en Diseño Gráfico. Estudiante de la Maestría en Educación con mención en Docencia  
e Investigación en Educación Superior, Universidad Estatal de Milagro. Docente de la Unidad Educativa Guayas y Quil, El Empalme,  
Guayas, Ecuador. Email: dvillenac@unemi.edu.ec. ORCID: https://orcid.org/0009-0003-1146-5532  
2 Magister en Educación Básica. Licenciado en Ciencias de la Educación Mención Educación Básica. Estudiante de la Maestría en Educación  
con mención en Docencia e Investigación en Educación Superior, Universidad Estatal de Milagro, Ecuador. Subdirector Escuela “Francisco  
Javier Salazar”, Guajaló, Quito, Ecuador. Email: papuntev@unemi.edu.ec. ORCID: https://orcid.org/0009-0004-2191-1126  
3 Doctora en Administración y Dirección de Empresas, Magister Scientiarum en Ingeniería Industrial. Docente Investigadora, Universidad  
Estatal de Milagro. UNEMI, Ciudadela Universitaria Km. 1.5 vía Km. 26, Milagro, Guayas, Ecuador. Código Postal: 091050. Email:  
mdarmasr@unemi.edu.ec. ORCID: https://orcid.org/0000-0002-6288-1566 *Autor de correspondencia  
30 │  
Villena. Autorregulación en estudiantes universitarios: un análisis  
metacognitivos (Zimmerman, 2000; Panadero, 2017).  
I. INTRODUCCIÓN  
Diversos estudios han demostrado que esta habilidad se  
relaciona positivamente con el rendimiento académico,  
la persistencia universitaria y la autonomía estudiantil  
(Burbano-Larrea et al., 2021; Giler-Medina y Bravo-  
Cedeño, 2024).  
La autorregulación del aprendizaje constituye  
un constructo fundamental en el ámbito educativo  
contemporáneo, definiéndose como la capacidad  
de los estudiantes para dirigir metacognitivamente,  
motivacional y conductualmente su propio proceso  
de aprendizaje (Zimmerman, 2000). Este proceso  
implica que los estudiantes sean participantes activos  
en su experiencia educativa, estableciendo metas,  
monitoreando su progreso y ajustando sus estrategias  
según sea necesario para alcanzar los objetivos  
propuestos.  
Los  
estudios  
realizados  
en  
el  
contexto  
latinoamericano  
han  
proporcionado  
evidencia  
significativa  
sobre  
las  
características  
de  
la  
autorregulación  
en  
estudiantes  
universitarios.  
Burbano-Larrea et al. (2021) desarrollaron un  
estudio descriptivo que reveló patrones específicos  
en las estrategias autorregulatorias empleadas por  
estudiantes de educación superior, identificando tanto  
fortalezas como áreas de mejora en este proceso. La  
dimensión socioemocional de la autorregulación  
también ha recibido atención considerable, como  
En el contexto de la educación superior, la  
autorregulación cobra particular importancia debido  
a las demandas académicas más complejas y la mayor  
autonomía requerida por parte de los estudiantes  
universitarios. Panadero (2017) identifica seis modelos  
principales de autorregulación del aprendizaje que  
han evolucionado para explicar cómo los estudiantes  
gestionan efectivamente sus procesos cognitivos y  
metacognitivos. La investigación ha demostrado que los  
estudiantes con mayores habilidades autorregulatorias  
tienden a obtener mejores resultados académicos  
evidencia el trabajo de Giler-Medina  
y
Bravo-  
Cedeño (2024), quienes exploraron la relación entre  
competencias socioemocionales y autorregulación del  
aprendizaje, demostrando la interconexión entre el  
desarrollo emocional y las habilidades metacognitivas  
de los estudiantes.  
En Ecuador, las investigaciones aún son limitadas  
en cuanto al análisis comparativo de la autorregulación  
entre estudiantes presenciales y aquellos que estudian  
en línea. Si bien el aprendizaje virtual demanda  
una mayor capacidad de autodirección, también se  
ve condicionado por factores estructurales como el  
acceso a la tecnología, la alfabetización digital y el  
acompañamiento pedagógico (Paladines-Ramírez et  
al., 2024). Así, la modalidad en línea podría actuar como  
un potenciador o un inhibidor de la ARA, dependiendo  
del entorno educativo.  
y
desarrollar competencias más sólidas para el  
aprendizaje a lo largo de la vida.  
Durante la última década, la educación superior  
ecuatoriana ha experimentado una expansión acelerada  
de la modalidad en línea. Según datos de la Secretaría de  
Educación Superior, Ciencia, Tecnología e Innovación  
(SENESCYT), se proyecta que para 2025 más de  
124.000 estudiantes estarán inscritos en programas  
virtuales, lo que representa un crecimiento sostenido  
frente a los modelos presenciales tradicionales (Terán,  
2024). En este contexto, la Universidad Estatal de  
Milagro (UNEMI) se ha posicionado como una de  
las instituciones con mayor matrícula en programas  
virtuales, ofreciendo carreras como Educación Básica  
tanto en modalidad presencial como en línea (Chevez  
Alvarado, 2020).  
La comparación entre educación presencial y en  
línea respecto a la autorregulación del aprendizaje  
representa un área de investigación emergente.  
Mientras la modalidad presencial ofrece apoyo y  
supervisión directa, la educación en línea demanda  
mayor autonomía estudiantil. El presente estudio  
surge de la necesidad de comprender las diferencias  
y similitudes en los procesos de autorregulación  
del aprendizaje entre ambas modalidades. Los  
hallazgos proporcionarán fundamentos empíricos  
para el desarrollo de intervenciones pedagógicas  
contextualizadas que optimicen los resultados de  
aprendizaje en cada entorno formativo.  
