1 Introducción
Durante las últimas décadas las nuevas tecnologías se han expandido a un ritmo exponencial y vertiginoso, lo cual ha suscitado diversas interrogantes en torno a su presencia en la sociedad y, sobre todo, a los usos que se les dan a ellas. Efectivamente, en la actualidad la mayoría de las interacciones sociales se ven mediadas por la digitalidad, la cual ha logrado inscribirse en la cultura popular de las nuevas generaciones formando parte constitutiva de sus trayectorias (Buckingham 2008). En este contexto, la proliferación de las Tecnologías de Información y Comunicación juega un rol sumamente relevante para la sociedad en tanto han fomentado el mejoramiento en la calidad de vida humana, aportando en diversos campos como la salud, la educación, la banca, el transporte y la gobernanza digital (Pritika Reddy, Sharma, y Chandra 2020; Nand y Sharma 2019; Bibhya Nand Sharma et al. 2018; P. Reddy, Sharma, y Chandra 2017; Pojani y Stead 2015; Bibhya N. Sharma et al. 2015). No obstante, este tipo de tecnologías contienen una manera particular de comprensión y uso, por lo que hacerse de ellas exige los conocimientos y capacidades necesarias para desenvolverse en el mundo digital (Martin y Grudziecki 2006).
Si bien, las TIC han aportado en diversos aspectos a la sociedad, su existencia también ha suscitado una suma de desafíos relacionados a cómo lograr que estas tecnologías alcancen una expansión en las regiones en su conjunto, sobre todo en los territorios más necesitados, esto con el objetivo de no generar una exclusión en torno a la tecnología en el período actual (Garcia 2004). Desafortunadamente, la problemática de la exclusión en el ámbito tecnológico ya está experimentándose. Este fenómeno ha tomado el nombre de brecha digital, cuyo significado corresponde a la distancia que se produce entre los individuos y sociedades que pueden acceder y participar de la era de la información y los que no los tienen (Chen y Wellman 2004).
Uno de los problemas más perjudiciales de la brecha digital es que se piensa que su padecimiento implica la agudización de otras brechas, tales como la económica y la social (Camacho 2005). En la misma línea, se ha planteado el surgimiento de una segunda brecha digital, asociada a las habilidades necesarias para relacionarse y operar de manera adecuada las TIC (Claro 2010). Tales brechas se pueden presentar a nivel internacional, es decir, existen países que se encuentran mejor posicionados frente al malestar digital que otros, pero esta desigualdad también persiste al interior de los países, en donde ciertos grupos gozan de los beneficios que proporcionan estas tecnologías, mientras otros son relegados a quedar fuera del mundo digital, ya sea por condiciones materiales, conocimientos o, el peor de los casos, las dos en simultáneo (Silvera 2005).
Además de las brechas digitales que se mencionaron anteriormente, El estado y los gobiernos también han sufrido una reconfiguración de su organización gracias a los procesos de digitalización (Busemeyer et al. 2022). Los estados de bienestar han debido reinventar su funcionamiento a propósito de la emergencia de las plataformas online, lo que ha ayudado a promover nuevas oportunidades laborales, así como se han ampliado las modalidades para realizar trámites. Aun así, es de suma relevancia considerar las brechas digitales anteriormente mencionadas, puesto que el desarrollo tecnológico permea de distinta forma dependiendo de la región y/o el país al cual se observe.
Existen diferencias sustantivas respecto al desarrollo e implementación de las TIC entre regiones. Los países desarrollados han logrado superar en cierta medida la primera brecha digital (Claro 2010). Aunque la segunda brecha aún no logra encontrar soluciones plausibles en ningún lugar del mundo por el momento, en Latinoamérica ni siquiera se ha encontrado alguna resolución respecto a los problemas de acceso a las TIC (Claro 2010).
