Aceptación de los estudiantes universitarios en el uso de
los sistemas e-learning Moodle desde la perspectiva del
modelo TAM
Acceptance of university students in the use of Moodle
e-learning systems from the perspective of the TAM model
Resumen
El propósito de este artículo es presentar un estudio donde se consideraron los incentivos que tienen los estudiantes universita-
rios en el uso real de sistemas e-learning para promover el aprendizaje auto dirigido y colaborativo en el contexto de sus cursos
universitarios. Además, se propone un esquema teórico de investigación en base al modelo TAM. Se construyó un cuestionario en
línea, que se distribuyó por correo electrónico a todos los alumnos de la carrera de Finanzas y Auditoria de la Universidad de las
Fuerzas Armadas. En total 128 estudiantes universitarios respondieron. Se realizó un análisis exploratorio y confirmatorio utilizan-
do Mínimos Cuadrados Parciales (PLS) para validar el modelo de investigación. Se establecieron las relaciones existentes entre la
experiencia, normas subjetivas, entretenimiento percibido, ansiedad por la computadora, auto eficiencia computacional, la utilidad
percibida y la facilidad de uso percibida, la actitud de aprendizaje y el uso real de los sistemas e-learning. Como resultado en el
modelo propuesto se obtuvo una varianza explicada del 49,7% en el uso de dicho sistema. También se encontró que la mayoría de
los estudiantes se interesaron en aprender con la plataforma Moodle y lo consideraron como una herramienta de aprendizaje útil.
Palabras Clave: TAM, e-learning, PLS, estudiantes, Adopción de tecnología, educación.
Abstract
The purpose of this article is to present a study that considered the factors that university students have in the real use of e-learning
systems to promote self-directed and collaborative learning in the context of their university courses. In addition, a theoretical
research scheme based on the TAM model was proposed and an online questionnaire was constructed, which was distributed
by e-mail to all students of the Finance and Audit career at the University of the Armed Forces. In total, 128 university students
responded. An exploratory and confirmatory analysis was carried out using Partial Least Squares (PLS) to validate the research model.
The relationships between experience, subjective norms, perceived entertainment, computer anxiety, computational self-efficiency,
perceived usefulness and perceived ease of use, the learning attitude and the actual use of e-learning systems were made. As a result of
the proposed model, an explained variance of 49.7% was obtained in the use of this system and it was found that most of the students
were interested in learning with the Moodle platform and considered it a useful learning tool.
Keywords: TAM, e-learning, PLS, students, Technology adoption, education.
Recibido: 07 de Diciembre de 2018
Aceptado: 24 de Enero de 2019
Fernando, Terán-Guerrero 1*
1
MSc. en Finanzas Empresariales e Ingeniero en sistemas; Universidad Técnica de Ambato; nandot28@gmail.com; https://orcid.
org/0000-0002-6454-482X
Revista Ciencia UNEMI
Vol. 12, Nº 29, Enero-Abril 2019
, pp. 63 - 76
ISSN 1390-4272 Impreso
ISSN 2528-7737 Electrónico
http://dx.doi.org/10.29076/issn.2528-7737vol12iss29.2019pp63-76p
Volumen 12, Número 29,
Enero-Abril 2019
, pp. 63 - 76
I. INTRODUCCIÓN
Es fundamental la presencia de la tecnología
e innovación, que necesariamente deben estar
alineadas a nuevos escenarios educativos, exigiendo
que las instituciones universitarias concentren
esfuerzos y recursos en sus procesos de enseñanza,
por los medios didácticos, pedagógicas y de
comunicación interactiva que ofrecen a los alumnos
(Guerrero, 2015).
La formación a todos los niveles educativos,
tomando énfasis la educación universitaria, está
constituida por los grandes avances en el campo de
la tecnología educativa, comunicaciones móviles,
donde estas instituciones deben revisar su estructura
administrativa, docente e investigativa (Hanna,
2002).
La educación de calidad debe estar a la par
con la innovación, donde es fundamental el uso
de principios que transfieren los esfuerzos de un
sistema universitario que se privilegiará. Por eso
es importante la aplicación de las Tecnologías de
Información y Comunicación (TIC) considerando los
siguientes elementos: a) Entornos colaborativos, b)
Sistemas e-learning, c) Enseñanza personalizada, d)
Interactividad de las herramientas tecnológicas, e)
Comunicación sin distancia, f) Computación móvil, y
g) Formación continua (Ahumada, 2012).
Es importante mencionar que dentro de las
TICs existen diversas y funcionales herramientas
tecnológicas que apoyan, pero que reemplazan
a la educación, como las tablets, smartphones,
aplicaciones cloud-computing, aulas virtuales con
software colaborativo y cooperativo, robótica, sitios
web con tecnologías 3d, entre otras.
Analizando el proceso de integración de la
tecnología dentro del sistema educativo se pueden
revelar tres actores primordiales cuya colaboración
coyuntural afiance el éxito de una educación de
calidad: la gestión universitaria, los alumnos, y los
profesores universitarios (Chen et al., 2009).
El objetivo en este sentido es promover y
fomentar la aceptación de las nuevas tecnologías
a través de formas dinámicas de aprendizaje que
afectan positivamente los procesos de educación
hacia los alumnos (Iglesias et al., 2014; Iglesias y
García, 2016).
Los sistemas e-learning permiten dar soporte a
las clases sin restricciones asociadas al tiempo y zona
demográfica, y que apoyan a una interactividad entre
los estudiantes y los instructores (Adam et al., 2013).
Esta investigación se enfoca en evaluar la
aceptación de un sistema e-learning Moodle, con
la finalidad de contribuir a una mejor educación
dentro de las instituciones universitarias rompiendo
el paradigma de las brechas digitales.