Este escenario mixto brinda una oportunidad  
relevante para examinar cómo cada modalidad  
incide en competencias clave para el éxito académico,  
especialmente la autorregulación del aprendizaje  
(ARA). La ARA se concibe como la capacidad de los  
estudiantes para planificar, monitorear y evaluar  
su propio proceso de aprendizaje, integrando  
como componentes motivacionales, cognitivos  
y
│ 31  
Volumen 19, Número 50, Enero-Abril 2026, pp. 30 - 42  
II. METODOLOGÍA  
educativa (presencial vs en línea), adentrándose al  
contexto institucional que ofrece modalidades de  
manera paralela.  
Enfoque y diseño del estudio  
El presente estudio se desarrolló bajo un enfoque  
cuantitativo, orientado a la medición y comparación de  
los niveles de autorregulación académica en estudiantes  
universitarios según la modalidad educativa (presencial  
y en línea), mediante la aplicación de instrumentos  
estandarizados (Vélez & Quintana, 2025). Este enfoque  
permite obtener datos objetivos y realizar análisis  
estadísticos que faciliten la identificación de diferencias  
significativas entre grupos.  
Al referirse de programas de formación docente, se  
considera que los niveles de autorregulación académica  
en estos estudiantes pueden tener un impacto  
significativo en su futuro desempeño profesional. Por  
lo consecuente se establecieron los siguientes criterios  
de inclusión: ser estudiante activo durante el período  
académico abril–julio de 2025, estar matriculado en  
la carrera de Educación en modalidad presencial o en  
línea, aceptar participar voluntariamente mediante  
consentimiento informado. Criterios de exclusión:  
estudiantes que no completaron el instrumento en  
su totalidad, casos con respuestas inconsistentes o  
duplicadas.  
El diseño metodológico fue de tipo no experimental,  
con un carácter comparativo-correlacional y de corte  
transversal, ya que no se manipuló ninguna variable y  
la recolección de datos se realizó en un único momento  
del tiempo. Esta estructura resulta adecuada para  
estudiar fenómenos educativos en contextos reales sin  
alterar las condiciones naturales (Bylieva et al., 2021).  
Como método de recolección de datos se eligió un  
muestreo no probabilístico, de tipo intencional, con  
el objetivo de escoger participantes que cumplan con  
los criterios definidos en relación con la modalidad  
educativa. Este tipo de muestreo permitió conformar  
dos grupos comparables para el análisis de los niveles  
de autorregulación académica, en función de su entorno  
educativo.  
Población y muestra  
En este estudio se tomó en cuenta a una población  
que cumplió con los criterios y parámetros requeridos  
(6516), constituida por estudiantes de pregrado de las  
carreras de Educación presencial (1353) y Educación  
en línea (5163), durante el lapso académico abril-julio  
2025. Esta población incluye estudiantes matriculados  
en distintas asignaturas y niveles de avance dentro  
de sus respectivas carreras de una Institución de  
Educación Superior pública del Ecuador. Se seleccionó  
esta población por que responde a la necesidad  
de cumplir con analizar comparativamente la  
autorregulación académica en función de la modalidad  
La muestra final del estudio estuvo conformada  
por 3303 estudiantes universitarios (Tabla 1). Dada  
la magnitud de la muestra y la representatividad  
proporcional de ambos grupos, se considera que este  
número de casos es estadísticamente adecuado para  
realizar análisis descriptivos y comparativos, como  
pruebas de diferencia de medias y correlaciones, en  
estudios de tipo transversal y comparativo.  
32 │  
Villena. Autorregulación en estudiantes universitarios: un análisis  
Tabla 1. Características de la muestra  
Valido Acumulado  
Muestra Estudiantes = 3303  
Frecuencia  
(%)  
(%)  
(%)  
Modalidad  
En Línea  
Presencial  
2512  
791  
76,1  
23,9  
21,83  
17,2  
76,1  
76,1  
23,9  
21,83  
17,2  
100  
Nivel  
1er nivel  
721  
21,83  
39,03  
52,77  
64,79  
74,48  
83,35  
91,89  
97,58  
100  
3er nivel  
568  
454  
397  
320  
293  
282  
188  
80  
5to nivel  
13,75  
12,02  
9,69  
8,87  
8,54  
5,69  
2,42  
18,1  
13,75  
12,02  
9,69  
8,87  
8,54  
5,69  
2,42  
18,1  
6to nivel  
4to nivel  
2do nivel  
8vo nivel  
7mo nivel  
9vo nivel  
Género  
Masculino  
598  
2705  
1912  
1247  
144  
18,1  
Femenino  
81,9  
81,9  
100  
Rango de edad  
Adulto (25 – 44 años)  
Joven (< 25 años)  
Adulto de mediana edad (> 44 años)  
57,89  
37,75  
4,36  
57,89  
37,75  
4,36  
57,89  
95,64  
100  
Instrumento de recolección de datos  
de aprendizaje, la motivación intrínseca por la tarea:  
apreciación de utilidad, relevancia personal e impacto  
social, así como la orientación al buen rendimiento  
académico; (b) estrategias cognitivas (ítems 11–26):  
abarca habilidades cognitivas, como planificación  
pertinente y ejecución segura y estratégica de acciones  
de aprendizaje, uso de pertinente de materiales  
físicos y/o electrónicos para resolver la tarea y trabajo  
colaborativo con los pares, así como identificación de  
conocimientos y experiencias previas relacionadas  
con la tarea de aprendizaje; y (c) autorregulación  
metacognitiva (ítems 27–40): involucra estrategias  
La recolección de datos se obtuvo mediante el  
instrumentodenominado“LaEscaladeAutorregulación  
del Aprendizaje” (EA-ARA), el cual fue creado para  
analizar o evaluar el nivel de autorregulación académica  
de estudiantes en contextos educativos formales. Dicho  
cuestionario fue aplicado de forma autoadministrada  
y anónima, para garantizar respuestas sinceras y  
minimizar la influencia de sesgos sociales.  
