Precision Teaching and Learning Performance in A Blended Learning Environment (Copia) .En - Es

26/2/2021 Rendimiento de enseñanza y aprendizaje de precisión en un entorno de aprendizaje combinado
Psicol delantero. 2021; 12: 631125. Publicado en línea el 5 de febrero de 2021. Doi: 10.3389 / PMCID: PMC7892782
fpsyg.2021.631125 PMID: 33613404
Rendimiento de enseñanza y aprendizaje de precisión en un entorno de aprendizaje

combinado
Bin Yin * y Chih-Hung Yuan *
Escuela de Economía y Comercio, Universidad de Ciencia y Tecnología Electrónica de China, Instituto Zhongshan, Zhongshan, China
Editado por: Myint Swe Khine, Curtin University, Australia
Revisado por: Manyu Li, Universidad de Louisiana en Lafayette, Estados Unidos; Gila Zilka, Universidad Bar-Ilan, Israel
* Correspondencia: Bin Yin, 9154748@qq.com
Chih-Hung Yuan, ialexyuan@gmail.com
Este artículo fue enviado a Educational Psychology, una sección de la revista Frontiers in Psychology
Recibido el 19 de noviembre de 2020; Aceptado el 12 de enero de 2021.
Derechos de autor © 2021 Yin y Yuan.
Este es un artículo de acceso abierto distribuido bajo los términos de la Licencia de atribución Creative Commons (CC BY). Se permite el uso,
distribución o reproducción en otros foros, siempre que se acredite al autor (es) original (es) y al propietario (es) de los derechos de autor y se cite
la publicación original en esta revista, de acuerdo con la práctica académica aceptada. No se permite ningún uso, distribución o reproducción que
no cumpla con estos términos.
Resumen
El aprendizaje combinado ha ganado una popularidad cada vez mayor en los colegios y universidades con resultados mixtos. La enseñanza de precisión
puede promover eficazmente el rendimiento del aprendizaje. En este artículo se investiga la relación entre la enseñanza de precisión percibida (PPT) y el
rendimiento de aprendizaje de los estudiantes universitarios en un entorno de aprendizaje mixto. En la encuesta de investigación que presenta un modelo
estructural, participaron 256 estudiantes universitarios que asistieron a cursos de aprendizaje combinado con enseñanza de precisión. Los resultados del
modelo revelaron que el PPT está directa y positivamente relacionado con la autoeficacia y la motivación del aprendizaje. La autoeficacia y la motivación para
el aprendizaje están relacionadas directa y positivamente con la presencia cognitiva, docente y social. Además, la presencia cognitiva, docente y social están
directa y positivamente relacionados con el desempeño del aprendizaje. Por lo tanto, PPT está relacionado de forma remota e indirecta con el rendimiento del
aprendizaje. Estos hallazgos brindan una nueva perspectiva para el estudio teórico sobre el desempeño del aprendizaje combinado y proporcionan una
referencia realista para la práctica de enseñanza de precisión en el entorno de aprendizaje combinado.
Palabras clave: aprendizaje combinado, enseñanza de precisión, autoeficacia, motivación de aprendizaje, comunidad de investigación, desempeño en el
aprendizaje, modelado de ecuaciones estructurales
Introducción
El aprendizaje mixto, como una combinación del aprendizaje tradicional presencial y el aprendizaje en línea, tiene como objetivo crear una
atmósfera de aprendizaje en apoyo del aprendizaje orientado a uno mismo, y reclama muchos beneficios ( Garrison y Kanuka, 2004 ; Alammary
et al., 2014 ) como mejorar la eficiencia, la satisfacción y el rendimiento del aprendizaje. Una encuesta de investigación de largo alcance
realizada por la Universidad de Florida Central (UCF) midió el éxito de decenas de miles de estudiantes en entornos de aprendizaje cara a cara,
aprendizaje combinado y aprendizaje en línea. UCF define el éxito como la obtención de un Grado C, en
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7892782/ 26/1
menos. También se consideraron factores como la universidad, el género y los medios económicos de los estudiantes. La UCF informó que, para cada
universidad, el aprendizaje combinado tiene una tasa de éxito más alta que el aprendizaje cara a cara o el aprendizaje en línea ( Dziuban y col., 2004 ). El
aprendizaje combinado también puede reforzar la flexibilidad ( Moskal y col.,
2013 ; Alammary, 2019 ) mientras brinda más oportunidades para que los estudiantes accedan a la educación superior y al mismo tiempo permite que
la escuela tenga más contacto con los estudiantes ( Vaughan, 2007 ; Erbil, 2020 ). El aprendizaje combinado también puede permitir una mayor
flexibilidad espacial y temporal tanto de los profesores como de los estudiantes para que tengan la libertad de decidir cuándo y dónde organizar la
enseñanza y el aprendizaje en línea ( Sharpe y col., 2006 ; King y Arnold, 2012 ). También ayuda a mejorar la rentabilidad y la tasa de uso de recursos
( Moskal et al., 2013 ). En comparación con la enseñanza presencial, es más probable que la enseñanza combinada reduzca aún más los costos
operativos ( Vaughan, 2007 ). Al promover que más estudiantes seleccionen cursos y el uso de las instalaciones de la red, el aprendizaje combinado
requiere menos tiempo en el aula que los cursos presenciales y mantiene una mayor tasa de retención de estudiantes que los cursos en línea, lo que
reduce el tiempo requerido para que los estudiantes completen el título. ( King y Arnold, 2012 ; Yuan y Wu, 2020 ). El aprendizaje combinado ha
ganado una popularidad creciente en los colegios y universidades ( Alammary et al., 2014 ; Portero et al., 2014 ; Ghazal et al., 2018 ).
Los estudios empíricos sobre el rendimiento del aprendizaje del aprendizaje mixto obtienen resultados mixtos. Shea y Bidjerano (2014) descubrió que los
graduados de la escuela secundaria que recibieron algunos cursos en línea o remotos de los colegios comunitarios estadounidenses tienen una mayor
probabilidad de obtener el certificado que sus compañeros que solo asistieron a la enseñanza en el aula. En la Universidad de Granada, la introducción
del blended learning en los cursos básicos de contabilidad elevó los resultados de los exámenes de los estudiantes y redujo su tasa de deserción ( Victoria
Lopez-Perez et al., 2011 ). Los estudiantes aparentemente mantienen una actitud positiva hacia él. Jones
y Chen (2008) informó de las experiencias positivas de los estudiantes en los cursos combinados de contabilidad de MBA. El efecto negativo del
aprendizaje combinado se informa en otros estudios ( Xu y Jaggars, 2011 ). Numerosos estudios revelan además los problemas de los estudiantes con
la persistencia en los entornos de aprendizaje en línea y mixto, lo que puede evidenciarse por una mayor tasa de abandono en comparación con la
enseñanza presencial tradicional ( Xenos et al., 2002 ; Levy, 2007 ). Por lo tanto, es necesario establecer los factores relacionados asociados con el
rendimiento del aprendizaje en entornos de aprendizaje mixto ( Ramirez-Arellano et al., 2018 ).
Los académicos han discutido muchos factores relacionados con el rendimiento del aprendizaje, como los factores individuales fundamentales de los
alumnos, la motivación del aprendizaje, las expectativas de rendimiento del aprendizaje, la inversión de tiempo de aprendizaje ( Hsu y Hsieh, 2011 ; Dakduk
y col., 2018 ; Law et al., 2019 ), la capacidad de aprendizaje autorregulado en el proceso de aprendizaje ( Sabah, 2020 ), actitud de aprendizaje ( Hsu y Hsieh,
2011 ) y experiencia previa de aprendizaje en línea ( Lim y Morris, 2009 ) todos predicen el rendimiento del aprendizaje. Con respecto a los factores del
curso, el contenido del curso, la claridad de la estructura, los métodos de enseñanza del curso y los modos de enseñanza predicen el rendimiento del
aprendizaje ( So y Brush, 2008 ; Afacán, 2016 ; Putri et al., 2019 ). En cuanto al apoyo al aprendizaje, un sistema de aprendizaje percibido, facilidad de
servicio, usabilidad, flexibilidad percibida, conveniencia para el aprendizaje colaborativo ( Kerzic et al., 2019 ; Sabah, 2020 ), interactividad ( Blieck et al., 2019 ),
soporte de información y orientación de procesos ( Cocquyt et al., 2019 ) y apoyo emocional ( So y Brush, 2008 ) predecir el rendimiento del aprendizaje.
A pesar de los muchos esfuerzos realizados para descubrir los factores relacionados con el rendimiento del aprendizaje, pocos estudios han prestado atención a la
enseñanza de precisión. La enseñanza de precisión se define como un método que monitorea la capacidad de los estudiantes para acceder a la educación. Al
monitorear los resultados del proceso de aprendizaje de los estudiantes, los maestros pueden ajustar sus medidas de enseñanza e intervención para garantizar el
rendimiento óptimo de aprendizaje de los estudiantes ( Rebeca
y Michelle, 2016 ). La enseñanza de precisión, obviamente, puede promover el rendimiento del aprendizaje ( Datchuk, 2017 ;
Mannion y Griffin, 2018 ). Con la amplia aplicación de la tecnología de la información en la industria de la educación, los maestros pueden monitorear más
convenientemente los resultados del proceso de aprendizaje de los estudiantes y tomar decisiones sobre esta base ( Bruhn et al., 2020 ) y ajustar
oportunamente sus medidas de intervención docente para promover el rendimiento del aprendizaje. La tecnología de la información ha sentado una
buena base para la implementación efectiva de la enseñanza de precisión ( Kubina y Yurich, 2012 ).
Esta investigación explora la relación entre la enseñanza de precisión percibida (PPT) y el rendimiento del aprendizaje en entornos de
aprendizaje mixto. La autoeficacia y la motivación del aprendizaje están relacionadas con el rendimiento del aprendizaje ( Bandura y Watts,
1995 ; Schneider y Preckel, 2017 ; Law y Geng,
2018 ). Como modelo teórico importante sobre el aprendizaje combinado, una comunidad de investigación (COI), es
compuesto de presencia social, docente y cognitiva que predicen el rendimiento del aprendizaje ( Ley et al., 2019 ). Para profundizar la correlación entre el
PPT, la autoeficacia, la motivación del aprendizaje y el COI, se han propuesto preguntas para futuras investigaciones como se muestra a continuación:
P1: ¿Cómo predice PPT el rendimiento del aprendizaje en el aprendizaje mixto?
P2: En el aprendizaje mixto, ¿cuál es el papel de la autoeficacia, la motivación del aprendizaje y el COI (incluido
presencia social, presencia docente y presencia cognitiva) en la relación entre PPT y rendimiento de aprendizaje?
Para abordar las preguntas de investigación mencionadas anteriormente, los investigadores entrevistaron a 256 estudiantes que asistieron a cursos
combinados de aprendizaje con enseñanza de precisión y realizaron un análisis de modelado de los resultados de la encuesta utilizando el modelado de
ecuaciones estructurales (SEM) para concluir la relación entre PPT y el rendimiento del aprendizaje en entornos de aprendizaje combinado. La investigación
tiene como objetivo proporcionar una referencia realista para el desarrollo de prácticas de enseñanza de precisión para entornos de aprendizaje mixto.
Los siguientes capítulos del artículo revisan primero la literatura relevante relacionada con la base teórica, proponen hipótesis de
investigación, materiales y métodos, luego de un informe sobre los resultados para su posterior discusión, y finalmente extraen una
conclusión y señalan la importancia de la investigación.
Antecedentes teóricos
Aprendizaje combinado
Junto con la aplicación de la tecnología de la información y las redes, el aprendizaje combinado se está volviendo más popular en los colegios y
universidades. Aparte de los cambios en el modo tradicional de aprendizaje presencial, el aprendizaje combinado hace un uso completo de la
conveniencia y los ricos recursos de Internet, y combina esto con las ventajas del aprendizaje tradicional. Es un nuevo modo de aprendizaje
que refuerza la enseñanza por computadora y las actividades en red en línea en los cursos tradicionales ( Benbunan-Fich, 2008 ). La adopción
del aprendizaje mixto simboliza la reestructuración del diseño curricular, que tiene como objetivo movilizar la iniciativa de los estudiantes para
participar en el aprendizaje en línea.
Algunos estudios han demostrado que la integración de la tecnología de la información en el proceso de enseñanza y aprendizaje crea la
adquisición de información de recursos del curso y la mejora de la experiencia de aprendizaje ( Bai et al., 2016 ; Darling-Aduana y Heinrich, 2018 ; Turvey
y Pachler, 2020 ). Los métodos de aprendizaje combinados también pueden mejorar significativamente la experiencia de aprendizaje. Con una tasa
de satisfacción del curso más alta que la enseñanza tradicional en el aula ( Darling-Aduana y Heinrich, 2018 ), el método de aprendizaje hace que los
estudiantes se dediquen más al proceso de aprendizaje ( Yildirim, 2005 ), por lo que es preferido por los estudiantes por su mayor flexibilidad y
conveniencia ( Hogarth, 2010 ). El diseño de un curso de aprendizaje combinado es un tema sofisticado que involucra numerosos factores, entre los
cuales la experiencia de aprendizaje es un factor predominante.
Rendimiento de aprendizaje
El rendimiento del aprendizaje se puede definir de diferentes formas. Por ejemplo, puede referirse a los puntajes de las pruebas de los estudiantes
( Ferguson y DeFelice, 2010 ; Ekwunife-Orakwue y Teng, 2014 ; Law y Geng, 2019 ), satisfacción con el aprendizaje ( Ekwunife-Orakwue y Teng,
2014 ; Yuan et al., 2020 ), o incluso su desempeño registrado en el sistema de aprendizaje en línea ( Yang et al., 2016 ). Esta investigación adopta
la definición de desempeño en el aprendizaje como la describe la Association for Educational Communications and Technology en
2004, que establece que el desempeño en el aprendizaje es la capacidad de un alumno para aplicar los conocimientos o habilidades recién
adquiridos. En esencia, no se trata únicamente de los conocimientos y habilidades básicos adquiridos, sino de la capacidad para aplicarlos. Hay
muchos factores para el rendimiento del aprendizaje ( Broadbent, 2017 ; Li y Tsai, 2017 ; Li et al., 2018 ; Wei y Chou, 2020 ). En el aprendizaje
mixto, COI es un modelo teórico esencial. Con un enfoque en PPT, esta investigación combina las dimensiones en COI, como presencia
docente, presencia social y presencia cognitiva para investigar la relación con el desempeño en el aprendizaje. La investigación también examina
el vínculo entre estas dimensiones y otras características del aprendizaje.
Enseñanza de precisión
Originaria de Estados Unidos en la década de 1960, la enseñanza de precisión ha sido propagada en Gran Bretaña por psicólogos de la educación (EPS) desde la
década de 1980 ( Muncey y Williams, 1981 ; Raybould y Solity, 1982 , 1988 ). Se trata esencialmente de un método de enseñanza que supervisa la adquisición de las
habilidades de educación básica por parte de los estudiantes. Mediante el seguimiento de los resultados del proceso de aprendizaje de los estudiantes, los
profesores son capaces de ajustar sus medidas de enseñanza e intervención para garantizar el rendimiento óptimo de aprendizaje de los estudiantes ( Rebeca
y Michelle, 2016 ). La enseñanza de precisión implica cuatro pasos básicos: localizar, registrar, cambiar e intentar de nuevo ( Kubina y
Yurich, 2012 ).
La enseñanza de precisión, como método eficaz para reforzar la adquisición de competencias de educación básica por parte de los estudiantes ( Chapman
y col., 2005 ; Gist y Bulla, 2020 ), puede estimular la motivación de aprendizaje de los estudiantes y hacer que los estudiantes se involucren más en el
aprendizaje ( Rebecca y Michelle, 2016 ). La enseñanza de precisión resuena en la mejora del rendimiento del aprendizaje ( Datchuk, 2017 ; Mannion y
Griffin, 2018 ).
Enseñanza de precisión percibida
La enseñanza de precisión percibida se define como la percepción de los alumnos de la enseñanza de precisión durante su estudio, incluida la
percepción de los cuatro pasos básicos, es decir, decidir los objetivos de aprendizaje específicos, registrar el proceso de aprendizaje, enseñar con
un propósito y reexaminar el logro de objetivos (señalar, registrar, cambiar y volver a intentarlo). El PPT se puede medir encuestando a los
alumnos ( Dibbs y col.,
2013 ; Rebecca y Michelle, 2016 ).
Autoeficacia
La autoeficacia indica la creencia individual en el éxito de realizar una tarea ( Bandura y Adams,
1980 ), que afecta directamente la motivación conductual de un individuo en la implementación de una actividad específica. En términos generales,
una experiencia exitosa consolida la autoeficacia, mientras que los fracasos recurrentes dañan la autoeficacia.
La autoeficacia a menudo se divide en autoeficacia universal y autoeficacia basada en tareas ( Sherer y col.,
mil novecientos ochenta y dos ), de los cuales este último se adapta a tareas y situaciones determinadas y es el tipo dominante de aprendizaje mixto. La