En este contexto, la alfabetización digital surge como una alternativa que posibilita hacer frente a las brechas digitales a través del desarrollo de habilidades necesarias para ser usuario de la información digital, tales como la aptitud para identificar la calidad de un contenido y/o la adaptabilidad a diversos contextos en el uso de TIC (Castells 2006; García-Ávila 2017). Es importante precisar que, aunque la alfabetización digital pueda concebirse como una opción para reducir la exclusión digital, debe comprenderse más allá de su carácter resolutivo y considerarse como una de las piedras angulares para el desarrollo humano actual en tanto dota de una capacidad agencial a los individuos al permitirles desplegarse activamente en los nuevos entornos que involucran la digitalidad, lo que consecuentemente los lleva a integrarse a la sociedad apropiadamente y no quedar marginado de la ciudadanía (Silvera 2005; Barroso y Cabero 2011; Cabero 2016). Considerando esto, la digitalidad como una suerte de nueva esfera social constata posibilidades y desafíos, los cuales debe tomar como tarea de estudio la sociología en tanto puede aportar a la comprensión de las dinámicas particulares que afectan a todas las sociedades en mayor o menor medida.
En esta línea, algunos estudios han intentado hallar los factores que inciden en el uso de las TIC empleando análisis comparados, lo cual se relaciona cercanamente con temas de alfabetización digital. Por ejemplo, está el estudio de Gerick, Eickelmann, y Bos (2017), cuyo propósito fue evidenciar cuáles son los factores a nivel escuela que apoyan u obstaculizan el uso de TIC por parte de profesores y estudiantes, comparando entre Australia, Alemania, Noruega y República Checa. Por su parte, Aydin (2022) se centró en indagar en los determinantes de la alfabetización digital en alumnos, realizando un estudio que examinó las características de los profesores y los estudiantes mediante un análisis comparativo entre Finlandia y Corea. En la misma línea, este trabajo se fundamenta en intentar comprender los factores que inciden en la alfabetización digital a través de un análisis comparado entre países, con tal de dilucidar cómo se comportan estos predictores en distintos lugares. Tomando en cuenta esto, se propone las siguientes preguntas de investigación: ¿Cómo afectan los factores macro en la alfabetización digital de los jóvenes? ¿En qué medida incide la digitalización de los gobiernos y sus subsecuentes procesos en la alfabetización en los jóvenes de su país?
2 Objetivos e hipótesis
Con tal de poder responder las preguntas de investigación planteadas, el trabajo es realizado con los siguientes objetivos:
Objetivo general
Examinar los principales determinantes de la alfabetización digital en estudiantes entre países al año 2023
Objetivos específicos
Determinar la influencia de variables de nivel individual en la alfabetización digital en estudiantes en distintos países
Determinar la influencia de la gobernanza digital de un país en la alfabetización digital de los estudiantes
Determinar la influencia de la desigualdad económica de un país en la alfabetización digital de los estudiantes
Hipótesis de nivel 1
h1: A mayor nivel de autoeficacia digital general del estudiante, mayor puntaje en alfabetización digital
h2: Mientras el estudiante realice más tareas relacionadas al aprendizaje online en la escuela, mayor será su puntaje de alfabetización digital
Hipótesis de nivel 2
h3: Pertenecer a un país con mayor índice de gobernanza digital tiene un efecto positivo sobre la alfabetización digital de los estudiantes
h4: A mayor índice de desigualdad en un país, los estudiantes tendrán un puntaje más bajo de alfabetización digital
3 Datos, variables y métodos
3.1 Datos
Para dar una respuesta plausible a la pregunta de investigación, el presente estudio se sirve de la base de datos del último ciclo del International Computer and Information Literacy Study (ICILS) llevado a cabo el año 2023. La particularidad de esta base de datos reside en que, por cada país donde fue implementado el estudio, existen tres tipos de archivos de datos para tres niveles establecidos: nivel de escuela, nivel de profesor y nivel de estudiante. Otra de las peculiaridades de esta base es que, además de aplicar encuestas de caracterización, realiza una prueba práctica estandarizada para cumplir con la medición de la alfabetización digital. En este caso, se van a utilizar las bases de datos de estudiantes, la cual, después de haber sido procesada tiene N = 95.814 anidados en 28 países. El diseño muestral es complejo por conglomerados multietápicos. Por último, es pertinente mencionar que la unidad de análisis son los estudiantes correspondientes al octavo año de escolarización.
3.2 Variables
Variables nivel 1
Sexo (sexo): Esta variable puede tener dos valores: 0 para hombre y 1 para mujer.