El instrumento está constituido por 40 ítems  
(Tabla 2), organizados en tres dimensiones  
fundamentales que evalúan aspectos motivacionales,  
cognitivos y metacognitivos vinculados al aprendizaje  
autónomo, organizados en tres dimensiones: (a)  
motivación y actitud hacia el aprendizaje (ítems  
1–10), dimensión que involucra aspectos relativos al  
sentido de autoeficacia ante las demandas de la tarea  
relativas  
a
la  
autoevaluación,  
metacognición  
e
identificación  
y
superación de obstáculos de  
aprendizaje, la capacidad de mantener la atención en la  
tarea, así como el autocontrol ante el estrés académico.  
│ 33  
Volumen 19, Número 50, Enero-Abril 2026, pp. 30 - 42  
Tabla 2. Escala de autorregulación del aprendizaje  
Dimensión / Ítems  
Motivación y actitud hacia el aprendizaje (MAHA)  
1. Pienso que el aprendizaje es algo que me enriquece como persona.  
2. Me interesa construir aprendizajes para poder mejorar la sociedad.  
3. Ante las materias que curso me propongo metas de aprendizaje por interés personal.  
4. Me interesa obtener buenas calificaciones en las materias que curso.  
5. Espero que mis padres y docentes reconozcan mi esfuerzo por aprender.  
6. Trabajo con dedicación en las tareas y actividades de clase asignadas por mis docentes.  
7. Me considero un estudiante al que se le facilita el aprendizaje.  
8. Cuando mis docentes plantean trabajos y proyectos nuevos me siento capaz de desarrollarlos exitosamente.  
9. Considero que los éxitos académicos que he tenido se deben a mi esfuerzo.  
10. Considero que los aprendizajes que he desarrollado se deben a mis cualidades y habilidades personales.  
Estrategias cognitivas (EC)  
11. Cuando se trabajan nuevos temas o proyectos en clase, suelo reflexionar sobre los conocimientos previos que tengo al  
respecto.  
12. Normalmente relaciono los temas que se van a trabajar en clase con experiencias o sucesos que he vivido en el pasado.  
13. Antes de empezar un trabajo o proyecto suelo tener claras las características que éste debe tener.  
14. Identifico las expectativas de los docentes sobre los trabajos y proyectos que asignan.  
15. Antes de realizar un trabajo o proyecto acostumbro a pensar en acciones que hagan más fácil el cumplimiento exitoso  
de lo esperado.  
16. Ante las actividades de clase, tareas y proyectos que mis docentes asignan, hago primero un plan de acciones a  
desarrollar para posteriormente aplicarlo.  
17. Cuando los trabajos son en equipo me gusta fomentar que los integrantes nos pongamos de acuerdo en los pasos que  
se van a seguir, para luego desarrollarlos.  
18. Suelo pedir ayuda a mis docentes cuando no entiendo algún tema o actividad de clase.  
19. Cuando mis docentes dan explicaciones sobre un tema o actividad, suelo poner atención.  
20. Pido ayuda a mis compañeros cuando no entiendo algún tema o actividad de clase.  
21. Aprovecho las explicaciones que mis compañeros puedan brindarme sobre los temas o actividades de clase.  
22. Cuando trabajo en alguna actividad de aprendizaje en clase o casa me siento con la confianza de estar haciendo las cosas  
de modo correcto.  
23. Tomo decisiones con seguridad ante las dudas que surgen en las tareas, trabajos y proyectos que asignan mis docentes.  
24. Suelo contar con recursos y materiales académicos suficientes para aprovechar al máximo las clases (libros, bibliografía  
especializada, materiales didácticos, acceso a plataformas digitales, etc.).  
25. Utilizo los dispositivos tecnológicos adecuados para la realización de tareas, trabajos y proyectos (laptop, tablet,  
smartphone, acceso a Internet, etc.).  
26. Suelo aprovechar de modo eficiente el tiempo que se me brinda para desarrollar los trabajos de clase.  
Autoevaluación y regulación metacognitiva (ARM)  
27. Cuando desarrollo trabajos y proyectos suelo darme cuenta de los obstáculos que surgen y pueden dificultar mi  
aprendizaje.  
28. Encuentro modos eficientes de superar las dificultades que surgen al momento de realizar actividades de clase y tareas.  
29. Me considero un estudiante que enfrenta las cuestiones académicas con tranquilidad y sin estresarse.  
30. Ante las actividades de aprendizaje difíciles o cuando hay mucha carga académica suelo mantenerme con tranquilidad.  
31. Normalmente me doy cuenta de los aprendizajes que estoy generando a lo largo del desarrollo de un proyecto o actividad  
de clase.  
32. Realizo reflexiones sobre mi forma de trabajar que me permiten hacer cambios o ajustes para favorecer mi desempeño  
y aprendizaje.  
34 │  
Villena. Autorregulación en estudiantes universitarios: un análisis  
33. Acostumbro a revisar la calidad de mis trabajos y proyectos durante el proceso de desarrollo de los mismos.  
34. Al finalizar una tarea, trabajo o proyecto hago una autoevaluación objetiva del mismo, identificando fortalezas y áreas  
de mejora.  
35. Identifico con claridad las limitaciones personales que tengo ante ciertos temas, materias o tipos de actividades  
académicas.  
36. Busco apoyo, estrategias y otros mecanismos para superar mis limitaciones personales, a fin de favorecer mi desempeño  
académico y aprendizaje.  
37. Evito los factores de distracción que hay en mi casa al momento de estudiar o realizar tareas.  
38. Evito los factores de distracción que hay en el colegio al momento de recibir clases o realizar actividades académicas.  
39. Cada vez que finalizo un trabajo de clase o proyecto visualizo aspectos en los que puedo mejorar como estudiante para  
lograr un mejor desempeño.  
