Introducción

La revolución digital ha transformado la forma de acceder a la información y de aprender. Existe un consenso general de que las competencias digitales son clave para que todos(as) los(as) ciudadanos(as)¹ desarrollen su aprendizaje de forma continua con el objetivo de mejorar la realización y el desarrollo personal, la empleabilidad, la inclusión social y la participación activa de la ciudadanía (^{He y Li, 2019}; ^{Olszewski y Crompton, 2020}). Por este motivo, el sistema educativo debe preparar a los profesores para abordar los desafíos de la sociedad digital. La competencia digital docente (CDD) puede ser entendida como el conjunto de conocimientos, habilidades y/o destrezas en tecnologías de la información y la comunicación (TIC) propias de la profesión docente, que les ayuda a resolver los problemas profesionales y/o pedagógicos que presenta la sociedad del conocimiento (^{Consejo de la Unión Europea, 2018}; ^{Ghomi y Redecker, 2019}). Su finalidad es que el docente desarrolle con ellas las competencias del alumnado, integrando el conocimiento, la pedagogía y la tecnología (^{Caena y Redecker, 2019}).

En este sentido, el Centro Común de Investigación de la Comisión Europea publica el Marco Europeo de Competencia Digital Docente (DigCompEdu), que trata de recoger aquellas competencias digitales que los docentes deben desarrollar para integrar significativamente las tecnologías digitales en su institución, en los procesos de enseñanza-aprendizaje y para el apoyo y adquisición de las competencias digitales de los estudiantes (^{Kullaslahti, Ruhalahti y Brauer, 2019}).

El Marco Europeo de Competencia Digital Docente se articula alrededor de tres macrocompetencias y cada una está formada por diferentes competencias básicas (Figura 1):

Fuente: Joint Research Centre-European Commission.

Figura 1 Visión conceptual de DigCompEdu 

Las competencias profesionales en TIC (área 1) describen el uso eficiente y apropiado de las tecnologías por parte de los docentes. Además, esta área considera las oportunidades de aprendizaje digital para la comunicación y colaboración con compañeros, estudiantes y otros agentes educativos implicados (^{Cózar Gutiérrez y Moya, 2017}). Enfatiza la importancia de la reflexión, tanto individual como colectiva, sobre las prácticas de enseñanza, la evaluación de su efectividad y la adecuación de la integración de tecnologías (^{Campaña-Jiménez y Muñoz-Leiva, 2019}; ^{Polizzi, 2020}).

El núcleo del marco DigCompEdu, las competencias pedagógicas en TIC, está representado por las áreas 2 a la 5, en el que se defiende una integración de las tecnologías en los procesos de enseñanza-aprendizaje de forma significativa. El área 2, recursos digitales, se centra en la selección, creación, modificación y gestión de recursos educativos digitales (^{Candia García, 2016}). Esto incluye la protección de datos personales de acuerdo con las regulaciones respectivas y el cumplimiento de las leyes de derechos de autor al modificar y publicar recursos digitales (^{García-Ruiz, Matos, Arenas-Fernández y Ugalde, 2020}). El área 3, enseñanza y aprendizaje, se ocupa de la planificación, el diseño y la organización de las tecnologías digitales en la práctica docente (^{Cabero-Almenara; Marín-Díaz y Castaño-Garrido, 2015}; ^{Roig-Vila, Mengual-Andrés y Quinto-Medrano, 2015}). También se centra en la integración de recursos y métodos digitales para promover procesos de aprendizaje colaborativos y autorregulados (^{Zempoalteca Durán; Barragán López; González Martínez y Guzmán Flores, 2017}). Además, defiende la necesidad de acompañar estos procesos dirigidos por el alumno con orientación y medidas de apoyo efectivas. El área 4, evaluación, aborda el uso concreto de las tecnologías digitales para evaluar el rendimiento de los estudiantes, monitorizar las necesidades de aprendizaje y proporcionar retroalimentación específica y eficaz a los alumnos (^{Tejada y Pozos, 2016}). El área 5, empoderamiento de los estudiantes, enfatiza la importancia de crear actividades y experiencias que aborden las necesidades de aprendizaje. Los docentes pueden usar tecnologías digitales para fomentar la personalización, ajustándose a las necesidades individuales de aprendizaje. Conjuntamente, se fomenta la participación activa de los estudiantes en tareas digitales, asegurando el acceso igualitario a las tecnologías.

