26 de diciembre de 2018

Nuevo número de RIED (enero 2019)



Presentamos el Vol. 22(1), de la RIED. Revista Iberoamericana de Educación a Distancia, la Revista Iberoamericana de la Educación Digital.

En esta ocasión, con un magnífico monográfico referido a debates actuales sobre Tecnología y Educación, con una selección de artículos escritos por destacados autores especialistas en el tema y coordinados por la Dra. Linda Castañeda. Les invitamos a consultarlos:

Vol. 22, Núm. 1 (2019)
Monográfico: Debates sobre Tecnología y Educación: Caminos contemporáneos y conversaciones pendientes
Coord.: Linda Castañeda
Tabla de contenidos
Artículo Editorial
Carolina Schmitt Nunes
Monográfico 
Linda Castañeda

Thomas Daniel Ullmann, Anna De Liddo, Michelle Bachler

Graham Attwell, Deirdre Hughes

Antonio Moreira Teixeira, Tony Bates, José Mota

Nada Dabbagh, Helen Fake, Zhicheng Zhang

Fernando Trujillo Sáez, Carlos Salvadores Merino, Ángel Gabarrón Pérez

Jordi Adell Segura, María Ángeles Llopis Nebot, Francesc Esteve Mon, María Gracia Valdeolivas Novella

Marta Durán Cuartero, Mª Paz Prendes Espinosa, Isabel Gutiérrez Porlán

Caroline Kühn Hildebrandt

Linda Castañeda, Gemma Tur, Ricardo Torres-Kompen
Estudios e investigaciones
Lorenzo García Aretio

Luis Fabian Moncada Mora, José Fernando Negrete Zambrano, Max Alejandro Arias Monteros, Pablo Ramiro Armijos Valdivieso

Marcelo Curth, Cláudio Hoffmann Sampaio, Rafael Spolavori

Daniele Kruel Goebel, Mary Sandra Carlotto

Carmen Inés Báez Pérez, Clifton Eduardo Clunie Beaufond


20 de diciembre de 2018

Logros de RIED 2018

Acaba 2018 y la RIED. Revista Iberoamericana de Educación a Distancia, la Revista Iberoamericana de la Educación Digital, cumplió 30 años de vida, contabilizando los 20 años del formato actual y los 10 del anterior, como contamos AQUÍSi deseamos repasar un recorrido bibliométrico de estos treinta años, podemos descubrirlo AQUÍSin embargo, cuando termina 2018, quisiéramos destacar algunos logros de RIED:

a) RIED en la Red Iberoamericana de Innovación y Conocimiento Científico (REDIB, 2017), entre las revistas españolas de educación, ocupa el puesto 7 de 49.

b) RIED en el estudio realizado por la revista "Comunicar", actualizado a diciembre de 2018, sobre las revistas ESCI de Web of Science (WOS), de entre todas las revistas españolas de educación, excluídos los 7 JCR de Educación existentes, ocupa el puesto 1º,  percentil 98, de entre 63 revistas españolas y el puesto ¡OCHO! entre 470 revistas mundiales de Educación

c) En Google Metrics referido a 2017, RIED ocupa el puesto 36 entre las 100 mejores revistas de todas las áreas, escritas en español. Y el puesto 11, entre las españolas de educación, según este reciente trabajo de Emilio Delgado.

En 2018 se han publicado dos excelentes Monográficos:

Y acaba de publicarse el primer número de 2019:


16 de diciembre de 2018

Videojuegos activos y cognición. Propuestas educativas en adolescentes

La evidencia científica actual ha corroborado que una manera de estimular la función cognitiva es a través de la práctica habitual de actividad física, componente intrínseco de los videojuegos activos. Recientes estudios han demostrado que con la inclusión de este tipo de videojuegos durante la jornada escolar se podrían reducir los niveles actuales de sedentarismo en adolescentes, favoreciendo una mejor condición física, socialización y desarrollo integral de aquellos que los practican. Además, estos podrían ser útiles para mejorar los resultados cognitivos y académicos. Sin embargo, estos efectos se encuentran aún casi inexplorados y muy pocos estudios han establecido la relación entre estas variables. 

Por ello, el objetivo del artículo de RIED al que hacemos referencia es el de revisar y analizar los resultados de las investigaciones más actuales basadas en la influencia de los videojuegos activos sobre la cognición en adolescentes. Se revisaron las bases de datos PubMed, Web of Science, Sportdiscus y ProQuest, estableciendo un límite temporal de los últimos diez años. Seis fueron los estudios incluidos, todos mostraron una asociación positiva en estas variables y solo tres de los estudios incluyeron covariables. Estos resultados sugieren que promover programas mediante videojuegos activos podría tener un gran potencial para el desarrollo cognitivo y académico en esta etapa educativa. Además, permitirían el desarrollo de hábitos saludables de actividad física, el aumento de la motivación del alumnado y una mejor socialización. Palabras clave: videojuegos activos; cognición; rendimiento cognitivo; rendimiento académico; adolescentes.


