Validación de una batería socioemocional para aspirantes de educación superior en línea
DOI:
https://doi.org/10.12795/revistafuentes.2026.28828Palabras clave:
éxito académico, análisis factorial, educación en línea, educación superior, preparación para el aprendizaje, regulación emocional, validación psicométrica, variables socioemocionalesResumen
Introducción: Este estudio tuvo como objetivo validar una batería socioemocional institucional para aspirantes a licenciatura en línea en México, dada la importancia de estas variables para el éxito académico. Método: Participaron dos muestras: Muestra 1 (N=5272) para el análisis exploratorio y Muestra 2 (N=2227) para el análisis confirmatorio. Inicialmente se administró una batería de autoinformes de 73 ítems. El análisis de datos incluyó la selección de ítems, el análisis gráfico exploratorio y el análisis factorial exploratorio en la Muestra 1, seguidos del análisis factorial confirmatorio en la Muestra 2 para validar la estructura y evaluar la fiabilidad. Resultados: La batería final (30 ítems) arrojó siete dimensiones estables: autoeficacia académica, apoyo familiar, expectativas de crecimiento, expresión emocional, supresión expresiva, desregulación emocional y regulación emocional adaptativa. El ajuste del modelo fue excelente en ambas muestras, con fuertes cargas factoriales, claras correlaciones entre factores y alta confiabilidad. La mayoría de las escalas mostraron distribuciones sesgadas. Discusión: Las dimensiones identificadas coinciden con la literatura sobre el éxito académico en línea. El instrumento reducido y validado mejora la eficacia de la medición y proporciona información temprana sobre los factores socioemocionales. El uso combinado de métodos psicométricos en red y de análisis factorial tradicional refuerza los resultados. Conclusiones: Esta batería es una herramienta válida para evaluar las características socioemocionales en el aprendizaje en línea, permitiendo la identificación temprana de riesgos e informando las estrategias pedagógicas.
Descargas
Citas
Bandalos, D. L., & Finney, S. J. (2019). Factor analysis. Exploratory and confirmatory. In G. R. Hancock, L. M. Stapleton, & R. O. Mueller (Eds.), The reviewer’s guide to quantitative methods in the social sciences (2nd ed., pp. 98–122). Routledge.
Beaumont, J., Putwain, D. W., Gallard, D., Malone, E., Marsh, H. W., & Pekrun, R. (2023). Students’ emotion regulation and school-related well-being: Longitudinal models juxtaposing between- and within-person perspectives. Journal of Educational Psychology, 115(7), 932–950. https://doi.org/10.1037/edu0000800
Borsboom, D., Cramer, A. O. J., Fried, E. I., Isvoranu, A.-M., Robinaugh, D. J., Dalege, J., & Van Der Maas, H. L. J. (2022). Network perspectives. In A.-M. Isvoranu, S. Epskamp, L. J. Waldorp, & D. Borsboom, Network Psychometrics with R (1st ed., pp. 9–27). Routledge. https://doi.org/10.4324/9781003111238-2
Borup, J., Graham, C. R., West, R. E., Archambault, L., & Spring, K. J. (2020). Academic Communities of Engagement: An expansive lens for examining support structures in blended and online learning. Educational Technology Research and Development, 68(2), 807–832. https://doi.org/10.1007/s11423-020-09744-x
Brosseau-Liard, P. E., & Savalei, V. (2014). Adjusting incremental fit indices for nonnormality. Multivariate Behavioral Research, 49(5), 460–470. https://doi.org/10.1080/00273171.2014.933697
Brosseau-Liard, P. E., Savalei, V., & Li, L. (2012). An investigation of the sample performance of two nonnormality corrections for RMSEA. Multivariate Behavioral Research, 47(6), 904–930. https://doi.org/10.1080/00273171.2012.715252
Christensen, A. P., & Golino, H. (2021). Estimating the stability of psychological dimensions via bootstrap exploratory graph analysis: A Monte Carlo simulation and tutorial. Psych, 3(3), 479–500. https://doi.org/10.3390/psych3030032
De Neve, D., Bronstein, M. V., Leroy, A., Truyts, A., & Everaert, J. (2023). Emotion regulation in the classroom: A network approach to model relations among emotion regulation difficulties, engagement to learn, and relationships with peers and teachers. Journal of Youth and Adolescence, 52(2), 273–286. https://doi.org/10.1007/s10964-022-01678-2
Engin, M. (2017). Analysis of students’ online learning readiness based on their emotional intelligence level. Universal Journal of Educational Research, 5(12A), 32–40. https://doi.org/10.13189/ujer.2017.051306