El área 6, facilitar la competencia digital de los alumnos, mantiene que los docentes con competencia digital deben desarrollar la de sus alumnos, permitiéndoles gestionar los riesgos y utilizar las tecnologías digitales de manera segura y responsable (^{Beneyto-Seoane y Collet-Sabé, 2018}; ^{Rodríguez-García, Raso y Ruiz-Palmero, 2019}). Asimismo, los docentes deben promover la alfabetización mediática e integrar actividades para permitir la resolución de problemas, la creación de contenido y el uso de tecnología digitales para la comunicación y la cooperación (^{Monreal Guerrero, Parejo Llanos y Cortón de las Heras, 2017}).

Variables predictoras de las competencias digitales docentes

La problemática de las CD en los docentes se ha convertido en los últimos tiempos en una línea significativa de investigación, como lo pone de manifiesto el aumento de producción científica al respecto (^{Rodríguez García, Trujillo Torres y Sánchez Rodríguez, 2019}). Este hecho se explica, entre otros motivos, porque el dominio de CDD suele ser bajo (^{Alarcón, Del Pilar Jiménez y Vicente-Yagüe, 2020}), lo que hace más necesario establecer acciones formativas en el componente pedagógico-didáctico que en el tecnológico-instrumental (^{Cabero-Almenara y Barroso, 2016}; ^{Pozos y Tejada, 2018}; ^{Pérez-Díaz, 2019}; ^{Guillén-Gámez y Mayorga-Fernández, 2020}). Esta baja capacitación exige que sea necesario el análisis de esta competencia, porque su bajo dominio repercute en una menor y no cualificada utilización educativa de las TIC por parte del docente (^{Padilla-Hernández, Gámiz-Sánchez y Romero-López, 2020}), y porque el dominio de esta competencia redunda de manera transversal en otras competencias que debe poseer el docente para su desarrollo profesional.

Una línea dentro de estas investigaciones se ha centrado en la identificación de diferentes variables que podrían ser predictoras o influyentes para potenciar o impedir el desarrollo de la CDD. Estos trabajos han servido para identificar las variables “predictoras” que se han considerado en el presente estudio, así como para justificar el modelo construido. Teniendo en cuenta que el modelo en el que se estructura este trabajo, DigCompEdu, está basado en el desarrollo de las competencias digitales docentes del profesorado, la selección de las variables que lo configuran queda justificada y determinada por la propia significación que estas pueden ofrecer tanto para el análisis como para los resultados y conclusiones que se obtengan.

En este sentido, las variables que se han identificado son las siguientes: a) género, b) edad del docente, c) experiencia docente, d) experiencia con TIC, e) dominio tecnológico y f) herramientas TIC que el docente tiene a disposición en su contexto educativo. La justificación de su selección está determinada por la significación que las mismas han tenido en diferentes investigaciones, como se presenta en la Tabla 1.

Estas variables han sido incorporadas como predictoras a las tres macrocompetencias que plantea DigCompEdu, formulándose el modelo que se recoge en la Figura 2.

Fuente: elaboración propia.

Figura 2 Modelo CDD planteado para la investigación, basado en DigCompEdu 

Método

Resultados

Los modelos de análisis estructural están siendo cada vez más utilizados en el terreno de la investigación social, ya que nos permiten no solo un conocimiento sobre las variables manifiestas, sino también sobre las latentes, dado que por su concepción facilitan la combinación de ambos tipos de variables (^{Alaminos, Francés, Penalva y Santacreu, 2015}).