El e-learning se ha vuelto gradualmente más
transcendental para las universidades y posiblemente
se haya convertido en uno de los desarrollos más
importantes en las TIC (Al-Gahtani, 2016).
El más utilizado en la actualidad es el modelo
de aceptación de tecnología (TAM) para medir
la adopción de una nueva tecnología propuesto
originalmente por Davis (1986, 1989, 1993), existen
decenas de estudios empíricos validados con el TAM.
La notoriedad del modelo TAM y sus variantes, se
puede ver en el número de estudios que aplican,
amplían y valoran el entorno para analizar los
constructos que afectan la adopción de la tecnología
por parte de los involucrados dentro de la literatura
sobre tecnología educativa (Abdullah y Ward, 2016).
II. DESARROLLO
1. Modelo teórico TAM
La generación de conocimientos y capacidades,
el procesamiento de la información y creencias se
enfatizan en las teorías cognitivas (Schunk, 2008). Lo
que se entiende que las teorías cognitivas enfatizan
diversos elementos como: los ideologías, creencias,
cualidades y valores de los estudiantes y que para
nuestra investigación son las variables externas de
nuestro modelo TAM (Davis, 1993).
Por eso, es importante analizar si los alumnos
aceptan una nueva tecnología. Si reúnen y
esquematizan esta información esencial en su
entorno para mejorar su capacidad de aprendizaje.
En el efecto de este proceso se establece una sucesión
de afirmaciones sobre el uso de una nueva tecnología,
Terán Guerrero. Aceptación de los estudiantes universitarios en el uso de los sistemas e-learning Moodle.
que determina que los usuarios la acepten o la
rechacen; es decir, las afirmaciones son el motor de
la decisión de adoptar una nueva tecnología.
Se resaltan los grandes aportes de Davis (1993),
en el desarrollo del modelo TAM donde propone la
medición de la aceptación de una nueva tecnología.
Este modelo se elabora partiendo de los supuestos
por Davis (1989), de la Teoría de la Acción Razonada
(TRA) de los autores Fishbein y Ajzen (1975) y la
Teoría del Comportamiento Planeado (TPB) del
investigador Ajzen (1985), dos teorías originarias
del ámbito de la psicología cognitiva, que indagan
el proceso que lleva a un individuo a adoptar una
conducta concluyente (Sánchez-Prieto et al., 2015).
Para la construcción del modelo, se han
estudiado y analizado otras soluciones ya existentes,
Comenzando con las hipótesis planteadas por
(Davis, 1986, 1989, 1993) y al analizar el avance
del modelo TAM en la literatura especializada en la
aceptación de los sistemas e-learning con estudios
enfocados hacia los estudiantes (Legris et al., 2003;
Cheung y Vogel, 2013; Kripanont, 2006; Malapile
y Keengwe, 2013; Sriram, 2014; Paluri, 2015; Al-
Gahtani, 2016; Dumpit y Fernandez, 2017; Nikou y
Economides, 2017; Ramirez Anormaliza et al., 2017),
extrayendo algunos constructos que se consideraron
importantes para el contexto en el que el modelo
planteado se enfoca. La revisión del modelo TAM,
hizo posible verificar la capacidad explicativa del
estudio inicial de Davis (1986, 1989, 1993), ya que se
hallaron relaciones explicativas entre los constructos
PU, PEOU, y BI en el uso de sistemas e-learning
(Valencia et al., 2014).
El modelo TAM integra en tres ejes elementales:
la Utilidad Percibida (PU) de la tecnología (UP), la
Facilidad de Uso Percibida (P) y las Actitudes (ATT)
sobre la tecnología (Venkatesh et al., 2003). Las
variables externas revisadas de forma sistemática
que se adapten a predecir el sistema de e-learning
con el software Moodle, dirigido hacia los alumnos,
a utilizar en este nuevo modelo son como se muestra
en la Figura 1 de manera esquematizada.
Figura 1: Esquema del modelo de investigación
Fuente: Tomado de Davis (1993)
se eligieron diversos factores adecuados a nuestra
investigación, se tienen las siguientes hipótesis:
H1. A: La Experiencia (XP) está directamente
relacionada con la Utilidad Percibida (PU) de los
sistemas e-learning de los estudiantes de la carrera
de Finanzas y Auditoria en la realización de sus
actividades de aprendizaje.
Volumen 12, Número 29,
Enero-Abril 2019
, pp. 63 - 76
H1. B: La Experiencia (XP) está directamente
relacionada con la Facilidad de Uso Percibida
(PEOU) de los sistemas e-learning de los estudiantes
de la carrera de Finanzas y Auditoria en la realización
de sus actividades de aprendizaje.
Las personas con mayor experiencia
relacionada con la computación, como las que usan
computadoras, internet, correo electrónico guardan
y ubican archivos, tienen más probabilidades de
tener relaciones positivas hacia la PU y la PEOU (Lee
et al., 2013; Purnomo y Lee, 2013).
H2. A: Las Normas Subjetivas (SN) están
directamente relacionada con la Utilidad Percibida
(PU) de los sistemas e-learning de los estudiantes de
la carrera de Finanzas y Auditoria en la realización de
sus actividades de aprendizaje.
H2. B: Las Normas Subjetivas (SN) están
directamente relacionada con la Facilidad de Uso
Percibida (PEOU) de los sistemas e-learning de los
estudiantes de la carrera de Finanzas y Auditoria en
la realización de sus actividades de aprendizaje.
Las SN son el grado en que un individuo percibe,
que la mayoría de las personas que son importantes
para él piensan que debe o no debe usar el sistema
(Fishbein y Ajzen, 1975; Venkatesh, 2000).
H3. A: El Entrenamiento Percibido (ENJOY) está
directamente relacionada con la Utilidad Percibida
(PU) de los sistemas e-learning de los estudiantes de
la carrera de Finanzas y Auditoria en la realización de
sus actividades de aprendizaje.