Se desarrolla completamente en el artículo siguiente:
Ruiz Ariza, A., López Serrano, S., Suarez Manzano, S., y Martínez López, E. J. (2018). Videojuegos activos y cognición. Propuestas educativas en adolescentes. RIED. Revista Iberoamericana de Educación a Distancia, 21(2), pp. 285-303. doi: http://dx.doi.org/10.5944/ried.21.2.19799

7 de diciembre de 2018

Mobile Learning em aulas de campo: um estudo de caso em Geologia

Mobile Learning em aulas de campo: um estudo de caso em Geologia

Edgar Marçal, Rossana Maria de Castro Andrade, Windson Viana

Resumen


As aulas de campo favorecem a aprendizagem por meio da melhoria das habilidades de observação, da descoberta e comunicação entre os alunos, do aumento na compreensão do conteúdo e da ampliação das possibilidades de aprendizado através de experiências reais. Entretanto, durante as aulas de campo, alunos e professores se deparam com obstáculos que podem comprometer os resultados dessas práticas educativas, como conteúdos insuficientes ou dispersão dos estudantes. Nesse sentido, as tecnologias móveis (como smartphonestablets e redes sem fio) são utilizadas para contornar dificuldades existentes e ampliar os benefícios das aulas de campo. Este artigo descreve um estudo de caso realizado em uma aula de campo de um curso de graduação em Geologia, na qual os alunos utilizaram as tecnologias móveis para auxiliar a aprendizagem sobre mapeamento geológico. Após o uso em situações reais, os dezessete alunos responderam um instrumento estruturado de avaliação. As respostas dos alunos ao questionário foram favoráveis e mostram a aprovação das tecnologias móveis em campo. Obteve-se o escore SUS (usabilidade) de 83,4 para a aplicação móvel testada e 88% dos estudantes afirmaram que a solução possibilitou a execução das tarefas de aprendizagem em campo de forma mais eficiente. Somando-se a isso, a avaliação positiva do professor participante do estudo e a constatação do uso efetivo da aplicação móvel por todos os estudantes indicam que as tecnologias móveis têm potencial para se tornarem importantes ferramentas de apoio às aulas de campo de Geologia.