40. Considero que después de cada parcial o periodo me convierto en un mejor estudiante.  
Fuente: adaptado de Fernández-de-Castro et al (2024)  
Se utilizó una escala tipo Likert de 5 puntos, donde:  
1 = Totalmente en desacuerdo, 2 = En desacuerdo, 3 =  
Ni de acuerdo ni en desacuerdo, 4 = De acuerdo, 5 =  
Totalmente de acuerdo. Esta escala permitió cuantificar  
el grado de autorregulación percibida por el estudiante,  
facilitando su análisis estadístico.  
interna se estimó con el coeficiente alfa de Cronbach,  
ampliamente utilizado para medir la homogeneidad  
de los ítems dentro de un factor (Cronbach, 1951),  
aunque presenta supuestos restrictivos como la tau-  
equivalencia, lo que justifica complementarlo con la  
fiabilidad compuesta (Raykov, 1997; Sijtsma, 2009). En  
este estudio, los factores MAHA, EC y ARM alcanzaron  
valores de α cercanos a 0.99 y ρc entre 0.994 y 0.995,  
superando los puntos de referencia habituales (ρc ≥  
0.70) y confirmando su idoneidad como medida fiable  
(Bagozzi & Yi, 1988).  
El instrumento está basado en la propuesta  
previamente validada por Fernández-de-Castro et  
al. (2024). En su estudio de validación, se obtuvieron  
resultados favorables en cuanto a la aceptación del  
contenido y una alta consistencia interna en cada  
dimensión evaluada, lo que confirma su idoneidad para  
su aplicación en contextos educativos de habla hispana.  
Además, su estructura factorial fue verificada mediante  
análisis estadísticos robustos, lo que garantiza su  
confiabilidad para investigaciones comparativas como  
la presente.  
La validez convergente se examinó mediante la  
varianza media extraída (AVE), calculada a partir de  
las cargas estandarizadas del AFC; de acuerdo con el  
criterio de Fornell y Larcker (1981), valores de AVE  
iguales o superiores a 0.50 indican que el constructo  
explica más varianza verdadera que error en sus ítems.  
Los valores observados de AVE para MAHA, EC y  
ARM oscilaron entre 0.937 y 0.951, lo que proporciona  
evidencia suficiente de convergencia de los indicadores  
con sus factores latentes, junto con las medidas  
Validez y con iabilidad del instrumento  
La calidad psicométrica del instrumento se evaluó  
mediante un análisis factorial confirmatorio (AFC) con  
cargas estandarizadas, considerando la consistencia  
interna y la validez convergente. La consistencia  
̅
descriptivas (X±S) presentadas en la Tabla 3.  
Tabla 3. Validez convergente y fiabilidad de los factores  
Fiabilidad  
̅
Factor  
MAHA  
EC  
X±S  
AVE  
0.951  
0.937  
0.946  
α
ρc  
4.49±0.17  
4.43±0.19  
4.41±0.18  
0.99  
0.99  
0.99  
0.995  
0.995  
0.994  
ARM  
̅
Nota. X±S = media y desviación estándar; AVE = varianza media extraída;  
α = coeficiente alfa de Cronbach; ρc = fiabilidad compuesta.  
Asimismo, se calcularon los índices de ajuste global  
En síntesis, el instrumento presenta propiedades  
métricas sólidas que cumplen con los criterios de  
confiabilidad y validez convergente reconocidos en  
la literatura especializada. Finalmente, en la Figura 1  
del modelo, cuyos resultados se presentan en la Tabla 4,  
mostrando valores relevantes y acordes con los criterios  
de referencia establecidos en la literatura especializada.  
│ 35  
Volumen 19, Número 50, Enero-Abril 2026, pp. 30 - 42  
se presenta el modelo de medida del análisis factorial  
con irmatorio (AFC) para las dimensiones MAHA, EC  
Tabla 4. Índices de ajuste global del modelo de medida.  
y ARM, con cargas estandarizadas y correlaciones entre  
factores.  
Medidas de ajuste  
Índice  
Valor  
6573.708  
737  
Valor recomendado  
Bajo, relativo a df  
—
Medida de discrepancia χ² (Chi-cuadrado)  
Grados de libertad (df)  
Medidas de error de  
aproximación  
SRMR (Raíz cuadrada de residuos)  
RMSEA (Error cuadrático medio)  
CFI (Índice de ajuste comparativo)  
0.011  
0.049  
1
< 0.08  
< 0.06  
≥ 0.95  
Medidas de ajuste  
incremental  
TLI (Índice de Tucker-Lewis)  
1
≥ 0.95  
≥ 0.90  
≥ 0.90  
≥ 0.90  
≥ 0.90  
≥ 0.50  
NFI (Índice de ajuste normalizado)  
NNFI (Índice de ajuste no normalizado)  
RFI (Índice de ajuste relativo)  
1
1
1
1
GFI (Índice de bondad de ajuste)  
Medidas de parsimonia PNFI (Índice de ajuste normado de parsimonia)  
0.945  
Nota. El AFC se estimó mediante DWLS sobre matriz policórica, dada la naturaleza ordinal de los ítems tipo  
Likert (n = 3303). En muestras grandes y con cargas altas, los índices incrementales (CFI/TLI/NFI/  
NNFI/RFI/GFI) pueden aproximarse a 1.00; por ello, la evaluación del ajuste se apoyó también en  
SRMR y RMSEA, que resultaron adecuados (SRMR = 0.011; RMSEA = 0.049; df = 737).  
Figura 1. Modelo de medida del análisis factorial confirmatorio (AFC)  
36 │  
Villena. Autorregulación en estudiantes universitarios: un análisis  
Análisis de datos  
Procedimiento  
Los registros obtenidos de la plataforma de  
encuestas fueron exportados a una hoja de cálculo y  
analizados en R (versión 4.3.2) mediante RStudio. La  
base de datos se depuró verificando la codificación de  
las variables, tratando los valores faltantes y revisando  
la existencia de valores atípicos. Posteriormente, se  
calcularon estadísticos descriptivos para caracterizar a  
la muestra y las dimensiones evaluadas (ver Tablas 1 y  
3).  
