Factores de riesgo en jóvenes escolarizados asociados al uso de las redes sociales y la internet
Factores de riesgo en jóvenes escolarizados asociados al uso de las redes sociales y la internet
Barra lateral del artículo
HTML
PDF
FLIP
La Revista ofrece Acceso Abierto bajo una licencia Creative Commons Attibution License
Esta obra está bajo una Licencia Creative Commons Atribución 4.0 Internacional.
Contenido principal del artículo
El objetivo de este artículo es develar las variables subyacentes al uso de las redes sociales e internet, en jóvenes estudiantes de educación básica, de un colegio citadino en Colombia. Las categorías desde las que se estudia la adicción-adolescentes son: síntomas-adicción, uso-social, rasgos-frikis y nomofobia. El enfoque metodológico es cuantitativo, el instrumento utilizado es Escala de Riesgo de Adicción-adolescente a las Redes Sociales e Internet, adicionalmente se utilizaron los índices de fiabilidad y el análisis de componentes principales, para determinar las variables subyacentes. En la investigación participaron 179 jóvenes cuyas edades están entre 12 y 16 años. El alfa de Cronbach global es de 0,867. Las variables subyacentes identificadas son: Socialización, Amistad con Tecnologías de la Información y la Comunicación, Comunicación Grupal Dependiente-multipropósito, Síntomas de Adicción Relevantes, Tiempo de Ocio en Redes Sociales y la Internet y uso de las Redes Sociales como Fuente de Información Sobre Sexualidad. El estudio no es concluyente en determinar la existencia de la adicción a las redes sociales y la internet, sin embargo, se develan algunas variables a considerar para prever factores de riesgo a considerar en el ámbito escolar
Descargas
Detalles del artículo
Abdul-Aziz, A., Hafieza-Ismail, N., Ahmad, F., & Hassan, H. (2015). A framework for students’ academic performance analysis using naïve bayes classifier. Jurnal Teknologi, 75(3), 13–19. https://doi.org/10.11113/jt.v75.5037 DOI: https://doi.org/10.11113/jt.v75.5037
Alshurafat, H., Al Shbail, M. O., Masadeh, W. M., Dahmash, F., & Al-Msiedeen, J. M. (2021). Factors affecting online accounting education during the COVID-19 pandemic: an integrated perspective of social capital theory, the theory of reasoned action and the technology acceptance model. Education and Information Technologies, 26(6), 6995–7013. https://doi.org/10.1007/s10639-021-10550-y DOI: https://doi.org/10.1007/s10639-021-10550-y
Angulo-Armenta, J., Tánori-Quintana, J., Mortis-Lozoya, S. V., & Angulo-Arellanes, L. A. (2019). Uso de las Tecnologías en el Aprendizaje por Adolescentes desde la Perspectiva de los Padres de Familia. El caso de Educación Secundaria del Sur de Sonora, México. Información tecnológica, 30(6), 269–276. https://doi.org/10.4067/s0718-07642019000600269 DOI: https://doi.org/10.4067/S0718-07642019000600269
Ariza, J., Saldarriaga, J., Reinoso, K., & Tafur, C. (2021). Tecnologías de la información y la comunicación y desempeño académico en la educación media en Colombia. Lecturas de Economía, 94, 47–86. https://doi.org/10.17533/udea.le.n94a338690 DOI: https://doi.org/10.17533/udea.le.n94a338690
Benítez González, M. C. (2019). La Educación superior en modalidad semipresencial: fortalezas y debilidades de su implementación. Revista Científica de la UCSA, 6(3), 32–43. https://doi.org/10.18004/ucsa/2409-8752/2019.006.03.032-043 DOI: https://doi.org/10.18004/ucsa/2409-8752/2019.006.03.032-043
Calero-Yera, E., Rodriguez-Roura, S., & Trumbull-Jorlen, A. (2017). Abordaje de la sexualidad en la adolescencia. Humanidades Médicas, 17(3), 577–592. http://scielo.sld.cu/pdf/hmc/v17n3/hmc10317.pdf
Castrillón, O. D., Sarache, W., & Ruiz-Herrera, S. (2020). Predicción del rendimiento académico por medio de técnicas de inteligencia artificial. Formación universitaria, 13(1), 93–102. https://doi.org/10.4067/s0718-50062020000100093 DOI: https://doi.org/10.4067/S0718-50062020000100093
Cavadía, C., Payares, F., Herrera, K., Jaramillo, J., & Meza, L. (2019). Los entornos virtuales de aprendizaje como estrategia de mediación pedagógica. Aglala, 10(2), 212-220.