Palabras clave


Mobile learning, aulas de campo, contexto de aprendizagem e geologia

Referencias


Bangor, A., Kortum, P., e Miller, J. (2009). Determining what individual SUS scores mean: Adding an adjective rating scale. Journal of usability studies, 4(3), 114-123.
Behrendt, M., e Franklin, T. (2014). A Review of Research on School Field Trips and Their Value in Education. International Journal of Environmental and Science Education, 9(3), 235-245.
Bonett, D. G., e Wright, T. A. (2015). Cronbach's alpha reliability: Interval estimation, hypothesis testing, and sample size planning. Journal of Organizational Behavior, 36(1), 3-15.
Brooke, J. (1996). SUS-A quick and dirty usability scale. Usability evaluation in industry, 189(194), 4-7.
Chen, C. H., Liu, G. Z., e Hwang, G. J. (2015). Interaction between gaming and multistage guiding strategies on students' field trip mobile learning performance and motivation. British Journal of Educational Technology, 47(6), 1032-1050.
Chiang, T. H., Yang, S. J., e Hwang, G. J. (2014). Students' online interactive patterns in augmented reality-based inquiry activities. Computers & Education, 78, 97-108.
Chung, H. H., Chen, S. C., e Kuo, M. H. (2015). A study of EFL college students’ acceptance of mobile learning. Procedia-Social and Behavioral Sciences, 176, 333-339.
Duchastel, P. e Molz, M. (2005). Virtual Settings: E-Learning as creating Context. Em Figueiredo, A. D. e Afonso, A. P., (Ed). Managing Learning in Virtual Settings: The Role of Context (24-39). Hershey: Information Science Publishing.
Erstad, O., Kumpulainen, K., Mäkitalo, Å., Schrøder, K. C., Pruulmann-Vengerfeldt, P., e Jóhannsdóttir, T. (2016). Tracing Learning Experiences Within and Across Contexts. Em Erstad, O., Kumpulainen, K., Mäkitalo, Å., Schrøder, K. C., Pruulmann-Vengerfeldt, P., e Jóhannsdóttir, T. (Ed.) Learning across Contexts in the Knowledge Society (1-13). Rotterdam: SensePublishers.
Figueiredo, A. D., e Afonso, A. P. (2006). Context and learning: A philosophical framework. Em Figueiredo, A. D. e Afonso, A. P., (Ed). Managing Learning in Virtual Settings: The Role of Context (24-39). Hershey: Information Science Publishing.
Hwang, G. J., e Chang, S. C. (2015). Effects of a peer competition‐based mobile learning approach on students' affective domain exhibition in social studies courses. British Journal of Educational Technology, 47(6), 1217-1231.
Kirtiloglu, O. S., Orhan, O., e Ekercin, S. (2016). A map mash-up application: investigation the temporal effects of climate change on salt lake basin. ISPRS-International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 221-226.
Lo, W. T., e Quintana, C. (2013). Students' use of mobile technology to collect data in guided inquiry on field trips. Proceedings of the 12th International Conference on Interaction Design and Children (pp. 297-300). Association for Computing Machinery (ACM).
Marçal, E., Andrade, R., e Rios, R. (2005). Aprendizagem utilizando dispositivos móveis com sistemas de realidade virtual. Revista Novas Tecnologias na Educação, 3(1), 1-11.
Marçal, E., Andrade, R., e Viana, W. (2015). Aulas de Campo Ubíquas. Anais do 26º Simpósio Brasileiro de Informática na Educação (pp. 150-160). Sociedade Brasileira de Computação (SBC).
Marçal, E. (2016). UFC-Inventor: um ambiente para modelagem e geração de aplicações para aulas de campo ubíquas. Tese de Doutorado apresentada ao Programa de Mestrado e Doutorado em Computação da Universidade Federal do Ceará - Brasil, como requisito parcial à obtenção do grau de Doutor em Ciência da Computação.
Meek, S., Fitzgerald, E., Sharples, M., e Priestnall, G. (2013). Learning on field trips with mobile technology. Em Kinuthia, W. e Marshall, S. (Ed.). On the Move: Mobile Learning for Development (1-15). Charlotte: Information Age Publishing.
Morentin, M., e Guisasola, J. (2015). The role of Science Museum field trips in the Primary Teacher preparation. International Journal of Science and Mathematics Education, 13(5), 965-990.
Nabors, M. L. (2009). Making the case for field trips: What research tells us and what site coordinators have to say. Education, 129(4), 661.
Peng, H., Su, Y. J., Chou, C., e Tsai, C. C. (2009). Ubiquitous knowledge construction: Mobile learning re‐defined and a conceptual framework. Innovations in Education and Teaching International, 46(2), 171-183.
Pyke, K. L. (2015). Effects of field trips on alternative students' knowledge skills, attitudes, and relationships. Thesis submitted in partial fulfillment of the requirements for the degree of Master of Arts in Royal Roads University.
Santos, M. E. C., Taketomi, T., Yamamoto, G., Rodrigo, M. M. T., Sandor, C., e Kato, H. (2016). Augmented reality as multimedia: the case for situated vocabulary learning. Research and Practice in Technology Enhanced Learning, 11(4), 1-23.
Sauro, J. (2011). A practical guide to the system usability scale: Background, benchmarks & best practices. Denver: Measuring Usability LLC.
Sauro, J., e Lewis, J. R. (2012). Quantifying the user experience: Practical statistics for user research. Walthan: Elsevier.
Valente, J. A., e de Almeida, M. E. B. (2014). Narrativas digitais e o estudo de contextos de aprendizagem. Revista EmRede, 1(1), 32-50.
Vázquez-Cano, E. (2014). Mobile distance learning with smartphones and apps in higher education. Educational Sciences: Theory and Practice, 14(4), 1505-1520.
Weng, Y. H., Sun, F. S., e Grigsby, J. D. (2012). GeoTools: An android phone application in geology. Computers & Geosciences, 44, 24-30.
Yin, R. K. (2015). Estudo de Caso: Planejamento e Métodos. Porto Alegre: Bookman editora.
Yue, P., Jiang, L., e Hu, L. (2014). Google fusion tables for managing soil moisture sensor observations. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(11), 4414-4421.
Zbick, J., Nake, I., Milrad, M., e Jansen, M. (2015). A web-based framework to design and deploy mobile learning activities: Evaluating its usability, learnability and acceptance. Proceedings of the 15th International Conference on Advanced Learning Technologies (pp. 88-92). Institute of Electrical and Electronic Engineers (IEEE).