autoeficacia determina el contenido y la esencia de la imaginación interna de los alumnos sobre las escenas o procedimientos de aprendizaje futuros, y
afecta directa o indirectamente el impulso psicológico individual al realizar las actividades de aprendizaje, generando así un impacto en las actividades de
aprendizaje de la vida real y formando fuertes asociaciones con el rendimiento del aprendizaje. ( Bandura y Watts, 1995 ; Chamorro-Premuzic
et al., 2010 ; Schneider y Preckel, 2017 ).
Motivación de aprendizaje
De acuerdo a Ford (1992) , la motivación del aprendizaje se define como un modo psicológico en la búsqueda de metas, creencias y emociones. La
motivación se refiere a algo que alienta, instruye y mantiene los comportamientos, aprobando la devoción de los estudiantes por una determinada
dirección y la persistencia en ella ( Fredricks y col.,
2004 ; Reeves, 2006 ).
La motivación de aprendizaje es un factor clave que influye en el rendimiento del aprendizaje. No es solo un factor decisivo en el rendimiento del
aprendizaje. En realidad, corresponde a una motivación combinada en cada tarea a realizar ( Weiner, 1990 ). Hay dos tipos de motivación de
aprendizaje, a saber, la motivación de aprendizaje extrínseca y la motivación de aprendizaje intrínseca. En particular, la motivación intrínseca es el
tipo dominante de aprendizaje del estudiante en el aprendizaje mixto, lo que implica que los estudiantes motivados por la motivación intrínseca
tienen un mejor desempeño en el aprendizaje en el cumplimiento de tareas que los motivados por la motivación extrínseca ( Lin et al., 2003 ).
Numerosos estudios enfatizan la importancia de la motivación, dado su efecto en el rendimiento del aprendizaje ( Law et al., 2010 ; Law y Breznik,
2017 ; Law y Geng, 2018 ).
Comunidad de investigación
La comunidad de investigación se considera ampliamente como un modelo sobre cómo los miembros de una sociedad adquieren
conocimientos y resuelven problemas ( Garrison et al., 2000 ). Su núcleo radica en la experiencia educativa influenciada por la interacción
entre la presencia social, cognitiva y docente. Estos tres tipos de presencia son primordiales para el COI orientado a la educación y pueden
mejorar o limitar la experiencia educativa y los resultados del aprendizaje ( Garrison et al., 2000 ). El marco se muestra en Figura 1 .
FIGURA 1
La comunidad de investigación ( Law et al., 2019 ).
Presencia cognitiva
La presencia cognitiva es la capacidad del estudiante para construir significados a través de la discusión y la reflexión en COI, lo que demuestra el
proceso de aprendizaje e investigación ( Guarnición, 2011 ). Implica eventos desencadenantes, exploración, integración y reflexión, así como la
resolución de problemas de aprendizaje. En la etapa de activación, se pueden generar tareas de aprendizaje basadas en dudas sobre ciertos
conocimientos para que los estudiantes puedan iniciar la exploración. En la segunda etapa, los estudiantes pueden intercambiar información y
participar en el pensamiento crítico y la investigación en la comunidad de aprendizaje. En la etapa de integración, los estudiantes construyen
significados a partir de la reflexión y pensamientos de la etapa de exploración. Finalmente, los estudiantes resuelven sus problemas en las tareas
de aprendizaje utilizando directa o indirectamente los significados construidos a partir de la última etapa. Para la formación de la presencia
cognitiva, COI proporciona un entorno propicio para establecer y confirmar significados a través de la reflexión constante y el discurso crítico ( Garrison
et al., 2000 ).
Presencia social
Presencia social significa la capacidad de los estudiantes individuales de ponerse en contacto con la comunidad, llevar a cabo una
comunicación significativa en un entorno confiable y desarrollar relaciones interpersonales demostrando características individuales ( Guarnición,
2011 ). Para lograr la presencia social, el modelo debe proporcionar un entorno de comunicación abierto que sea útil para fabricar la
relación favorable entre la cohesión del equipo y los individuos. Los estudiantes pueden expresar sus pensamientos y emociones con un
método de comunicación popular en la comunidad ( Garrison et al., 2000 ). La presencia social presenta una
sentido de pertenencia y también un mecanismo de libre expresión para los estudiantes y mantiene la cohesión del equipo. Como función
de apoyo de la presencia cognitiva, promueve indirectamente el proceso de pensamiento crítico de los estudiantes de la comunidad.
Presencia docente
La presencia docente se define como “el diseño, la facilitación y la dirección de los procesos cognitivos y sociales con el propósito de lograr
resultados de aprendizaje personalmente significativos y que valgan la pena desde el punto de vista educativo” (p.3) ( Anderson y col., 2001 ). El
diseño de la enseñanza implica diseñar cursos y métodos de enseñanza y organizar debates relevantes. Facilitación significa crear un entorno de
aprendizaje que aliente a las personas a compartir sus puntos de vista personales para una comunicación eficaz. La dirección es discutir y
resolver problemas colectivamente. En esencia, la presencia docente es el ambiente de enseñanza que combina la presencia social y cognitiva de
manera efectiva y eficiente ( Guarnición, 2011 ).
Hipótesis de investigación
Enseñanza de precisión percibida, autoeficacia y motivación para el aprendizaje
Hay cuatro pasos en la enseñanza de precisión, que incluyen decidir los objetivos de aprendizaje específicos, registrar los procesos de aprendizaje,
enseñar con un propósito y volver a examinar el logro de los objetivos (señalar, registrar, cambiar y volver a intentarlo) ( Kubina y Yurich, 2012 ). En un
entorno de aprendizaje mixto que presenta una enseñanza de precisión, los alumnos pueden percibir que hay objetivos claros en su estudio, materiales de
aprendizaje relevantes y conferencias dirigidas a problemas de aprendizaje. Tales percepciones pueden aumentar la expectativa de éxito en la consecución
de los objetivos de aprendizaje, lo que probablemente encienda la motivación del aprendizaje ( Gorges y Kandler, 2012 ; Cho et al., 2019 ). Cuando los
alumnos perciben claramente los objetivos para lograr y obtienen una vista previa de las conferencias por sí mismos con el sistema de aprendizaje en línea,
tienden a estar más orientados y con más propósito en sus estudios, de modo que su autoeficacia mejora para completar las tareas de aprendizaje de
acuerdo con sus objetivos ( Law et al., 2010 ). Cuando terminan de previsualizar las conferencias, proceden a autoevaluarse para ver si se alcanzan los
objetivos, lo que indica convenientemente a los alumnos los objetivos alcanzados y los que aún quedan por alcanzar. Marcar los objetivos puede motivar a
los alumnos e informarles sobre los objetivos no alcanzados, lo que facilita la planificación intencional de los siguientes pasos y aumenta la autoeficacia
para el logro de los objetivos ( Hong y Park, 2012 ; Doumen et al., 2014 ). Durante las conferencias, los profesores organizan la enseñanza y la discusión en
torno a los problemas que se han producido en el proceso de aprendizaje de los alumnos, de modo que los alumnos
pueden percibir que "las conferencias son exactamente sobre lo que ellos mismos no entienden del todo", lo que aumenta la motivación para invertir más
esfuerzos en el aprendizaje ( Rebecca y Michelle, 2016 ). Después de las conferencias, los profesores proporcionan pruebas basadas en los comentarios
durante las conferencias y los objetivos de aprendizaje. De esta manera, después de la autoevaluación, el aprendizaje en clase y la autoevaluación posterior
a la clase, los estudiantes tienen una mejor comprensión del contenido y, por lo tanto, una mayor motivación de aprendizaje ( Roberts y Norwich, 2010 ; Rebecca
y Michelle, 2016 ). Por tanto, planteamos las siguientes hipótesis:
H1. El PPT se relaciona positivamente con la autoeficacia.
H2. PPT se relaciona positivamente con la motivación de aprendizaje.
Autoeficacia y COI
La autoeficacia afecta directamente los procesos psicológicos dinámicos de los individuos en el desempeño del aprendizaje de actividades
específicas ( Wood y Bandura, 1989 ), decide sus elecciones de comportamiento y los obliga a preferir el entorno o la actividad en la que sienten
que son más competentes. También puede afectar sus esfuerzos, lo que significa que los individuos ponen más energía siempre que
mantengan una alta autoeficacia sobre un asignación ( Paglis y Green, 2010 ).
En un entorno de aprendizaje combinado con una enseñanza de precisión, los profesores describen objetivos y requisitos precisos. En este caso,
los estudiantes con alta autoeficacia se ponen en contacto activamente con los profesores, discuten con sus compañeros y terminan las tareas
según sea necesario. Cuanto mayor sea la autoeficacia, más activos serán los estudiantes a la hora de compartir conocimientos y participar en
debates ( Hsu y col., 2007 ), y por tanto, más fuerte sería la presencia social que experimentan. En el proceso, aquellos con mayor autoeficacia
tienden a hacer más esfuerzos en el aprendizaje y tienen una mejor percepción de lo cuidadosamente elaborado.
ambiente para la docencia, es decir, una mejor percepción de la presencia docente ( Akyol y Garrison, 2011 ). En la enseñanza de precisión, los
estudiantes obtienen una vista previa del contenido y terminan la autoevaluación de acuerdo con sus objetivos antes de las conferencias. Durante
las conferencias, los profesores organizan la enseñanza y la discusión en función de los problemas que se han producido en el autoaprendizaje y
la autoevaluación, y luego evalúan si los objetivos se logran después de las conferencias. Los estudiantes con mayor autoeficacia pueden
sumergirse mejor en todo el proceso de aprendizaje ( Christina, 2000 ; Park et al., 2012 ), lo que aumentaría la presencia cognitiva de los alumnos ( Celikkaleli,
2014 ; Niemiec y Lachowicz-Tabaczek, 2015 ). Para examinar la influencia de la autoeficacia en el entorno de aprendizaje mixto, se proponen las
siguientes hipótesis:
H3. La autoeficacia está relacionada positivamente con el COI.
H3a. La autoeficacia se relaciona positivamente con la presencia cognitiva. H3b. La
autoeficacia se relaciona positivamente con la presencia social. H3c. La autoeficacia se
relaciona positivamente con la presencia docente.
Aprendizaje de motivación y COI
La motivación encarna la intención profunda de cada alumno por una dirección u objetivo. Bandura (1996)
considera que las personas se comprometen con su trabajo o tarea por creencias personales, y la creencia de los alumnos en la capacidad suele
reflejar mejor la motivación que la capacidad real. Correspondiente a un grupo de procesos fisiológicos, la motivación puede determinar la dirección y
la persistencia del comportamiento ( Moos y Marroquin,
2010 ). Si un estudiante desea mejorar o desarrollar su propia habilidad en una tarea o disciplina determinada, generalmente busca la ayuda
pertinente o reflexiona repetidamente.
Aunque los cursos de aprendizaje mixto ofrecen contenido de aprendizaje en línea flexible y conveniente, los estudiantes pueden carecer de la
motivación para completar las tareas ( Bennett y otros, 2012 ; Torrisi-Steele y Drew, 2013 ), y sufren de procrastinación ( Cerezo et al., 2017 ). Los
estudiantes motivados tienen una fuerte conexión con sus maestros y se esfuerzan por establecer relaciones sociales con sus compañeros ( Patrick
y col., 2007 ; Wentzel et al., 2010 ; Law y Geng, 2018 ). Tal calidad mejoraría la presencia social en el aprendizaje. Al participar activamente en el
aprendizaje en línea y en el aula, estos estudiantes pueden acostumbrarse efectivamente a un entorno de aprendizaje digitalizado y hacer frente
a los problemas de aprendizaje, lo que resulta en una mejor presencia docente ( Zimmergembeck y Locke, 2007 ; Manganelli et al., 2019 ). Los
estudiantes altamente motivados pueden aprovechar al máximo las ventajas de la enseñanza de precisión para aprender y explorar, y
eventualmente experimentar una mejor presencia cognitiva ( Manganelli et al., 2019 ). Se presentan así las siguientes hipótesis:
H4. La motivación de aprendizaje está relacionada positivamente con el COI.
H4a. La motivación del aprendizaje está relacionada positivamente con la presencia cognitiva. H4b. La
motivación de aprendizaje está relacionada positivamente con la presencia social. H4c. La motivación de
aprendizaje se relaciona positivamente con la presencia docente.
COI y rendimiento del aprendizaje
En un curso de COI, los estudiantes asumen responsabilidades más personales y comparten múltiples puntos de vista de manera más activa. A
través de una intensa interacción en línea, los estudiantes y los maestros juntos pueden crear un entorno de COI con presencia social, cognitiva y
docente ( Akyol et al., 2011 ; Kozan y Richardson,
2014 ). Esto implica que una amplia participación de los profesores y su claridad en el diseño del curso afectaría la percepción del aprendizaje de los
estudiantes ( Swan, 2001 ). En algunos entornos de enseñanza y aprendizaje, en un curso de ingeniería, por ejemplo, el desempeño de los
profesores juega un papel decisivo en el desempeño del aprendizaje, superando en importancia a la presencia social y cognitiva ( Szeto, 2015 ). La
participación de los estudiantes en las discusiones, su motivación y la cooperación con otros pueden influir en su aprendizaje y desempeño ( Chong,
1998 ; Swan, 2001 ; Davies y Graff, 2005 ). En la investigación sobre los efectos de la cohesión y la interacción en el desempeño del equipo entre los
estudiantes, la presencia social está estrechamente relacionada con los resultados del aprendizaje ( Arbaugh, 2005 ; Williams y col., 2006 ). El marco
de COI sugiere un enfoque para crear colaboración y experiencias de aprendizaje significativas, que pueden mejorar o socavar la educación.
experiencias y resultados del aprendizaje ( Garrison et al., 2000 ). Por lo tanto, tres tipos de presencia son predictivos del rendimiento del
aprendizaje ( Arbaugh, 2008 ; Choy y Quek, 2016 ). Por tanto, proponemos las siguientes hipótesis:
H5. COI se relaciona positivamente con el rendimiento del aprendizaje.
H5a. La presencia cognitiva se relaciona positivamente con el rendimiento del aprendizaje. H5b. La presencia
social se relaciona positivamente con el rendimiento del aprendizaje. H5c. La presencia docente se relaciona
positivamente con el rendimiento del aprendizaje.
Con base en el análisis anterior, se desarrolla el modelo construido compuesto por hipótesis previas, como se muestra en Figura 2 .
FIGURA 2
Modelo de investigación.
Materiales y métodos
Medición
Realizamos una encuesta de cuestionario para probar los cinco conjuntos de hipótesis anteriores. El cuestionario está adaptado de
escalas maduras en la literatura relevante y presentado en chino. Invitamos a un profesor de inglés a traducir las escalas originalmente
en inglés al chino y a otro profesor de inglés para verificar si la traducción era apropiada. Luego, se pidió a seis estudiantes que
participaron atentamente en el curso que completaran el cuestionario e informaran a los investigadores de cómo entendieron el
cuestionario. En vista de los comentarios de los estudiantes, los dos profesores de inglés mejoraron la traducción al chino. Esto fue para
garantizar la coherencia en el contenido entre las escalas de chino e inglés, así como la precisión en la comprensión de los encuestados.
El cuestionario abarca PPT, autoeficacia (SE), motivación de aprendizaje (LM), presencia docente (TP), presencia social (SP), presencia
cognitiva (CP) y rendimiento de aprendizaje (PERF). Los artículos y referencias se detallan en Apéndice A . El cuestionario adoptó una
escala Likert de cinco puntos [de “totalmente en desacuerdo” (1) a “totalmente de acuerdo” (5)] y se pidió a los encuestados que
completaran la encuesta de forma anónima.
Entorno del experimento y participantes
Para probar el modelo de investigación, proporcionamos un curso de aprendizaje combinado de “Tecnologías de redes informáticas” que presenta una
enseñanza de precisión durante un período en una universidad de una gran ciudad de China. Los participantes de nuestro estudio fueron 258 estudiantes con
especialización en comercio electrónico. El proceso de aprendizaje se describe en Figura 3 , que se integró en un proceso de aprendizaje mixto los cuatro pasos
básicos de la enseñanza de precisión, es decir, identificar, registrar, cambiar e intentar nuevamente ( Benbunan-Fich, 2008 ; Kubina y Yurich,
2012 ). Al final del plazo, el cuestionario antes mencionado (Ver Apéndice A ) se distribuyó a los participantes. De los 258 estudiantes
que completaron la encuesta, quedaron 256 cuestionarios válidos después de la eliminación de dos incompletos.
Abrir en una ventana separada