H3. B: El Entrenamiento Percibido (ENJOY)
está directamente relacionada con la Facilidad de
Uso Percibida (PEOU) de los sistemas e-learning de
los estudiantes de la carrera de Finanzas y Auditoria
en la realización de sus actividades de aprendizaje.
El ENJOY sería la diversión que la computadora
representa, en una motivación intrínseca asociada
con el uso de cualquier nueva tecnología (Webster y
Martocchio,1992, Venkatesh y Bala, 2008).
H4. A: La Ansiedad por la Computadora
(CA) está directamente relacionada con la Utilidad
Percibida (PU) de los sistemas e-learning de los
estudiantes de la carrera de Finanzas y Auditoria en
la realización de sus actividades de aprendizaje.
H4. B: La Ansiedad por la Computadora (CA)
está directamente relacionada con la Facilidad de
Uso Percibida (PEOU) de los sistemas e-learning de
los estudiantes de la carrera de Finanzas y Auditoria
en la realización de sus actividades de aprendizaje.
La Ansiedad por la Computadora (CA) es el
grado tensión de un individuo cuando se enfrenta a
la posibilidad de usar las computadoras (Venkatesh,
2000).
H5. A: La Auto eficiencia Computacional
(SE) está directamente relacionada con la Utilidad
Percibida (PU) de los sistemas e-learning de los
estudiantes de la carrera de Finanzas y Auditoria en
la realización de sus actividades de aprendizaje.
H5. B: La Auto eficiencia Computacional (SE)
está directamente relacionada con la Facilidad de
Uso Percibida (PEOU) de los sistemas e-learning de
los estudiantes de la carrera de Finanzas y Auditoria
en la realización de sus actividades de aprendizaje.
Se refiere a la confianza o creencias que una
persona tiene sobre su capacidad para realizar con
éxito una tarea de forma individual que implica el
uso de las TIC (Compeau y Higgins, 1995; Peinado y
Olmedo, 2013).
H6: La Facilidad de Uso Percibida (PEOU) está
directamente relacionada con la Utilidad Percibida
(PU) de los sistemas e-learning de los estudiantes de
la carrera de Finanzas y Auditoria en la realización de
sus actividades de aprendizaje.
La PEOU es el grado en que una persona cree que
usar una TIC estará libre de esfuerzos (Davis et al.,
1989; Mitchell et al., 2005).
H7. A: La Utilidad Percibida (PU) está
directamente relacionada con la Actitud (ATT) de los
sistemas e-learning de los estudiantes de la carrera
de Finanzas y Auditoria en la realización de sus
actividades de aprendizaje.
Terán Guerrero. Aceptación de los estudiantes universitarios en el uso de los sistemas e-learning Moodle.
La PU describe el nivel en que un sujeto cree
que, usando un sistema en específico, mejorará su
desempeño laboral (Davis, 1989; Davis et al., 1989;
Yong Varela, 2004; Yong Varela et al., 2010).
H7. B: La Facilidad de Uso Percibida (PEOU)
está directamente relacionada con la Actitud (ATT)
de los sistemas e-learning de los estudiantes de la
carrera de Finanzas y Auditoria en la realización de
sus actividades de aprendizaje.
La ATT es la evaluación de un individuo para
realizar un determinado comportamiento (Ajzen,
2005).
H8: La Actitud (ATT) está directamente
relacionada con el Uso Actual del Sistema (AU)
de los sistemas e-learning de los estudiantes de la
carrera de Finanzas y Auditoria en la realización de
sus actividades de aprendizaje.
El AU es el nivel de uso real de un sistema o nueva
tecnología (Davis, 1989). Para la Uso Actual del
Sistema (AU) se elaboraron tres ítems basados en los
propuestos en el TAM 3 (Venkatesh y Bala, 2008).
2. Metodología
Partiendo de esas premisas, en esta investigación
se seleccionó a los estudiantes de la Universidad
de las Fuerzas Armadas (ESPE) y pertenecientes a
la carrera de Finanzas y Auditoría, para validar la
aceptación de la plataforma Moodle en sus actividades
de aprendizaje, como soporte y/o apoyo en su
educación. En tal razón, es importante comprender el
uso correcto de los sistemas e-learning en ambientes
TIC dentro de las universidades ecuatorianas.
La población objeto de estudio está compuesta por
la totalidad de alumnos matriculados en la carrera de
Finanzas y Auditoría en la matriz (Sangolqui) de la
Universidad de las Fuerzas Armadas con (N=230)
y se les envió a través de sus correos electrónicos,
utilizando Google Forms, alcanzando un tamaño de
muestra de 128 casos válidos.
Las escalas de medida aplicadas han sido
ampliamente validadas en investigaciones anteriores.
Se utilizaron las escalas propuestas por Davis (1993),
Venkatesh y Bala (2008) fueron acondicionadas para
medir los diversos constructos del modelo TAM.
La escala usada para validar el instrumento
proviene de Kwon y Wen (2010). Todos los ítems
fueron puntuados en una escala Likert de 5 puntos
(1 = totalmente en desacuerdo; 5 = totalmente de
acuerdo). El instrumento de investigación está
conformado por dos elementos; en el primero se
recogen los datos de identificación de los estudiantes
(género, edad, tiempo de estudio en la universidad y
tiempo de horas en Internet diario) y el segundo se
utilizó 30 ítems (variables).
3. Resultados
El estudio se llevó a cabo entre julio y agosto de
2018, y el análisis descriptivo puede ser observada en
la Tabla 1.