La recolección de datos se obtuvo mediante  
un cuestionario virtual autogestionado, lo que  
permitió a los participantes realizarla de una forma  
voluntaria y sin supervisión directa. Esta modalidad  
es especialmente valiosa en entornos educativos, ya  
que facilita la participación de estudiantes en distintas  
modalidades académicas (presencial y en línea) y con  
diferentes horarios de disponibilidad, brindándoles  
mayor autonomía y flexibilidad (Regmi et al., 2016;  
Roberts & Allen, 2015). Para su cumplimiento se  
empleó Google Forms, por ser una plataforma digital  
gratuita, muy utilizada en el ámbito académico debido a  
su facilidad de uso, versatilidad y capacidad de generar  
bases de datos estructuradas y seguras, listas para ser  
exportadas y procesadas en análisis estadísticos (Kang  
& Hwang, 2023; Roberts & Allen, 2015). Su interfaz  
intuitiva reduce la curva de aprendizaje, incrementa la  
velocidad de respuesta y minimiza errores en la captura  
de información (Regmi et al., 2016).  
En el análisis inferencial, se aplicaron pruebas t  
de Student o análisis de varianza (ANOVA), según  
correspondía al número de grupos, con el fin de  
comparar las medias de autorregulación entre las  
modalidades educativa presencial y en línea. Asimismo,  
se calcularon coeficientes de correlación de Pearson  
para examinar la relación entre modalidad educativa,  
edad, género y las dimensiones de la autorregulación.  
Finalmente, se ajustaron modelos de regresión lineal  
múltiple para identificar predictores significativos de la  
autorregulación, manteniendo un nivel de significancia  
de 0.05 y reportando intervalos de confianza al 95 % y  
tamaños de efecto cuando fue pertinente.  
Consideraciones éticas  
Previo al inicio del cuestionario, los participantes  
aceptaron un consentimiento informado digital que  
especificaba el objetivo del estudio, la participación  
voluntaria, la confidencialidad de las respuestas y el  
uso académico exclusivo de los datos, siguiendo las  
directrices de la American Psychological Association  
(2017) y la British Educational Research Association  
(BERA, 2018).  
III. RESULTADOS  
El análisis inferencial se estructuró en tres etapas  
complementarias: (1) la comparación de medias  
entre modalidades educativas, (2) la exploración  
de las relaciones bivariadas entre variables, y (3) la  
estimación de un modelo de regresión lineal múltiple  
para identificar predictores de la autorregulación.  
Se implementaron medidas de protección del  
anonimato evitando la recolección de datos personales  
innecesarios y restringiendo el acceso únicamente a los  
investigadores responsables. La literatura indica que el  
anonimato percibido en encuestas digitales incrementa  
Comparación de medias entre modalidades  
educativas  
Para evaluar diferencias en las tres dimensiones  
de la autorregulación: Motivación hacia el aprendizaje  
(MAHA), Estrategias cognitivas (EC) y Autorregulación  
metacognitiva (ARM) se aplicó la prueba t Student para  
muestras independientes, considerando como variable  
de agrupación la modalidad educativa (presencial  
vs. en línea). Los resultados mostraron diferencias  
estadísticamente significativas en las tres dimensiones,  
con medias ligeramente más altas en estudiantes de  
modalidad en línea. La magnitud de las diferencias fue  
pequeña y consistente en todas las variables (diferencias  
próximas a −0.16). Dado el tamaño muestral, estos  
efectos, aunque modestos, fueron estables.  
la participación  
y
honestidad de las respuestas,  
reduciendo sesgos de deseabilidad social (Kang &  
Hwang, 2023; Regmi et al., 2016).  
El cuestionario digital auto administrado se diseñó  
con contexto claro, instrucciones precisas y estructura  
lógica para facilitar la comprensión uniforme  
y
minimizar errores de interpretación (Roberts & Allen,  
2015; Regmi et al., 2016). Este método reduce la  
influencia del investigador durante la recolección y  
permite respuestas en ambiente cómodo, demostrando  
eficacia para obtener información de alta calidad  
cuando se respalda con procesos éticos rigurosos.  
│ 37  
Volumen 19, Número 50, Enero-Abril 2026, pp. 30 - 42  
Tabla 5. Comparación de medias de autorregulación por modalidad educativa  
̅
̅
̅
Dimensión X presencial X en línea Diferencia de X  
t
gl  
p
IC 95% (LI, LS)  
MAHA  
EC  
−0.338  
−0.327  
−0.324  
−0.180  
−0.170  
−0.165  
−0.159  
−0.157  
−0.159  
−5.33  
−5.31  
−5.39  
3301  
3301  
3301  
<0.001 [−0.217, −0.100]  
<0.001 [−0.215, −0.099]  
ARM  
<0.001  
[−0.217, −0.101]  
Nota. Valores negativos en la diferencia de medias indican puntuaciones más bajas en la modalidad  
presencial respecto a la modalidad en línea. MAHA = Motivación hacia el aprendizaje, EC =  
Estrategias cognitivas, ARM = Autorregulación metacognitiva. IC = Intervalo de confianza. Niveles de  
significación: *p < 0.001, p < 0.01, p < 0.05  
En promedio, el estudiantado en línea presentó  
niveles ligeramente superiores en MAHA, EC y ARM  
en comparación con el estudiantado presencial. La  
diferencia, aunque pequeña, es coherente con el mayor  
grado de autogestión que demanda la formación en  
línea. En términos de tamaño de efecto aproximado  
(Cohen’s d), las tres comparaciones se situaron  
alrededor de d ≈ 0.20–0.22 (efecto pequeño), por lo que  
su relevancia práctica debe interpretarse con cautela.  
Correlaciones de Pearson entre variables  
clave  
Se calcularon correlaciones de Pearson para  
analizar las relaciones entre modalidad educativa, edad,  
género y las tres dimensiones de la autorregulación del  
aprendizaje. Para este análisis, las variables categóricas  
fueron recodificadas numéricamente: modalidad  
educativa (presencial = 0, en línea = 1) y género (mujer  
= 0, hombre = 1). Los resultados de las correlaciones se  
presentan en la Tabla 6.  
