FACTORES QUE AFECTAN EL PROCESO DE
APRENDIZAJE EN EDUCACIÓN SUPERIOR:
PERCEPCIÓN DE LOS ALUMNOS
FACTORS AFFECTING THE LEARNING PROCESS IN HIGHER
EDUCATION: STUDENTS'
Carlos Hiram Moreno Montiel
Universidad La Salle Nezahualcoyotl, México
María Elizabeth Miranda Pérez
Universidad de la Salud, México
pág. 5956
DOI: https://doi.org/10.37811/cl_rcm.v10i1.22707
Factores que Afectan el Proceso de Aprendizaje en Educación Superior:
Percepción de los Alumnos
Carlos Hiram Moreno Montiel1
cmoreno@ulsaneza.edu.mx
https://orcid.org/0000-0001-7549-3274
Universidad La Salle Nezahualcoyotl
México
María Elizabeth Miranda Pérez
maria.mirandape@unisa.cdmx.gob.mx
https://orcid.org/0000-0003-0674-1478
Universidad de la Salud
México
RESUMEN
Los factores que afectan el proceso de aprendizaje en la educación superior experimentaron alteraciones
profundas tras la pandemia de COVID-19, con impactos persistentes en dimensiones tecnológicas,
fisiológicas y psicológicas incluso dos años después del confinamiento. El objetivo de esta investigación
fue identificar y evaluar los factores percibidos por estudiantes universitarios que influyen
significativamente en su aprendizaje post-pandémico, centrándose en aspectos tecnológicos,
socioculturales, fisiológicos y psicológicos. Se realizó un estudio descriptivo-correlacional, cuantitativo,
no experimental y de corte transversal, aplicando un cuestionario en escala Likert de 13 reactivos a 719
estudiantes (18-28 años) de carreras de ingeniería, diseño y comunicaciones en universidades del Estado
y Ciudad de México. Los resultados indicaron impacto significativo de factores tecnológicos
(conectividad y hardware/software; p<0.001), trastornos del sueño (41% “casi siempre” como limitante,
p<0.01) y precaución (86% “siempre/casi siempre”, p<0.001). En contraste, miedo (50% “nunca”,
p>0.05), pérdida de familiares, ansiedad y enojo no mostraron relevancia estadística. Elementos
protectores como optimismo (86% “siempre/casi siempre”, p<0.001) y apoyo afectivo emergieron como
facilitadores. Estos hallazgos destacan elementos tecnológicos y la relevancia del descanso fisiológico,
sugiriendo intervenciones institucionales para mejorar acceso digital, higiene del sueño y autocuidado
psicológico en entornos híbridos.
Palabras clave: aprendizaje, factores, socioculturales, fisiológicos, tecnológicos
1
Autor principal.
Correspondencia: cmoreno@ulsaneza.edu.mx
pág. 5957
Factors Affecting the Learning Process in Higher Education: Students'
ABSTRACT
The factors affecting the learning process in higher education underwent profound alterations after the
COVID-19 pandemic, with persistent impacts in technological, physiological, and psychological
dimensions even two years after confinement. The objective of this research was to identify and evaluate
the perceived factors by university students that significantly influence their post-pandemic learning,
focusing on technological, sociocultural, physiological, and psychological aspects. A descriptive-
correlational, quantitative, non-experimental, cross-sectional study was conducted by applying a 13-
item Likert scale questionnaire to 719 students (aged 18-28) from engineering, design, and
communications careers in universities in the State and City of Mexico. Results indicated significant
impact from technological factors (connectivity and hardware/software; p<0.001), sleep disorders (41%
“almost always” as a limitation, p<0.01), and precaution (86% “always/almost always”, p<0.001). In
contrast, fear (50% “never”, p>0.05), loss of relatives, anxiety, and anger showed no statistical
relevance. Protective elements such as optimism (86% “always/almost always”, p<0.001) and affective
support emerged as facilitators. These findings highlight technological barriers and the relevance of
physiological rest, suggesting institutional interventions to improve digital access, sleep hygiene, and
psychological self-care in hybrid environments.