Tabla 1: Datos demográficos de los estudiantes de la universidad
Información de estudiantes
Frecuencia (%)
Género
Masculino
87 (68,2%)
Femenino
41 (31,8%)
Edad
Menor de 20 años
33 (25,8%)
Entre 20 – 25 años
80 (62,5%)
Entre 26 – 30 años
14 (10,9%)
Mayor a 30 años
1 (0,8%)
Tiempo de estudio en la universidad
Menos de 1 año
3 (2,3%)
De 1 a 3 años
108 (84,4%)
De 3 a 5 años
16 (12,5%)
Más de 5 años
1 (0,8%)
Volumen 12, Número 29,
Enero-Abril 2019
, pp. 63 - 76
Se plantearon las hipótesis de investigación del
modelo TAM, que fueron validadas mediante un análisis
empírico, utilizando técnicas estadísticas de análisis de
Mínimos Cuadrados Parciales (Partial Least Squares,
PLS) con el Modelo de Ecuaciones Estructurales
(Structural Equation Modeling, SEM) de Garson (2016),
con lo que podrá explicar mejor los ítems (preguntas) y
constructos como factores clave de éxito, que determinan
la aceptación de las aulas virtuales en las universidades.
En esta investigación se aplicó el software Smart PLS
creado por Ringle et al. (2016), que sirve para validar las
hipótesis con un análisis de fiabilidad y validez de los
constructos, así como su modelo estructural.
Primero se realizó la evaluación global del modelo
para los alumnos de la carrera de Finanzas y Auditoría,
el SRMR (Standarized Root Mean Square). Este criterio
representa la raíz de la discrepancia cuadrada entre la
Luego se aplicó el análisis de fiabilidad y validez de los
constructos que todos los coeficientes superan el umbral
recomendado por Nunnally (1978), la fiabilidad de las
escalas con el indicador Alfa de Cronbach, obteniendo
todos los valores superiores al valor de referencia 0,7
excepto la Experiencia (XP).
Continuación Tabla 1.
Tabla 2. Valores del ajuste global del modelo analizado
Tiempo de horas en Internet diario
Menos de 1 hora
3 (2,3%)
De 1 a 3 horas
3 (2,3%)
De 3 a 5 horas
49 (38,3%)
Más de 5 horas
36 (28,1%)
matriz de correlaciones observada y el modelo implícito,
es decir, la distancia euclidiana entre dos matrices
(Henseler et al., 2016). Suponiendo un valor de corte
de 0,08, según lo propuesto por Hu y Bentler (1999), el
modelo presentado en este estudio muestra un ajuste
aceptable (SRMR = 0,066).
El informe con el software Smart PLS reveló un valor
theta RMS de 0,167 lo que indica el ajuste del modelo,
mientras que los valores superiores a 0,12 podrían
sugerir una falta de ajuste (Henseler et al., 2015). Es
recomendable que la medida esté cerca de cero para
implicar correlaciones menores.
Con respecto a la medida NFI (The Normed Fit
Index) lo recomendado debe ser valores igual o mayor
que 0,90 (Carroll et al., 2002), como se describe en la
Tabla 2.
Medida de ajuste
Valores
Recomendado
SRMR
0,066
< 0,08
RMS Theta
0,167
< 0,12
NFI
0,723
> 0,90
Con respecto a la fiabilidad compuesta, Nunnally
(1978) recomienda un indicador mínimo de 0,7 que
cumplen todos los constructos menos la Experiencia
(XP) y para las varianzas extraídas de 0,5, como
recomiendan Bagozzi y Yi (1988). Todos están encima
de lo recomendado excepto la Experiencia (XP), como se
muestra en la Tabla 3.
Terán Guerrero. Aceptación de los estudiantes universitarios en el uso de los sistemas e-learning Moodle.
Tabla 3. Análisis de fiabilidad y validez de los constructos
Tabla 4. Cargas factoriales individuales
En este caso la fiabilidad compuesta (ρc), se
obtuvieron puntuaciones superiores a 0,70, el valor
recomendado, en todos los constructos, salvo en el de
la experiencia, que, aunque presenta una puntuación
inferior, tiene un valor por encima del 0,65, por lo que
no consideramos necesario eliminarla del modelo.
La validez por varianza extraída (AVE) confirma que
Constructos
Alfa de Cronbach
(α)
Correlaciones de
Spearman
ρ (rho)
Fiabilidad
compuesta (ρc)
Varianza extraida
(AVE)
Experiencia (XP)
0,612
0,631
0,691
0,429
Normas Subjetivas (SN)
0,706
0,722
0,831
0,621
Entretenimiento
Percibido (ENJOY)
0,828
0,829
0,898
0,745
Ansiedad por la
computadora (CA)
0,734
0,763
0,849
0,654
Auto eficiencia
Computacional (SE)
0,743
0,789
0,850
0,656
Utilidad Percibida (PU)
0,886
0,891
0,930
0,816
Facilidad de Uso
Percibida (PEOU)
0,896
0,899
0,935
0,828
Actitud (ATT)
0,853
0,856
0,911
0,773
Uso Actual del Sistema
(AU)
0,832
0,834
0,899
0,749
se obtienen puntuaciones por encima de 0,50 en cada
constructo, como es el caso en esta propuesta, excepto la
Experiencia (XP), pero no es necesario eliminarla.
A continuación se aplica el análisis factorial
confirmatorio (CFA) de los ítems de cada constructo
como se muestra en la Tabla 4.
Constructos
Media
Desviación Estándar
Carga Factorial Individual
Experiencia (XP)
c11
3,77
0,53
0,542
c12
3,82
0,67
0,649
c13
3,91
0,75
0,830
Normas Subjetivas (SN)
c21
3,84
0,85
0,860
c22
3,77
0,80
0,727
c23
3,86
0,82
0,772
Entretenimiento Percibido
(ENJOY)
c31
3,70
1,04
0,825
c32
3,77
0,98
0,879
c33
3,88
0,88
0,884
Ansiedad por la computadora
(CA)
c41
3,90
1,12
0,858
c42
3,66
1,06
0,696
c43
3,84
0,97
0,861
Volumen 12, Número 29,
Enero-Abril 2019
, pp. 63 - 76
Para confirmar la validez factorial de cada
ítem en los constructos, se recomienda una
puntuación absoluta superior a 0,70, siendo
aceptable una puntuación absoluta por encima de
0,50 y entendiéndose como una carga factorial las
puntuaciones absolutas por encima de 0,30, por
debajo de esta cifra se interpreta que no tienen un
peso significativo y pueden ser eliminadas.