Tabla 6. Matriz de correlaciones entre modalidad, edad, género y dimensiones de autorregulación  
Modalidad  
1.000  
Edad  
0.350  
1.000  
−0.036  
0.116  
Variable  
Modalidad  
Edad  
Género  
−0.044  
−0.036  
1.000  
MAHA  
0.092  
0.116  
EC  
ARM  
0.093  
0.123  
0.092  
0.119  
0.350  
Género  
MAHA  
EC  
−0.044  
0.092  
−0.013  
1.000  
0.990  
0.978  
−0.009  
0.990  
1.000  
0.993  
−0.008  
0.978  
0.993  
1.000  
−0.013  
−0.009  
−0.008  
0.092  
0.119  
ARM  
0.093  
0.123  
La edad se asoció de forma positiva y débil con las  
tresdimensiones(r≈0.12),loqueindicóqueestudiantes  
de mayor edad tendieron a reportar niveles ligeramente  
más altos de autorregulación. La modalidad también  
mostró asociaciones positivas pequeñas (r ≈ 0.09)  
con MAHA, EC y ARM, coherentes con las diferencias  
de medias observadas. El género prácticamente no  
se relacionó con las dimensiones (r≈0). Entre las  
dimensiones se observaron correlaciones muy altas  
(r > 0.97), en línea con su pertenencia a un mismo  
constructo general de autorregulación.  
Regresión lineal múltiple: predictores de  
autorregulación  
Para identificar predictores significativos de la  
autorregulacióndelaprendizaje,seconstruyóunpuntaje  
total mediante el promedio de las tres dimensiones  
(MAHA, EC y ARM). Este índice global se utilizó como  
variable dependiente en un modelo de regresión lineal  
múltiple, incorporando edad, modalidad educativa y  
género como variables predictoras. El modelo resultó  
estadísticamente significativo (F (3, 3299) = 19.42,  
p < 0.001), explicando el 1.6% de la varianza en  
autorregulación (R² ajustado = 0.016).  
38 │  
Villena. Autorregulación en estudiantes universitarios: un análisis  
Tabla 7. Predictores de la autorregulación total  
β estandarizado  
—
B
Variable  
Intercepto  
EE  
t
p
−0.543  
0.009  
0.099  
−0.008  
0.048  
0.002  
0.031  
0.033  
−11.31  
5.39  
<0.001  
<0.001  
0.002  
0.808  
Edad  
0.099  
Modalidad (En línea)  
Género (Hombre)  
0.058  
3.15  
−0.004  
−0.24  
Nota. β = coeficiente estandarizado; B = coeficiente no estandarizado. Variable dependiente: puntuación  
total de autorregulación (promedio de MAHA, EC y ARM). Modalidad y género fueron codificados  
como en la Tabla 3. El modelo explica el 1.6% de la varianza (R² = 0.016). Niveles de significación:  
*p < 0.001, p < 0.01, p < 0.05.  
La edad emergió como el predictor con mayor peso  
estandarizado (β = 0.099), seguida por la modalidad (β  
=0.058),ambasconefectospositivosyestadísticamente  
significativos; el género no aportó varianza explicada  
adicional. Aunque el modelo explicó un porcentaje  
reducido de la varianza (1.6 %), los resultados son  
consistentes con la idea de que la experiencia (edad) y  
la exposición a entornos de aprendizaje que demandan  
mayor autogestión (modalidad en línea) se vinculan con  
niveles ligeramente superiores de autorregulación. El  
bajo R² sugiere que existen otros factores —personales,  
et al., 2018; Yaban & Karabenick, 2024). Sin embargo,  
la literatura no es unívoca: aunque varios estudios  
con población adulta apoyan esa tendencia, hay  
investigaciones que reportan patrones distintos según  
tareas y contextos, lo que sugiere que el efecto de la  
edad puede depender de las demandas específicas del  
entorno instruccional.  
Las correlaciones muy elevadas entre las  
dimensiones MAHA, EC  
y
ARM respaldan una  
visión integrada del constructo: la autorregulación  
del aprendizaje articula componentes cognitivos,  
metacognitivos, motivacionales y conductuales que  
operan de manera interdependiente. La literatura  
de revisión converge en este punto, destacando  
que los principales modelos teóricos (Zimmerman;  
Pintrich; Winne & Hadwin) describen fases y procesos  
fuertemente acoplados más que dimensiones aisladas  
(Panadero, 2017).  
motivacionales  
o
contextuales— no contemplados  
en este modelo que probablemente expliquen una  
proporción mayor de la varianza.  
IV. DISCUSIÓN  
Los  
resultados  
mostraron  
diferencias  
estadísticamente significativas entre modalidades,  
con puntuaciones de autorregulación ligeramente más  
altas en estudiantes de educación en línea, aunque con  
tamaño de efecto pequeño. Este patrón es coherente  
con la evidencia que indica que los entornos virtuales  
demandan y, a la vez, estimulan un mayor uso de  
estrategias de aprendizaje autorregulado y que dichas  
estrategias se asocian de forma positiva—si bien  
modesta—con el rendimiento académico en educación  
superior a distancia y en línea (Broadbent & Poon,  
2015; Broadbent, 2017).  
Aunqueelmodeloderegresiónexplicóunporcentaje  
reducido de varianza, ello es habitual en fenómenos  
educativos complejos y sugiere que hay factores no  
incluidos que podrían desempeñar un papel mayor  
(p. ej., autoeficacia académica, motivación intrínseca,  
diseño instruccional y apoyos institucionales). La  
evidencia experimental y los metaanálisis muestran,  
además, que intervenciones de entrenamiento en  
autorregulación (establecimiento de metas, monitoreo  
y autoevaluación) producen mejoras significativas en  
desempeño y en uso de estrategias, especialmente en  
entornos online y combinados (Donker et al., 2014;  
Xu et al., 2023; Edisherashvili et al., 2022). Por tanto,  
una vía prometedora para incrementar los niveles  
observados consiste en integrar apoyos explícitos a la  
autorregulación en el diseño de las asignaturas.  