DOI: https://doi.org/10.5944/ried.20.2.17711

6 de diciembre de 2018

Un modelo basado en el Clasificador Naïve Bayes para la evaluación del desempeño docente

Un modelo basado en el Clasificador Naïve Bayes para la evaluación del desempeño docente

Guadalupe Gutiérrez Esparza, Lourdes Margain Fuentes, Juana Canul Reich, Tania Aglaé Ramírez del Real

Resumen


La evaluación del desempeño docente es un proceso de medición importante en las instituciones de educación superior en México y en el mundo, ya que retroalimenta el desempeño de los docentes con el fin de mejorar las clases y estrategias para beneficio de la educación de los estudiantes. En este trabajo se describe el desarrollo y evaluación de un Modelo Computacional denominado SocialMining, basado en el algoritmo Naïve Bayes, para apoyar el análisis de las opiniones de los estudiantes en el proceso de la evaluación del desempeño docente, llevada a cabo mediante dispositivos móviles. Esta propuesta considera el uso de dispositivos móviles para la recopilación de datos aprovechando su aceptación por parte de los estudiantes en el proceso de educación y aprendizaje. Asimismo, se describe el desarrollo de corpus de subjetividad, el cual consta de un conjunto de términos afectivos relevantes de la evaluación docente para apoyar al algoritmo Naïve Bayes en la clasificación de las opiniones de los estudiantes dentro de las clases: positivo, negativo y neutral. Para medir el desempeño del proceso de la clasificación del Modelo Computacional SocialMining, se utilizan métricas como la matriz de confusión, precisión y la curva de ROC. Se presenta además un caso de estudio, en el cual se recolectan nuevas opiniones de estudiantes de la Universidad Politécnica de Aguascalientes (México) con el fin de probar el desempeño del modelo propuesto en la clasificación. Los resultados obtenidos consideran factible el Modelo Computacional SocialMining para implementarse en instituciones de educación superior. 

Palabras clave


Minería de opiniones, clasificador bayesiano, conjunto de datos, subjetividad, análisis ROC, dispositivo móvil, evaluación docente, planeación de la educación, caso de estudio.

Texto completo:

PDF

Referencias


Altrabsheh, N., Cocea, M., & Fallahkhair, S. (2014). Learning Sentiment from Students’ Feedback for Real-Time Interventions in Classrooms. Adaptive and Intelligent Systems. Volume 8779 of the series Lecture Notes in Computer Science, 40-49. doi: http://dx.doi.org/10.1007/978-3-319-11298-5_5.
Arrabal-Sánchez, G., & De-Aguilera-Monyano, M. (2016). Comunicar en 140 caracteres. Cómo usan Twitter los comunicadores en España. Revista Científica de Educomunicación. Comunicar, no. 46, v. XXIV. (9-17), Recuperado de http://goo.gl/YOqybX
Bayes, T. a. P., M. (1763). An essay towards solving a problem in the doctrine of chances. by the late rev. mr. bayes, frs communicated by mr. price, in a letter to john canton, amfrs. Philosophical Transactions (1683-1775), 370-418.
Bravo, E., Pedraza, A., & Herrera, L. (2013). Educación 2.0: Twitter como herramienta de aprendizaje de la Ingeniería. Latin American and Caribbean Consortium of Engineering Institution.
Brusilovsky, P. (2001). Adaptive hypermedia. User Modeling and User-Adapted Interaction, 11(1-2), 87-110.
Cantillo, V., & Roura, R., & Sánchez, P. (2012). Tendencias Actuales en el uso de dispositivos móviles en educación. La Educación Digital Magazine, no147
Córdova, K. E. G., & González, J. R. V. (2015). Evaluación del desempeño: acercando la investigación educativa a los docentes. REVALUE, 2015, 3(2). Recuperado de http://revalue.mx/revista/index.php/revalue/issue/current.
Crovi, D., & Lemus, M.C. (2014). Jóvenes estudiantes y cultura digital: una investigación en proceso. Virtualis, 9, 36-55. Recuperado de http://goo.gl/8emHtj
Elizalde Lora, Leticia, & Reyes Chávez, Rafael. (2008). Key Elements for the Evaluation of the Teaching Performance. Revista electrónica de investigación educativa, 10(spe), 1-13.
Gewerc, A., Montero, L. & Lama, M. (2014). Colaboración y redes sociales en la enseñanza universitaria [Collaboration and Social Networking in Higher Education]. Comunicar, 21(42), 55-63. https://doi.org/10.3916/C42-2014-05
González-Lizárraga, M., Becerra-Traver, M. & Yanez-Díaz, M. (2016). Ciberactivismo: nueva forma de participación para estudiantes universitarios. Comunicar, 24(46), 47-54, doi: http://dx.doi.org/10.3916/C46-2016-05
Guerrero, C., Jaume, A., Juiz, C. y Lera, I. (2016). Use of Mobile Devices in the Classroom to Increase Motivation and Participation of Engineering University Students. IEEE Latin America Transactions, 14(1), 411-416.
Gupte, A., Joshi, S., Gadgul, P., & Kadam, A. (2014). Comparative Study of Classification Algorithms used in Sentiment Analysis. International Journal of Computer Science and Information Technologies; 5(5), 6261-6264, Recuperado de http://goo.gl/tiIHBT
Gutiérrez, G., Padilla, A., Canul-Recih, J., De-Luna, P., & Ponce, J. (2016). Proposal of a Sentiment Analysis Model in Tweets for improvement of the teaching - learning process in the classroom using a corpus of subjectivity. International Journal of Combinatorial Optimization Problems and Informatics, 7(2), 22-34.
Jurka, T. (2012). Sentiment: Tools for Sentiment Analysis. R package version 0.1, Recuperado de http://goo.gl/oxASCV
Kaur, G., & Singla, A. (2016). Sentimental Analysis of Flipkart reviews using Naïve Bayes and Decision Tree algorithm. International Journal of Advanced Research in Computer Engineering & Technology. 5(1), 148-153.
Liu, B. (2010). Sentiment Analysis and Subjectivity. In N. Indurkhia & F. J. Damerau (Eds.). Handbook of natural language processing, 627-666. Chapman and Hall: CRC Press.
Loureiro, Silvia, Míguez, Marina, & Otegui, Ximena. (2016). Desempeño docente en la enseñanza universitaria: análisis de las opiniones estudiantiles. Cuadernos de Investigación Educativa, 7(1), 55-67. Recuperado de https://goo.gl/hm1eAq
Martínez González, Adrián, Sánchez Mendiola, Melchor, & Martínez Stack, Jorge. (2010). Los cuestionarios de opinión del estudiante sobre el desempeño docente: Una estrategia institucional para la evaluación de la enseñanza en Medicina. Revista electrónica de investigación educativa, 12(1), 1-18.
Mejova, Y. (2009). Sentiment Analysis: An Overview. Comprehensive Exam Paper. Recuperado de https://goo.gl/xsFTV9
Moreno, R. D., Cepeda, I. M. L. y Romero, S. P. (2004). El modelo de evaluación, intervención y análisis de procesos como propuesta de diseño instruccional. Enseñanza e Investigación en Psicología. 9(2), 271-291.
Novak, J., & Cowling, M. (2011). The implementation of social networking as a tool for improving student participation in the classroom. Hobart : ISANA International Education Association Inc. Recuperado de http://goo.gl/IW6Igc.
Ortigosa, A., Martín, J. & Carro, R. (2014). Sentiment analysis in Facebook and its application to e-learning. Computers in Human Behavior, 31, 527-541, doi: http://dx.doi.org/10.1016/j.chb.2013.05.024.
Prasad, S. (2010). Micro-blogging Sentiment Analysis Using Bayesian Classification Methods. CS224N Project Report, Stanford. Recuperado de http://goo.gl/W2koQT
R-Core-Team (2013). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. Recuperado de http://goo.gl/e40yiU.
Riloff, E., & Wiebe, J. (2003). Learning extraction patterns for subjective expressions. Conference on Empirical Methods in Natural Language Processing, 105-112. Recuperado de https://goo.gl/se0aIg.
Ruiz Carrascosa J. (2005). La evaluación de la docencia en los planes de mejora de la Universidad, Educación XXI, 8, 87-102.
Salton, G., & McGill, M. J. (1986). Introduction to modern information retrieval.
Spackman, K. A. (1989). Signal detection theory: Valuable tools for evaluating inductive learning. Proceedings of the Sixth International Workshop on Machine Learning. San Mateo, CA: Morgan Kaufman, 160–163.
Tan, S., Cheng, X., Wang, Y., and Xu, H. (2009). Adapting naive bayes to domain adaptation for sentiment analysis. In Advances in Information Retrieval, 337-349.
Tirado Segura, Felipe, Miranda Díaz, Alejandro, & Sánchez Moguel, Andrés. (2007). La evaluación como proceso de legitimidad: la opinión de los alumnos. Reporte de una experiencia. Perfiles educativos, 29(118), 7-24.
Valencia, A., González G. y Castañeda M. (2016). Structural Equation Model for Studying the Mobile-Learning Acceptance. IEEE Latin America Transactions, 14(4), 1988-1992.
Zaldivar, A., Tripp, A., Aguilar, J., Tovar, J. y Anguiano C. (2015). Using Mobile Technologies to Support Learning in Computer Science Students. IEEE Latin America Transactions, 13(1), 377-382.