Autoeficacia (autoeffgen; autoeffesp): Para medir la autoeficacia, se emplearon dos dimensiones: autoeficacia relacionada al uso general de aplicaciones y autoeficacia relacionada al uso especializado de aplicaciones. Cada una de ellas es un índice construido a partir de distintos enunciados relacionados a la autopercepción del estudiante respecto a qué tan bien puede desempeñar una labor usando TIC. Ambas autoeficacias poseen cuatro categorías de respuesta: (1) Muy bien; (2) Moderadamente bien; (3) Nunca he hecho esto, pero podría descubrir cómo hacerlo; (4) No creo que pueda hacer esto.
Experiencia con computador en años (expcompu): Mide la cantidad de años de experiencia que posee un estudiante con computador a través de cinco categorías de respuesta. (0) Nunca o menos de un año; (1) Al menos un año pero menos que tres; (2) Al menos tres años pero menos que cinco; (3) Al menos cinco años pero menos que siete; (4) Siete años o más.
Tareas relacionadas al aprendizaje online en la escuela (aprendizaje_escuela): Es una variable construida a partir de una serie de indices que refieren a si el estudiante realizó la respectiva actividad en su escuela.
Alfabetización digital (alf_digital): La variable dependiente de este estudio es el logro de alfabetización digital medido a través de una prueba compuesta por cuatro módulos, de los cuales los estudiantes sólo respondieron dos seleccionados de manera aleatoria. La variable puede tomar 5 valores plausibles a partir del puntaje logrado por los estudiantes: Bajo del nivel 1 (menos de 407 puntos), Nivel 1 (desde 407 hasta 491 puntos), Nivel 2 (desde 492 hasta 576 puntos), Nivel 3 (desde 557 hasta 661 puntos) y el Nivel 4 (sobre 661 puntos).
Variables nivel 2
Gobernanza digital (egov_egov): Es una media ponderada de puntajes normalizados extraído de Quality of Government, el cual está construido a partir de un índice de servicios online, un índice del estado de desarrollo de infraestructura en telecomunicaciones y un índice de capital humano. Sus valores van del 0 al 1, donde los valores más cercanos al 1 significan mayor capacidad de gobernanza digital.
Índice Gini (wdi_gini): Es uno de los índices más reconocidos en la medición de la distribución de ingresos. Sus valores van del 0 al 100, donde un valor más cercano al 0 significa mayor igualdad económica, mientras que los relativos a 100 expresan mayor desigualdad en ingresos.
3.3 Métodos
En el marco de la investigación, se pretende emplear modelos multinivel para realizar un análisis comparado entre los distintos países que conforman el estudio. Una de las razones por las que se opta este método es debido a la capacidad de estudiar estructuras de datos jerárquicos de la población (Hox et al, 2017). De esta manera, los modelos multinivel permiten complejizar los análisis en tanto pueden ayudar a comprender relaciones entre variables de tipo individual con variables de tipo contextual. En relación con ello, esta técnica de análisis se utiliza para observar datos anidados, por lo cual se estima ideal para el desarrollo de este trabajo en tanto se estudiarán datos de estudiantes que se hallan anidados en países.
4 Análisis
A continuación, se observan los principales resultados del estudio a nivel descriptivo. Posteriormente, se presentan los modelos multinivel estimados.