FIGURA 3
Proceso de aprendizaje combinado con enseñanza de precisión.
La información general de los encuestados es la que se muestra a continuación ( Mesa 1 ). Se puede ver fácilmente que hay más estudiantes mujeres que
estudiantes varones, principalmente porque el comercio electrónico es una especialidad administrativa en las artes liberales de la escuela. La mayoría de estos
estudiantes tienen entre 20 y 22 años.
TABLA 1
Características demográficas de los estudiantes entrevistados.
Indicador Valor del indicador Recuento Porcentaje
Género Masculino 101 39,45%
Mujer 155 60,55%
Grupo de edad Por debajo de 18 0 0,00%
18-19 5 1,95%
20-21 100 39,06%
22-23 145 56,64%
Por encima de 23 6 2,34%
Total 256
Verificación de hipótesis
El modelo ( Figura 2 ) se verifica con el método de mínimos cuadrados parciales (PLS) de SEM. PLS aquí se refiere a un algoritmo
alternativo de mínimos cuadrados que expande el análisis de componentes principales y el análisis de correlación típico ( Henseler y
Sarstedt, 2013 ). Está compuesto por dos conjuntos de ecuaciones que se denominan modelo interno y modelo externo, respectivamente.
Entre ellos, el modelo interno define la relación entre variables no observadas o variables latentes, y la contraparte externa define la
relación entre variables latentes e indicadores observados. PLS-SEM puede predecir un modelo relativamente complicado sin necesidad
de cumplir con la hipótesis de distribución y, por esta razón, es aplicable al manejo de datos de distribución no normal. Este fenómeno es
común para los investigadores de ciencias sociales y empresariales ( Fornell y Bookstein, 1982 ; Hair et al., 2014b ; Sarstedt et al., 2014 ).
En consecuencia, aquí se adoptan los métodos PLS en el software SmartPLS.
Resultados
El análisis y explicación del modelo PLS se realizó en dos etapas: (1) evaluación de la confiabilidad y validez del
modelo de medición y (2) evaluación del modelo estructural.
Evaluación del modelo de medición
Para garantizar la gran confiabilidad y validez de la investigación, se realiza una prueba para examinar las siete dimensiones de la estructura,
que incluyen PPT, autoeficacia, motivación de aprendizaje, presencia social, presencia cognitiva, presencia docente y desempeño en el
aprendizaje. Para cada ítem, el factor de carga es superior a 0,7 ( Mesa 2 ). La validez de la convergencia estructural se evalúa de acuerdo con
los resultados de la estimación del modelo de medición. La medición reflectante se considera confiable cuando la carga del factor del elemento
sobre el factor de correlación es alta (por encima de 0,7) ( Fornell y Larcker, 1981 ). Posteriormente, el alfa de Cronbach, la rho de
Dillon-Goldstein, la confiabilidad compuesta y la varianza promedio extraída (AVE) se utilizan para probar la confiabilidad y la validez del
constructo ( Mesa 3 ). Para todos los constructos, el alfa de Cronbach y el rho de Dillon-Goldstein son mayores que 0,7, congruentes con el
criterio aceptable ( Nunnally, 1968 ) y la fiabilidad compuesta es superior a 0,9, muy por encima del valor recomendado de 0,5 ( Chin y Gopal,
1995 ). Adicionalmente, el valor de AVE mayor que el mínimo de 0.5 prueba bien la confiabilidad y validez de la investigación ( Fornell y
Larcker, 1981 ). Estos indicadores demuestran la viabilidad de todos los constructos para la investigación de seguimiento.
TABLA 2
Estimación del modelo externo.
Variable latente Variables manifiestas Cargas factoriales Pesos externos
Enseñanza de precisión percibida (PPT) PPT_1 0,918 0,272
PPT_2 0,914 0,272
PPT_3 0,926 0,272
PPT_4 0,919 0,272
Autoeficacia (SE) SE_1 0,814 0,165
SE_2 0,857 0,183
SE_3 0,858 0,176
SE_4 0,860 0,169
SE_5 0,839 0,184
SE_6 0,843 0,175
SE_7 0,741 0,149
Motivación de aprendizaje (LM) LM_1 0,880 0,215
LM_2 0.905 0,226
LM_3 0,881 0,220
LM_4 0,913 0,222
LM_5 0,914 0,228
Presencia cognitiva (CP) CP_1 0,854 0,170
CP_2 0,847 0,170
CP_3 0,834 0,149
CP_4 0,861 0,169
CP_5 0,861 0,165
CP_6 0,882 0,167
CP_7 0,882 0,172
Presencia social (SP) SP_1 0,886 0,183
SP_2 0,882 0,177
SP_3 0,875 0,183
SP_4 0,910 0,193
SP_5 0,892 0,191
SP_6 0,895 0,196
Presencia docente (TP) TP_1 0,919 0,277
TP_2 0.908 0,258
TP_3 0,919 0,272
TP_4 0,911 0,287
Preferencia (PREF) PER_1 0,944 0.352
TABLA 3
Construya confiabilidad y validez.
MV Alfa de Cronbach Rho_A Fiabilidad compuesta CRA
PPT 4 0,939 0,939 0,956 0,845
SE 7 0,925 0,928 0,940 0,691
LM 5 0,940 0,941 0,955 0,808
CP 7 0,941 0,942 0,952 0,740
TP 4 0,935 0.936 0,953 0,836
SP 5 0,947 0,948 0,958 0,792
POR 3 0,940 0,940 0,962 0,893
La validez discriminante de los constructos se evalúa en función de la Fornell y Larcker (1981)

