INTRODUCCIÓN

La tasa de abandono se ha considerado tradicionalmente un indicador relevante de la calidad de las instituciones de educación superior (Yorke, 1998). Según el último informe del Ministerio de Ciencia, Innovación y Universidades, un 33% de los estudiantes universitarios abandonaron su proceso formativo (Ministerio de Ciencia, Innovación y Universidades [MCIU], 2019). En el contexto de la educación superior, las investigaciones sobre este tema han acotado un buen número de variables relevantes a la hora de explicar la persistencia académica ( Burrus, et al., 2013). De hecho, los modelos propuestos en los años 70 y 80 pusieron de manifiesto que la interacción entre los rasgos individuales de los estudiantes y los ambientessociales y académicos son clave para explicar su persistencia (Tinto, 1975).

Persistencia académica

La persistencia académica es la capacidad de los estudiantes para lograr sus propias metas a pesar de las adversidades encontradas cuando persiguen sus objetivos. En cambio, el término abandono se refiere a situaciones en las que, voluntariamente o no, los estudiantes no completan sus estudios (Ward-Smith, Schmer, Peterson, & Hart, 2013). A pesar de la diferencia entre ambas situaciones, es importante destacar que ambos procesos constituyen dos caras de una misma moneda.

En su modelo, Tinto (1975) propuso que el compromiso de los estudiantes con la institución, sus objetivos académicos, las habilidades de aprendizaje y los antecedentes familiares, son factores relevantes para predecir la probabilidad de persistencia de los estudiantes. Este modelo inicial se complementó con investigaciones posteriores (Tinto, 1982, 2010), que permitieron la incorporación de otras variables como la situación económica, lugar de residencia de los estudiantes, la metodología de aprendizaje en la institución académica o el asesoramiento académico.

Investigaciones más recientes han respaldado el hecho de que la integración académica y social de los estudiantes es clave para explicar su continuidad en los estudios (Davidson, Beck, & Milligan, 2009; Richardson, Abraham, & Bond, 2012). También se ha comprobado que otra variable que influye en este problema es el rendimiento académico en etapas educativas previas (Westrick, Le, Robbins, Radunzel, & Schmidt, 2015). Paralelamente, a la vista de estudios anteriores, aquellos estudiantes que trabajan a tiempo parcial tienen más probabilidades de abandonar sus estudios ( Hovdhaugen, 2015).

El compromiso de los estudiantes con su educación es un componente clave para promover decisiones positivas relacionadas con la persistencia académica (Davidson et al., 2009; Walsh & Robinson Kurpius, 2016). Este compromiso de los estudiantes con la institución se refiere a aspectos como su grado de satisfacción, su sentimiento de pertenencia o la calidad que perciben en la institución (Nora y Cabrera, 2010). Además, los estudiantes tomarán decisiones positivas que favorezcan la persistencia cuando su compromiso personal para terminar los estudios que cursan es alto (Pascarella, Seifert, & Whitt, 2008)

Perspectiva temporal

La perspectiva temporal se refiere a la forma subjetiva, y en ocasiones no consciente, en la que las personas se relacionan con el tiempo y en la manera en que organizan sus experiencias personales en categorías temporales: el pasado, el presente y el futuro (Boyd & Zimbardo, 2005; Zimbardo & Boyd, 1999). Las diferentes orientaciones temporales que adopta una persona afectan a diferentes áreas del pensamiento y el comportamiento humano (Zimbardo, Keough, & Boyd, 1997). La mayor parte de los estudios en esta línea de trabajo se centran principalmente en la dimensión de futuro (de Bilde, Vansteenkiste, & Lens, 2011; Pérez, Gutiérrez-Braojos, y Fernández, 2017). Tener una visión positiva del futuro permite a los estudiantes percibir las materias académicas como más útiles para su carrera profesional, lo que puede aumentar la motivación intrínseca contribuyendo a una mejora del rendimiento académico (Janeiro, Duarte, Araújo, & Gomes, 2017) present, past, and negative future. Dado que la perspectiva temporal influye en los juicios, decisiones y comportamientos (Zimbardo & Boyd, 1999), resulta interesante conocer el papel que juega en el proceso de aprendizaje y, concretamente, en la probabilidad de persistir del estudiante.

Enfoques de aprendizaje

Los enfoques de aprendizaje juegan un papel muy importante en el éxito académico. Se refieren a la forma en que los estudiantes abordan sus tareas de estudio de acuerdo con la percepción que tienen sobre las mismas (Biggs, 1987). Los enfoques de aprendizaje se basan en los motivos para aprender y las estrategias o la planificación que los estudiantes siguen en el proceso de aprendizaje (Biggs, Kember, & Leung, 2001). Biggs, et al. (2001) distinguieron entre los enfoques profundo y superficial. El enfoque profundo, está relacionado con la motivación intrínseca. Los estudiantes buscan comprender el significado del material de estudio y vincular nuevas ideas con conocimientos previos. Por otro lado, los estudiantes con un enfoque superficial tienden al uso de estrategias de repetición y están motivados extrínsecamente (Vanthournout, Doche, Gijbels, & Van Petegem, 2014).