La asociación positiva, aunque débil, entre edad y  
autorregulación observada en el estudio es consistente  
con trabajos en educación de personas adultas y  
en modalidades semipresenciales  
o
a
distancia  
que describen un uso más frecuente y deliberado  
de estrategias autorregulatorias en estudiantes de  
mayor edad, probablemente por una combinación de  
mayor autonomía, experiencia y responsabilidades  
extraacadémicas que incentivan la planificación y el  
control del estudio (Vanslambrouck et al., 2019; Heo  
En conjunto, los hallazgos del presente estudio—  
diferencias pequeñas pero consistentes a favor de  
la modalidad en línea, correlaciones débiles con la  
edad  
y
alta intercorrelación entre dimensiones—  
│ 39  
Volumen 19, Número 50, Enero-Abril 2026, pp. 30 - 42  
VI. REFERENCIAS  
son congruentes con la literatura internacional: la  
autorregulación opera como un sistema integrado  
de estrategias cuya expresión depende tanto de  
características del estudiante (p. ej., edad, experiencia)  
como de las condiciones del entorno (exigencias de  
autonomía, calidad del andamiaje metacognitivo  
y retroalimentación). De acuerdo a Edisherashvili  
et al. (2022) la implicación práctica es directa: el  
fortalecimiento de la autorregulación en programas  
presenciales y en línea requiere acciones curriculares  
intencionales (guías de planificación, rúbricas de  
autoevaluación, recordatorios de monitoreo, analíticas  
de aprendizaje con feedback formativo) y soporte  
docente para su uso sostenido.  
American Psychological Association. (2017). Ethical  
principles of psychologists and code of conduct. ht-  
tps://www.apa.org/ethics/code  
Bagozzi, R. P., & Yi, Y. (1988). On the evaluation of  
structural equation models. Journal of the Academy  
of Marketing Science, 16(1), 74–94. https://doi.  
org/10.1007/BF02723327  
BERA (British Educational Research Association).  
(2018). Ethical guidelines for educational research.  
https://www.bera.ac.uk/researchers-resources/  
publications/ethical-guidelines-for-educational-re-  
search-2018  
V. CONCLUSIONES  
Broadbent, J. (2017). Comparing online and blended  
learners’ self-regulated learning strategies and aca-  
demic performance. The Internet and Higher Edu-  
cation, 33, 24–32. https://doi.org/10.1016/j.ihe-  
duc.2017.01.004  
El presente estudio evidenció que las dimensiones  
de la autorregulación del aprendizaje: Motivación hacia  
el aprendizaje (MAHA), Estrategias cognitivas (EC)  
y Autorregulación metacognitiva (ARM) presentan  
diferencias estadísticamente significativas en función  
de la modalidad educativa, con una ligera ventaja para  
los estudiantes de educación en línea. Asimismo, se  
identificó una correlación positiva, aunque débil, entre  
la edad y la autorregulación, lo que sugiere que factores  
asociados a la experiencia y la autonomía pueden influir  
en el uso de estrategias autorregulatorias. Las elevadas  
intercorrelaciones entre las tres dimensiones respaldan  
una concepción integrada del constructo, en línea con  
los principales modelos teóricos de autorregulación.  
Aunque el porcentaje de varianza explicada por  
los modelos fue reducido, los hallazgos aportan  
evidencia útil para orientar el diseño de intervenciones  
pedagógicas que fortalezcan la autorregulación, tanto  
en entornos presenciales como virtuales. Se recomienda  
que estas intervenciones incluyan estrategias de  
planificación, monitoreo y autoevaluación, así como  
el uso de recursos tecnológicos que faciliten la  
retroalimentación y el seguimiento del progreso del  
estudiante.  
Broadbent, J., & Poon, W. L. (2015). Self-regulated lear-  
ning strategies & academic achievement in online  
higher education learning environments: A systema-  
tic review. The Internet and Higher Education, 27,  
1–13. https://doi.org/10.1016/j.iheduc.2015.04.007  
Burbano-Larrea,  
P.,  
Basantes-Vásquez,  
M.,  
&
Ruiz-Lapuerta, I. (2021). Autorregulación del  
aprendizaje en estudiantes universitarios: un estu-  
dio descriptivo. Cátedra, 4(3), 74–92. https://doi.  
org/10.29166/catedra.v4i3.3048  
Bylieva, D., Hong, J.-C., Lobatyuk, V., & Nam, T. (2021).  
Self-regulation in e-learning: A study of university  
students in Russia. Education Sciences, 11(12), 785.  
https://doi.org/10.3390/educsci11120785  
Chevez Alvarado, R. A. (2020, junio 15). Carreras en lí-  
nea: estudia desde cualquier lugar con. UNEMI. ht-  
tps://www.unemi.edu.ec/index.php/carreras-en-li-  
nea/  
En términos prácticos, los resultados destacan la  
importancia de incorporar el desarrollo de habilidades  
autorregulatorias como componente transversal en  
los programas académicos. Esto no solo favorecería  
un aprendizaje más autónomo y sostenible, sino que  
también podría contribuir a mejorar el rendimiento  
académico y la adaptabilidad de los estudiantes frente a  
diversos contextos educativos.  
Cronbach, L. J. (1951). Coefficient alpha and the internal  
structure of tests. Psychometrika, 16(3), 297–334.  
https://doi.org/10.1007/BF02310555  
40 │  
Villena. Autorregulación en estudiantes universitarios: un análisis  
Donker, A. S., de Boer, H., Kostons, D., Dignath-van  
tion Ethics, 4(1), 1–7. https://doi.org/10.12785/  
Ewijk, C. C., & van der Werf, M. P. C. (2014). Effec-  
tiveness of learning strategy instruction on academic  
performance: A meta-analysis. Educational Re-  
search Review, 11, 1–26. https://doi.org/10.1016/j.  
edurev.2013.11.002  
jrpe/040101  
Llumiquinga Terán, R. A. (2024, abril 12). 124 000  
alumnos ecuatorianos estudiarán un grado en mo-  
dalidad online en 2025. Prensa.ec. https://pren-  
sa.ec/124-000-alumnos-ecuatorianos-estudia-  
ran-un-grado-en-modalidad-online-en-2025/  
Edisherashvili, N., Pirttimaa, R., & Hautamäki, J.  