Chacón-Vargas, É., & Roldán-Villalobos, G. (2021). Factores que inciden sobre el rendimiento académico de los estudiantes de primer ingreso del curso Matemática General del Instituto Tecnológico de Costa Rica. Uniciencia, 35(1), 265–283. https://doi.org/10.15359/ru.35-1.16 DOI: https://doi.org/10.15359/ru.35-1.16
Chaparro Rodríguez, J. C., Jaimes Márquez, M. C., & Prada Núñez, R. (2018). Modernidad y Educación: : Una reflexión a propósito de sus legados y desafíos. Revista Perspectivas, 3(2), 121–132. https://doi.org/10.22463/25909215.1672 DOI: https://doi.org/10.22463/25909215.1672
Claro-Vásquez, J. M. (2017). Valoración del uso de la plataforma virtual Moodle como recurso pedagógico en la enseñanza universitaria de la informática. Revista Perspectivas, 2(1), 43–56. https://doi.org/10.22463/25909215.1284 DOI: https://doi.org/10.22463/25909215.1284
Cornell-Farrow, S., & Garrard, R. (2020). Machine learning classifiers do not improve the prediction of academic risk: Evidence from Australia. Communications in Statistics Case Studies Data Analysis and Applications, 6(2), 228–246. https://doi.org/10.1080/23737484.2020.1752849 DOI: https://doi.org/10.1080/23737484.2020.1752849
Dolores Palacios, M., Conforme-Zambrano, E. G., Villavicencio, F., Arpi, N., Clavijo Castillo, R., & Mora, J. C. (2018). Manifestaciones de control de padres y madres de familia en Cuenca, Ecuador, sobre sus hijos de entre 5 y 12 años. Revista Perspectivas, 3(1), 44–58. https://doi.org/10.22463/25909215.1423 DOI: https://doi.org/10.22463/25909215.1423
Díaz-Cárdenas, S., Arrieta-Vergara, K., & Simancas-Pallares, M. (2019). Adicción a Internet y rendimiento académico de estudiantes de odontología. Revista Colombiana de Psiquiatria, 48(4), 198–207. https://doi.org/10.1016/j.rcp.2018.03.002 DOI: https://doi.org/10.1016/j.rcp.2018.03.002
Espinel-Rubio, G. A., Hernández-Suárez, C. A., & Rojas-Suarez, J. P. (2020). Usos, apropiaciones y nuevas prácticas comunicativas de los usuarios adolescentes de facebook. Saber, Ciencia Y Libertad, 15(1), 280–296. https://doi.org/10.18041/2382-3240/saber.2020v15n1.6316 DOI: https://doi.org/10.18041/2382-3240/saber.2020v15n1.6316
Espinoza-Guillén, B., & Chávez-Vera, M.-D. (2021). El uso de las redes sociales: Una perspectiva de género. Maskana, 12(2), 19–24. https://doi.org/10.18537/mskn.12.02.03 DOI: https://doi.org/10.18537/mskn.12.02.03
Febro, J. (2019). Utilizing feature selection in identifying predicting factors of student retention. International Journal of Advanced Computer Science and Applications, 10(9), 269–274. https://doi.org/10.14569/ijacsa.2019.0100934 DOI: https://doi.org/10.14569/IJACSA.2019.0100934
Frías-Navarro, D. (2020). Apuntes de consistencia interna de las puntuaciones de un instrumento de medida. https://www.uv.es/friasnav/AlfaCronbach.pdf
Froiland, J., & Oros, E. (2014). Intrinsic motivation, perceived competence and classroom engagement as longitudinal predictors of adolescent reading achievement. Educational Psychology, 34(2), 119–132. https://doi.org/10.1080/01443410.2013.822964 DOI: https://doi.org/10.1080/01443410.2013.822964
Galster, G., Santiago, A., Stack, L., & Cutsinger, J. (2016). Neighborhood effects on secondary school performance of Latino and African American youth: Evidence from a natural experiment in Denver. Journal of Urban Economics, 93, 30–48. https://doi.org/10.1016/j.jue.2016.02.004 DOI: https://doi.org/10.1016/j.jue.2016.02.004
Gentile, D. A., Li, D., Khoo, A., Prot, S., & Anderson, C. A. (2014). Mediators and moderators of long-term effects of violent video games on aggressive behavior practice, thinking, and action. JAMA Pediatrics, 168(5), 450–457. https://doi.org/https://doi.org/10.1001/jamapediatrics.2014.63 DOI: https://doi.org/10.1001/jamapediatrics.2014.63
Granda Asencio, L. Y., Espinoza Freire, E. E., & Mayon Espinoza, S. E. (2019). Las TIC como herramientas didácticas del proceso de enseñanza-aprendizaje. Revista pedagógica de la Universidad de Cienfuegos, 15(66), 104–110.