Para el análisis del Structural Equation Modeling (SEM) suelen utilizarse dos metodologías: las basadas en covarianzas y el enfoque Partial Least Squares (PLS). En este trabajo se opta por este último, ya que no requiere la normalidad multivariante de las observaciones. Hay que indicar que su aplicación se llevó a cabo mediante el programa Smart PLS; asimismo, que para su aplicación se han seguido las fases usuales en este tipo de análisis (^{Lévy, 2006}; ^{Sampeiro Pacheco, 2019})

En primer lugar, se aplica el coeficiente alfa de Cronbach para la obtención del índice de fiabilidad, respecto de los distintos constructos contemplados en el modelo formulado (Tabla 2).

De acuerdo con diferentes autores (^{Mateo, 2004}; ^{O´Dwyer y Bernauer, 2014}), al ser los valores superiores a 0.7, se puede señalar que todos los niveles obtenidos son adecuados.

Por lo que se refiere a las cargas, o correlaciones simples de los indicadores con su respectivo constructo, en la Tabla 3 se presentan los diferentes valores obtenidos. Es importante considerar que, para admitir a un indicador como integrante de un constructo, debe poseer una carga superior a 0.7 (^{Carmines y Zeller, 1979}).

Como se puede observar, todos los valores tienen una carga superior a 0.7. Por tanto, no se eliminó ningún elemento en el proceso.

El siguiente paso es analizar la fiabilidad compuesta, relacionada con la consistencia interna del bloque de indicadores que analizan las variables latentes (^{Lévy, 2006}). Este valor permite conocer si cada indicador está midiendo lo mismo y, por lo tanto, la variable latente se establece como bien considerada. El valor mínimo que se considera para contemplarlo como bien ajustado es 0.7 (Tabla 4).

Conjuntamente, se procede al cálculo de la validez convergente, que persigue analizar si un conjunto de indicadores representa un único constructo subyacente. Fue el siguiente valor alcanzado, y este se estima mediante la Varianza Extraída Media (AVE). El valor que se alcanza en el AVE para ir garantizando un buen ajuste del modelo debe ser superior a 0.5 para que más del 50% de las varianzas del constructo sea debida a los indicadores (^{Baggozi y Yi, 1988}) (Tabla 5).

Continuando con la obtención de la validez discriminante, que permite conocer si cada constructo establecido es significativamente diferente a los otros se aplica, por una parte, el criterio de Fornell-Larcker (Tabla 6) y, por otro, las cargas factoriales cruzadas (Tabla 7). El primero se basa en que la varianza extraída media de un constructo ha de ser mayor que la varianza que dicho constructo comparte con los otros constructos del modelo; de forma similar, las correlaciones entre los constructos han de ser menores (en valor absoluto) que la raíz cuadrada de la varianza media extraída; la forma más fácil de comprobarlo es analizando que los valores de la diagonal, que corresponden con la raíz cuadrada de la varianza extraída media, sean superiores a los de fuera de la diagonal, que son las correlaciones entre constructos. Hecho que se cumple en la mayoría de nuestros casos.

El siguiente paso es el análisis de las cargas cruzadas, que ofrece información respecto de si los diferentes ítems incorporados en un constructo miden realmente aspectos de ese constructo. Para ello, se debe obtener un valor que indique que carga más sobre su constructo que sobre otros.

Los análisis realizados hasta el momento permiten concluir que los ítems incorporados en el cuestionario tienen niveles aceptables de fiabilidad y presentan una alta consistencia respecto de las dimensiones en las cuales se encuentran ubicadas en el modelo. A continuación, se efectúa el análisis del modelo estructural formulado mediante la elaboración de los coeficientes de regresión estandarizados (path coefficients), los valores de t de Student y los R² (R-cuadrado). Estos datos permiten conocer el porcentaje de varianza de los constructos que es explicado por las variables predictoras del mismo y, en consecuencia, conocer la viabilidad del modelo elaborado (Figura 3).

Fuente: elaboración propia.

Figura 3 Modelo formulado  

Los hallazgos obtenidos permiten señalar que el 72.7% de la varianza de la variable latente “competencia pedagógica TIC” es explicada por el 52.0% por la “competencia profesional TIC”; recibiendo influencias, aunque moderadas, de las diferentes variables predictoras propuestas en el modelo. Por su parte, el 68.8% de la varianza de la variable latente “desarrollar la competencia digital de los estudiantes” es explicada fundamentalmente por el 63.4% de la varianza de la “competencia pedagógica TIC” y poca influencia en su varianza de la “competencia profesional TIC”, por lo que se refiere a las variables predictoras, la influencia más significativa de la varianza, 24.3%, viene de las “herramientas TIC aplicadas en el aula”.