Cada persona tiene predisposición para aprender desde un determinado enfoque (Gargallo, Garfella y Pérez, 2006) y estos son relativamente estables (Struyven, Dochy, Janssens, & Gielen, 2006). Sin embargo, los enfoques de aprendizaje no deben entenderse como una cualidad que no se puede cambiar (Struyven, et al., 2006), sino como un rasgo que es modulado por la disciplina, las percepciones de los estudiantes sobre las tareas de estudio, el contexto o las necesidades percibidas en cada momento (Gargallo, et al., 2006). Investigaciones previas han mostrado que los estudiantes pueden utilizar ambos enfoques en diferentes momentos o incluso al mismo tiempo (Entwistle, Tait, & McCune, 2000). Por tanto, los enfoques de aprendizaje deben entenderse como los dos extremos de un continuo que se pueden modificar en función de las circunstancias que encaran los estudiantes.

Objetivos del trabajo

A la vista de los estudios previos, el objetivo de nuestro trabajo fue analizar el papel de los enfoques de aprendizaje y de la perspectiva temporal de futuro en la persistencia académica de los estudiantes universitarios de primer año. En concreto, nuestra pregunta de investigación fue: ¿En qué medida los enfoques de aprendizaje y la perspectiva temporal de futuro son capaces de predecir la probabilidad de persistencia de los estudiantes universitarios de primer año? Para responder a esta pregunta, hemos planteado un modelo de regresión logística por pasos para probar la relevancia de estas variables. Su contribución a la explicación de la persistencia se evaluará controlando algunas variables previamente caracterizadas en la literatura como buenos predictores de la retención de estudiantes en su proceso formativo.

MÉTODO

Diseño

El presente trabajo adopta un enfoque de investigación ex-post-facto. Concretamente, se propone un estudio correlacional en la medida que el objetivo se centra en identificar variables asociadas a la probabilidad de persistencia académica de los estudiantes universitarios.

Participantes

La muestra utilizada comprendió 453 estudiantes de primer curso de la Universidad de Sevilla (España) que promediaron 19.76 años de edad (DT = 4.78). Del total, un 58.1% fueron mujeres y un 41.9% hombres. Los participantes se seleccionaron mediante un muestreo no probabilístico incidental, basado en la accesibilidad a los estudiantes y profesorado implicados. Para asegurar la heterogeneidad de la muestra, se invitó a estudiantes de las cinco áreas de conocimiento de enseñanza universitaria: Artes y Humanidades, Ciencias Sociales, Ciencias Naturales, Ciencias de la Salud e Ingeniería y Arquitectura (ver Tabla 1).

Variables e instrumentos

a) Variable dependiente

Como variable dependiente se consideró la probabilidad de persistencia. La medida de esta variable es compleja en estudios transversales, como el que se presenta en este artículo, ya que el diseño no permite el seguimiento de la trayectoria futura de los estudiantes. Para superar esta dificultad, se puede acudir a modelos previamente establecidos que permiten utilizar una serie de predictores significativos para medir la probabilidad de persistencia. Por esa razón, para operacionalizar esta variable se utilizó un procedimiento en dos etapas. En primer lugar, se midió, para cada estudiante, la probabilidad de persistencia académica y, en segundo lugar, se clasificó a los estudiantes en dos grupos de alta y baja probabilidad de persistencia mediante un análisis de conglomerados jerárquico. La probabilidad de persistencia académica se midió utilizando el Cuestionario de Persistencia Universitaria (College Persistence Questionnaire, CPQ), que fue suministrado por los autores del instrumento (Davidson, et al., 2009). Estos autores identificaron 6 factores subyacentes: integración académica, integración social, satisfacción con los servicios de orientación, grado de compromiso, compromiso institucional y conciencia educacional. Para esta investigación se seleccionaron las subescalas de integración académica (3 ítems), compromiso institucional (4 ítems) y conciencia educacional (3 ítems). Estas subescalas fueron seleccionadas puesto que originalmente se descubrió que eran los predictores significativos de la persistencia académica (Davidson, et al., 2009). Los tres factores incluyeron un total de 10 ítems que se responden en una escala nominal de 5 puntos de tipo Likert. Por ejemplo, para el ítem 1– ‘¿Cómo valorarías la calidad de la enseñanza que estás recibiendo?’, la escala incluye los niveles: muy pobre, pobre, normal, buena y excelente. En cambio, para el ítem 9– ‘¿Con qué frecuencia entregas tareas después de que ha vencido el plazo?’, los niveles de la escala fueron: muy a menudo, a menudo, a veces, rara vez, muy rara vez. Las respuestas de los estudiantes se convirtieron posteriormente a una escala numérica teniendo en cuenta su significado positivo o negativo en relación con su experiencia en la universidad (-2= muy poco favorable, -1= poco favorable, 0= neutro, 1= algo favorable, 2= muy favorable). Para la traducción al español del instrumento se utilizó el procedimiento de traducción inversa (Balluerka, Gorostiaga, Alonso-Arbiol, y Haranburu, 2007).

