Organizado por:
La influencia del profesor en el aprendizaje de la materia de Dirección de Operaciones: Un estudio empírico en el Centro Universitario de la
Defensa de San Javier.
Juan Andrés Bernal Conesa, Centro Universitario de la Defensa de San Javier, [email protected]
Carmen de Nieves Nieto, Centro Universitario de la Defensa de San Javier
Resumen: En este trabajo se analiza la influencia de la actividad del profesor como fuente de motivación y la percepción que tiene el alumno en el proceso enseñanza-aprendizaje, en la materia de dirección de operaciones. Para ello se utiliza un modelo de ecuaciones estructurales en el cual se utiliza una encuesta sobre el aprendizaje del estudiante realizada en el curso 2014/2015 en el Grado de Ingeniería de Organización Industrial impartido en el Centro Universitario de la Defensa de San Javier. Los resultados obtenidos reflejan que la actividad del docente influye de manera positiva y significativa en la motivación del alumno, a la vez que influye en su aprendizaje
Palabras clave: motivación, actitud profesor, enseñanza –aprendizaje, ecuaciones estructurales.
1. Objetivos o propósitos:
Las disciplinas académicas de ciencia, tecnología, ingeniería y matemáticas cobran cada vez más importancia, siendo consideradas fundamentales por las sociedades tecnológicamente avanzadas. El objetivo central del título de Grado de Ingeniería de Organización Industrial(GIOI) es formar profesionales capaces de desempeñar labores de análisis, evaluación, diseño y gestión en el área de ingeniería de organización y dentro de cuatro enfoques principales: la dirección de operaciones, el análisis económico, la gestión organizativa y la dirección estratégica (Mula, Díaz-Madroñero, & Poler, 2012). Los resultados obtenidos en estudios previos (Alfalla-Luque, Medina-López, & Arenas- Márquez, 2011) muestran la necesidad de hacer más comprensibles y motivantes la materia de Dirección de Operaciones (DO) ante la falta de interés del alumno por desarrollarse profesionalmente en esta área.
La adaptación de las universidades españolas al Espacio Europeo de Enseñanza Superior (EEES) ha promovido un cambio de modelo educativo, desde uno centrado en la enseñanza hacia otro basado en el aprendizaje.
El proceso de la enseñanza-aprendizaje requiere que el conocimiento se transmita de una forma adecuada. La habilidad de transmitir el conocimiento se puede categorizar de dos formas: Una de ellas es mantener la enseñanza estándar; y la otra es satisfacer a los estudiantes (Lin, 1999). Es por esta razón por la que la metodología docente basada en la lección magistral impartida por el profesor debe completarse con metodologías docentes activas y de aprendizaje autónomo, en las que el estudiante participe.
Organizado por:
El nuevo papel del profesor como motivador y facilitador propuesto por el proceso de convergencia europea ha de ser analizado pues está directamente relacionado con la importancia del aprendizaje autónomo y las tutorías dentro del EEES (Martínez Lirola, 2007).
Por ello en este trabajo se analiza la figura del profesor en la materia de Dirección de Operaciones impartida en el tercer curso del Grado de Ingeniería de Organización Industrial (GIOI) en el Centro Universitario de la Defensa (CUD) de San Javier a través de una metodología basada en Partial Least Square (PLS), para ello el trabajo se estructura como sigue: (1) una sección donde se describen las características y particularidades de los CUD y sus alumnos, la importancia de la materia de DO en el plan de Estudios,(2) metodología empleada para el estudio, (3) resultados obtenidos y (4) un apartado final sobre las conclusiones.
2. Marco teórico:
Cabe destacar como novedad en el sistema universitario español la existencia de los Centros Universitarios del Ministerio de Defensa dos de los cuales que han optado por impartir el GIOI (Mula et al., 2012).
Así pues, la reforma de la enseñanza militar en el sentido de exigir una titulación universitaria para el acceso a las escalas de oficiales supone una oportunidad inmejorable para tratar de definir un nuevo modelo educativo que, apoyado en la innovación docente universitaria (Rosino & Álvarez, 2014), perfeccione sus técnicas mediante el aprovechamiento de los rasgos característicos que han convertido a las Fuerzas Armadas en una de las instituciones mejor valoradas por los españoles (Bernal Conesa, De Nieves Nieto, & Briones Peñalver, 2014).
Los Centros Universitarios de la Defensa son, por su propia naturaleza, una experiencia de innovación docente. Constituyen un ámbito idóneo para la innovación educativa, pues alcanzan los tres aspectos que se suelen considerar principales en el comienzo de este tipo de procesos: centro educativo (dimensión cultural-contextual), plan de estudios (dimensión constitutiva) y profesor (dimensión personal) (Rosino & Álvarez, 2014). El CUD de San Javier se trata de un centro de enseñanza pública, cuya titularidad corresponde al Ministerio de Defensa y a su vez se encuentra adscrito a la Universidad Politécnica de Cartagena. Los estudios del GIOI son impartidos únicamente a los alumnos que a su vez lo son de la Academia General del Aire (AGA).