Como se puede comprobar en la tabla, los ítems
planteados presentan las puntuaciones más altas en
los constructos para las que fueron planteados, con
puntuaciones en la mayoría de los casos por encima
del límite de 0,70.
Auto eficiencia Computacional
(SE)
c51
3,91
0,97
0,850
c52
3,38
0,88
0,703
c53
3,88
0,90
0,867
Utilidad Percibida (PU)
c61
4,01
1,06
0,894
c62
4,09
0,96
0,950
c63
4,18
0,91
0,864
Facilidad de Uso Percibida
(PEOU)
c71
3,88
1,05
0,888
c72
3,90
1,10
0,943
c73
4,02
1,03
0,898
Actitud (ATT)
c81
3,80
1,10
0,863
c82
4,09
0,99
0,902
c83
3,98
1,03
0,872
Uso Actual del Sistema (AU)
c91
4,18
1,00
0,878
c92
4,00
0,96
0,888
c93
4,23
0,99
0,829
Continuación Tabla 4.
Para evaluar la validez discriminante cuando la
varianza entre los constructos del modelo es menor
que la varianza que cada constructo comparte con sus
indicadores (Fornell et al., 1982).
Se comprobó con éxito que la validez
discriminante de las variables latentes analizando si
la raíz cuadrada de la varianza media extraída (AVE)
de cada constructo es mayor que las correlaciones con
el resto de las variables latentes. Todos los resultados
obtenidos señalan la idoneidad de las escalas de
medida aplicadas, como se describe en la Tabla 5.
Terán Guerrero. Aceptación de los estudiantes universitarios en el uso de los sistemas e-learning Moodle.
Tabla 4. Validez discriminante
Una vez que se examinaron la fiabilidad y la
validez del modelo propuesto, constan varios pasos
deben tomarse para validar las relaciones hipotéticas
dentro del modelo estructural (Hair et al., 2014).
Por lo tanto, se empezará con el nivel de
significancia de las relaciones en el modelo estructural
fue evaluada mediante SmartPLS (Ringle et al.,
2016). Para nuestro modelo se aplicó el método de
remuestreo no paramétrico con (1000 sub muestras)
ATT
AU
CA
ENJOY
PEOU
PU
SE
SN
XP
ATT
0,879
AU
0,705
0,865
CA
0,516
0,506
0,809
ENJOY
0,571
0,489
0,457
0,863
PEOU
0,760
0,735
0,453
0,436
0,910
PU
0,773
0,745
0,486
0,586
0,707
0,903
SE
0,642
0,618
0,610
0,579
0,576
0,675
0,811
SN
0,519
0,342
0,571
0,555
0,365
0,415
0,550
0,788
XP
0,377
0,167
0,253
0,232
0,341
0,361
0,293
0,205
0,640
bootstrapp desarrollado por Badley Efron (Gómez
Cruz, 2011).
La evaluación del signo algebraico, magnitud
y significación estadística de los coeficientes path
se puede ver en la Tabla 6. El modelo estructural
resultante de los análisis aparece resumido en la
Figura 2, en que se recoge las estimativas de cada
relación planteada en las hipótesis y la significación
estadística de las cargas estructurales del modelo.
Figura 2. Resultado del modelo propuesto TAM.
Volumen 12, Número 29,
Enero-Abril 2019
, pp. 63 - 76
Los resultados proporcionan soporte para
las relaciones propuestas a lo largo de las rutas
especificadas. Los resultados mostrados en la
Figura 1 se indica que el modelo de investigación
4. Discusión
El análisis empírico realizado en esta
investigación, demuestra información relevante
para avanzar en la discusión planteada; el objetivo
de este artículo es analizar el uso real de los
sistemas e-learning por parte de los estudiantes
universitarios dentro del marco de los modelos
TAM.
Se aceptaron aquellos coeficientes path
estimados (β), y por extensión las hipótesis
que tengan un nivel de significancia según una
distribución t de Student de una cola con n-1 grados
de libertad (Roldán y Sánchez-Franco, 2012).
Estos valores, según (Chin, 1998) deben estar entre
los valores de 0,2 e idealmente superar el valor 0,3,
por tanto, si β <0,2 no hay causalidad por lo que
la hipótesis se rechaza y también coinciden con la
prueba de t de Student.
Teniendo en cuenta los ocho constructos
elegidos para esta investigación, en referencia
a las pruebas de hipótesis, se encontró que las
Normas Subjetivas (SN), no era concluyente en el
Tabla 6. Contraste de hipótesis
Nota: * p < 0,05. ** p < 0,01. *** p < 0,001. ns. No significativo, basado en t (999), test de una-cola.