Los autores del instrumento obtuvieron una fiabilidad estimada por alfa de Cronbach de .78 para la dimensión compromiso institucional y .81 para integración académica, descendiendo a .63 en el caso de la subescala conciencia educacional. Siguiendo esta misma tendencia, en el presente estudio, se obtuvieron valores de alfa altos para compromiso institucional (α = .87) e integración académica (α = .75), y un valor más bajo para conciencia educacional (α = .47). Utilizando los datos correspondientes a la muestra empleada en este trabajo, se ha llevado a cabo un análisis factorial confirmatorio, contrastando el modelo de tres factores. El modelo presenta valores aceptables de bondad de ajuste (chi-cuadrado/d.f. = 2.88, CFI = .94, GFI = .96, NFI = .91, RMSEA = .06).

b) Variables independientes

Como variables independientes se seleccionaron los enfoques de aprendizaje y la perspectiva temporal de futuro. Los enfoques de aprendizaje se midieron a través de la escala denominada The Revised Two Factor Study Process Questionnaire (R-SPQ-2F), elaborado por Biggs, et al. (2001), en su versión adaptada al español (Blanco, Prieto, Torre, y García, 2009). El instrumento consta de 20 ítems, 10 para la escala de enfoque profundo y 10 para la escala de enfoque superficial, cuyos valores oscilan entre nunca o casi nunca (1) y siempre o casi siempre (5). A partir de la suma de cada bloque de ítems se han obtenido las puntuaciones en el enfoque profundo y en el enfoque superficial. Merino y Kumar (2013) propusieron, en su estudio de validación mediante análisis factorial confirmatorio, un modelo de 2 factores que se corresponden con el enfoque profundo y el enfoque superficial. Los índices de bondad de ajuste fueron CFI = .04, TLI = .94, RMSEA = .05, con una consistencia interna de .80 y .76 para cada uno de los factores. En el presente estudio se obtuvo un valor α de Cronbach de .81 para la escala de enfoque profundo y .80 para la escala de enfoque superficial.

Por otro lado, para medir las actitudes de los estudiantes sobre la orientación temporal futura se utilizó la subescala futura del Time Perspective Inventory by Zimbardo (ZTPI, Zimbardo & Boyd, 1999). El instrumento completo consta de 56 ítems organizados en 5 dimensiones temporales: pasado positivo (9 ítems), pasado negativo (10 ítems), presente hedonista (15 ítems), presente fatalista (9 ítems) y fututo (13 ítems). Los encuestados deben mostrar su grado de identificación en cada ítem a través de una escala de 1 (muy falso / no característico) a 5 (muy verdadero / característico).

La estructura de 5 factores se confirmó mediante análisis factorial exploratorio y confirmatorio, aunque no se proporcionaron índices de bondad de ajuste para el modelo (Zimbardo & Boyd, 1999). La subescala futuro, empleada en el presente estudio, consta de 13 ítems y alcanzó un valor α de Cronbach de .77 en el análisis realizado por Zimbardo y Boyd (1999). En la muestra de estudiantes de la Universidad de Sevilla el valor se situó en .71. La puntuación en esta variable se ha calculado como suma de los 13 ítems.

Además de los enfoques de aprendizaje y la perspectiva temporal de futuro, se han considerado otras variables independientes que actuarán como variables de control:

• Disfrute de beca. Se preguntó a los participantes si durante el actual curso universitario disfrutaban de algún tipo de beca de estudios.
• Estudios elegidos en primera opción. Esta variable revela si el estudiante se encuentra o no cursando los estudios elegidos en primera opción en el proceso de admisión a la universidad.
• Cambio de residencia. Informa sobre el lugar en que reside el estudiante durante el curso académico, determinando si tuvo que cambiar el domicilio habitual para poder cursar sus estudios universitarios (por ejemplo, trasladándose a otra ciudad, a una residencia universitaria, a un colegio mayor) o si esto no fue necesario.
• Trabajo simultáneo a los estudios. La dedicación a tiempo completo a los estudios ha sido valorada preguntando a los estudiantes si desempeñan o no una actividad laboral al mismo tiempo que cursan estudios universitarios.
• Calificación de acceso a la universidad. Para medir esta variable se utilizó la nota de los estudiantes en la fase general de las pruebas de Evaluación de Bachillerato para el Acceso a la Universidad (EBAU), puesto que no todos los estudiantes realizaron la fase específica. Por tanto, se trata de una variable que informa sobre el rendimiento previo y viene expresada en una escala de 0 a 10.
• Rendimiento en la universidad. En el momento de la recogida de información, los participantes habían finalizado su primer cuatrimestre de estudios universitarios. Se solicitó a los estudiantes que indicasen el número de aprobados, notables, sobresalientes y matrículas de honor obtenidos durante dicho periodo. A cada una de estas notas se asignaron, respectivamente, los valores 1, 2, 3 y 4. El rendimiento del estudiante se obtuvo como promedio de dichas calificaciones. Por tanto, esta variable se midió en una escala de 1 a 4.
• Autoconcepto como estudiante. La percepción que el estudiante tiene sobre sí mismo se valoró al preguntar si, teniendo en cuenta su trayectoria académica y los resultados obtenidos, se consideraba un estudiante muy bueno, bueno, normal, malo o muy malo.

En la Tabla 2, se presentan los estadísticos descriptivos calculados para las variables consideradas en el estudio.

PROCEDIMIENTO

Antes de iniciar la recogida de datos se llevó a cabo un estudio piloto, con 20 estudiantes de nuevo ingreso, para asegurar la correcta comprensión y funcionamiento de los instrumentos utilizados. Como consecuencia de este, se corrigió la redacción de algunos ítems que suscitaron dificultades a los encuestados. La recogida de datos tuvo lugar durante los meses de marzo y abril de 2018. Previamente, se contactó mediante correo electrónico con profesorado que se encontraba impartiendo asignaturas de primer año universitario en diferentes titulaciones, con el objetivo de conseguir su colaboración. La aplicación de los cuestionarios se llevó a cabo dentro del aula y tuvo una duración aproximada de 15 minutos, incluyendo la presentación del estudio, la explicación sobre el instrumento y su cumplimentación por parte del alumnado. Los participantes tomaron parte en el estudio de manera voluntaria y se garantizó el anonimato y la confidencialidad de sus respuestas. Siguiendo los principios éticos que rigen este tipo de estudios, se informó de los objetivos y procedimiento de la recogida de datos.