Como hemos visto los alumnos no sólo son aspirantes al GIOI, sino también son aspirantes al empleo de Teniente del Cuerpo General del Ejército de Aire. Ello significa que están obligados a simultanear su Plan de Estudios Civil a la par que el Militar, por lo que la titulación se imparte a lo largo de cinco cursos académicos y es en el tercer curso cuando se imparte la materia objeto de análisis en este trabajo. Es decir, DO se imparte para los alumnos del 3er curso, los cuales emprenden por primera vez desde su ingreso en la AGA la tarea de aprender a volar durante un cuatrimestre, circunstancia esta que ha de ser tenida en cuenta a la hora de desarrollar la metodología docente
Organizado por:
Ante esta situación, y siendo conscientes no sólo de la importancia de que un egresado conozca su futuro entorno laboral, sino de la ventaja de que los alumnos conozcan la organización en la cual desarrollarán su trabajo en el futuro, es necesario el organizar y programar aspectos de la docencia con el fin de que el alumno adquiriera las competencias del Grado centradas en el entorno profesional para el correcto desempeño de los cometidos que los diferentes cuerpos y escalas tienen en la organización y funcionamiento de las estructuras que configuran las Fuerzas Armadas. Por ello conseguir la motivación del alumno en esta materia es fundamental y el papel del profesor es crucial.
Estos aspectos suponen un reto añadido a la docencia de esta disciplina, y ponen de manifiesto la importancia de la investigación en este campo, como ya establecían Alfalla- Luque y Martínez-Lorente (2012) para establecer estrategias de enseñanza-aprendizaje adecuadas.
3. Metodología:
Para la realización del análisis se ha recurrido, en este trabajo, a un modelo de ecuaciones estructurales (Structural Equation Modeling, SEM). El modelo SEM es una técnica que combina tanto la regresión múltiple como el análisis factorial (Cupani, 2012). Los SEM son procedimientos estadísticos que permiten comprobar la medida de las hipótesis funcionales, predictivas y causales, siendo estas herramientas estadísticas multivariantes esenciales para entender muchos elementos de investigación y llevar a cabo investigación básica o aplicada en las ciencias del comportamiento, de gestión, de salud y sociales (Bagozzi & Yi, 2011). Dentro de los SEM se va a utilizar la técnica PLS. PLS-SEM es una técnica basado en un enfoque iterativo que maximiza la varianza explicada de los constructos endógenos (Hair Jr et al., 2014).
Considerando la relación propuesta por Díaz, Merino, y Castellanos (2010), se propone el siguiente modelo de estudio:
Actitud profesor
Motivación Percepción
aprendizaje
Organizado por:
Figura1. Modelo conceptual de investigación.
Fuente: Elaboración propia a partir de Díaz et al., (2010)
Para la elaboración de este estudio en el que se incluye tanto el examen de las relaciones entre los constructos reflejado en la figura 1, se utilizo un cuestionario, utilizando la escala Likert 1-5. Para la formación de los constructos se ha recurrido a indicadores basados en la literatura consultada (Alfalla-Luque et al., 2011) Los datos cuantitativos se recogieron a través de las respuestas que nos ofrecieron los alumnos que cursaron la materia en el curso 2014/2015 a similitud de estudios previos (Alfalla-Luque et al., 2011). El software utilizado fue SmartPLS 2.0 M3, desarrollado por Ringle, Wende y Will en 2005. Dado que SmartPLS es un modelo de estimación y análisis PLS-SEM, utiliza el proceso de estimación en dos pasos (Chin et al. 2003), evaluando el modelo de medida y el modelo estructural (Hair Jr et al., 2014). En primer lugar, se estima el modelo de medida, donde se determina la relación entre los indicadores y el constructo (Roldán & Sánchez-Franco, 2012) y en segundo lugar, se realiza la estimación del modelo estructural, donde se evalúan las relaciones entre los diferentes constructos, a través de los coeficientes path, su nivel de significación (R2) y la redundancia validada cruzada (Q2) (Hair Jr et al., 2014).
4. Resultados y/o conclusiones
En los modelos de medición reflexivos, el análisis de los componentes principales se lleva a cabo con referencia a los atributos de fiabilidad individual del indicador, la fiabilidad del constructo, la validez convergente (Fornell & Larcker, 1981) y la validez discriminante (Hair et al. 2012).