DOI: https://doi.org/10.5944/ried.20.2.17717

5 de diciembre de 2018

Motivación e innovación: Aceptación de tecnologías móviles en los maestros en formación

Motivación e innovación: Aceptación de tecnologías móviles en los maestros en formación

José Carlos Sánchez-Prieto, Susana Olmos-Migueláñez, Francisco José García-Peñalvo

Resumen


Las tecnologías móviles constituyen un recurso didáctico de gran potencial. Sin embargo, su proceso de incorporación al aula no se está desarrollando de forma satisfactoria. Los futuros docentes jugarán un papel clave en el proceso de integración de estas tecnologías en contextos de educación formal y, por ello, resulta necesario conocer los factores que condicionan su proceso de toma de decisión. El presente artículo expone los resultados de un estudio que analiza la influencia de los factores motivacionales en la intención de utilizar las tecnologías móviles en la futura práctica docente de los estudiantes del Grado de Educación Infantil de la Universidad de Salamanca Para ello, se ha elaborado un modelo de adopción tecnológica basado en T.A.M. que incluye los constructos: utilidad percibida, facilidad de uso percibida, entretenimiento percibido, resistencia al cambio e intención conductual. El análisis PLS-SEM realizado confirma la validez y fiabilidad del modelo. Los resultados del análisis del modelo estructural reflejan la importancia del entretenimiento percibido y la utilidad percibida en el proceso de adopción, así como la poca importancia de la facilidad de uso. En total, los factores motivacionales consiguen predecir un alto porcentaje de la varianza de la intención conductual, lo que pone de relieve la necesidad de diseñar programas formativos que incidan en estos elementos.

Palabras clave


Tecnologías de la información y de la comunicación; formación de profesores; actitud hacia el trabajo; escala de actitud.

Texto completo:

PDF

Referencias


Abbad, M. M., Morris, D., y de Nahlik, C. (2009). Looking under the bonnet: Factors affecting student adoption of E-learning systems in jordan. International Review of Research in Open and Distance Learning, 10(2)
Ajzen, I. (1985). From intentions to actions: A theory of planned behavior. In J. Kuhl, y J. Beckmann (Eds.), Action control: From cognition to behavior (pp. 11-39). Berlin, Heidelberg: Springer Berlin Heidelberg. doi:10.1007/978-3-642-69746-3_2
Anderson, S. E., Groulx, J. G., y Maninger, R. M. (2011). Relationships among preservice teachers' technology-related abilities, beliefs, and intentions to use technology in their future classrooms. Journal of Educational Computing Research, 45(3), 321-338. doi:10.2190/EC.45.3.d
Briz-Ponce, L., Pereira, A., Carvalho, L., Juanes-Méndez, J. A., y García-Peñalvo, F. J. (2017). Learning with mobile technologies – Students’ behavior. Computers in Human Behavior, In Press. doi:http://dx.doi.org/10.1016/j.chb.2016.05.027
Cano-Giner, J. L., Fernandez, V., y Diaz-Boladeras, M. (2015). Do we know enough about the factors of the TAM model to predict the information system's acceptance? En R. Zhang, Z. Zhang, K. Liu y J. Zhang (Eds.), Proceedings of 3rd international conference on logistics, informatics and service science (pp. 75-79). Berlin, Heidelberg: Springer Berlin Heidelberg. doi:10.1007/978-3-642-40660-7_10
Cohen, J. (1988). Statistical power analysis for the behavioral sciences. Mahwah, NJ: Lawrence Erlbaum.
Darban, M. y Amirkhiz, H. (2015). Herd behavior in technology adoption: The role of adopter and adopted characteristics. System Sciences (HICSS), 2015 48th Hawaii International Conference On, Hwaii. 3591-3600. doi:10.1109/HICSS.2015.432
Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319-340.
Davis, F. D., Bagozzi, R. P., y Warshaw, P. R. (1992). Extrinsic and intrinsic motivation to use computers in the Workplace1. Journal of Applied Social Psychology, 22(14), 1111-1132. doi:10.1111/j.1559-1816.1992.tb00945.x
DITRENDIA. (2016). Informe mobile en españa y en el mundo 2016. Recuperado de http://www.amic.media/media/files/file_352_1050.pdf
Ertmer, P. A. (1999). Addressing first- and second-order barriers to change: Strategies for technology integration. Educational Technology Research and Development, 47(4), 47-61. doi:10.1007/BF02299597
Fernández Rodrigo, L. (2016). El uso didáctico y metodológico de las tabletas digitales en aulas de educación primaria y secundaria de cataluña. Pixel-Bit. Revista De Medios Y Educación, (48), 9-25.
Fishbein, M., y Ajzen, I. (1975). Belief, attitude, intention, and behavior: An introduction to theory and research. Reading, Massachusets: Addison-Wesley Pub. Co.
Fornell, C., y Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39-50. doi:10.2307/3151312
Gerow, J. E., Ayyagari, R., Thatcher, J. B., y Roth, P. L. (2013). Can we have fun @ work? the role of intrinsic motivation for utilitarian systems. European Journal of Information Systems, 22(3), 360-380. doi:10.1057/ejis.2012.25
Heflin, H., Shewmaker, J., y Nguyen, J. (2017). Impact of mobile technology on student attitudes, engagement, and learning. Computers & Education, 107, 91-99. doi:http://dx.doi.org/10.1016/j.compedu.2017.01.006
Henseler, J., Ringle, C. M., y Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115-135. doi:10.1007/s11747-014-0403-8
Holt-Reynolds, D. (1992). Personal history-based beliefs as relevant prior knowledge in course work. American Educational Research Journal, 29(2), 325-349. doi:10.3102/00028312029002325
Hu, L., y Bentler, P. M. (1998). Fit indices in covariance structure modeling: Sensitivity to underparameterized model misspecification. Psychological Methods, 3(4), 424-453.
Hu, P. J., Clark, T. H. K., y Ma, W. W. (2003). Examining technology acceptance by school teachers: A longitudinal study. Information & Management, 41(2), 227-241. doi:http://dx.doi.org/10.1016/S0378-7206(03)00050-8
Joint Quality Initiative. (2004). Shared ‘Dublin’descriptors for short cycle, first cycle, second cycle and third cycle awards. Recuperado de https://www.uni-due.de/imperia/md/content/bologna/dublin_descriptors.pdf
Jonassen, D. H., y Easter, M. A. (2012). Conceptual change and student-centered learning environments. En Jonassen, D. H. y Easter, M. A. (Eds.),Theoretical Foundations of Learning Environments (pp. 95-113). Rutledge.
Kearney, M., Schuck, S., Burden, K., & Aubusson, P. (2012). Viewing mobile learning from a pedagogical perspective. Research in Learning Technology, 20(1), 1-17. doi:10.3402/rlt.v20i0.14406
Kiraz, E., y Ozdemir, D. (2006). The relationship between educational ideologies and technology acceptance in pre-service teachers. Journal of Educational Technology & Society, 9(2), 152-165.
Kreijns, K., Vermeulen, M., Kirschner, P. A., Buuren, H. v., y Acker, F. V. (2013). Adopting the integrative model of behaviour prediction to explain teachers’ willingness to use ICT: A perspective for research on teachers’ ICT usage in pedagogical practices. Technology, Pedagogy and Education, 22(1), 55-71. doi:10.1080/1475939X.2012.754371
Lee, B., Yoon, J., y Lee, I. (2009). Learners’ acceptance of e-learning in south korea: Theories and results. Computers & Education, 53(4), 1320-1329. doi:http://dx.doi.org/10.1016/j.compedu.2009.06.014
Lewin, K. (1947). Frontiers in group dynamics: Concept, method, and reality in social sciences, social equilibria, and social change. Human Relations, (1), 5-41.