4.1 Descriptivos
Código
icils %>% select (alf_digital, sexo, expcompu, aprendizaje_escuela,
autoeffgen, autoeffesp, iiseb) %>%
haven::zap_labels() %>%
sjmisc::descr(.,
show = c("label","range", "mean", "sd", "NA.prc", "n"))%>%
kable(., digits =2, "markdown", caption = "Variables nivel 1")| var | label | n | NA.prc | mean | sd | range | |
|---|---|---|---|---|---|---|---|
| 1 | alf_digital | Puntaje de alfabetización digital | 109119 | 0.00 | 489.93 | 91.25 | 764.61 (5.5-770.12) |
| 7 | sexo | Sexo del estudiante | 108450 | 0.61 | 0.49 | 0.50 | 1 (0-1) |
| 5 | expcompu | Experiencia con computador en años | 106150 | 2.72 | 2.50 | 1.26 | 4 (0-4) |
| 2 | aprendizaje_escuela | Tareas relacionadas al aprendizaje online en la escuela | 99862 | 8.48 | 50.14 | 10.06 | 54.99 (20.76-75.75) |
| 4 | autoeffgen | Autoeficacia digital general del estudiante | 101435 | 7.04 | 49.96 | 9.94 | 51.5 (26.62-78.12) |
| 3 | autoeffesp | Autoeficacia digital especializada del estudiante | 101068 | 7.38 | 49.51 | 9.95 | 54.37 (31.81-86.18) |
| 6 | iiseb | Índice Socioeconómico Internacional | 105835 | 3.01 | 0.05 | 1.00 | 4.46 (-2.54-1.91) |
Código
agg_mlm %>% select (egov_egov, wdi_gini) %>%
haven::zap_labels() %>%
sjmisc::descr(.,
show = c("label","range", "mean", "sd", "NA.prc", "n"))%>%
kable(., digits =2, "markdown", caption = "Variables nivel 2")| var | label | n | NA.prc | mean | sd | range |
|---|---|---|---|---|---|---|
| egov_egov | egov_egov | 28 | 0 | 0.85 | 0.06 | 0.23 (0.75-0.98) |
| wdi_gini | wdi_gini | 28 | 0 | 31.74 | 4.88 | 21.7 (23.2-44.9) |
Código
scatter <- icils %>% group_by(CNTRY) %>% select(alf_digital, egov_egov) %>%
na.omit() %>%
summarise_all(mean)
sjPlot::plot_scatter(scatter, egov_egov, alf_digital,
dot.labels = to_label(scatter$CNTRY),
fit.line = "lm",
show.ci = TRUE,
axis.titles = c("Administración digital",
"Alfabetización digital"),
colors = "#7b241c"
)
En Figura 1 se observa un gráfico de dispersión a partir de la relación entre los índices de alfabetización digital y los de administración digital por país.
4.2 Modelos
5 Modelo nulo
Código
results_0b = lmer(alf_digital ~ 1 + (1 | CNTRY), data = icils_allcases)
summary(results_0b)Linear mixed model fit by REML ['lmerMod']
Formula: alf_digital ~ 1 + (1 | CNTRY)
Data: icils_allcases
REML criterion at convergence: 1599220
Scaled residuals:
Min 1Q Median 3Q Max
-5.1587 -0.6336 0.0973 0.7003 4.0344
Random effects:
Groups Name Variance Std.Dev.
CNTRY (Intercept) 2297 47.93
Residual 7729 87.91
Number of obs: 135615, groups: CNTRY, 35
Fixed effects:
Estimate Std. Error t value
(Intercept) 476.340 8.106 58.77alf_digital\(_{ij}\) = \(\gamma_{00}\)+\(\mu_{0j}\)+\(r_{ij}\)
ICC = 0.23
6 Modelo con variables nivel 1
Modelo con variables de nivel individual:
alf_digital\(_{ij}\) = \(\gamma_{00}\)+\(\gamma_{10}(sexo)X_{ij}\)+\(\gamma_{20}(iiseb)X_{ij}\)
alf_digital\(_{ij}\) = \(\gamma_{00}\)+\(\gamma_{10}sexo_{ij}\)+\(\gamma_{20}iiseb_{ij}\)
Código
tab_model(reg_ind, reg_agg, results_3,
show.ci = FALSE,
show.se = TRUE,
collapse.se = TRUE,
show.p = FALSE,
p.style = c("scientific_stars")
)| Puntaje de alfabetización digital |
alf digital | Puntaje de alfabetización digital |
|
|---|---|---|---|
| Predictors | Estimates | Estimates | Estimates |
| (Intercept) | 510.95 *** (1.71) |
535.39 (274.20) |
435.00 *** (69.06) |
| Experiencia con computador en años |
9.10 *** (0.20) |
17.99 (16.47) |
9.18 *** (0.20) |
| Sexo del estudiante | 10.10 *** (0.49) |
249.80 (457.75) |
10.46 *** (0.46) |
| Autoeficacia digital general del estudiante |
1.67 *** (0.03) |
0.81 (2.39) |
1.79 *** (0.03) |
| Autoeficacia digital especializada del estudiante |
-2.80 *** (0.03) |
-8.67 ** (2.72) |
-2.43 *** (0.03) |
| Tareas relacionadas al aprendizaje online en la escuela |
0.30 *** (0.03) |
4.36 (2.47) |
0.31 *** (0.02) |
| Índice Socioeconómico Internacional |
25.47 *** (0.25) |
24.69 *** (0.24) |
|
| egov egov | 16.56 (83.29) |
93.50 (69.96) |
|
| wdi gini | -1.91 (1.01) |
-1.02 (0.90) |
|
| Random Effects | |||
| σ2 | 5077.68 | ||