Ferraces Otero, M. J., Lorenzo Moledo, M., Godás Otero, A., & Santos Rego, M. A. (2020). Students’ mediator variables in the relationship between family involvement and academic performance: Effects of the styles of involvement. Psicología Educativa, 27(1), 85–92. https://doi.org/10.5093/psed2020a19
Ferrando, P. J., Hernandez-Dorado, A., & Lorenzo-Seva, U. (2022). Detecting correlated residuals in exploratory factor analysis: New proposals and a comparison of procedures. Structural Equation Modeling: A Multidisciplinary Journal, 29(4), 630–638. https://doi.org/10.1080/10705511.2021.2004543
Ferrando, P. J., & Lorenzo-Seva, U. (2000). Unrestricted versus restricted factor analysis of multidimensional test items: Some aspects of the problem and some suggestions. Psicológica, 21(3), 301–323. https://bit.ly/40RAVNc
Ferrando, P. J., Lorenzo-Seva, U., & Bargalló-Escrivà, M. T. (2023). Gulliksen’s pool: A quick tool for preliminary detection of problematic items in item factor analysis. PLoS ONE, 18(8), e0290611. https://doi.org/10.1371/journal.pone.0290611
Gao, H., Ou, Y., Zhang, Z., Ni, M., Zhou, X., & Liao, L. (2021). The relationship between family support and e-learning engagement in college students: The mediating role of e-learning normative consciousness and behaviors and self-efficacy. Frontiers in Psychology, 12, 573779. https://doi.org/10.3389/fpsyg.2021.573779
Golino, H. F., & Epskamp, S. (2017). Exploratory graph analysis: A new approach for estimating the number of dimensions in psychological research. PLoS ONE, 12(6), e0174035. https://doi.org/10.1371/journal.pone.0174035
Harley, J. M., Pekrun, R., Taxer, J. L., & Gross, J. J. (2019). Emotion regulation in achievement situations: An integrated model. Educational Psychologist, 54(2), 106–126. https://doi.org/10.1080/00461520.2019.1587297
Hassan Abuhassna, Freed Awae, Kawthar Bayoumi, Diaya Uddeen Alzitawi, Ahmed H Alsharif, & Noraffandy Yahaya. (2022). Understanding online learning readiness among university students: A bibliometric analysis. International Journal of Interactive Mobile Technologies (iJIM), 16(13), 81–94. https://doi.org/10.3991/ijim.v16i13.30605
Henry, M. (2020). Online student expectations: A multifaceted, student-centred understanding of online education. Student Success, 11(2), 91–98. https://doi.org/10.5204/ssj.1678
Hernández González, C. A., & Blackford, B. J. (2022). Engagement as antecedent of academic achievement and the moderating impact of work-family-school inter-role conflict for online graduate students. The International Journal of Management Education, 20(3), 100676. https://doi.org/10.1016/j.ijme.2022.100676
Hernández Gutiérrez, M., & Enríquez Vázquez, L. (2022). Habilidades del futuro para los estudiantes del SUAyED [Skills for the future in students at SUAyED]. Revista Digital Universitaria, 23(6). https://doi.org/10.22201/cuaieed.16076079e.2022.23.6.2
Hernández Ortiz, S. E., Edel Navarro, R., & Esquivel Gámez, I. (2023). Agentes de la educación en línea asociados con la permanencia del estudiante [Online educational agents associated with student retention]. Educación Superior, 34, 133–157. https://doi.org/10.56918/es.2022.i34.pp133-157
Hu, L., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling: A Multidisciplinary Journal, 6(1), 1–55. https://doi.org/10.1080/10705519909540118
James, J. L. (2022). Students as stakeholders: Understanding expectations can increase student retention. Journal of College Student Retention: Research, Theory & Practice, 24(1), 20–42. https://doi.org/10.1177/1521025119898844
Kundu, A. (2020). Toward a framework for strengthening participants’ self-efficacy in online education. Asian Association of Open Universities Journal, 15(3), 351–370. https://doi.org/10.1108/AAOUJ-06-2020-0039
Landrum, B., Bannister, J., Garza, G., & Rhame, S. (2021). A class of one: Students’ satisfaction with online learning. Journal of Education for Business, 96(2), 82–88. https://doi.org/10.1080/08832323.2020.1757592
Lehikko, A. (2021). Measuring self-efficacy in immersive virtual learning environments: A systematic literature review. Journal of Interactive Learning Research, 32(2), 125–146. https://doi.org/10.70725/672759jhzbkw
Li, S. (2024). Learning analytics enhanced online learning support. Routledge.