La calidad del ajuste del modelo se puede percibir en el hecho de que el 99.9% de la varianza de la variable “puntuación total”, que se refiere a la puntuación total alcanzada por el docente en el cuestionario “DigComEdu”, es explicada por el 26.8% de la competencia “desarrollar CD del estudiante”, el 18.3% de la “competencias profesionales TIC” y el 61.9% de la “competencia pedagógica TIC”. Valores todos ellos elevados y que indicarían la validez del modelo.

Finalmente, en lo que se refiere a las variables predictoras, todas han mostrado significación respecto de los tres niveles de competencias, mostrándose como más influyente la incorporación de las “herramientas TIC en el aula”, con una influencia en la varianza del 24.3% en “desarrollar la CD de los estudiantes”, del 40.6% en la “competencia pedagógica”, y del 53.6% en las “competencias profesionales TIC” (Tabla 8).

Para conocer si las puntuaciones alcanzadas son significativas, se aplica t de Student para los valores path, utilizando la técnica Bootstrap.

Los datos encontrados permiten señalar que las relaciones han sido significativas en lo que se refiere a las grandes dimensiones del modelo, salvo “competencias profesionales TIC -> desarrollar CD estudiantes”, tanto entre ellas como respecto de la globalidad de la puntuación. Por otro lado, no se han mostrado significativas algunas de las variables predictoras que se han formulado, como el “género” y la “experiencia docente”. Las referidas al “dominio tecnológico”, “edad”, “experiencia con TIC” y “herramientas con TIC” se muestran significativas para más de dos dimensiones principales (P= 0.000). Concretamente, para estas variables predictoras, los valores de cada ítem respecto de su dimensión son bastante altos y superan por lo general el valor 0.7 (Tabla 7). En concreto, en los ítems formulados para las variables latentes “género”, “edad”, “experiencia docente” y “experiencia con TIC”, la carga es siempre 1; en los formulados para “dominio tecnológico”, desde 0.7333 hasta 0.934; y en “herramientas TIC”, desde 0.734 hasta 0.877.

Por último, para evaluar la bondad de ajuste del modelo estructural utilizamos el indicador Standardized Root Mean Square Residual (SRMR), que arroja un valor de 0.051, el cual es menor que 0.08, lo que indicaría un buen ajuste del modelo.

Discusión y conclusiones

La primera de las conclusiones se refiere a la validez del SEM para analizar modelos elaborados por diferentes motivos, y no solo porque ofrece el índice de fiabilidad, sino porque permite conocer los aportes que cada constructo efectúa sobre el modelo, la influencia que cada ítem presenta sobre el constructo del cual forma parte, la identificación de la duplicidad de influencias de ítems sobre los diferentes constructos que conforman el modelo, y la evaluación del constructo completo. Por ello, esta técnica está adquiriendo bastante transcendencia en la investigación educativa (^{Sampeiro Pacheco, 2019}). En este trabajo, como sugiere ^{Cupani (2012)}, se confirma la robustez del modelo teórico elaborado para la comprensión de la CDD de acuerdo con la propuesta DigCompEdu. Al mismo tiempo, los datos se refuerzan con el hecho de que el tamaño muestral es muy superior al aconsejado para este tipo de estudio SEM (^{Vargas y Mora-Esquivel, 2017}).

Respecto de la fiabilidad del instrumento utilizado para el análisis de la CDD, los niveles han sido bastante elevados en lo que se refiere a las tres macro competencias, con valores que han oscilado entre .77 (competencias profesionales TIC) y .92 (competencias pedagógicas TIC) y es significativo el hecho de que no ha sido necesario eliminar ningún tipo de ítems para el aumento de los citados niveles. Índices de fiabilidad similares se encontraron en las variables latentes que se han utilizado para la elaboración del modelo.