| τ00 | 518.91 CNTRY | ||
| ICC | 0.09 | ||
| N | 28 CNTRY | ||
| Observations | 95127 | 28 | 95127 |
| R2 / R2 adjusted | 0.212 / 0.212 | 0.596 / 0.455 | 0.214 / 0.287 |
| * p<0.05 ** p<0.01 *** p<0.001 | |||
5 Resultados
En la Tabla 3 se visualizan los tres modelos estimados, correspondientes al modelo relativo a variables individuales, el modelo agregado y el modelo multinivel respectivamente. Uno de los resultados más llamativos, y a la misma vez desalentadores, es la Correlación Intra Clase, la cual es de 0.09. Esto significa que solamente un 9% de la varianza de la alfabetización digital es explicada por el Índice Gini y el Índice de Gobernanza digital. En la misma línea, ambas variables de nivel 2 no poseen significación estadística, por lo que no se puede rechazar la hipótesis nula y, en consecuencia, determinar si la Gobernanza digital y el Índice Gini afectan en la alfabetización digital de los estudiantes.
Por otra parte, todas las variables individuales son significativamente estadísticas. Para el caso del modelo multinivel, la asociación entre autoeficacia digital general y alfabetización digital es positiva, donde por cada punto que incrementa la autoeficacia general, alfabetización digital aumenta en 1.99. En la misma línea, las tareas relacionadas al aprendizaje online también influyen de manera positiva en el logro de alfabetización digital en los estudiantes.
Tomando en cuenta lo anterior, se puede deducir que h1 y h2 se aceptan. Además, como respuesta a nuestras preguntas de investigación se puede declarar que los factores macro no han podido comprobar su incidencia en la alfabetización digital de los estudiantes. Por ello, también se rechazan h3 y h4. Es sumamente importante reflexionar en torno a estos hallazgos, pues puede existir la posibilidad de que los procesos de digitalización de los gobiernos, al afectar directamente a los jóvenes, estos sean afectados. Aun así, se considera replantear la selección de variables nivel 2 para buscar relaciones significativas entre la alfabetización digital y factores de carácter estructural.
=======7 Resultados
En la Tabla 3 se visualizan los tres modelos estimados, correspondientes al modelo relativo a variables individuales, el modelo agregado y el modelo multinivel respectivamente. Uno de los resultados más llamativos, y a la misma vez desalentadores, es la Correlación Intra Clase, la cual es de 0.11. Esto significa que solamente un 9% de la varianza de la alfabetización digital es explicada por determinantes a nivel de país. En la misma línea, ambas variables de nivel 2 no poseen significación estadística, por lo que no se puede rechazar la hipótesis nula y, en consecuencia, determinar si la Gobernanza digital y el Índice Gini afectan en la alfabetización digital de los estudiantes.
Por otra parte, todas las variables individuales son significativamente estadísticas. Para el caso del modelo multinivel, la asociación entre autoeficacia digital general y alfabetización digital es positiva, donde por cada punto que incrementa la autoeficacia general, alfabetización digital aumenta en 1.99. En la misma línea, las tareas relacionadas al aprendizaje online también influyen de manera positiva en el logro de alfabetización digital en los estudiantes.
Tomando en cuenta lo anterior, se puede deducir que no hay evidencia suficiente para rechazar h1 y h2. Además, como respuesta a nuestras preguntas de investigación se puede declarar que los factores macro no han podido comprobar su incidencia en la alfabetización digital de los estudiantes. Por ello, también se rechazan h3 y h4. Es sumamente importante reflexionar en torno a estos hallazgos, pues puede existir la posibilidad de que los procesos de digitalización de los gobiernos, al afectar directamente a los jóvenes, estos sean afectados. Aun así, se considera replantear la selección de variables nivel 2 para buscar relaciones significativas entre la alfabetización digital y factores de carácter estructural.
8 Pendiente aleatoria
Código
plot(graf2)