Lim, J. R. N., Rosenthal, S., Sim, Y. J. M., Lim, Z.-Y., & Oh, K. R. (2021). Making online learning more satisfying: The effects of online-learning self-efficacy, social presence and content structure. Technology, Pedagogy and Education, 30(4), 543–556. https://doi.org/10.1080/1475939X.2021.1934102
Matteucci, M. C., & Soncini, A. (2021). Self-efficacy and psychological well-being in a sample of Italian university students with and without Specific Learning Disorder. Research in Developmental Disabilities, 110, 103858. https://doi.org/10.1016/j.ridd.2021.103858
Mejri, S., & Borawski, S. (2023). Predictors of persistence and success in online education. International Journal on E-Learning, 22(3), 239–257. https://doi.org/10.70725/807249yyafpy
Mensah, C., Kugbonu, M. A., Appietu, M. E., Nti, G. A., & Forson, M. A. (2024). Social support, computer self-efficacy, online learning engagement and satisfaction among undergraduate hospitality students. Cogent Education, 11(1), 2335803. https://doi.org/10.1080/2331186X.2024.2335803
Nadeem, A., Umer, F., & Anwar, M. J. (2023). Emotion regulation as predictor of academic performance in university students. Journal of Professional & Applied Psychology, 4(1), 20–33. https://doi.org/10.52053/jpap.v4i1.157
Neroni, J., Meijs, C., Kirschner, P. A., Xu, K. M., & De Groot, R. H. M. (2022). Academic self-efficacy, self-esteem, and grit in higher online education: Consistency of interests predicts academic success. Social Psychology of Education, 25(4), 951–975. https://doi.org/10.1007/s11218-022-09696-5
Ozer, S. (2024). Social support, self‐efficacy, self‐esteem, and well‐being during COVID-19 lockdown: A two‐wave study of Danish students. Scandinavian Journal of Psychology, 65(1), 42–52. https://doi.org/10.1111/sjop.12952
Panigrahi, R., Srivastava, P. R., & Panigrahi, P. K. (2021). Effectiveness of e-learning: The mediating role of student engagement on perceived learning effectiveness. Information Technology & People, 34(7), 1840–1862. https://doi.org/10.1108/ITP-07-2019-0380
Pekrun, R., Marsh, H. W., Suessenbach, F., Frenzel, A. C., & Goetz, T. (2023). School grades and students’ emotions: Longitudinal models of within-person reciprocal effects. Learning and Instruction, 83, 101626. https://doi.org/10.1016/j.learninstruc.2022.101626
Yang, D., Chen, P., Wang, K., Li, Z., Zhang, C., & Huang, R. (2023). Parental involvement and student engagement: A review of the literature. Sustainability, 15(7), 5859. https://doi.org/10.3390/su15075859
Yokoyama, S. (2024). Impact of academic self-efficacy on online learning outcomes: A recent literature review. EXCLI Journal, 23. https://doi.org/10.17179/EXCLI2024-7502
Yu, J., Huang, C., He, T., Wang, X., & Zhang, L. (2022). Investigating students’ emotional self-efficacy profiles and their relations to self-regulation, motivation, and academic performance in online learning contexts: A person-centered approach. Education and Information Technologies, 27(8), 11715–11740. https://doi.org/10.1007/s10639-022-11099-0
Yunusa, A. A., & Umar, I. N. (2021). A scoping review of Critical Predictive Factors (CPFs) of satisfaction and perceived learning outcomes in E-learning environments. Education and Information Technologies, 26(1), 1223–1270. https://doi.org/10.1007/s10639-020-10286-1
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Anabel De la Rosa Gómez, Pablo D. Valencia, Indira Ochoa Carrasco, Alma Cristina Razo-Ruvalcaba
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Revista Fuentes brinda acceso abierto inmediato a todo su contenido sobre el principio de que hacer que la investigación esté disponible de forma gratuita para el público para apoyar un mayor intercambio global del conocimiento.
De esta manera, el lector puede acceder a todos los contenidos de la revista desde el momento de la publicación sin coste ni obligación de suscripción.
Salvo indicación contraria, los artículos publicados en Revista Fuentes tienen licencia bajo el acuerdo de licencia internacional Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0). Los autores retienen los derechos de autor y se permite a terceros copiar, distribuir y hacer uso de los trabajos siempre que cumplan con los términos y condiciones establecidos por dicha licencia
- citar la autoría y la fuente original de su publicación (revista, editorial y URL de la obra).
- No se usen para fines comerciales.
- Si remezcla, transforma o crea a partir del material, deberá difundir sus contribuciones bajo la misma licencia que el original.
Puede encontrar más información al respecto en https://creativecommons.org/licenses/by-nc-sa/4.0/deed.es.
En el caso de trabajos publicados bajo una licencia diferente a la anteriormente mencionada (CC BY-NC-ND o CC BY-NC) los autores retienen los derechos de autor, permitiéndose su copia, distribución y uso de los trabajos siempre que cumplan con los términos y condiciones de la licencia correspondiente. Puede encontrar más información al respecto en https://creativecommons.org/licenses/?lang=es.