(2022). Supporting self-regulated learning in dis-  
tance education: A systematic review. Frontiers in  
Psychology, 12, 792422. https://doi.org/10.3389/  
fpsyg.2021.792422  
Paladines-Ramírez, E., Alcívar-Solórzano, J., & Ga-  
bela-Acurio, E. (2024). Competencias digitales en  
docentes de educación superior en Ecuador. 593  
Digital Publisher CEIT, 9(5), 868–879. https://doi.  
org/10.33386/593dp.2024.5.2657  
Fernández-de-Castro, J., Martínez-Bautista, H., Ro-  
jas-Muñoz, L. M., & Galindo-Muñoz, R. (2024).  
Escala de Autorregulación del Aprendizaje: valida-  
ción de un instrumento para educación secundaria y  
media superior. Revista Complutense de Educación,  
35(1), 33–43. https://doi.org/10.5209/rced.82444  
Panadero, E. (2017). A review of self-regulated learning:  
Six models and four directions for research. Fron-  
tiers in Psychology, 8, 422. https://doi.org/10.3389/  
fpsyg.2017.00422  
Fornell, C., & Larcker, D. F. (1981). Evaluating struc-  
tural equation models with unobservable varia-  
bles and measurement error. Journal of Mar-  
keting Research, 18(1), 39–50. https://doi.  
org/10.1177/002224378101800104  
Preacher, K. J., & Hayes, A. F. (2008). Contemporary  
approaches to assessing mediation in communi-  
cation research. En A. F. Hayes, M. D. Slater, & L.  
B. Snyder (Eds.), The SAGE sourcebook of advan-  
ced data analysis methods for communication re-  
search (pp. 13–54). SAGE Publications. https://doi.  
org/10.4135/9781452272054.n2  
Giler-Medina, P., & Bravo-Cedeño, J. (2024). Com-  
petencias socioemocionales y autorregulación del  
aprendizaje en estudiantes de bachillerato. Revista  
Cientí ica y Arbitrada de Ciencias Sociales y Tra-  
bajo Social: Tejedora, 6(12ep), 80–97. https://doi.  
org/10.56124/tj.v6i12ep.0102  
Raykov, T. (1997). Estimation of composite reliabi-  
lity for congeneric measures. Applied Psycholo-  
gical Measurement, 21(2), 173–184. https://doi.  
org/10.1177/01466216970212006  
Hayes, A. F. (2017). Introduction to mediation, mode-  
ration, and conditional process analysis: A regres-  
sion-based approach. Guilford Publications. https://  
books.google.com.ec/books?id=6uk7DwAAQBAJ  
Regmi, P. R., Waithaka, E., Paudyal, A., Simkhada, P.,  
& Van Teijlingen, E. (2016). Guide to the design and  
application of online questionnaire surveys. Nepal  
Journal of Epidemiology, 6(4), 640–644. https://  
doi.org/10.3126/nje.v6i4.17258  
Heo, J., Han, S., Koch, C., & Aydin, H. (2018). Effects of  
motivation, academic stress and age in predicting  
self-directed learning readiness (SDLR) among on-  
line learners. Education and Information Techno-  
logies, 23, 61–71. https://doi.org/10.1007/s10639-  
017-9585-2  
Roberts, L. D., & Allen, P. J. (2015). Exploring ethical  
issues associated with using online surveys in educa-  
tional research. Educational Research and Evalua-  
tion, 21(2), 95–108. https://doi.org/10.1080/13803  
611.2015.1024421  
Kang, E., & Hwang, H.-J. (2023). The importance of  
anonymity and confidentiality for conducting sur-  
vey research. Journal of Research and Publica-  
Sijtsma, K. (2009). On the use, the misuse, and the very  
limited usefulness of Cronbach’s alpha. Psycho-  
metrika, 74(1), 107–120. https://doi.org/10.1007/  
s11336-008-9101-0  
│ 41  
Volumen 19, Número 50, Enero-Abril 2026, pp. 30 - 42  
Vanslambrouck, S., Zhu, C., Pynoo, B., Lombaerts, K.,  
academic achievement in online and blended lear-  
ning. Behaviour & Information Technology. Advan-  
ce online publication. https://doi.org/10.1080/0144  
929X.2023.2233132  
Tondeur, J., & Philipsen, B. (2019). Adult learners’  
self-regulated learning strategies in blended learning  
environments. Computers & Education, 128, 75–87.  
https://doi.org/10.1016/j.compedu.2018.09.011  
Yaban, E. H., & Karabenick, S. A. (2024). Developmental  
regulation processes and age-related differences in  
distance higher education. Higher Education. Ad-  
vance online publication. https://doi.org/10.1007/  
s10734-024-01159-1  
Vélez, G., & Quintana, M. G. B. (2025). Comparing  
university students’ self-regulated learning in on-  
line and face-to-face learning environments: A la-  
tent profile analysis. Journal of Computer-Assisted  
Learning. Advance online publication. https://doi.  
org/10.1007/s11409-025-09426-0  
Zimmerman, B. J. (2000). Attaining self-regulation. En  
M. Boekaerts, P. R. Pintrich, & M. Zeidner (Eds.),  
Handbook of self-regulation (pp. 13–39). Academic  
Press. https://doi.org/10.1016/B978-012109890-  
2/50031-7  
Xu, Z., Du, J., & Fan, X. (2023). A meta-analysis of the  
efficacy of self-regulated learning interventions on  
42 │