La fiabilidad de cada elemento individual se evalúa mediante el análisis del factor de cargas estandarizadas (λ) (Roldán & Sánchez-Franco, 2012). La fiabilidad del elemento individual es considerado adecuado cuando un indicador tiene un λ mayor que 0.707 en su respectivo constructo (Carmines & Zeller, 1979). En este estudio, todos los indicadores reflexivos tienen cargas por encima de 0.8801 (cifras en negrita en la Tabla 1).
Indicador Actitud
Profesor Motivación Percepción aprendizaje
1 0.9580 0.8887 0.8842
4 0.9575 0.9067 0.9074
5 0.9069 0.8133 0.8577
2 0.8897 0.9565 0.9087
9 0.8336 0.9332 0.8167
10 0.9116 0.9624 0.9516
3 0.9355 0.8866 0.9486
6 0.8767 0.9039 0.9468
7 0.8062 0.8154 0.8801
8 0.8748 0.8523 0.9460
Organizado por:
11 0.8962 0.9420 0.9585
Tabla 1. Cargas y cargas cruzadas para el modelo de medición
Debemos, además, obtener la fiabilidad compuesta (c) (Hair Jr et al., 2014) y el de Cronbach (Castro & Roldán, 2013), para evaluar la consistencia interna de medidas de los constructos. Se interpretan ambos valores con las directrices que ofrecieron Nunnlly y Bernstein (1994) los cuales sugieren un valor de 0.7 como punto de referencia para una fiabilidad aceptable. Los tres constructos analizados tienen una alta consistencia interna pues se superan los niveles recomendados (ver Tabla 2).
Para valorar la validez convergente se calcula la varianza media extraída (AVE), la cual deber ser al menos igual a 0.5 (Fornell & Larcker, 1981).
Por su parte, la validez discriminante representa el grado en que el constructo es empíricamente distinto de otros constructos Un método para evaluar la existencia de validez discriminante es el criterio de Fornell y Larcker (1981). Este método establece que el constructo deber estar formado con más varianza de sus indicadores que cualquier otro constructo. Para corroborar este requisito, la raíz cuadrada de la AVE de cada constructo debe ser mayor que sus correlaciones con cualquier otro constructo. Esta condición se cumple para todos los constructos en relación con sus otras variables (ver Tabla 2).
c Cronbach AVE Motivación Percepción aprendizaje
Actitud Profesor Motivación 0.966 0.947 0.904 0.951
Percepción
aprendizaje 0.973 0.965 0.877 0.931 0.936
Actitud
Profesor 0.959 0.935 0.886 0.925 0.932 0.941
Nota: Elementos de la diagonal (negrita) son la raíz cuadrada de la varianza compartida entre los constructos y sus medidas (varianza media extraída).Para la validez discriminante, los elementos diagonales deben ser mayores que los elementos fuera de la diagonal.
Tabla 2. Fiabilidad compuesta (c), coeficientes de validez convergente y discriminante
Una vez que la fiabilidad y la validez del modelo de medida han sido establecidas la bondad del ajuste del modelo es comprobada a través del nivel de significación de los parámetros path (, el valor R2 para cada constructo dependiente y la prueba de Stone- Geisser (Q2). Si <0.2 no hay causalidad y la hipótesis se rechaza (Ramírez-Correa, 2014), en el presente caso todos los son mayores de 0.2.
R2 es una medida de la exactitud del modelo (Hair Jr et al., 2014), con los valores 0.75, 0.50, 0.25, respectivamente, se describen los niveles sustanciales, moderados o débiles de la exactitud de la predicción.
Finalmente, Q2 se usa como criterio para medir la relevancia predictiva. Si Q2 es mayor que 0 esto implica que el modelo tiene relevancia predictiva (Hair Jr et al., 2014), en
Organizado por:
nuestro caso todos los Q2 obtenidos tienen signo positivo y son mayores que 0, como se puede apreciar en la figura 2.
Figura 2. Contraste del modelo propuesto.
5. Contribuciones y significación científica de este trabajo:
Los resultados resumidos en la figura 2, confirman que el modelo estructural tiene una relevancia predictiva causal satisfactoria para las dos variables dependientes: motivación y percepción del aprendizaje pudiéndose, por tanto, afirmar que todas las relaciones planteadas son aceptadas y así el papel del profesor se evidencian como factor de rendimiento y aprendizaje asociados a la motivación en línea con otros estudios (Boza Carreño & Toscano Cruz, 2012), en la materia de DO.