ANÁLISIS DE DATOS

El primer paso del análisis fue la clasificación de los estudiantes en función de su probabilidad de persistencia, utilizando las variables predictoras de la persistencia mencionadas anteriormente. Para ello, se ha realizado un análisis jerárquico de conglomerados, adoptando como medida de proximidad entre individuos la distancia euclídea al cuadrado y como procedimiento de agregación el método de Ward. Este análisis permitió identificar dos grupos de alumnado con alta y baja probabilidad de persistencia. Antes de considerar qué variables se incluyen en el modelo de regresión, se ha analizado su vinculación a la persistencia académica. Las diferencias de medias entre ambos grupos para las variables continuas se estudiaron mediante la prueba t de Student, estimando el tamaño del efecto mediante el estadístico d de Cohen. Además, se llevaron a cabo pruebas chi-cuadrado para estudiar la asociación entre la alta o baja persistencia y las variables categóricas medidas.

La contribución de los enfoques de aprendizaje a la explicación de la persistencia académica se ha determinado mediante un análisis de regresión logística secuencial. Esta técnica permite contrastar modelos capaces de predecir una característica dicotómica (alta/baja probabilidad de persistencia) a través de una combinación de variables continuas y categóricas que se introducen en un determinado orden de acuerdo con criterios teóricos. En nuestro análisis hemos considerado un primer bloque de variables, que en la literatura han sido asociadas a la persistencia, utilizadas aquí como variables de control. Posteriormente, se incluyó la perspectiva temporal de futuro. Finalmente, los enfoques de aprendizaje han constituido el tercer bloque de variables incorporadas al modelo de regresión. Con la aplicación de la regresión logística por pasos se consigue valorar si las variables incorporadas al modelo aumentan significativamente su capacidad para predecir la probabilidad de persistencia académica.

RESULTADOS

La clasificación de los participantes, mediante el análisis jerárquico de conglomerados, ha permitido llevar a cabo una partición de la muestra en dos grupos de estudiantes con alta y baja probabilidad de persistencia. La tabla 3 recoge los estadísticos descriptivos para las variables predictoras de la persistencia alcanzados en cada uno de los grupos. El grupo 1 presenta altos niveles en cada uno de los indicadores de persistencia, comprendidos entre el valor 1.24 para la integración académica y el valor 1.76 alcanzado en compromiso institucional. Este grupo se identifica con estudiantes a los que corresponden altas probabilidades de persistencia. En cambio, los incluidos en el grupo 2 muestran valores más bajos en las tres variables predictoras. Aunque los valores en estas no llegan a ser negativos, son significativamente más bajos que en el grupo 1, situándose en torno a la puntuación 1, o incluso claramente por debajo de ella (0.68 en compromiso institucional). Es decir, este grupo se caracteriza por unas posibilidades de persistencia relativamente bajas.

La comparación entre las medias alcanzadas en cada grupo arroja valores de t significativos (p < .001), con tamaños del efecto que se acercan o sobrepasan el nivel 0.80 indicado por Cohen (1992) como referencia para interpretar que el tamaño del efecto es grande. Las pruebas t mostraron diferencias significativas en todas las variables independientes continuas excepto para la calificación de entrada a la universidad. Los estudiantes con una probabilidad elevada de persistencia tuvieron una puntuación significativamente más alta en su rendimiento en la universidad, la perspectiva temporal de futuro y el enfoque profundo, mientras que presentaron niveles más bajos en el aprendizaje superficial. En lo que se refiere a las variables categóricas, los estudios elegidos en primera opción (χ ² = 9.210, p = .002), el cambio de residencia (χ² = 5,360, p = .021) y el autoconcepto como estudiante (χ² = 39.267, p < .001) fueron significativamente diferentes en los dos grupos de estudiantes mientras que no se encontraron diferencias significativas en las variables disfrute de beca (χ² = .012, p = .912) y trabajo simultáneo a los estudios (χ ² = 1.797, p = .407). Se han llevado a cabo sucesivas comparaciones de medias entre los dos grupos de alumnado de alta y baja probabilidad de persistencia, tomando en cada ocasión la submuestra de estudiantes de una de las cinco áreas de enseñanza universitaria. Los resultados indican pocos cambios respecto a los obtenidos para la muestra total, mostrándose no significativas en ninguna de las áreas las diferencias en cuanto a nota de acceso a la universidad, disfrute de beca o trabajo simultáneo a los estudios. Estas variables han sido excluidas de cara al modelo de regresión.