Nikou, S. A., & Economides, A. A. (2017). Mobile-based assessment: Investigating the factors that influence behavioral intention to use. Computers & Education, 109, 56-73. doi:http://dx.doi.org/10.1016/j.compedu.2017.02.005
Nunnally, J. C. (1978). Psychometric theory. New York: McGraw-Hill.
Oreg, S. (2003). Resistance to change: Developing an individual differences measure. Journal of Applied Psychology, 88(4), 680-693.
Palazón Herrera, J. (2015). Aprendizaje móvil basado en microcontenidos como apoyo a la interpretación instrumental en el aula de música en secundaria. Píxel-Bit. Revista De Medios Y Educación, (46), 119-136.
Park, N., Lee, K. M., y Cheong, P. H. (2007). University instructors' acceptance of electronic courseware: An application of the technology acceptance model. Journal of Computer-Mediated Communication, 13(1), 163-186.
Ringle, C. M., Wende, S., y Becker, J. M. (2015). SmartPLS 3. Bönningstedt: SmartPLS. Recuperado de http://www.smartpls.com
Sánchez-Prieto J. C., Olmos Migueláñez, S., y García-Peñalvo, F. J. (2014). Understanding mobile learning: devices, pedagogical implications and research lines. Education in the Knowledge Society, 15(1), 20-42.
Sánchez-Prieto, J. C., Olmos-Migueláñez, S., y García-Peñalvo, F. J. (2016a). Las tabletas digitales en educación formal: Características principales y posibilidades pedagógicas. En A. I. Callejas Albiñana, J. V. Salido López y Ó Jerez García (Eds.), Competencia digital y tratamiento de la información: Aprender en el siglo XXI (pp. 269-280). Cuenca: Ediciones de la Universidad de Castilla-La Mancha.
Sánchez-Prieto, J. C., Olmos-Migueláñez, S., y García-Peñalvo, F. J. (2016b). Informal tools in formal contexts: Development of a model to assess the acceptance of mobile technologies among teachers. Computers in Human Behavior, 55 Part A, 519-528. doi:http://dx.doi.org/10.1016/j.chb.2015.07.002
Sánchez-Prieto, J. C., Olmos Migueláñez, S., y García-Peñalvo, F. J. (2017a). ¿Utilizarán los futuros docentes las tecnologías móviles? Validación de una propuesta de modelo TAM extendido. RED-Revista de Educación a Distancia, 52, Artículo 5. doi:http://dx.doi.org/10.6018/red/52/5
Sánchez-Prieto, J. C., Olmos-Migueláñez, S., y García-Peñalvo, F. J. (2017b). MLearning and pre-service teachers: An assessment of the behavioral intention using an expanded TAM model. Computers in Human Behavior, In Press. doi:http://dx.doi.org/10.1016/j.chb.2016.09.061
SCOPEO. (2011). M-learning en españa, portugal y américa latina. Recuperado de http://scopeo.usal.es/sites/all/files/scopeom003.pdf
Sevillano García, L., y Vázquez Cano, E. (2014). Análisis de la funcionalidad didáctica de las tabletas digitales en el espacio europeo de ducación superior. Universities and Knowledge Society Journal, 11(3), 67-81.
Sung, Y., Chang, K., y Liu, T. (2016). The effects of integrating mobile devices with teaching and learning on students' learning performance: A meta-analysis and research synthesis. Computers & Education, 94, 252-275. doi:http://dx.doi.org/10.1016/j.compedu.2015.11.008
Teo, T., y Noyes, J. (2011). An assessment of the influence of perceived enjoyment and attitude on the intention to use technology among pre-service teachers: A structural equation modeling approach. Computers & Education, 57(2), 1645-1653.
Teo, T. (2015). Comparing pre-service and in-service teachers' acceptance of technology: Assessment of measurement invariance and latent mean differences. Computers & Education, 83, 22-31. doi:http://dx.doi.org/10.1016/j.compedu.2014.11.015
Teo, T., Milutinović, V., y Zhou, M. (2016). Modelling serbian pre-service teachers' attitudes towards computer use: A SEM and MIMIC approach. Computers & Education, 94, 77-88. doi:http://dx.doi.org/10.1016/j.compedu.2015.10.022
Tokel, S. T. y İsler, V. 2013. Acceptance of virtual worlds as learning space. Innovations in Education and Teaching International, 52(1), 254-264. DOI=10.1080/14703297.2013.820139.
UNESCO, 2013. El futuro del aprendizaje móvil: Implicaciones para la planificación y la formulación de políticas. Recuperado de http://unesdoc.unesco.org/images/0021/002196/219637s.pdf
UNESCO, 2012. Aprendizaje móvil para docentes: Temas globales. Recuperado de http://unesdoc.unesco.org/images/0021/002196/219637s.pdf
Valtonen, T., Kukkonen, J., Kontkanen, S., Sormunen, K., Dillon, P., y Sointu, E. (2015). The impact of authentic learning experiences with ICT on pre-service teachers' intentions to use ICT for teaching and learning. Computers & Education, 81, 49-58. doi:http://dx.doi.org/10.1016/j.compedu.2014.09.008
Venkatesh, V., y Davis, F. D. (2000). A theoretical extension of the technology acceptance model: Four longitudinal field studies. Management Science, 46(2), 186-204.
Venkatesh, V., y Bala, H. (2008). Technology acceptance model 3 and a research agenda on interventions. Decision Sciences, 39(2), 273-315. doi:10.1111/j.1540-5915.2008.00192.x
Venkatesh, V., Morris, M. G., Gordon B. Davis, y Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 27(3), 425-478.
Yadegaridehkordi, E., Iahad, N.A., Baloch, S.Z. (2013). Success factors influencing the adoption of M-learning. International Journal of Continuing Engineering Education and Life Long Learning, 23(2), 167-178. doi:10.1504/IJCEELL.2013.054290
Yang, S. C., y Huang, Y. (2008). A study of high school english teachers’ behavior, concerns and beliefs in integrating information technology into english instruction. Computers in Human Behavior, 24(3), 1085-1103. doi:http://dx.doi.org/10.1016/j.chb.2007.03.009


DOI: https://doi.org/10.5944/ried.20.2.17700