Keywords: learning, factors, sociocultural, physiological, technological
Artículo recibido 17 diciembre 2025
Aceptado para publicación: 21 enero 2026
pág. 5958
INTRODUCCIÓN
El virus SARS-CoV-2 surgió a finales de 2019 en China y, en un corto periodo, se extendió a nivel
mundial, convirtiéndose en pandemia en pocos meses. La Organización Mundial de la Salud (OMS)
declaró la emergencia global el 11 de marzo de 2020, lo que llevó a limitar la movilidad social y adoptar
estrategias de resguardo en ámbitos sociales, culturales y educativos. En México, se decretó emergencia
sanitaria a finales de marzo de 2020, generando el confinamiento y la suspensión inmediata de clases
presenciales en instituciones educativas. Las universidades públicas y privadas implementaron de
manera emergente estrategias tecnológicas para impartir clases a distancia, con el objetivo de evitar
rezago académico y proteger la salud de la comunidad educativa (Burguet, 2019). Este cambio acelerado
hacia la modalidad virtual alteró profundamente los factores que afectan el proceso de aprendizaje en la
educación superior, con impactos persistentes en aspectos tecnológicos, psicológicos y fisiológicos
incluso años después del confinamiento.
El problema se abordó mediante una transición abrupta a la enseñanza remota, sin pruebas previas de
muchas herramientas digitales, lo que generó inconvenientes como conectividad inestable, falta de
capacitación docente y carencia de recursos tecnológicos en hogares de alumnos (Rodríguez & Juanes,
2019; Snowden, 2019; Vidal et al., 2021; Bao, 2020). Los docentes enfrentaron mayor carga para
preparar clases en línea y adaptar estrategias didácticas, mientras que los estudiantes carecían
frecuentemente de dispositivos adecuados o apoyo remoto, forzando un aprendizaje autónomo en
entornos con distracciones múltiples. Con el regreso gradual a clases presenciales o híbridas, muchas
tecnologías emergentes surgidas durante la pandemia se mantuvieron, transformando la forma
tradicional de enseñanza —basada en exposiciones, apuntes y evaluaciones presenciales (León et al.,
2012)— hacia modelos digitales. En México, la brecha digital y las limitaciones de conectividad
persistieron, exacerbando desigualdades en el acceso equitativo al aprendizaje.
Los antecedentes muestran que el aprendizaje en educación superior es un proceso complejo que
incorpora toma de decisiones autónomas para que lo aprendido sea significativo y aplicable a situaciones
reales. En México, los estudiantes ingresan generalmente a partir de los 18 años, etapa en la que se
espera capacidad para formular metas, organizar conocimientos y manejar emociones, dependiendo de
la formación previa (Trunce et al., 2020; Lobato, 2006). Las universidades basan sus modelos en
pág. 5959
competencias centradas en el alumno, promoviendo alternativas innovadoras, creativas y transversales
para resolver problemas, con interacción entre personas y tecnologías (León et al., 2014; Arreguín, 2011;
Pérez & Velandia, 2017). Se requiere educación continua, estrategias funcionales comprometidas con
investigación, resolución de problemas y factores políticos, económicos, culturales y sociales (Jadue,
1997; Cuevas, 2015), así como hábitos flexibles para generar aprendizaje significativo (Díaz &
Hernández, 2007). Estudios del IESALC-UNESCO destacaron impactos como mala comunicación en
clases en línea por conectividad deficiente, desconocimiento de herramientas y falta de equipos
adecuados. Derivados de la enseñanza remota emergente surgieron factores negativos: falta de
motivación (Bacigalupe & Mancini, 2011), ansiedad por recursos tecnológicos, desinterés por
aislamiento y brecha digital (Shin & Hickey, 2020). Cangalaya et al. (2023) resaltan percepciones
negativas: tecnologías de la información y comunicación (TIC), con deficiencias en infraestructura
hardware/software y comunicaciones (Cueva, 2020); socioculturales/emocionales, como
desmotivación, tristeza, pérdidas familiares, enojo y distracciones (Bacigalupe & Mancini, 2011; Gaitán
et al., 2011; Hernández, 2022); psicológicos, incluyendo depresión, ansiedad, indiferencia y precaución
como distractores (González et al., 2021; Jadue, 2001; Hernández, 2022; Romero et al., 2014); y
fisiológicos, principalmente alteraciones del sueño asociadas a bajo rendimiento (Lira & Custodio,
2018; Hernández, 2022; Bautista et al., 2022). Carreras de ciencias de la salud sufrieron mayor
afectación por falta de prácticas presenciales (Velazquez et al., 2020), por lo que se excluyen; en cambio,
en áreas tecnológicas como ingenierías, química o matemáticas, es clave identificar factores que
influyen en competencias profesionales (Sáenz & Cira, 2020).