La contribución de las variables a la diferenciación entre ambos grupos de estudiantes se ha analizado mediante regresión logística secuencial. El primer modelo (Modelo I) se construyó a partir de las variables relativas a las condiciones en que el alumnado participante desarrolla sus estudios (estudios elegidos en primera opción, cambio de residencia) y a su capacidad demostrada o percibida (rendimiento en la Universidad, autoconcepto como estudiante). Se ha utilizado el método stepwise de introducción de variables por pasos, que conduce a incluir en el modelo las variables que presentan los efectos más significativos, evitando los problemas de multicolinealidad. Las variables medidas a nivel de intervalo se han estandarizado para facilitar la comparación entre los coeficientes de regresión B. En el modelo construido por pasos (ver modelo resultante en tabla 4) se han incluido sucesivamente las variables rendimiento en la universidad, estudios elegidos en primera opción y cambio de residencia. Los efectos correspondientes al autoconcepto como estudiante no han resultado ser significativos, por lo que esta variable ha quedado excluida del modelo. El Modelo I resulta estadísticamente significativo (χ² = 67.34; p < .001) y permite predecir correctamente la pertenencia al grupo de alta o baja persistencia para el 66.0% de los casos. El poder predictivo de las variables independientes se ha medido también mediante la R2 de Nagelkerke, que alcanza el valor .198. El resultado obtenido para el test de Hosmer y Lemeshow muestra que los datos se ajustan al modelo (p = .798).

La inclusión de la perspectiva temporal de futuro permitió generar el segundo modelo (Modelo II) que fue estadísticamente significativo (χ² = 87.296; p < .001). En este modelo, hubo un incremento del poder predictivo (Nagelkerke R2 = .250) con un 67.4% de casos bien clasificados. En vista de la prueba de Hosmer y Lesmer, el modelo se ajustó satisfactoriamente a los datos ( p= .840). Finalmente, cuando los enfoques de aprendizaje se incluyeron en el análisis (Modelo III), las variables independientes presentaron un efecto significativo en la variable dependiente (χ ² = 114.86; p < .001). El poder predictivo del modelo se incrementó (Nagelkerke R2 = .319) y el porcentaje de casos bien clasificados pasó a ser el 69.8%. En vista de la prueba de Hosmer y Lesmer, el modelo se ajustó adecuadamente a los datos (p = .239).

La comparación del logaritmo neperiano de la verosimilitud correspondiente a los tres modelos (-2LL = 514.14 para el Modelo I, -2LL = 494.18 para el Modelo II y -2LL = 466.61 para el Modelo III) muestra que la inclusión de la perspectiva temporal de futuro y los enfoques de aprendizaje incrementaron significativamente la capacidad del modelo para predecir una probabilidad elevada de persistencia (∆-2LL = 19.96, p < .001 and ∆-2LL = 27.57, p < .001).

Focalizando nuestra atención en los efectos individuales de las variables en el Modelo I (ver Tabla 4), el rendimiento en la universidad fue la contribución más importante a la probabilidad de persistencia (B = .775; p < .001). Para cada incremento de una unidad en la puntuación estandarizada de esta variable, la probabilidad de pertenencia al grupo de alta persistencia es más del doble (razón de probabilidades 2.169). El hecho de que los estudiantes estén cursando los estudios de su primera opción (B = .602; p < .05; odds ratio 1.825) también contribuye, incrementando esta probabilidad, mientras que el cambio de residencia la disminuye (B = -0.533; p < .05; razón de probabilidad 0.587). Cuando la perspectiva temporal de futuro y los enfoques de aprendizaje se incluyeron en el modelo (Modelo III), se encontró un efecto positivo de la variable perspectiva temporal de futuro (B = .262; p < .05). Por tanto, un incremento de una unidad en el valor estandarizado de esta variable incrementaría la probabilidad de pertenecer al grupo de estudiantes que tienen más posibilidades de persistir (razón de probabilidades 1.299). Los efectos de los enfoques profundo y superficial fueron significativos (p < .001) aunque ambas contribuciones presentaron diferentes signos (B = .454 y B = .-404, respectivamente). Por tanto, cuando hay un incremento de una unidad en el enfoque profundo estandarizado, la probabilidad de pertenecer al grupo de estudiantes con mayor probabilidad de continuar sus estudios se incrementa hasta un 57.5% (razón de probabilidades 1.575) mientras que, si este incremento afecta al enfoque superficial, se produce una reducción del 66.7% en esta probabilidad (razón de probabilidades 0.667).

DISCUSIÓN Y CONCLUSIONES

El objetivo de este trabajo fue determinar en qué medida los enfoques de aprendizaje y la perspectiva temporal de futuro contribuyen a la explicación del riesgo de abandono en los estudiantes que se encuentran cursando su primer año de estudios en la universidad. Los resultados indican que los enfoques de aprendizaje y la perspectiva temporal de futuro son predictores de la persistencia académica. Concretamente, los estudiantes con enfoque profundo tienen más posibilidades de persistir en sus estudios que los estudiantes con un enfoque superficial.

Teniendo en cuenta la relación entre el enfoque de aprendizaje profundo y la probabilidad de persistencia de los estudiantes, sumado a la posibilidad de estos de modificar su enfoque de aprendizaje, parece importante que los profesores universitarios trabajen para promover en los estudiantes un enfoque de aprendizaje profundo. Existen diversas actuaciones que se pueden aplicar en este sentido. Para este objetivo, sería útil aplicar metodologías de trabajo que promuevan la comprensión del material de estudio y no tanto la memorización del mismo, así como plantear procedimientos de evaluación alejados de la mera reproducción de los aprendizajes (Gargallo, et al., 2006). En general, se trataría de diseñar clases que vayan más allá de las explicaciones magistrales. De acuerdo con los resultados de Berbén, Pichardo, y De la Fuente (2007), los estudiantes que esperan que el docente utilice la clase magistral tienden a adoptar un enfoque de aprendizaje poco profundo, lo que, a la vista de nuestros resultados, podría contribuir a la deserción de los estudiantes.