criterio. De acuerdo a Fornell y Larcker (1981) , para una buena validez discriminante, la raíz cuadrada del AVE de los constructos
debe ser mayor que el coeficiente de correlación entre los constructos. Todos los constructos del modelo estimado están en línea
con este criterio ( Fornell y Larcker, 1981 ; Ver
Mesa 4 ).
TABLA 4
Fornell y Larcker (1981) criterio.
PPT SE LM CP TP SP POR
PPT 0,919
SE 0,699 0,831
LM 0,727 0,767 0,899
CP 0,664 0,813 0,816 0,860
TP 0,734 0,679 0,766 0,778 0,914
SP 0,688 0,764 0,799 0,837 0,813 0,890
POR 0,695 0,747 0,774 0,796 0,807 0,802 0,945
La raíz cuadrada de la varianza promedio extraída (AVE) para cada construcción se indica en negrita y cursiva, mientras que
las correlaciones entre construcciones se muestran fuera de la diagonal.
Evaluación del modelo estructural
Los datos encuestados ejecutaron 5000 operaciones de modelo de procedimiento de arranque utilizando SmartPLS3. Figura 4
presenta vívidamente los resultados de la verificación de hipótesis. Se prueban los efectos directos e indirectos de los siete constructos, y
los resultados se muestran en Mesas 5 , 6 .

FIGURA 4
Modelo estructural PLS.
TABLA 5
Coeficiente de trayectoria del modelo estructural (1).
SE LM CP
Directo Indirecto Directo Indirecto Directo Indirecto
PPT 0,699 *** 0,727 *** 0,658 ***
SE 0,456 ***
LM 0,466 ***
CP
TP
SP
* * * p <0,001 (prueba t de dos colas).
TABLA 6
Coeficiente de trayectoria del modelo estructural (2).
TP SP POR
Directo Indirecto Directo Indirecto Directo Indirecto
PPT 0,589 *** 0,633 *** 0,573 ***
SE 0,224 ** 0,367 *** 0,311 ***
LM 0,594 *** 0,517 *** 0,489 ***
CP 0,295 ***
TP 0,372 ***
SP 0,253 **
* * * p <0,001, ** p <0,010 (prueba t de dos colas).
En el aprendizaje mixto, el PPT se relaciona positiva y directamente con la autoeficacia (β = 0,699, p < 0,001) y motivación de aprendizaje (β
= 0,727, p < 0.001), apoyando la validez de H1 y H2. El PPT se relaciona de forma positiva e indirecta con la presencia cognitiva (β = 0,658, p
< 0,001), presencia docente (β = 0,589, p <