Guo, B., Zhang, R., Xu, G., Shi, C., & Yang, L. (2015). Predicting Students Performance in Educational Data Mining. International Symposium on Educational Technology, 125–128. https://doi.org/10.1109/ISET.2015.33 DOI: https://doi.org/10.1109/ISET.2015.33
Hernández-Sampieri, R., Fernández-Collado, C., & Baptista-Lucio, M. (2014). Metodología de la investigación (J. Mares-Chacon (ed.)). McGraw Hill Intereamericana Editores S.A. http://www.casadellibro.com/libro-metodologia-de-la-investigacion-5-ed-incluye-cd-rom/9786071502919/1960006
Khan, A., & Ghosh, S. (2018). Data mining based analysis to explore the effect of teaching on student performance. Education and Information Technologies, 23(4), 1677–1697. https://doi.org/10.1007/s10639-017-9685-z DOI: https://doi.org/10.1007/s10639-017-9685-z
Kumari, P., Jain, P., & Pamula, R. (2018). An Efficient use of Ensemble Methods to Predict Students Academic Performance. 4th Int’l Conf. on Recent Advances in Information Technology. https://doi.org/10.1109/RAIT.2018.8389056 DOI: https://doi.org/10.1109/RAIT.2018.8389056
Lau, E. T., Sun, L., & Yang, Q. (2019). Modelling, prediction and classification of student academic performance using artificial neural networks. SN Applied Sciences, 1(982). https://doi.org/10.1007/s42452-019-0884-7 DOI: https://doi.org/10.1007/s42452-019-0884-7
Lisboa- Bartholo, T., & Da-Costa, M. (2016). Evidence of a school composition effect in Rio de Janeiro public schools. Ensaio, 24(92), 498–521. https://doi.org/10.1590/S0104-40362016000300001 DOI: https://doi.org/10.1590/S0104-40362016000300001
López-García, J. D., & Gutiérrez-Niño, D. (2018). Efecto del uso de la herramienta “realidad aumentada” en el rendimiento académico de estudiantes de Educación Básica. Revista Perspectivas, 3(1), 6–12. https://doi.org/10.22463/25909215.1464 DOI: https://doi.org/10.22463/25909215.1464
López-Sánchez, F. (2014). Sexualidad en la adolescencia ¿Y qué podemos hacer con los adolescentes los diferentes agentes educativos? ADOLESCERE - Revista de formación continuada de la Sociedad española de medicina de la adolescencia, II(1), 24–34. https://www.adolescenciasema.org/usuario/documentos/24-34 Sexualidad en la adolescencia.pdf
Masci, C., Johnes, G., & Agasisti, T. (2018). Student and school performance across countries: A machine learning approach. European Journal of Operational Research, 269(3), 1072–1085. https://doi.org/10.1016/j.ejor.2018.02.031 DOI: https://doi.org/10.1016/j.ejor.2018.02.031
Maulida, J., & Kariyam. (2017). Students academic performance based on behavior. AIP Conference Proceedings, 1911(December 2017). https://doi.org/10.1063/1.5016003 DOI: https://doi.org/10.1063/1.5016003
McMillan, J., & Schumacher, S. (2005). Investigación educativa. Editorial Pearson Educación S.A
Mira, N., & Ruiz-Callado, R. (2017). Consumo de sustancias psico activas y rendimiento académico. Una investigación en estudiantes de educación secundaria obligatoria. Health and Addictions/Salud y Drogas, 17(1), 45–52. http://www.redalyc.org/articulo.oa?id=83949782005 DOI: https://doi.org/10.21134/haaj.v17i1.278