En vista de nuestros hallazgos, la perspectiva temporal de futuro también es relevante para explicar la probabilidad de persistencia de los estudiantes. Las investigaciones previas se han centrado en su efecto en el proceso de aprendizaje ( Janeiro, et al., 2017; Slijper, Kunnen, Onstenk, & van Geert, 2016). En concreto, la perspectiva temporal de futuro se ha relacionado con la motivación y las estrategias de aprendizaje. En esta línea, la percepción de las tareas escolares como una herramienta útil para el futuro contribuye a incrementar la motivación y al uso de estrategias de aprendizaje más efectivas, lo que a su vez promueve el éxito académico (Phan, 2009). Estos resultados están en línea con los encontrados en el presente trabajo. Los alumnos que perciben la utilidad futura de sus estudios estarán más motivados para estudiar, lo que les lleva a mejorar su rendimiento y, por tanto, a aumentar sus posibilidades de persistir hasta finalizar su titulación universitaria. De este modo, parece que los estudiantes focalizados en una perspectiva temporal futura tienden a estar involucrados en un círculo virtuoso de formación.

Aunque el objetivo prioritario de nuestro estudio fue investigar el papel de los enfoques de aprendizaje y de la perspectiva temporal de futuro en la persistencia académica, nuestros resultados también permiten discutir los efectos del resto de las variables incluidas en los modelos como variables de control. En este sentido, el rendimiento académico de los estudiantes, el hecho de que tengan que cambiar de residencia y la posibilidad de que cursen los estudios elegidos en primera opción, fueron relevantes para explicar su probabilidad de persistencia en su proceso formativo. Se ha constatado que el rendimiento académico, durante el primer cuatrimestre del curso, tiene un papel más relevante en la explicación de la probabilidad de persistir que el rendimiento previo al acceso a la universidad. Es más, los resultados de la investigación indican que las calificaciones obtenidas en las pruebas de acceso a la universidad no constituyen un predictor significativo en la probabilidad de persistir cuando el rendimiento logrado en la universidad está incluido en el modelo. Estos resultados contrastan con otros estudios en los que se concluye que, tanto el rendimiento académico previo a los estudios universitarios como el rendimiento del estudiante durante el primer semestre de universidad influye en el riesgo de abandono (Bernardo, et al., 2015). Además, de manera consistente con investigaciones anteriores (Arias & Dehon, 2013), nuestro trabajo ha permitido concluir que es más probable que persistan aquellos estudiantes que cursan su primera opción de estudios.

En línea con los trabajos de Tinto (1982), hemos encontrado que la necesidad de cambiar de lugar de residencia para poder cursar los estudios universitarios es otra de las variables que aparece asociada a la persistencia de los estudiantes. Los resultados de nuestro trabajo indican que existen otros aspectos que parecen no ser predictores de la persistencia. Por ejemplo, el hecho de que los estudiantes disfruten o no de beca parece irrelevante para explicar la probabilidad de persistencia, en línea con algunas investigaciones anteriores (Berlanga, Figuera, y Pons, 2018).

Los análisis realizados muestran que compatibilizar los estudios con un trabajo no se asocia a una mayor o menor probabilidad de persistencia. Este hallazgo parece contradecir algún estudio previo (Moulin, Doray, Laplante, & Street, 2012), en el que trabajar al tiempo que se estudia se vinculaba a menor persistencia. Sin embargo, estudios recientes han encontrado que el tiempo que dedican a estos trabajos los estudiantes es crítico: trabajar más de 20 horas semanales incrementa la probabilidad de abandono (Hovdhaugen, 2015). En la misma línea, Roska (2011) concluye que trabajar hasta 20 horas a la semana no es un obstáculo para la finalización de los estudios, mientras que los estudiantes que trabajan más de 35 horas a la semana tienen menos probabilidades de completar un grado. De acuerdo con esto, para valorar el papel que puede desempeñar un trabajo, cuando se compatibiliza con los estudios, sería conveniente tener en cuenta, en futuras investigaciones, el número de horas de dedicación.

Es importante suministrar a las instituciones educativas y al profesorado información que pueda ayudar a la retención de los estudiantes universitarios. A partir de nuestros resultados se deben tener en cuenta algunas sugerencias. En primer lugar, los modelos de enseñanza-aprendizaje deben ayudar a los estudiantes a usar los enfoques profundos de aprendizaje. En esta línea, investigaciones previas han demostrado cómo algunas estrategias de enseñanza centradas en los estudiantes les ayudan a desarrollar este tipo de enfoques (Tal & Tsaushu, 2017; Zamora, Suárez, & Ardura, 2018a, 2018b). Además, nuestros resultados indican que cuando los estudiantes no cursan estudios elegidos en primera opción, es menos probable que persistan. Por tanto, las instituciones deben ser especialmente cuidadosas con este grupo de estudiantes para mejorar la retención de los mismos.

Las aportaciones de esta investigación deben ser valoradas teniendo presentes sus limitaciones. Una de las principales limitaciones se encuentra en los instrumentos utilizados. Si bien la fiabilidad y validez de los instrumentos aplicados están fundamentadas en la literatura, y han sido confirmadas a partir de los datos recogidos en el presente estudio, podemos subrayar que se trata de técnicas de autoinforme, con el consiguiente sesgo que podrían tener las respuestas emitidas por los estudiantes. En palabras de Bernad (1999), este tipo de cuestionarios presentan limitaciones en el sentido de que los sujetos encuestados podrían tener dificultades para diferenciar entre su nivel real, en cuanto al aspecto medido, y el nivel que declaran tener. Por otra parte, el estudio correlacional adoptado permite identificar variables que se asocian a la persistencia académica, pero no es posible establecer relaciones causales entre las variables estudiadas. Por ello, una línea futura de trabajo podría orientarse hacia la intervención destinada a potenciar en los estudiantes, por ejemplo, un enfoque de aprendizaje profundo, con el fin de comprobar, mediante diseños de investigación cuasiexperimentales, la eficacia de tales actuaciones.