6. Bibliografía
Motivación R2=0,856 Q2=0,769
Percepción aprendizaje
R2=0,918 Q2=0,333
=0,504***
Actitud profesor R2=n.a Q2=0,855
=0,925*** =0,472***
Notas: * p < 0.05; ** p < 0.01; *** p < 0.001; (basado en t(4999), test de una cola) n.a= no aplicable
Organizado por:
Alfalla-Luque, R., & Martínez-Lorente, Á. R. (2012). Desarrollos actuales en docencia e investigación en dirección de operaciones y tecnología. WPOM - Working Papers on Operations Management, 3(2). http://doi.org/10.4995/wpom.v3i2.1305
Alfalla-Luque, R., Medina-López, C., & Arenas-Márquez, F. J. (2011). Mejorando la formación en Dirección de Operaciones: la visión del estudiante y su respuesta ante diferentes metodologías docentes. Cuadernos de Economía y Dirección de la Empresa, 14(1), 40–52. http://doi.org/10.1016/j.cede.2011.01.002
Bagozzi, R. P., & Yi, Y. (2011). Specification, evaluation, and interpretation of structural equation models. Journal of the Academy of Marketing Science, 40(1), 8–34.
http://doi.org/10.1007/s11747-011-0278-x
Bernal Conesa, J. A., De Nieves Nieto, C., & Briones Peñalver, A. J. (2014). Implantación de la Responsabilidad Social en la Administración Pública: el caso de las Fuerzas Armadas Españolas. Revista De Responsabilidad Social De La Empresa, 18(III), 101–
124.
Boza Carreño, Á., & Toscano Cruz, M. de la O. (2012). Motivos, actitudes y estrategias de aprendizaje: aprendizaje motivado por alumnos universitarios. Retrieved from http://digibug.ugr.es/handle/10481/22994
Carmines, E. G., & Zeller, R. A. (1979). Reliability and Validity Assessment. SAGE Publications.
Castro, I., & Roldán, J. L. (2013). A mediation model between dimensions of social capital. International Business Review, 22(6), 1034–1050.
http://doi.org/10.1016/j.ibusrev.2013.02.004
Cupani, M. (2012). Análisis de Ecuaciones Estructurales: conceptos, etapas de desarrollo y un ejemplo de aplicación. REVISTA TESIS Facultad De Psicología, 2(1), 186–199.
Díaz, M. Á. R., Merino, A. P., & Castellanos, R. S. M. (2010). Modelos de ecuaciones estructurales. Papeles Del Psicólogo, 31(1), 34–45.
Fornell, C., & Larcker, D. (1981). Evaluating Structural Equation Models with Unobservable Variables and Measurement Error. Journal of Marketing Research, 18(1), 39–50. http://doi.org/10.2307/3151312
Hair, J. F., Sarstedt, M., Ringle, C. M., & Mena, J. A. (2012). An assessment of the use of partial least squares structural equation modeling in marketing research. Journal of the Academy of Marketing Science, 40(3), 414–433. http://doi.org/10.1007/s11747-011- 0261-6
Hair Jr, J. F., Sarstedt, M., Hopkins, L., & Kuppelwieser, V. G. (2014). Partial least squares structural equation modeling (PLS-SEM): An emerging tool in business research.
European Business Review, 26(2), 106–121. http://doi.org/10.1108/EBR-10-2013-0128 Lin, H. (1999). Motivation and stimulating your students. In Frontiers in Education Conference, 1999. FIE ’99. 29th Annual (Vol. 2, p. 12D7/6 vol.2–).
http://doi.org/10.1109/FIE.1999.841689
Martínez Lirola, M. (2007). El nuevo papel del profesor universitario de lenguas extranjeras en el proceso de convergencia europea y su relación con la interacción, la
tutoría y el aprendizaje autónomo. Retrieved from
http://digibug.ugr.es/handle/10481/31600
Organizado por:
Mula, J., Díaz-Madroñero, M., & Poler, R. (2012). Configuración del Grado en Ingeniería de Organización Industrial en las universidades españolas. Dirección y Organización:
Revista De Dirección, Organización y Administración De Empresas, (47), 5–20.
Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric Theory (3rd edition). New York:
McGraw-Hill.
Ramírez-Correa, P. (2014). Uso de internet móvil en Chile: explorando los antecedentes de su aceptación a nivel individual. Ingeniare. Revista Chilena De Ingeniería, 22(4), 560–
566.
Roldán, J. L., & Sánchez-Franco, M. J. (2012). Variance-Based Structural Equation Modeling: Guidelines for Using Partial Least Squares. Research Methodologies, Innovations and Philosophies in Software Systems Engineering and Information Systems, 193.
Rosino, R., & Álvarez, I. (2014). Retos del presente y del futuro: la innovación docente en el ámbito del derecho. Revista De Formación e Innovación Educativa Universitaria., 7(3), 173–182.
Tenenhaus, M., Vinzi, V. E., Chatelin, Y. M., & Lauro, C. (2005). PLS path modeling.
Computational Statistics & Data Analysis, 48(1), 159–205.
http://doi.org/10.1016/j.csda.2004.03.005