explica el 49,7 por ciento (R² = 0,497) explica la
varianza entre la ATT y la AU, se explica el 68,9
por ciento (R² = 0,689) explica la varianza entre la
PEOU, PU y la ATT,
Hipótesis
Relación
Coeficientes path
estimados (β)
Estadísticos t
P valores
Decisión
H1.A
XP -> PU
0,084
1,322
0,093
Rechazada
H1.B
XP -> PEOU
0,170
2,687
0,004**
Aceptada
H2.A
SN -> PU
-0,059
0,848
0,198
Rechazada
H2.B
SN -> PEOU
-0,030
0,369
0,356
Rechazada
H3.A
ENJOY -> PU
0,238
2,496
0,006**
Aceptada
H3.B
ENJOY -> PEOU
0,128
1,296
0,098
Rechazada
H4.A
CA -> PU
0,023
0,286
0,387
Rechazada
H4.B
CA -> PEOU
0,132
1,631
0,052
Rechazada
H5.A
SE -> PU
0,290
2,427
0,008**
Aceptada
H5.B
SE -> PEOU
0,388
3,468
0,000***
Aceptada
H6
PEOU -> PU
0,418
3,767
0,000***
Aceptada
H7.A
PU -> ATT
0,472
4,905
0,000***
Aceptada
H7.B
PEOU -> ATT
0,427
4,557
0,000***
Aceptada
H8
ATT -> AU
0,705
16,349
0,000***
Aceptada
modelo relacionado con la Utilidad Percibida (PU)
y la Facilidad de Uso Percibida (PEOU), también
el Entretenimiento Percibido (ENJOY) no estaba
relacionada con la Facilidad de Uso Percibida
(PEOU), la Experiencia (XP) no influye en el
constructo Utilidad Percibida (PU), y la Ansiedad
por la computadora (CA) no era determinante con
los constructos Utilidad Percibida (PU) y Facilidad
de Uso Percibida (PEOU).
Los resultados alcanzados en esta investigación
ponen de manifiesto cómo el modelo TAM es una
herramienta útil para conocer el uso real de las aulas
virtuales que tienen los alumnos universitarios, tal
y como se demuestra en la validez y fiabilidad de
las escalas, en la significación de las relaciones
entre los constructos, en la varianza explicada por
parte de las variables endógenas. En definitiva, los
resultados obtenidos son sumamente significativos.
Se obtuvo un R² = 0,497 en el uso real en nuestro
modelo lo que es muy aceptable con respecto a
otras investigaciones del estudio de la adopción de
los sistemas e-learning en los estudiantes, están
Terán Guerrero. Aceptación de los estudiantes universitarios en el uso de los sistemas e-learning Moodle.
alrededor de un coeficiente de determinación de
R² = 0,50 (Sánchez-Franco et al., 2007; Arteaga
y Duarte, 2010; Peral et al., 2014; Mohammadi,
2015).
III. CONCLUSIONES
Con esta investigación, desarrollada a partir
de los alumnos de la Universidad de las Fuerzas
Armadas de la carrera de Finanzas y Auditoría, de
la que se buscaba analizar cuál era la Intención de
Uso del sistema e-learning entre los estudiantes
universitarios, teniendo como base teórica el
modelo TAM.
Los efectos alcanzados podrán ser manejados
para fortalecer aquellos constructos que beneficien
la aceptación de las tecnologías, con el objetivo
de reducir los tiempos de adopción y minimizar
los riesgos de la implementación de una nueva
tecnología, por falta de aplicabilidad de los mismos.
Los resultados que se presentaron pueden
servir de base para que las demás universidades
determinen cuáles son los constructos (factores)
que pueden predecir mejor la aceptación de nuevos
sistemas basados en e-learning en su ámbito de
aplicación; de esta manera, tendrán la oportunidad
de desarrollar estrategias para favorecer el efecto
de aquellos factores que mejor predicen el uso
de las herramientas para que la adopción exitosa
de las mismas se lleve a cabo en el menor tiempo
posible
Se puede concluir, por tanto, que los resultados
conseguidos aseguran que las universidades no sólo
deben estar enfocados en la implementación de las
TIC en lo que se refiere a los sistemas e-learning,
sino que también deben afrontar visiblemente las
discordancias individuales entre los estudiantes
universitarios que utilizan dichas herramientas
tecnológicas, para así generar valor que ofrezca
nuevas oportunidades que ofrece a futuro.
En este sentido, es necesario profundizar en
el estudio de nuevos constructos que permitan
incrementar los niveles de la varianza explicada
(R²), así como proponer escalas de actitud no
unidimensionales; y además relacionado con el
aumento del número de variables a analizar.
IV. REFERENCIAS BIBLIOGRÁFICAS
Abdullah, F., y Ward, R. (2016). Developing a General
Extended Technology Acceptance Model for
E-Learning (GETAMEL) by analysing commonly
used external factors. Computers in Human
Behavior, 56, 238–256. doi.org/10.1016/j.
chb.2015.11.036.
Adam, M., Vallés, R., y Rodríguez, G. (2013).
E-learning: Características y evaluación.
Ensayos de Economía, 43, 143-159. Recuperado
de http://upcommons.upc.edu/bitstream/
h a n d l e / 2 1 1 7 / 2 7 3 1 4 / 4 2 9 3 2 - 1 9 8 7 5 4 - 1
PB.pdf?sequence=1
Ahumada, M. (2012). Innovando la docencia y la
evaluación: las herramientas 2.0 al aula. Actual.
Pedagog, 60(2), 15-28.
Ajzen, I. (1985). From intentions to actions: A theory
of planned behavior. En J. Kuhl y J. Beckmann
(Eds.), (11-39). Berlin Heidelberg: Springer.
doi:10.1007/978-3- 642-69746-3_2
Ajzen, I. (2005). Attitudes, personality, and
behavior,191.
Al-Gahtani, S. (2016). Empirical investigation
of e-learning acceptance and assimilation: A
structural equation model. Applied Computing
and Informatics, 12(1), 27–50. doi.org/10.1016/j.
aci.2014.09.001.
Arteaga, R., y Duarte, A. (2010). Motivational factors
that influence the acceptance of Moodle using
TAM. Computers in Human Behavior, 26(6),
1632–1640. doi.org/10.1016/j.chb.2010.06.011.
Bagozzi, R. P., y Yi, Y., (1988). On the evaluation
of structural equation models. Journal of the
Academy of Marketing Science, 16(1), 74–94.
Carroll, J., Howard, S., Peck, J., y Murphy, J. (2002).