0,001) y presencia social (β = 0,633, p < 0,001) y, finalmente, rendimiento en el aprendizaje (β = 0,573, p <
0,001); y la autoeficacia se relaciona positiva y directamente con la presencia cognitiva (β = 0,456, p < 0,001), presencia docente (β = 0,224, p = 0,001)
y presencia social (β = 0,367, p < 0.001), respaldando la validez de H3a, H3b y H3c, respectivamente, y por lo tanto certificando que H3 es
sostenible. La motivación del aprendizaje está relacionada positiva y directamente con la presencia cognitiva (β = 0,466, p < 0,001), presencia
docente (β = 0,594, p < 0,001) y presencia social (β = 0,517, p < 0.001), apoyando la validez de H4a, H4b y H4c, respectivamente, y por lo tanto
certificando que H4 es sostenible. La presencia cognitiva se relaciona positiva y directamente con el rendimiento del aprendizaje (β = 0,295, p < 0,001),
la presencia docente se relaciona positiva y directamente con el rendimiento del aprendizaje (β = 0,372, p < 0,001), y la presencia social se
relaciona positiva y directamente con el rendimiento del aprendizaje (β = 0,253, p = 0.006), respaldando la validez de H5a, H5b y H5c,
respectivamente y, por lo tanto, atestigua que H5 es sostenible.
Dado que el modelado de trayectorias PLS no puede proporcionar un ajuste de modelo global ampliamente aceptado ( Hair et al., 2017b ), la investigación adopta
deliberadamente la raíz cuadrada media residual estandarizada (SRMR) para el ajuste del modelo, encontrando que el valor SRMR del modelo de 0.042 por debajo
de 0.08 es aceptable ( Hair et al., 2017b ).
Relevancia predictiva y tamaño del efecto
Además del uso de determinar el coeficiente (R 2) al evaluar la precisión predictiva del modelo, la redundancia de validación cruzada (Q 2)
También se puede utilizar para determinar la relevancia predictiva del modelo.
( Hair et al., 2014a ). El modelo posee relevancia predictiva en el caso de que la variable endógena valor Q 2 es mayor que 0 ( Hair
et al., 2017a ). Mesa 7 también sugiere que el modelo tiene predicciones
relevancia en la autoeficacia, la motivación del aprendizaje, la presencia cognitiva, la presencia docente, la presencia social y el rendimiento del
aprendizaje.
TABLA 7
Relevancia predictiva y tamaño del efecto.
R2 Q2 Variables exógenas Tamaño del efecto f2
SE 0,489 0,333 PPT 0,957
LM 0,529 0,425 PPT 1.123
CP 0,751 0,551 SE 0.344
LM 0.360
TP 0,607 0,501 SE 0.053
LM 0.370
SP 0,694 0,543 SE 0,182
LM 0.359
POR 0,738 0,650 CP 0,090
TP 0,162
SP 0.057
Adicionalmente, Mesa 7 calcula el tamaño del efecto de cada variable exógena f 2. De acuerdo a Hair et al.
(2014a) , tamaño del efecto f 2 indica la contribución de la variable exógena a la variable endógena R 2, y 0.02, 0.15 y 0.35
sugiriendo efectos pequeños, medianos y grandes, respectivamente ( Hair et al.,
2 2
2014a , B ). PPT tiene un gran efecto sobre la autoeficacia (EE) ( F 2 = 0.957) y motivación de aprendizaje (LM) ( F 2 =
1,123); La autoeficacia (EE) tiene un gran efecto sobre la presencia cognitiva (PC) ( F 2 = 0.344), un pequeño efecto sobre la presencia docente (TP) ( F
2 = 0.053), y un efecto medio en la presencia social (SP) ( F 2 = 0,182); La motivación del aprendizaje tiene un gran efecto sobre la presencia cognitiva
(PC) ( F 2 = 0,360), presencia docente (TP) ( F 2 =
0,370) y presencia social (SP) ( F 2 = 0,359); La presencia cognitiva (CP) y la presencia social (SP) tienen un pequeño efecto en el rendimiento
del aprendizaje (PER) ( F 2 = 0.090, F 2 = 0,057); y la presencia docente tiene un efecto medio en el rendimiento del aprendizaje (PER) ( F 2 = 0,162).
Discusión
Al analizar 256 estudiantes de un entorno de aprendizaje mixto que presenta una enseñanza de precisión al final del trimestre, este estudio arroja luz
sobre la relación entre el PPT y el rendimiento del aprendizaje en un entorno de aprendizaje mixto. Específicamente, el PPT se correlaciona
positivamente con la autoeficacia y la motivación del aprendizaje, mientras que la autoeficacia, la motivación del aprendizaje y el COI ejercen un efecto
mediador en serie sobre las relaciones entre el PPT y el rendimiento del aprendizaje.
Enseñanza de precisión percibida, autoeficacia y motivación para el aprendizaje
En esta investigación, encontramos que el PPT se relaciona positivamente con la autoeficacia y la motivación del aprendizaje, con gran relevancia y efecto
predictivo. También se relaciona de forma indirecta y positiva con el rendimiento del aprendizaje. En una experiencia de aprendizaje mixto que presenta una
enseñanza de precisión, se solicita a los estudiantes que aprendan el contenido del curso en línea por sí mismos antes de la clase y se unan a la prueba. El
sistema registra los resultados de las pruebas de los estudiantes. De esta forma, los alumnos ya se han preparado lo suficiente y muestran de antemano una
mayor autoeficacia en la docencia en el aula. Por parte de los profesores, pueden tener intervenciones de enseñanza pertinentes y bien organizadas para los
problemas descubiertos en el procedimiento de evaluación ( Kubina y Yurich, 2012 ). Los hechos demuestran que una enseñanza más pertinente atrae
fácilmente la atención de los estudiantes, despierta sus intereses y estimula su autoeficacia y motivación de aprendizaje.
Autoeficacia, presencia cognitiva, presencia social, presencia docente y rendimiento en el aprendizaje
La investigación revela que la autoeficacia está relacionada directa y positivamente con la presencia cognitiva, la presencia social y la presencia docente, con una
relevancia predictiva variable y un tamaño de efecto, y está relacionada de manera indirecta y positiva con el rendimiento del aprendizaje. En entornos de
aprendizaje mixto que ofrecen una enseñanza de precisión, se les pide a los estudiantes que realicen una vista previa de la prueba y se unan a ella antes de la
clase, de modo que básicamente puedan comprender el contenido del curso, reforzar la autoeficacia y la voluntad de tener intercambios con compañeros y
profesores, y más fácilmente sumergirse en el proceso de enseñanza. Todos estos comportamientos están relacionados directa y positivamente con su
desempeño en el aprendizaje.
Motivación del aprendizaje, presencia cognitiva, presencia social, presencia docente y rendimiento del
aprendizaje
La motivación de aprendizaje es un factor clave para el aprendizaje activo y también un factor decisivo para el rendimiento y la expresión del
aprendizaje de los estudiantes ( Weiner, 1990 ; Law et al., 2010 ; Law y Breznik, 2017 ; Law y Geng,
2018 ). La motivación de aprendizaje puede ser estimulada por factores endógenos y exógenos, en los que la motivación de aprendizaje endógena es el
tipo dominante en los cursos de aprendizaje mixto ( Lin et al., 2003 ). Simultáneamente, se ha encontrado que la motivación del aprendizaje está
relacionada directa y positivamente con la presencia cognitiva, presencia social y presencia docente, con gran relevancia y efecto predictivo, e indirecta y
positivamente relacionada con el desempeño en el aprendizaje. Aquellos estudiantes que tienen una fuerte motivación de aprendizaje también se inclinan
a participar de manera más positiva en las asignaciones del curso y las actividades grupales. Desde esta perspectiva, la motivación del aprendizaje
promueve el desempeño del aprendizaje a través de su relación positiva y directa con la presencia social y la presencia docente.
Efecto mediador en serie de la enseñanza de precisión percibida sobre el rendimiento del aprendizaje
En este estudio, se observa que la autoeficacia, la motivación del aprendizaje y el COI (incluida la presencia cognitiva, la presencia docente y la
presencia social) generan un efecto mediador en serie entre el PPT y el rendimiento del aprendizaje, es decir, el PPT mejora la autoeficacia de los
estudiantes. y motivación de aprendizaje Chapman
et al., 2005 ; Roberts y Norwich, 2010 ; Rebecca y Michelle, 2016 ), mientras que la autoeficacia y la motivación del aprendizaje están directamente relacionadas
con el COI, y el COI está positivamente relacionado con el rendimiento del aprendizaje ( Akyol
y Garrison, 2011 ; Akyol et al., 2011 ; Kozan y Richardson, 2014 ).
Conclusión
Este estudio analiza y verifica la relación entre el PPT y el rendimiento del aprendizaje en entornos de aprendizaje mixto, es decir, el PPT se relaciona
positivamente con la autoeficacia y la motivación del aprendizaje, la autoeficacia y la motivación del aprendizaje se relacionan positivamente con el
COI (incluida la presencia cognitiva, la presencia docente y presencia social), COI se relaciona positivamente con el rendimiento del aprendizaje, y
PPT predice de forma remota y positiva el rendimiento del aprendizaje.
A lo largo de todo el proceso, PPT no solo es el punto de partida, sino también el vínculo más crítico que eventualmente predice el rendimiento del
aprendizaje. En cuanto al diseño de cursos de aprendizaje combinado con enseñanza de precisión, el primer paso es identificar mediante la
configuración de preguntas de prueba para verificar los logros de los objetivos de aprendizaje, de modo que los estudiantes conozcan claramente
sus objetivos de aprendizaje antes de participar en el aprendizaje en línea, experimentar el aprendizaje pertinente y finalmente, examine los logros
de las metas de aprendizaje después de aprender. El segundo paso es el registro, que ilustra que el sistema de aprendizaje en línea puede
registrar elaboradamente los logros de los estudiantes en el proceso de aprendizaje y refleja los problemas encontrados en el proceso de
aprendizaje de manera oportuna y precisa. El tercer paso es el cambio; Aquí en, Bruhn et al., 2020 ), organizar debates pertinentes y la enseñanza
en el aula durante la clase, y así asegurar que los conocimientos enseñados apunten exactamente para resolver lo que puede desconcertar a los
estudiantes. El último paso es intentarlo de nuevo. Después de la clase, los estudiantes deben someterse a las pruebas adecuadas en los
sistemas de aprendizaje en línea para verificar si sus objetivos de aprendizaje personales se han logrado todavía y, de no ser así, los maestros
deben hacer más esfuerzos para mejorar los efectos del aprendizaje combinado mediante las preparaciones de enseñanza pertinentes. Si la
enseñanza de precisión funciona, los estudiantes se familiarizan con el contenido de aprendizaje antes de la clase, lo que a su vez aumenta la
confianza de los estudiantes, obviamente mejorando su autoeficacia y motivación de aprendizaje, y motivándolos a participar en el aprendizaje del
curso y las discusiones en clase. La enseñanza pertinente en clase refuerza aún más los intereses de los estudiantes en el aprendizaje y,
finalmente, tiene un impacto positivo en el rendimiento del aprendizaje. Por lo tanto, una buena comprensión del flujo, el diseño del contenido y la
implementación efectiva de la enseñanza de precisión es importante para obtener un rendimiento de aprendizaje favorable.
La importancia teórica de este estudio es que manifiesta la relación entre el PPT en el aprendizaje mixto y el rendimiento del
aprendizaje a través de la autoeficacia, la motivación del aprendizaje y el COI, y proporciona una nueva perspectiva de la
investigación sobre el rendimiento del aprendizaje mixto. El significado de práctica docente es ofrecer una referencia realista al
desarrollo de la práctica docente de precisión en un entorno de aprendizaje mixto y presentar una forma eficaz de mejorar el
rendimiento del aprendizaje. Acompañado por el rápido avance de la tecnología de la información y el crecimiento sostenido de los
logros de información entre maestros y estudiantes, el aprendizaje combinado adquiere un ámbito de aplicación cada vez más
amplio y, mientras tanto, más y más sistemas técnicos crean muchas comodidades para la implementación de la enseñanza de
precisión.
Limitaciones de la investigación y sugerencias para estudios adicionales
Debido a la limitación del curso para el aprendizaje mixto con enseñanza de precisión, nuestros participantes son principalmente del mismo
curso. Se espera que la investigación futura pueda expandirse a cursos más combinados con enseñanza de precisión. Sin embargo, los
resultados se basan en un análisis de estudiantes chinos, por lo que aún no se ha confirmado la generalización a estudiantes de otros países.
Declaración de disponibilidad de datos
Los datos en bruto que respaldan las conclusiones de este artículo serán puestos a disposición por los autores, sin reservas indebidas.
Declaración de Ética
No se requirió revisión y aprobación éticas para el estudio en participantes humanos de acuerdo con la legislación local y los
requisitos institucionales. No se requirió el consentimiento informado por escrito para participar en este estudio de acuerdo con la
legislación nacional y los requisitos institucionales.
Contribuciones de autor
POR: redacción – borrador original. C-HY: redacción-revisión y edición. Ambos autores han leído y aceptado la versión publicada
del manuscrito.
Conflicto de intereses
Los autores declaran que la investigación se realizó en ausencia de cualquier relación comercial o financiera que pudiera
interpretarse como un posible conflicto de intereses.
Apéndice A
TABLA A1
Instrumento de encuesta de enseñanza de precisión.
Parte uno
Escala tipo Likert de cinco puntos 1 = totalmente en desacuerdo, 2 = en desacuerdo, 3 = neutral, 4 = de acuerdo, 5 = totalmente de acuerdo.
Lista de Elementos iniciales Fuentes de
etiqueta de artículos referencia
PPT_1 Los maestros han formulado claramente los requisitos y objetivos de aprendizaje en línea Kubina y
curso de aprendizaje antes de clase. Yurich, 2012
PPT_2 El sistema de aprendizaje en línea registra las puntuaciones de mi proceso de aprendizaje.
PPT_3 Los profesores tienen una enseñanza pertinente dirigida a los problemas del curso de autoaprendizaje en
línea en la enseñanza en el aula.
PPT_4 Los maestros reexaminan el efecto de la enseñanza después de la enseñanza en el aula. Puedo
SE_1 terminar cuidadosamente el autoaprendizaje y probar a tiempo. Artino y
Mccoach, 2008
SE_2 En la enseñanza en el aula, puedo participar cuidadosamente en el aprendizaje del curso. Puedo
SE_3 terminar cuidadosamente la prueba después de la clase según sea necesario.
SE_4 A menudo puedo encontrar algunas contramedidas cuando tengo problemas para aprender.
SE_5 Creo que puedo terminar la tarea de aprendizaje incluso hay intervenciones.
SE_6 Siempre puedo encontrar un método para que el curso aprenda incluso si hay problemas técnicos, como el
retraso de Internet.
SE_7 A menudo puedo encontrar varias soluciones para un problema de aprendizaje.
LM_1 Cuando consiga finalizar la tarea de aprendizaje del curso, se estimulará mi motivación Law et al., 2019
de aprendizaje.
LM_2 Cuando logre terminar la tarea, se estimulará mi motivación de aprendizaje.
LM_3 Me alegro de haber realizado el curso.
LM_4 Estoy muy interesado en el contenido del curso y estimula mi iniciativa en el aprendizaje del
curso.
LM_5 El curso puede mejorar mi capacidad y conocimientos y estimularme a aprender el curso.
CP_1 Puedo adquirir conocimientos rápidamente del curso. Garrison et al.,
2010
CP_2 Puedo buscar más información relacionada con el curso a través de otros medios de aprendizaje (como
videos, debates y redes).
CP_3 Puedo encontrar problemas existentes en el curso.
CP_4 Puedo conectar todos los puntos de conocimiento aprendidos del curso como un todo. Mi nivel de
CP 5 conocimiento puede reflejarse en el aprendizaje del curso.
Notas al pie
Fondos. Este proyecto cuenta con el apoyo de seis programas de investigación en China, incluido el Programa de Reforma de la Enseñanza en el Departamento
de Educación de Guangdong (subvención núm. S-JY201707), el Proyecto de Planificación de Filosofía y Ciencias Sociales de la provincia de Guangdong
(subvención núm. GD18XJY01) y la Universidad de Ciencias Electrónicas and Technology of China, Zhongshan Institute (Grant Nos HHKC202013, CG201808,
JY202016 y GPY201808).
Referencias
1. Afacan Y. (2016). Explorando la efectividad del aprendizaje combinado en la educación en diseño de interiores.
Innov. Educ. Enseñar. En t. 53 508–518. 10.1080 / 14703297.2015.1015595 [ CrossRef ] [ Google Académico ]
2. Akyol Z., Garrison DR (2011). Evaluación de la metacognición en una comunidad de investigación en línea.
Internet High. Educ. 14 183–190. 10.1016 / j.iheduc.2011.01.005 [ CrossRef ] [ Google Académico ]