La significación del modelo se pone de manifiesto por el hecho de que el 99% de la varianza es explicada por la influencia de las tres macrocompetencias que determinan el conjunto de la CDD según DigCompEdu. Aunque cada una presenta una influencia específica, y es la pedagógica la más influyente, seguida por la competencia para desarrollar la CD en los estudiantes y, finalmente, por la competencia profesional TIC. Dicho en otros términos, son los aspectos para el uso educativo de las TIC por parte del docente los que presentan más peso para el desarrollo de la CDD pues tanto la competencia pedagógica como para desarrollar la CD del estudiante están claramente relacionadas con el ámbito de la aplicación de las TIC en los procesos de enseñanza-aprendizaje, mientras que la otra se mueve más en el terreno administrativo y organizativo.

El modelo también avala la idea de que la capacitación pedagógica que tenga el docente para usar las TIC influye en las otras dos macrocompetencias de forma más fuerte y significativa que aquella sobre estas. Ello se muestra en consonancia con lo expresado por diferentes autores que relacionan la formación de los docentes para la incorporación de las TIC desde presupuestos diferentes y centrarse más en el componente pedagógico que tecnológico (^{Semerici y Kemal, 2018}; ^{Cabero-Almenara y Valencia Ortiz, 2019}; ^{Rolando, Angulo, Torres y Barreras, 2019}). La formación tecnológica de los docentes no es tan baja cuando la analizamos desde la perspectiva del uso que hacen en su espacio doméstico y personal de las TIC (^{Suárez, Almerich y Orellana, 2018}) y ello, posiblemente, se deba a la habilidad que deben tener los docentes para reconfigurar las TIC para contextos educativos (^{Engen, 2019}).

Es de señalar que las variables predictoras que se han incorporado al modelo (género, edad, experiencia docente) se han visto confirmadas, tal como indicaban las aportaciones de las diferentes investigaciones y literatura científica en las cuales se apoya el trabajo para elaborar el modelo. Si embrago, la influencia no ha sido igual en todos los casos, mostrándose como más influyentes la existencia de las TIC en el aula, que influye con un peso significativo en las tres macrocompetencias, y el dominio tecnológico que posea el docente en la competencia pedagógica en TIC.

La debilidad con la que han mostrado su influencia variables como el género, la edad y experiencia docente coinciden con lo mostrado en otros trabajos, donde o bien muestran resultados contradictorios o no muy significativos (^{Gil-Flores, Rodríguez-Santero y Torres-Gordillo, 2017}; ^{Guillen-Gámez, Ruiz-Palmero y Sánchez Rivas, 2020}).

Esta investigación abre una serie de líneas futuras de investigación. En concreto, una referida a la observación de otras variables latentes, como por ejemplo: las creencias del docente hacia las TIC, su motivación para incorporarlas a los procesos de enseñanza-aprendizaje, su nivel de tecnofobia, resistencia al cambio o la seguridad que posea el docente; variables que se han mostrado influyentes en algunas investigaciones respecto del uso de las tecnologías y la aplicación del modelo hacia tecnologías concretas, como pueden ser la pizarra digital, la informática o las plataformas de teleformación (^{Morales-Almeida, Escandell-Bermúdez y Castro-Sánchez 2018}; ^{González-Sanmamed, Sangrà y Muñoz-Carril, 2017}; ^{Westberry, McNaughton, Billot y Gaeta, 2015}).

Es importante incidir en la idea de que los marcos competenciales como DigCompEdu pueden servir para: definir itinerarios de formación docente, establecer criterios de selección y analizar las necesidades de desarrollo profesional docente. Además, pueden proporcionar a los profesores una imagen clara de competencia, promoviendo actitudes hacia la reflexión profesional. Además, como puntos de referencia para el conocimiento y las habilidades profesionales, pueden apoyar el desarrollo profesional a nivel individual e institucional, al ayudar a enfocarse en las prioridades y necesidades de aprendizaje en diferentes niveles. En definitiva, el modelo validado DigCompEdu puede respaldar la calidad, el empoderamiento y la responsabilidad profesional de los docentes con un enfoque formativo en el que confluyen tanto tecnología como pedagogía.