A field study of perceptions and use of mobile
Volumen 12, Número 29,
Enero-Abril 2018
, pp. 63 - 76
telephones by 16 to 22 year olds. Journal of
Information Technology Theory and Application
(JITTA), 4(2), 6.
Chen, F. H., Looi, C. K., y Chen, W. (2009).
Integrating technology in the classroom: A
visual conceptualization of teachers' knowledge,
goals and beliefs. Journal of Computer Assisted
Learning, 25(5), 470-488. doi.org/10.1111/j.1365-
2729.2009.00323.x.
Cheung, R., y Vogel, D. (2013). Predicting user
acceptance of collaborative technologies: An
extension of the technology acceptance model for
e-learning. Computers and Education, 63, 160–
175. doi.org/10.1016/j.compedu.2012.12.003.
Chin, W. W. (1998). The partial least squares approach
for structural equation modeling. Modern
methods for business research, Methodology for
business and management. (295–336). Mahwah,
NJ, US: Lawrence Erlbaum Associates Publishers.
Compeau, D. R., y Higgins, C. A. (1995). Computer
self-efficacy: development of a measure and initial
test. MIS Quart. 19, 189-211.
Davis, F. D. (1986). A technology acceptance model
for empirically testing new end-user information
systems: theory and results. PhD Thesis, Sloan
School of Management, Massachusetts Institute
of Technology.
Davis, F. D. (1989). Perceived Usefulness, Perceived
Ease of Use, and User Acceptance. MIS Quarterly,
13(3), 319- 340.
Davis, F. D., Bagozzi, R. P., y Warshaw, R.P. (1989).
User Acceptance of Computer Technology:
A Comparison of Two Theoretical Models.
Management Science, 35(8), 982-1003. doi.
org/10.1287/mnsc.35.8.982.
Davis, F. D. (1993). User acceptance of information
technology: system characteristics, user
perceptions and behavioral impacts. International
Journal of Man-Machine Studies, 38(3), 475- 487.
doi.org/10.1006/imms.1993.1022.
Dumpit, D. Z., y Fernandez, C. J. (2017). Analysis
of the use of social media in Higher Education
Institutions (HEIs) using the Technology
Acceptance Model. International Journal of
Educational Technology in Higher Education,
14(1), 5. doi.org/10.1186/s41239-017-0045-2.
Fishbein, M., y Ajzen, I. (1975). Belief, attitude,
intention, and behavior: An introduction to theory
and research. Reading, Massachusets: Addison-
Wesley Pub. Co.
Fornell, C., Tellis, G. J., y Zinkhan, G. M. (1982).
Validity assessment: A structural equations
approach using partial least squares. En B. J.
Walker (Ed.), An assessment of marketing thought
and practice (405-409). Chicago: American
Marketing Association.
Garson, G. D. (2016). Partial Least Squares:
Regression & Structural Equation Models (2016th
ed.). Asheboro- USA: Statistical Associates
Publishing.
Gómez Cruz, M. E. (2011). Estimación de los modelos
de ecuaciones Estructurales, del índice mexicano
de la satisfacción del usuario de programas
sociales mexicanos, con la metodología de
mínimos cuadrados parciales. Tesis de Maestría.
Universidad Iberoamericana.
Guerrero, C. (2015). UMUMOOC Una propuesta
de indicadores de calidad pedagógica para la
realización de cursos MOOC. Campus Virtuales,
4(2), 70-76. Recuperado de http://www.
revistacampusvirtuales.es.
Hanna, D. (2002). La enseñanza universitaria en la
era digital: consecuencias globales. In D. Hanna
(Ed.), La enseñanza universitaria en la era digital.
33-57. Barcelona: Octaedro- EUB.
Hair, J. F., Sarstedt, M., Hopkins, L., y Kuppelwieser,
V. G. (2014). Partial least squares structural
equation modeling (PLS-SEM): An emerging tool
in business research. European Business Review,
26(2), 106–121.
Terán Guerrero. Aceptación de los estudiantes universitarios en el uso de los sistemas e-learning Moodle desde la
perspectiva del modelo TAM.
Henseler, J., Ringle, C. M., y Sarstedt, M. (2015). A
new criterion for assessing discriminant validity
in variance based structural equation modelling.
Journal of the Academy of Marketing Science,
43(1), 115-135.
Henseler, J., Hubona, G., y Ray, P. A. (2016). Using
PLS Path Modeling in New Technology Research:
Updated Guidelines. Industrial Management &
Data Systems, 116(1), 2–20. doi.org/10.1108/
IMDS-09-2015-0382.
Hu, L.-t., y Bentler, P. M. (1999). Cutoff criteria
for fit indexes in covariance structure analysis:
Conventional criteria versus new alternatives.
Structural Equation Modeling, 6(1), 1-55. doi.
org/10.1080/10705519909540118.
Iglesias, A., Sánchez, M., y Pedrero, C. (2014). Case
study on collaborative work experiences with web
2.0 in Spanish Primary Schools with the Highest
Institutional accreditation level. Journal of Cases
on Information Technology, 16(3), 33-50. doi.
org/10.4018/JCIT.2014070104.
Iglesias, A., y García, B. (2016). Learning Goes Mobile:
Devices and Apps for the Practice of Contents
at Tertiary Level. In D. Fonseca and E. Redondo
(Eds.), Handbook of Research on Applied
E-Learning in Engineering and Architecture
Education (472-496). Hershey, PA: Engineering
Science Reference. doi.org/10.4018/978-1- 4666-
8803-2.ch021.
Kwon, O., y Wen, Y. (2010). An empirical study of
the factors affecting social network service use.
Computers in Human Behavior, 26, 254-263.
Kripanont, N. (2006). Using a Technology Acceptance
Model to Investigate Academic Acceptance
of the Internet. Journal of Business Systems,
Governance and Ethics, 1(2), 13-28.