3. Akyol Z., Vaughan N., Garrison DR (2011). El impacto de la duración del curso en el desarrollo de una comunidad de investigación. Interactuar.
Aprender. Reinar. 19 231–246. 10.1080 / 10494820902809147 [ CrossRef ] [ Google Académico ]
4. Alammary A. (2019). Modelos de aprendizaje combinado para cursos de introducción a la programación: una revisión sistemática. Más
uno 14: e0221765. 10.1371 / journal.pone.0221765 [ Artículo gratuito de PMC ] [ PubMed ] [ CrossRef ] [ Google Académico ]
5. Alammary A., Sheard J., Carbone A. (2014). Aprendizaje mixto en la educación superior: tres enfoques de diseño
diferentes. Australas. J. Educ. Technol. 30 440–454. [ Google Académico ]
6. Anderson T., Rourke L., Garrison DR, Archer W. (2001). Evaluar la presencia docente en un contexto de conferencia por
computadora. Aprenda en línea. 5 1–17. [ Google Académico ]
7. Arbaugh JB (2005). ¿Existe un diseño óptimo para los cursos de MBA en línea? Acad. Manag. Aprender.
Educ. 4 135-149. 10.5465 / amle.2005.17268561 [ CrossRef ] [ Google Académico ]
8. Arbaugh JB (2008). ¿El marco de la comunidad de investigación predice los resultados en los cursos de MBA en línea? En t. Rev.
Res. Aprenda a distancia abierta. 9 1–21. 10.5465 / ambpp.2007.26508387 [ CrossRef ] [ Google Académico ]
9. Artino AR, Mccoach DB (2008). Desarrollo y validación inicial de la escala de autoeficacia y valor del aprendizaje online. J.
Educ. Computación. Res. 38 279-303. 10.2190 / EC.38.3.c [ CrossRef ] [ Google Académico ]
10. Bai Y., Mo D., Zhang LX, Boswell M., Rozelle S. (2016). El impacto de la integración de las TIC con la enseñanza: evidencia de un
ensayo controlado aleatorio en escuelas rurales de China. Computación. Educ.
96 1–14. 10.1016 / j.compedu.2016.02.005 [ CrossRef ] [ Google Académico ]

11. Bandura A. (1996). Fundamentos sociales para el pensamiento y la acción: una teoría cognitiva social.
Upper Saddle River, Nueva Jersey: Prentice. [ Google Académico ]
12. Bandura A., Adams NE (1980). Pruebas de la teoría de la generalidad de la autoeficacia. Cogn. El r. Res.
4 39–66. 10.1007 / bf01173354 [ CrossRef ] [ Google Académico ]
13. Bandura A., Watts RE (1995). Autoeficacia en sociedades cambiantes. Nueva York, NY: Cambridge
Prensa Universitaria. [ Google Académico ]
14. Benbunan-Fich R. (2008). Aprendizaje mixto en la educación superior: marco, principios y directrices. Acad. Manag.
Aprender. Educ. 7 135-137. [ Google Académico ]
15. Bennett S., Obispo A., Dalgarno B., Waycott J., Kennedy G. (2012). Implementación de tecnologías web 2.0 en la educación
superior: un estudio de caso colectivo. Computación. Educ. 59 524–534.
10.1016 / j.compedu.2011.12.022 [ CrossRef ] [ Google Académico ]

16. Blieck Y., Kauwenberghs K., Zhu C., Struyven K., Pynoo B., DePryck K. (2019). Investigar la relación entre los factores de éxito y la
participación de los estudiantes en el aprendizaje combinado y en línea en la educación de adultos. J. Comput. Ayudar. Aprender. 35
476–490. 10.1111 / jcal.12351 [ CrossRef ] [ Google Académico ]
17. Broadbent J. (2017). Comparar las estrategias de aprendizaje autorregulado y el rendimiento académico de los alumnos en línea y
combinados. Internet High. Educ. 33 24–32. 10.1016 / j.iheduc.2017.01.004 [ CrossRef ] [ Google Académico ]
18. Bruhn AL, Wehby JH, Hasselbring TS (2020). Toma de decisiones basada en datos para el comportamiento social: establecimiento de una
agenda de investigación. J. Posit. Behav. Interv. 22 116–126.
10.1177 / 1098300719876098 [ CrossRef ] [ Google Académico ]

19. Celikkaleli O. (2014). Relación entre flexibilidad cognitiva y creencias de autoeficacia académica, social y
emocional en adolescentes. Egit. Bilim 39 347–354. [ Google Académico ]
20. Cerezo R., Esteban M., Sánchez-Santillan M., Nunez JC (2017). Procrastinar el comportamiento en entornos de aprendizaje basados en
computadora para predecir el rendimiento: un estudio de caso en moodle. Parte delantera. Psychol. 8: 1403. 10.3389 / fpsyg.2017.01403 [ Artículo
gratuito de PMC ] [ PubMed ] [ CrossRef ] [ Google Académico ]
21. Chamorro-Premuzic T., Harlaar N., Greven CU, Plomin R. (2010). Más que solo coeficiente intelectual: un examen longitudinal de las
habilidades autopercibidas como predictores del rendimiento académico en una gran muestra de gemelos del Reino Unido. Inteligencia 38
385–392. 10.1016 / j.intell.2010.05.002 [ Artículo gratuito de PMC ] [ PubMed ] [ CrossRef ] [ Google Académico ]
22. Chapman SS, Ewing CB, Mozzoni MP (2005). Enseñanza de precisión y entrenamiento de fluidez en tareas cognitivas, físicas
y académicas en niños con lesión cerebral traumática: un estudio de base múltiple. Behav. Intervenir. 20 37–49. 10.1002 /
bin.168 [ CrossRef ] [ Google Académico ]
23. Chin WW, Gopal A. (1995). Intención de adopción en GSS: importancia relativa de las creencias. Datos
Base Adv. Inf. Syst 26 42–64. 10.1145 / 217278.217285 [ CrossRef ] [ Google Académico ]
24. Cho MH, Park SW, Lee SE (2019). Características de los estudiantes y factores de aprendizaje y enseñanza que predicen resultados afectivos y
motivacionales en aulas universitarias invertidas. Semental. Alto. Educ. 10.1080 / 03075079.2019.1643303 [Publicación electrónica antes de la
impresión]. [ CrossRef ] [ Google Académico ]
25. Chong SM (1998). "Modelos de conferencias por computadora asincrónicas para el aprendizaje colaborativo en grandes clases
universitarias", en Colaboradores electrónicos: tecnologías centradas en el alumno para la alfabetización, el aprendizaje y el discurso, eds
Bonk CJ, King KS (Mahwah, Nueva Jersey: Lawrence Erlbaum Associates;), 157–182. [ Google Académico ]
26. Choy JLF, Quek CL (2016). Modelar las relaciones entre el rendimiento académico de los estudiantes y la comunidad de
investigación en un entorno de aprendizaje en línea para un curso mixto.
Australas. J. Educ. Technol. 32 106–124. [ Google Académico ]
27. Christina KL (2000). Autoeficacia informática, autoconcepto académico y otros factores como predictores de satisfacción y
participación futura de los estudiantes adultos en la educación a distancia basada en la Web. Diss. Abstr. En t. Segundo. Un Hum.
Soc. Sci. 61: 581. [ Google Académico ]
28. Cocquyt C., Zhu C., Diep AN, De Greef M., Vanwing T. (2019). Examinar el papel del apoyo al aprendizaje en el aprendizaje
mixto para la inclusión social y el capital social de los adultos. Computación. Educ. 142: 103610 10.1016 /
j.compedu.2019.10361 [ CrossRef ] [ Google Académico ]
29. Dakduk S., Santalla-Banderali Z., van der Woude D. (2018). Aceptación del blended learning en la educación ejecutiva. SAGE
abierto 8: 21582440188 10.1177 / 2158244018800647 [ CrossRef ] [ Google Académico ]
30. Darling-Aduana J., Heinrich CJ (2018). El papel de la capacidad docente y la práctica instruccional en la integración de tecnología
educativa para estudiantes bilingües emergentes. Computación. Educ. 126 417–432. 10.1016 / j.compedu.2018.08.002 [ CrossRef ]
[ Google Académico ]
31. Datchuk SM (2017). Una instrucción directa y una intervención de enseñanza de precisión para mejorar la construcción de oraciones de
estudiantes de secundaria con dificultades de escritura. J. Spec. Educ. 51 62–
71. 10.1177 / 0022466916665588 [ CrossRef ] [ Google Académico ]

32. Davies J., Graff M. (2005). Desempeño en e-learning: participación online y calificaciones de los alumnos.
Br. J. Educ. Technol. 36 657–663. 10.1111 / j.1467-8535.2005.00542.x [ CrossRef ] [ Google Académico ]
33. Dibbs RA, Glassmeyer D., Yacoub W. (2013). La utilidad percibida de la precisión por parte de los estudiantes enseñó cálculo. Qual. Reps. 18:
101. [ Google Académico ]
34. Doumen S., Broeckmans J., Masui C. (2014). El papel del tiempo de autoaprendizaje en los logros de los estudiantes de primer
año. Educ. Psychol. 34 385–402. 10.1080 / 01443410.2013.785063 [ CrossRef ] [ Google Académico ]
35. Dziuban C., Hartman J., Moskal P., Sorg S., Truman B. (2004). “Tres modalidades ALN: una perspectiva institucional”, en Elementos
de la educación en línea de calidad: en la corriente principal, eds Bourne JR, Moore JC (Needham, MA: Sloan
Consortium;), 127-148. [ Google Académico ]
36. Ekwunife-Orakwue KCV, Teng TL (2014). El impacto de las interacciones transaccionales dialógicas a distancia en los resultados del
aprendizaje de los estudiantes en entornos en línea y combinados. Computación. Educ. 78 414–427. 10.1016 / j.compedu.2014.06.011 [ CrossRef
] [ Google Académico ]
37. Erbil DG (2020). Una revisión del aula invertida y el método de aprendizaje cooperativo dentro del contexto de la teoría de Vygotsky. Parte
delantera. Psychol. 11: 1157. 10.3389 / fpsyg.2020.01157 [ Artículo gratuito de PMC ] [ PubMed ] [ CrossRef ] [ Google Académico ]
38. Ferguson JM, DeFelice AE (2010). Duración del curso en línea y satisfacción del estudiante, aprendizaje percibido y
rendimiento académico. En t. Rev. Res. Aprenda a distancia abierta. 11 73–84.
10.19173 / irrodl.v11i2.772 [ CrossRef ] [ Google Académico ]
39. Ford ME (1992). Motivación humana: metas, emociones y creencias de agencia personal. Newbury
Park, CA: Sage. [ Google Académico ]
40. Fornell C., Bookstein FL (1982). Dos modelos de ecuaciones estructurales: lisrel y pls aplicados a la teoría de la voz de salida del
consumidor. J. Mark. Res. 19 440–452. 10.1177 / 002224378201900406 [ CrossRef ] [ Google Académico ]
41. Fornell C., Larcker DF (1981). Evaluación de modelos de ecuaciones estructurales con error no observable y de medición. J.
Mark. Res. 34 161–188. [ Google Académico ]
42. Fredricks JA, Blumenfeld PC, Paris AH (2004). Participación escolar: potencial del concepto, estado de la
evidencia. Rev. Educ. Res. 74 59–109. 10.3102 / 00346543074001059 [ CrossRef ] [ Google Académico ]
43. Garrison DR (2011). E-Learning en el siglo XXI: un marco para la investigación y la práctica,
2nd Edn Nueva York: Routedge. [ Google Académico ]
44. Garrison DR, Anderson T., Archer W. (2000). Investigación crítica en un entorno basado en texto: conferencias por computadora
en la educación superior. Internet High. Educ. 2 87–105. 10.1016 / s1096-7516 (00) 00016-6 [ CrossRef ] [ Google Académico ]
45. Garrison DR, Cleveland-Innes M., Fung TS (2010). Explorando las relaciones causales entre la enseñanza, la presencia cognitiva
y social: las percepciones de los estudiantes del marco de la comunidad de investigación. Internet High. Educ. 13 31–36. 10.1016 /
j.iheduc.2009.10.002 [ CrossRef ] [ Google Académico ]
46. Garrison DR, Kanuka H. (2004). Aprendizaje combinado: descubriendo su potencial transformador en la educación superior. Internet
High. Educ. 7 95-105. 10.1016 / j.iheduc.2004.02.001 [ CrossRef ] [ Google Académico ]
47. Ghazal S., Al-Samarraie H., Aldowah H. (2018). “Todavía estoy aprendiendo”: modelar los factores críticos de éxito de LMS para
promover la experiencia y la satisfacción de los estudiantes en un entorno de aprendizaje combinado. Acceso IEEE 6 77179–77201.
10.1109 / Access.2018.2879677 [ CrossRef ] [ Google Académico ]
48. Gist C., Bulla AJ (2020). Una revisión sistemática de la construcción de frecuencias y la enseñanza de precisión con niños en edad escolar. J. Behav.
Educ. 10.1007 / s10864-020-09404-3 [Publicación electrónica antes de la impresión]. [ CrossRef ] [ Google Académico ]
49. Gorges J., Kandler C. (2012). Motivación de aprendizaje de los adultos: expectativa de éxito, valor y papel de los recuerdos
afectivos. Aprender. Individ. Diferir de. 22 610–617. 10.1016 / j.lindif.2011.09.016 [ CrossRef ] [ Google Académico ]
50. Hair JF, Hult GTM, Ringle C., Sarstedt M. (2014a). Introducción a los mínimos cuadrados parciales
Modelos de ecuaciones estructurales. Thousand Oaks, CA: Sage. [ Google Académico ]
51. Hair JF, Hult GTM, Ringle C., Sarstedt M. (2017a). Introducción a los mínimos cuadrados parciales
Modelado de ecuaciones estructurales (PLS-SEM), 2nd Edn Thousand Oaks, CA: Sage. [ Google Académico ]
52. Hair JF, Ringle C., Sarstedt M., Gudergan SP (2017b). Problemas AVANZADOS en el mínimo parcial
Modelado de ecuaciones estructurales cuadradas. Thousand Oaks, CA: Sage. [ Google Académico ]
53. Hair JF, Sarstedt M., Hopkins L., Kuppelwieser VG (2014b). Modelado de ecuaciones estructurales de mínimos cuadrados parciales (PLS-SEM): una
herramienta emergente en la investigación empresarial. EUR. Autobús. Rvdo. 26 106–
121. 10.1108 / ebr-10-2013-0128 [ CrossRef ] [ Google Académico ]