REFERENCIAS BIBLIOGRÁFICAS

Arias, E., & Dehon, C. (2013). Roads to Success in the Belgian French Community’s Higher Education System: Predictors of Dropout and Degree Completion at the Université Libre de Bruxelles. Research in Higher Education, 54(6), 693–723. https://doi.org/10.1007/s11162-013-9290-y

Balluerka, N., Gorostiaga, A., Alonso-Arbiol, I. y Haranburu, M. (2007). La adaptación de instrumentos de medida de unas culturas a otras: Una perspectiva práctica. Psicothema, 19(1), 124–133.

Berbén, A.B., Pichardo, M., y De la Fuente, J. (2007). Relaciones entre preferencias de la enseñanza y enfoques de aprendizaje de los universitarios. Infancia & Aprendizaje, 30(4), 537–550. https://doi.org/10.1174/021037007782334319

Berlanga, V., Figuera, M.P., y Pons, E. (2018). Modelo predictivo de persistencia universitaria: alumnado con beca salario. Educación XX1, 21(1), 209–230. https://doi.org/10.5944/educXX1.15611

Bernad, J.A. (1999). Estrategias de aprendizaje. Cómo aprender y enseñar estratégicamente en el aula. Bruño.

Bernardo, A.B., Cerezo, R., Menéndez, L.J., Nuñez, J.C., Tuero, E., y Esteban, M. (2015). Predicción del abandono universitario: variables explicativas y medidas de prevención. Revista Fuentes, 16, 63–84. https://doi.org/10.12795/revistafuentes.2015.i16.03

Biggs, J. (1987). Student Approaches to Learning and Studying. Council for Educational Research. https://bit.ly/2kpcCVH

Biggs, J., Kember, D., & Leung, D. Y. P. (2001). The Revised Two Factor Study Process Questionnaire : R-SPQ-2F The Revised Two Factor Study Process Questionnaire: R-SPQ-2F. British Journal of Educational Psychology, 71, 133–149. https://doi.org/10.1348/000709901158433

Blanco, A., Prieto, L., Torre, J.C., y García, M. (2009). Adaptación, validación y evaluación de la invarianza factorial del cuestionario revisado de procesos de estudio (R-SPQ-2F). En A. Boza (coord.), Actas del IX Congreso Nacional de Modelos de Investigación Educativa sobre ‘Educación, investigación y desarrollo social’ (pp. 1535–1543). Universidad de Huelva.

Boyd, J.N., & Zimbardo, P.G. (2005). Time perspective, health, and risk taking. In A. Strathman & J. Joireman (Eds.), Understanding behavior in the context of time: Theory, research, and application (pp. 85–107). Routledge

Burrus, J., Elliott D., Brenneman, M., Markle, R., Carney, L., Moore, G., ... Roberts R.D. (2013). Putting and keeping students on track: Toward a comprehensive model of persistence and goal attainment. Educational Testing Service.

Cohen, J. (1992). A power primer. Psychological Bulletin, 112(1), 155–159.

Davidson, W., Beck, H.P., & Milligan, M. (2009). The college persistence questionnaire: Development and validation of an instrument that predicts student attrition. Journal of College Student Development, 50(4), 373–390. https://doi.org/10.1353/csd.0.0079

de Bilde, J., Vansteenkiste, M., & Lens, W. (2011). Understanding the association between future time perspective and self-regulated learning through the lens of self-determination theory. Learning and Instruction, 21(3), 332-344. https://doi.org/10.1016/j.learninstruc.2010.03.002

Entwistle, N., Tait, H., & McCune, V. (2000). Patterns of Response to Approaches to Studying Inventory across Contrasting Groups and Conte. European Journal of Psychology and Education, 15(1), 33–48.

Gargallo, B., Garfella, P. y Pérez, C. (2006). Enfoques de aprendizaje y rendimiento académico en estudiantes universitarios. Bordón, 58(3), 45–61. doi: https://doi.org/10.1016/j.nedt.2014.02.006

Hovdhaugen, E. (2015). Working while studying: the impact of term-time employment on dropout rates. Journal of Education and Work, 28(6), 631–651. https://doi.org/10.1080/13639080.2013.869311

Janeiro, I.N., Duarte, A.M., Araújo, A.M., & Gomes, A.I. (2017). Time perspective, approaches to learning, and academic achievement in secondary students. Learning and Individual Differences, 55, 61–68. https://doi.org/10.1016/j.lindif.2017.03.007

Ministerio de Ciencia, Innovación y Universidades. (2019). Datos y Cifras del Sistema Educativo Español. Publicación 2018-2019. https://bit.ly/2NTX4Hg

Merino, C., y Kumar, R. (2013). Validación estructural del R-SPQ-2F: Un análisis factorial confirmatorio. Revista Digital de Investigación en Docencia Universitaria, 7(1), 111–127. https://doi.org/10.19083/ridu.7.19