Ortíz-Arismendy, A., Ramirez, M. E., & Diaz Vargas, M. E. (2019). El portafolio digital como herramienta de apoyo en el proceso de enseñanza. Revista Perspectivas, 4(2), 20_30 https://doi.org/10.22463/25909215.1967 DOI: https://doi.org/10.22463/25909215.1967
Peris, M., Maganto, C., & Garaigordobil, M. (2018). Escala de riesgo de adicción-adolescente a las redes sociales e internet: fiabilidad y validez (ERA-RSI). Revista de psicología Clínica con Niños y Adolescentes, 5(2), 30–36. https://doi.org/10.21134/rpcna.2018.05.2.4 DOI: https://doi.org/10.21134/rpcna.2018.05.2.4
Ramos-Galarza, C., Jadán-Guerrero, J., Paredes-Núñez, L., Bolaños-Pasquel, M., & Gómez-García, A. (2017). Procrastinación, adicción al internet y rendimiento académico de estudiantes universitarios ecuatorianos. Estudios Pedagogicos, 43(3), 275–289. https://scielo.conicyt.cl/pdf/estped/v43n3/art16.pdf DOI: https://doi.org/10.4067/S0718-07052017000300016
Rodríguez-Hernández, C., Musso, M., Kyndt, E., & Cascallar, E. (2021). Artificial neural networks in academic performance prediction: Systematic implementation and predictor evaluation. Computers and Education: Artificial Intelligence, 2, 100018. https://doi.org/10.1016/j.caeai.2021.100018 DOI: https://doi.org/10.1016/j.caeai.2021.100018
Salal, Y., & Abdullaev, S. (2020). Deep Learning based Ensemble Approach to Predict Student Academic Performance: Case Study. En 2020 3rd International Conference on Intelligent Sustainable Systems (ICISS). https://doi.org/10.1109/ICISS49785.2020.9316044 DOI: https://doi.org/10.1109/ICISS49785.2020.9316044
Sánchez-Palacios, B., & Zambrano-Vera, G. (2020). La Ciberadicción En El Rendimiento Académico De Los Estudiantes De Educación Básica Superior De La Escuela Cicerón Robles Velásquez, 2019. Revista Caribeña de Ciencias Sociales, 2020–08. https://www.eumed.net/rev/caribe/2020/08/ciberadiccion.pdf
Sandoval-Forero, C. G., & Triana-Sánchez, A. (2017). El videojuego como herramienta pro social: implicaciones y aplicaciones para la reconstrucción en Colombia. Análisis Político, 89, 38–58. http://www.scielo.org.co/pdf/anpol/v30n89/0121-4705-anpol-30-89-00038.pdf DOI: https://doi.org/10.15446/anpol.v30n89.66216
Sandoval-Obando, E. E. (2020). Caracterización del trastorno por videojuegos: ¿Una problemática emergente? Pensamiento Psicológico, 18(1), 87–102. https://doi.org/https://doi.org/10.11144/Javerianacali.PPSI18-1.ctvp DOI: https://doi.org/10.11144/Javerianacali.PPSI18-1.ctvp
Sherouk, K., & Raad, K. (2020). What educational actions are urgently needed for developing e-learning and enhancing the 21st century skills. Sixth International Conference on e-Learning, 51–54. https://doi.org/10.1109/econf51404.2020.9385518 DOI: https://doi.org/10.1109/econf51404.2020.9385518
Valencia-Ortiz, R., Cabero, J. C., & Garay, U. (2020). Influencia del género en el uso de redessociales por el alumnado y profesorado. Campus Virtuales, 9(1), 29–39. www.revistacampusvirtuales.es