54. Henseler J., Sarstedt M. (2013). Índices de bondad de ajuste para el modelado de trayectorias de mínimos cuadrados parciales.
Computación. Stat. 28 565–580. 10.1007 / s00180-012-0317-1 [ CrossRef ] [ Google Académico ]

55. Hogarth A. (2010). Educación en un mundo competitivo y globalizado: Adopción de Blended
Aprendizaje para el trabajo colaborativo en la educación superior, 1st Edn Nueva York: Nova Science Publishers. [ Google
Académico ]
56. Hong SC, Park YS (2012). Un análisis de la relación entre el autoaprendizaje, la tutoría privada y la autoeficacia en
el aprendizaje autorregulado. KEDI J. Educ. Política 9 113–144. [ Google Académico ]
57. Hsu LL, Hsieh SI (2011). Factores asociados con el resultado del aprendizaje de BSN en un entorno de aprendizaje mixto. Desprecio.
Enfermero 38 24–34. 10.5172 / conu.2011.38.1-2.24 [ PubMed ] [ CrossRef ] [ Google Académico ]
58. Hsu MH, Ju TL, Yen CH, Chang CM (2007). Comportamiento de intercambio de conocimientos en comunidades virtuales: la
relación entre confianza, autoeficacia y expectativas de resultados. En t. J. Hum. Computación. Semental. 65 153–169. 10.1016 /
j.ijhcs.2006.09.003 [ CrossRef ] [ Google Académico ]
59. Jones KT, Chen CC (2008). Aprendizaje mixto en un curso de contabilidad de posgrado: satisfacción del estudiante y problemas
de diseño del curso. Cuenta. Educ. J. 18 15-28. [ Google Académico ]
60. Kerzic D., Tomazevic N., Aristovnik A., Umek L. (2019). Explorar factores críticos de la utilidad percibida del aprendizaje
combinado para estudiantes de educación superior. Más uno 14: e0223767.
10.1371 / journal.pone.0223767 [ Artículo gratuito de PMC ] [ PubMed ] [ CrossRef ] [ Google Académico ]
61. King S., Arnold K. (2012). Ambientes de aprendizaje mixto en la educación superior: un estudio de caso de cómo los profesores lo hacen
posible. Medio Oeste. Res. Educ. 25 44–59. [ Google Académico ]
62. Kozan K., Richardson JC (2014). Interrelaciones entre presencia social, docente y cognitiva. Internet High. Educ. 21
68–73. 10.1016 / j.iheduc.2013.10.007 [ CrossRef ] [ Google Académico ]
63. Kubina RM, Yurich KK (2012). El libro de enseñanza de precisión. Lemont, PA: Grandeza
Empresa editorial lograda. [ Google Académico ]
64. Law KMY, Breznik K. (2017). Impactos de la innovación y la actitud sobre la intención emprendedora: entre estudiantes de
ingeniería y no ingenieros. En t. J. Technol. Des. Educ. 27 1–18. [ Google Académico ]
65. Law KMY, Geng S. (2018). ¿Cómo afectan la innovación y el uso de las manos el rendimiento de aprendizaje de los estudiantes de
ingeniería? En t. J. Technol. Des. Educ. 29 897–914. [ Google Académico ]
66. Law KMY, Geng S. (2019). ¿Cómo afectan la innovación y el uso de las manos el rendimiento de aprendizaje de los estudiantes de
ingeniería? En t. J. Technol. Des. Educ. 29 897–914. 10.1007 / s10798-018-9462-3 [ CrossRef ] [ Google Académico ]
67. Law KMY, Geng S., Li TM (2019). Inscripción, motivación y desempeño del aprendizaje de los estudiantes en un entorno de
aprendizaje mixto: los efectos mediadores de la presencia social, docente y cognitiva. Computación. Educ. 136 1–12. 10.1016 /
j.compedu.2019.02.021 [ CrossRef ] [ Google Académico ]
68. Law KMY, Lee VCS, Yu YT (2010). Motivación de aprendizaje en cursos de programación informática facilitados por e-learning. Computación.
Educ. 55 218–228. 10.1016 / j.compedu.2010.01.007 [ CrossRef ] [ Google Académico ]
69. Levy Y. (2007). Comparar abandonos y persistencia en cursos de e-learning. Computación. Educ. 48
185-204. 10.1016 / j.compedu.2004.12.004 [ CrossRef ] [ Google Académico ]
70. Li JY, Ye H., Tang Y., Zhou ZK, Hu XG (2018). ¿Cuáles son los efectos de las fases y estrategias de autorregulación para los
estudiantes chinos? Un metaanálisis de dos décadas de investigación sobre la asociación entre la autorregulación y el
rendimiento académico. Parte delantera. Psychol. 9: 2434.
10.3389 / fpsyg.2018.02434 [ Artículo gratuito de PMC ] [ PubMed ] [ CrossRef ] [ Google Académico ]
71. Li LY, Tsai CC (2017). Acceso a material de aprendizaje en línea: patrones de comportamiento cuantitativos y sus efectos sobre la motivación y
el rendimiento del aprendizaje. Computación. Educ. 114 286–297.

72. Lim DH, Morris ML (2009). Factores de aprendizaje e instrucción que influyen en los resultados del aprendizaje dentro de un entorno de
aprendizaje mixto. Educ. Technol. Soc. 12 282–293. [ Google Académico ]
73. Lin YG, McKeachie WJ, Kim YC (2003). Motivación y aprendizaje intrínsecos y / o extrínsecos del estudiante universitario. Aprender.
Individ. Diferir de. 13 251-258. 10.1016 / s1041-6080 (02) 00092-4 [ CrossRef ] [ Google Académico ]
74. Manganelli S., Cavicchiolo E., Mallia L., Biasi V., Lucidi F., Alivernini F. (2019). La interacción entre la motivación
autodeterminada, las estrategias cognitivas autorreguladas y el logro previo en la predicción del rendimiento académico. Educ.
Psychol. 39 470–488. 10.1080 / 01443410.2019.1572104 [ CrossRef ] [ Google Académico ]
75. Mannion L., Griffin C. (2018). Enseñanza de precisión a través del irlandés: efectos sobre la fluidez de lectura aislada de palabras reconocibles a la vista
y la fluidez de lectura contextualizada. Ir. Educ. Semental. 37 391–410.
10.1080 / 03323315.2017.1421090 [ CrossRef ] [ Google Académico ]

76. Moos DC, Marroquin E. (2010). Multimedia, hipermedia e hipertexto: motivación considerada y reconsiderada. Computación.
Tararear. Behav. 26 265–276. 10.1016 / j.chb.2009.11.004 [ CrossRef ] [ Google Académico ]
77. Moskal P., Dziuban P., Hartman J. (2013). Aprendizaje mixto: ¿una idea peligrosa? Internet High.
Educ. 18 15-23. 10.1016 / j.iheduc.2012.12.001 [ CrossRef ] [ Google Académico ]
78. Muncey J., Williams H. (1981). Evaluación diaria en el aula. Especificaciones. Educ. Tendencias 8 31–34.
10.1111 / j.1467-8578.1981.tb00442.x [ PubMed ] [ CrossRef ] [ Google Académico ]
79. Niemiec T., Lachowicz-Tabaczek K. (2015). El papel moderador de la autoeficacia específica en el impacto del estado de ánimo
positivo en el rendimiento cognitivo. Motiv. Emot. 39 498–505. 10.1007 / s11031-014-9469-3 [ Artículo gratuito de PMC ] [ PubMed ] [ CrossRef
80. Nunnally JC (1968). Teoría psicométrica. Soy. Educ. Res. J. 5 431–433. [ Google Académico ]
81. Paglis LL, Green SG (2010). Autoeficacia del liderazgo y motivación de los directivos para liderar el cambio. J. Organ. Behav. 23
215–235. 10.1002 / job.137 [ CrossRef ] [ Google Académico ]
82. Park SY, NamM. W., Cha SB (2012). Intención conductual de estudiantes universitarios para utilizar el aprendizaje móvil: evaluación del
modelo de aceptación de la tecnología. Br. J. Educ. Technol. 43 592–605.
10.1111 / j.1467-8535.2011.01229.x [ CrossRef ] [ Google Académico ]

83. Patrick H., Ryan AM, Kaplan A. (2007). Percepciones de los adolescentes sobre el entorno social del aula, las creencias
motivacionales y el compromiso. J. Educ. Psychol. 99 83–98. 10.1037 / 0022-
0663.99.1.83 [ CrossRef ] [ Google Académico ]
84. Porter WW, Graham CR, Spring KA, Welch KR (2014). Aprendizaje mixto en educación superior: adopción e
implementación institucional. Computación. Educ. 75 185-195.
85. Putri MR, Luke JY, Sela ST (2019). "Factor crítico de éxito en el aprendizaje combinado para la formación en inglés: una revisión
sistemática de la literatura", en Actas de la Primera Conferencia Internacional sobre Avance e Innovación Científica 23-24 de abril de
2018, Medan, 1175. 10.1088 / 1742- 6596/1175/1/012251 [ CrossRef ] [ Google Académico ]
86. Ramirez-Arellano A., Acosta-Gonzaga E., Bory-Reyes J., Hernandez-Simon LM (2018). Factores que afectan el rendimiento del
aprendizaje de los estudiantes: un modelo causal en la educación mixta superior. J. Comput. Ayudar. Aprender. 34 807–815. 10.1111 /
jcal.12289 [ CrossRef ] [ Google Académico ]
87. Raybould EC, Solity JE (1982). Enseñar con precisión. Especificaciones. Educ. Tendencias 8 9-13.
[ PubMed ] [ Google Académico ]