Moulin, S., Doray, P., Laplante, B., & Street, M.C. (2012). Work Intensity and Non-completion of University: Longitudinal Approach and Causal Inference. Journal of Education and Work, 26(3), 333–356. https://doi.org/10.1080/13639080.2011.653554

Nora, A., & Cabrera, A.F. (2010). The construct validity of Institutional Commitment: A confirmatory factor analysis. Research in Higher Education, 34(2), 243–262. https://doi.org/10.1007/BF00992164

Pascarella, E.T., Seifert, T.A., & Whitt, E.J. (2008). Effective instruction and college student persistence: Some new evidence. En J.M. Braxton (Ed.), The role of the classroom in college student persistence (pp. 55–70). Jossey-Bass. https://doi.org/10.1002/tl.325

Pérez, H.S., Gutiérrez-Braojos, C., & Fernández, S.R. (2017). The relationship of gender, time orientation, and achieving self-regulated learning. Revista de Investigacion Educativa, 35(2), 353–369. https://doi.org/10.6018/rie.35.2.273141

Phan, H.P. (2009). Amalgamation of future time orientation, epistemological beliefs, achievement goals, and study strategies: Empirical evidence established. British Journal of Educational Psychology, 79(1), 155–173. https://doi.org/10.1348/000709908X306864

Richardson, M., Abraham, C., & Bond, R. (2012). Psychological correlates of university students’ academic performance: A systematic review and meta-analysis. Psychological Bulletin, 138(2), 353–387. https://doi.org/10.1037/a0026838

Roska, J. (2011). Differentiation and Work: Inequality in Degree Attainment in U.S. Higher Education. Higher Education, 61(3), 293–308. https://doi.org/10.1007/s10734-010-9378-7

Slijper, J., Kunnen, E.S., Onstenk, J., & van Geert, P. (2016). The Role of Time Perspective, Motivation, Attitude, and Preparation in Educational Choice and Study Progress. Education Research International, 2016, 1–15. https://doi.org/10.1155/2016/1382678

Struyven, K., Dochy, F., Janssens, S., & Gielen, S. (2006). On the Dynamics of Students’ Approaches to Learning: The Effects of the Teaching/Learning Environment. Learning and Instruction, 16(4), 279–294. https://doi.org/10.1016/j.learninstruc.2006.07.001

Tal, T., & Tsaushu, M. (2017). Student-centered introductory biology course: evidence for deep learning. Journal of Biological Education, 52(4), 376-390. https://doi.org/10.1080/00219266.2017.1385508

Tinto, V. (1975). Dropout from Higher Education: A Theoretical Synthesis of Recent Research. Review of Educational Research, 45(1), 89-125. https://doi.org/10.2307/1170024

Tinto, V. (1982). Limits of Theory and Practice in Student Attrition. The Journal of Higher Education, 53(6), 687–700. https://doi.org/10.1080/00221546.1982.11780504

Tinto, V. (2010). From Theory to Action: Exploring the Institutional Conditions for Student Retention. En J.C. Smart (Ed.), Higher Education: Handbook of Theory and Research (pp. 51–89). Springer. https://doi.org/10.1007/978-90-481-8598-6_2

Vanthournout, G., Doche, V., Gijbels, D., & Van Petegem, P. (2014). (Dis) similarities in research on learning approaches and learning patterns. En J.D.D. Gijbels, V. Doche, & J. Richardson (Ed.), Learning patterns in higher education: dimensions and research perspectives (pp. 11–32). Routledge.

Walsh, K.J., & Robinson Kurpius, S.E. (2016). Parental, residential, and self-belief factors influencing academic persistence decisions of college freshmen. Journal of College Student Retention: Research, Theory and Practice, 18(1), 49–67. https://doi.org/10.1177/1521025115579672

Ward-Smith, P., Schmer, C., Peterson, J., & Hart, C. (2013). Persistence among graduate nursing students enrolled in an online course. Journal of Nursing Education and Practice, 3(9), 48. https://doi.org/10.5430/jnep.v3n9p48

Westrick, P.A., Le,H., Robbins, S.B., Radunzel, J.M.R., & Schmidt, F.L. (2015). College Performance and Retention: A Meta-Analysis of the Predictive Validities of ACT®Scores, High School Grades, and SES. Educational Assessment, 20(1), 23–45. https://doi.org/10.1080/10627197.2015.997614

Yorke, M. (1998). Non-completion of Undergraduate Study: some implications for policy in higher education. Journal of Higher Education Policy and Management, 20(2), 189–201. https://doi.org/10.1080/1360080980200206

Zamora, Á., Suárez, J.M., & Ardura, D. (2018a). Error detection and self-assessment as mechanisms to promote self-regulation of learning among secondary education students. Journal of Educational Research, 111(2), 175-185. https://doi.org/10.1080/00220671.2016.1225657

Zamora, Á., Suárez, J.M., & Ardura, D. (2018b). A model of the role of error detection and self-regulation in academic performance. Journal of Educational Research, 111(5), 595-602. https://doi.org/10.1080/00220671.2017.1349072

Zimbardo, P.G., & Boyd, J.N. (1999). Putting time in perspective: A valid, reliable individual-differences metric. Journal of Personality and Social Psychology, 77, 1271–1288. https://doi.org/10.1037/0022-3514.77.6.1271

Zimbardo, P.G., Keough, A.K., & Boyd, N.J. (1997). Present time perspective as a predictor of risky driving. Personality and Individual Differences, 23(97), 1007–1023. https://doi.org/10.1016/S0191-8869(97)00113-X

Notas de autor