Lee, Y., Hsieh, Y., y Chen, Y. (2013). An investigation
of employees Use of e-learning systems: applying
the technology acceptance model. Behaviour and
Information Technology, 32(2), 173e189.
Legris, P., Ingham, J., y Collerette, P. (2003). Why
do people use information technology? A critical
review of the technology acceptance model.
Information & Management, 40, 191-204. doi.
org/10.1016/S0378-7206(01)00143-4.
Mitchell, T., Chen, S., y Macredie, R. (2005).
Hypermedia learning and prior knowledge:
domain expertise vs system expertise. Journal of
Computer Assisted Learning, 21 (1), 53-64.
Malapile, S., y Keengwe, J. (2013). Information
communication technology planning in
developing countries. Education and Information
Technologies, 19(4), 691–701.
Mohammadi, H. (2015). Investigating users’
perspectives on e-learning: An integration of
TAM and IS success model. Computers in Human
Behavior, 45, 359–374. doi.org/10.1016/j.
chb.2014.07.044.
Nunnally, J. C. (1978). Psychometric theory (2nd ed.).
New York, NY: McGraw-Hill.
Paluri, R. (2015). Exploring the acceptance for
e-learning using technology acceptance model
among university students in india. International
Journal of Process Management and
Benchmarking, 5(2), 194–210. doi.org/10.1504/
IJPMB.2015.068667.
Peinado, S., y Olmedo, K. (2013). La Autoeficacia
Computacional, el Entrenamiento, la Frecuencia,
y el Lugar de Uso de Computadoras en Estudiantes
Universitarios Venezolanos. Revista Electrónica
de Investigación Y Docencia (REID), 9, 111– 125.
Peral, B. P., Gaitán, J. A., y Ramón-Jerónimo, M. Á.
(2014). Technology Acceptance Model y mayores:
¿la educación y la actividad laboral desarrollada
son variables moderadoras? Revista Española de
Investigación de Marketing ESIC, 18(1), 43–56.
doi.org/10.1016/S1138-1442(14)60005-X.
Purnomo, S. H., y Lee, Y. (2013). E-learning adoption
in the banking workplace in indonesia: an
empirical study. Information Development, 29(2),
Volumen 12, Número 29,
Enero-Abril 2019
, pp. 63 - 76
138-153. doi.org/10.1177/0266666912448258.
Ramirez Anormaliza, R., Sabaté, F., Llinàs-Audet,
X., y Lordan, O. (2017). Aceptación y uso de
los sistemas e-learning por estudiantes de
grado de ecuador: El caso de una universidad
estatal. Intangible Capital, 13(3), 548–581. doi.
org/10.3926/ic.820.
Ringle, C. M., Wende, S., y Will, A. (2016). SmartPLS
3.0. Hamburg. Recuperado de http://www.smart-
pls.de.
Roldán, J. L., y Sánchez-Franco, M. J. (2012).
Variance-Based Structural Equation Modeling:
Guidelines for Using Partial Least Squares.
Research methodologies, innovations and
philosophies in software systems engineering and
information systems, 193-221.
Sánchez-Franco, M. J., Rondán Cataluña, F. J., y
Villarejo Ramos, Á. F. (2007). Un modelo empírico
de adaptación y uso de la Web. Utilidad, facilidad
de uso y flujo percibidos. Cuadernos de Economía
y Dirección de La Empresa, 10(30), 153–179. doi.
org/10.1016/S1138-5758(07)70077-4.
Sánchez Prieto, J. C., Olmos Migueláñez, S., y
García-Peñalvo. F. J. (2015). Intención de uso
de tecnologías mobiles entre los profesores en
formación. Aplicación de un modelo de adopción
tecnológica basado en TAM con los constructos
compatibilidad y resistencia al cambio. Atas do
XVII Simpósio Internacional de Informática
Educativa (SIIE’15), 260-268.
Schunk, D. H. (2008). Metacognition, self-
regulation, and self-regulated learning: Research
recommendations. Educational psychology
review, 20(4), 463-467.
Sriram, B. (2014). Factors influencing the internet
resource user’s satisfaction: An analytical study
on omani undergraduate learners. Education and
Information Technologies, 18(1), 1–17
Valencia, A., Benjumea, M. L., y Rodríguez-Lora,
V. (2014). Intención de uso del e-learning en el
programa de Administración Tecnológica desde la
perspectiva del modelo de aceptación tecnológica.
Revista Electrónica Educare, 18(2), 247-264. doi.
org/10.15359/ree.18-2.13.
Venkatesh, V. (2000). Determinants of perceived ease
of use: Integrating control, intrinsic motivation,
and emotion into the technology acceptance
model. Information Systems Research, 11(4), 342-
365.
Venkatesh, V., Morris, M., Davis, G. B., y Davis,
F. (2003). User acceptance of information
technology: Toward a unified view. MIS Quarterly,
27 (3), 425-478.
Venkatesh, V., y Bala, H. (2008). Technology
acceptance model 3 and a research agenda on
interventions. Decision Sciences, 39(2), 273-315.
doi:10.1111/j.1540- 5915.2008.00192.x.
Webster, J., y Martocchio, J. J. (1992). Microcomputer
playfulness: development of a measure with
workplace implications. MIS Quart. 16, 201–226.
Yong Varela, L. A. (2004). Modelo de aceptación
tecnológica (tam) para determinar los efectos
de las dimensiones de cultura nacional en la
aceptación de las tic. Revista Internacional de
Ciencias Sociales y Humanidades, SOCIOTAM,
14(1), 131-171.
Yong Varela, L. A., Rivas Tovar, L. A., y Chaparro, J.
(2010). Modelo de aceptación tecnológica (TAM):
un estudio de la influencia de la cultura nacional y
del perfil del usuario en el uso de las TIC. Innovar,
20(36), 187-203.