88. Raybould EC, Solity JE (1988). Más preguntas sobre la enseñanza de precisión. Br. J. Spec. Educ. 15
59–61. 10.1111 / j.1467-8578.1988.tb00316.x [ CrossRef ] [ Google Académico ]
89. Rebecca S., Michelle K. (2016). Enseñanza de precisión: ¿tiene impacto la formación del psicólogo educativo? Educ.
Psychol. Pract. 32 13-23. 10.1080 / 02667363.2015.1094651 [ CrossRef ] [ Google Académico ]
90. Reeves JR (2006). Actitudes de los maestros de secundaria hacia la inclusión de estudiantes de inglés en las aulas regulares. J.
Educ. Res. 99 131–143. 10.3200 / joer.99.3.131-143 [ CrossRef ] [ Google Académico ]
91. Roberts W., Norwich B. (2010). Usar la enseñanza de precisión para mejorar las habilidades de lectura de palabras y el autoconcepto
académico de los estudiantes de secundaria: un papel para los psicólogos educativos profesionales. Educ. Psychol. Pract. 26 279–298.
10.1080 / 02667363.2010.495215 [ CrossRef ] [ Google Académico ]
92. Sabah NM (2020). Factores de motivación y barreras para el uso continuo del enfoque de aprendizaje combinado usando Moodle: las
percepciones de los estudiantes y las diferencias individuales. Behav. Inf. Technol. 39 875–898. 10.1080 / 0144929x.2019.1623323 [ CrossRef
93. Sarstedt M., Ringle CM, Smith D., Reams R., Hair JF (2014). Modelado de ecuaciones estructurales de mínimos cuadrados parciales
(PLS-SEM): una herramienta útil para los investigadores de empresas familiares. J. Fam. Autobús. Strateg. 5 105-115. 10.1016 /
j.jfbs.2014.01.002 [ CrossRef ] [ Google Académico ]
94. Schneider M., Preckel F. (2017). Variables asociadas al rendimiento en la educación superior: una revisión sistemática de
metaanálisis. Psychol. Toro. 143 565–600. 10.1037 / bul0000098 [ PubMed ] [ CrossRef ] [ Google Académico ]
95. Sharpe R., Benfield G., Francis R. (2006). Implementar una estrategia universitaria de e-learning: palancas de cambio dentro de las
escuelas académicas. Res. Aprender. Technol. 14 135-151. [ Google Académico ]
96. Shea P., Bidjerano T. (2014). ¿El aprendizaje en línea impide la obtención de un título? Un estudio nacional de estudiantes de colegios
comunitarios. Computación. Educ. 75 103–111. 10.1016 / j.compedu.2014.02.009 [ CrossRef ] [ Google Académico ]
97. Sherer M., Maddux JE, Mercandante B., PrenticeDunn S., Jacobs B., Rogers RW (1982). La escala de autoeficacia:
construcción y validación. Psychol. Reps. 51 663–671. [ Google Académico ]
98. Así HJ, Brush TA (2008). Percepciones de los estudiantes sobre el aprendizaje colaborativo, la presencia social y la satisfacción en un
entorno de aprendizaje mixto: relaciones y factores críticos. Computación. Educ.
51 318–336. 10.1016 / j.compedu.2007.05.009 [ CrossRef ] [ Google Académico ]

99. Swan K. (2001). Interacción virtual: factores de diseño que afectan la satisfacción del alumno y el aprendizaje percibido en cursos
online asincrónicos. Distancia Educ. 22 306–331.
10.1080 / 0158791010220208 [ CrossRef ] [ Google Académico ]
100. Szeto E. (2015). Comunidad de indagación como enfoque de instrucción: ¿qué efectos de la enseñanza, las presencias sociales y
cognitivas hay en el aprendizaje y la enseñanza sincrónicos combinados? Computación. Educ. 81 191–201. 10.1016 /
j.compedu.2014.10.015 [ CrossRef ] [ Google Académico ]
101. Torrisi-Steele G., Drew S. (2013). El panorama de la literatura del aprendizaje combinado en la educación superior: la necesidad de una
mejor comprensión de la práctica académica combinada. En t. J. Acad. Dev. 18 371–383. 10.1080 / 1360144x.2013.786720 [ CrossRef ] [ Google
Académico ]
102. Turvey K., Pachler N. (2020). Principios de diseño para fomentar la procedencia pedagógica a través de la investigación en el aprendizaje
apoyado por la tecnología. Computación. Educ. 146: 103736
10.1016 / j.compedu.2019.103736 [ CrossRef ] [ Google Académico ]

103. Vaughan N. (2007). Perspectivas sobre el aprendizaje semipresencial en la educación superior. En t. J. ELearn. 6 81–
94. [ Google Académico ]
104. Victoria López-Pérez M., Carmen Pérez-López M., Rodríguez-Ariza L. (2011). El aprendizaje mixto en la educación superior: las
percepciones de los estudiantes y su relación con los resultados. Computación. Educ. 56 818–
826. 10.1016 / j.compedu.2010.10.023 [ CrossRef ] [ Google Académico ]

105. Wei HC, Chou C. (2020). Rendimiento y satisfacción del aprendizaje en línea: ¿importan las percepciones y la preparación? Distancia
Educ. 41 48–69. 10.1080 / 01587919.2020.1724768 [ CrossRef ] [ Google Académico ]
106. Weiner B. (1990). Historia de la investigación motivacional en educación. J. Educ. Psychol. 82 616–622.
10.1037 / 0022-0663.82.4.616 [ CrossRef ] [ Google Académico ]
107. Wentzel KR, Battle A., Russell SL, Looney LB (2010). Apoyos sociales de profesores y compañeros como predictores de la
motivación académica y social. Desprecio. Educ. Psychol. 35 193–202.
10.1016 / j.cedpsych.2010.03.002 [ CrossRef ] [ Google Académico ]
108. Williams EA, Duray R., Reddy V. (2006). Orientación al trabajo en equipo, cohesión grupal y aprendizaje de los estudiantes: un estudio
del uso de equipos en la educación a distancia en línea. J. Gestionar. Educ. 30 592–616. 10.1177 / 1052562905276740 [ CrossRef ] [ Google
Académico ]
109. Wood R., Bandura A. (1989). Teoría social cognitiva de la gestión organizacional. Acad.
Administrar. Rvdo. 14 361–384. 10.2307 / 258173 [ CrossRef ] [ Google Académico ]
110. Xenos M., Pierrakeas C., Pintelas P. (2002). Una encuesta sobre las tasas de abandono y las causas de abandono de los
estudiantes en el curso de informática de la Hellenic Open University.
Computación. Educ. 39 361–377. 10.1016 / s0360-1315 (02) 00072-6 [ CrossRef ] [ Google Académico ]
111. Xu D., Jaggars SS (2011). La efectividad de la educación a distancia en los colegios comunitarios de Virginia: evidencia de cursos de
introducción a las matemáticas e inglés a nivel universitario. Educ. Eval. Política Anal. 33 360–377. 10.3102 / 0162373711413814 [ CrossRef
112. Yang JC, Quadir B., Chen NS, Miao Q. (2016). Efectos de la presencia en línea sobre el rendimiento del aprendizaje en un curso
en línea basado en blogs. Internet High. Educ. 30 11-20.
10.1016 / j.iheduc.2016.04.002 [ CrossRef ] [ Google Académico ]

113. Yildirim Z. (2005). Hipermedia como herramienta cognitiva: experiencias de los futuros profesores en aprender haciendo. Educ. Technol.
Soc. 8 107-117. [ Google Académico ]

114. Yuan CH, Wang DJ, Mao CY, Wu FX (2020). Una comparación empírica de empresarios graduados y empleados graduados
basada en la educación empresarial y el desarrollo profesional de graduados. Sustentabilidad 12: 10563 10.3390 /
su122410563 [ CrossRef ] [ Google Académico ]
115. Yuan CH, Wu YJ (2020). ¿Mensajería instantánea móvil o cara a cara? Interacciones grupales en simulaciones cooperativas. Computación.
Tararear. Behav. 113: 106508 10.1016 / j.chb.2020.106508 [ CrossRef ] [ Google Académico ]
116. Zimmergembeck MJ, Locke EM (2007). La socialización de las conductas de afrontamiento de los adolescentes: relaciones con
familias y profesores. J. Adolesc. 30 1–16. 10.1016 / j.adolescence.2005.03.001 [ PubMed ] [ CrossRef ] [ Google Académico ]
Los artículos de Frontiers in Psychology se proporcionan aquí por cortesía de Frontiers Media SA

Precision Teaching and Learning Performance in A Blended Learning Environment (Copia) .En - Es

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Precision Teaching and Learning Performance in A Blended Learning Environment (Copia) .En - Es

Cargado por

Copyright:

Formatos disponibles

26/2/2021 Rendimiento de enseñanza y aprendizaje de precisión en un entorno de aprendizaje combinado

fpsyg.2021.631125 PMID: 33613404

Rendimiento de enseñanza y aprendizaje de precisión en un entorno de aprendizaje

Bin Yin * y Chih-Hung Yuan *

Editado por: Myint Swe Khine, Curtin University, Australia

* Correspondencia: Bin Yin, 9154748@qq.com

Chih-Hung Yuan, ialexyuan@gmail.com

Recibido el 19 de noviembre de 2020; Aceptado el 12 de enero de 2021.

Derechos de autor © 2021 Yin y Yuan.

no cumpla con estos términos.

referencia realista para la práctica de enseñanza de precisión en el entorno de aprendizaje combinado.

aprendizaje, modelado de ecuaciones estructurales

aprendizaje combinado también puede reforzar la flexibilidad ( Moskal y col.,

rendimiento del aprendizaje en entornos de aprendizaje mixto ( Ramirez-Arellano et al., 2018 ).

rendimiento óptimo de aprendizaje de los estudiantes ( Rebeca

1995 ; Schneider y Preckel, 2017 ; Law y Geng,

P1: ¿Cómo predice PPT el rendimiento del aprendizaje en el aprendizaje mixto?

conclusión y señalan la importancia de la investigación.

participar en el aprendizaje en línea.

cuales la experiencia de aprendizaje es un factor predominante.

el vínculo entre estas dimensiones y otras características del aprendizaje.

Enseñanza de precisión percibida

alumnos ( Dibbs y col.,

2013 ; Rebecca y Michelle, 2016 ).

et al., 2010 ; Schneider y Preckel, 2017 ).

dirección y la persistencia en ella ( Fredricks y col.,

2004 ; Reeves, 2006 ).

2017 ; Law y Geng, 2018 ).

La comunidad de investigación ( Law et al., 2019 ).

manera efectiva y eficiente ( Guarnición, 2011 ).

Enseñanza de precisión percibida, autoeficacia y motivación para el aprendizaje

y Michelle, 2016 ). Por tanto, planteamos las siguientes hipótesis:

H1. El PPT se relaciona positivamente con la autoeficacia.

H2. PPT se relaciona positivamente con la motivación de aprendizaje.

mantengan una alta autoeficacia sobre un asignación ( Paglis y Green, 2010 ).

H3. La autoeficacia está relacionada positivamente con el COI.

H3a. La autoeficacia se relaciona positivamente con la presencia cognitiva. H3b. La

autoeficacia se relaciona positivamente con la presencia social. H3c. La autoeficacia se

relaciona positivamente con la presencia docente.

Aprendizaje de motivación y COI

la persistencia del comportamiento ( Moos y Marroquin,

pertinente o reflexiona repetidamente.

H4. La motivación de aprendizaje está relacionada positivamente con el COI.

aprendizaje se relaciona positivamente con la presencia docente.

COI y rendimiento del aprendizaje

docente ( Akyol et al., 2011 ; Kozan y Richardson,

H5. COI se relaciona positivamente con el rendimiento del aprendizaje.

positivamente con el rendimiento del aprendizaje.

Entorno del experimento y participantes

Abrir en una ventana separada

Proceso de aprendizaje combinado con enseñanza de precisión.

estudiantes tienen entre 20 y 22 años.

Características demográficas de los estudiantes entrevistados.

Indicador Valor del indicador Recuento Porcentaje

Género Masculino 101 39,45%

Mujer 155 60,55%

Grupo de edad Por debajo de 18 0 0,00%

20-21 100 39,06%

22-23 145 56,64%

Por encima de 23 6 2,34%

Evaluación del modelo de medición

Estimación del modelo externo.

Variable latente Variables manifiestas Cargas factoriales Pesos externos

PPT 0,699 * 0,727 * 0,658 ***

PPT 0,589 * 0,633 * 0,573 ***

SE 0,224 0,367 * 0,311 ***

LM 0,594 * 0,517 * 0,489 ***