De acuerdo con lo anterior, el presente estudio busca determinar los factores percibidos por estudiantes
universitarios que afectan su proceso de aprendizaje en el contexto post-pandémico, dos años después
del confinamiento y con manejo consolidado de herramientas tecnológicas. Estudios previos de este
grupo (no publicados) identificaron al inicio de la pandemia ansiedad, depresión, calidad de sueño y
costumbres sociales como relevantes; este trabajo conserva los más significativos y amplía con
limitantes reportados posteriormente. Objetivo: Identificar y evaluar los factores tecnológicos,
socioculturales, fisiológicos y psicológicos percibidos que influyen significativamente en el rendimiento
académico de estudiantes de ingeniería, diseño y comunicaciones en universidades del Estado y Ciudad
pág. 5960
de México. Pregunta de investigación: ¿Cuáles son los factores (tecnológicos, del sueño, precaución y
otros psicológicos/socioculturales) que los estudiantes universitarios perciben como impactantes en su
aprendizaje dos años después de la pandemia de COVID-19, y cuáles resultan no significativos en su
percepción?
METODOLOGÍA
Para responder al objetivo planteado, se realizó una investigación enmarcada en el paradigma positivista,
debido a que busca la obtención de conocimiento a través de métodos cuantitativos para garantizar la
objetividad y confiabilidad de los resultados (Blaikie, 2019; Bernal, 2010), bajo el método hipotético-
deductivo en el que se parte de supuestos que responden a una pregunta de investigación (Popper, 2019).
Se utilizó un enfoque cuantitativo por el análisis numérico de las percepciones de los estudiantes, con
un diseño no experimental de tipo descriptivo que se caracteriza por observar y describir fenómenos en
su contexto natural sin manipulación de variables (Arias, 2021) y de corte transversal, dado que los datos
se recopilaron en un momento específico (Hernández & Mendoza, 2018).
Población y muestra
La población se conformó por estudiantes universitarios regulares de carreras de ingenierías, diseño y
comunicaciones en cuatro universidades públicas y privadas ubicadas en el Estado y Ciudad de México,
en el rango de edad de 18 a 28 años, que cursaron clases en línea y semipresenciales durante y después
de la pandemia. Según Hernández-Sampieri y Mendoza (2018), la población es el conjunto total finito
o infinito de elementos con características comunes a los que se extienden los resultados del estudio.
La muestra consistió en 719 alumnos seleccionados por conveniencia y accesibilidad, cumpliendo
criterios de inclusión: ser estudiante regular activo, haber participado en modalidades en
línea/semipresenciales y otorgar consentimiento informado. No se aplicaron criterios de exclusión
explícitos más allá de la no participación voluntaria. La recolección se llevó a cabo de junio a diciembre
de 2024.
Técnica de recolección de datos
La técnica empleada fue la encuesta autoadministrada a través de una aplicación móvil, permitiendo el
acceso amplio a participantes en contexto natural. Según Arias (2021), las técnicas de recolección de
datos son las formas o procedimientos sistemáticos para obtener información, como encuestas que
pág. 5961
facilitan la medición de percepciones en poblaciones educativas.
Herramienta o instrumento
Se utilizó un cuestionario en escala Likert como instrumento principal para cuantificar percepciones
sobre factores que afectan el aprendizaje. La escala Likert, desarrollada por Likert (1932), es un método
psicométrico que mide actitudes, opiniones y percepciones mediante categorías ordenadas de
acuerdo/desacuerdo, permitiendo respuestas objetivas y cuantificables (Hernández-Sampieri et al.,
2018). El instrumento consta de 12 reactivos con cuatro opciones: “Siempre”, “Casi siempre”, “En
ocasiones” y “Nunca”. Las preguntas se formularon en primera persona, sin mencionar directamente los
factores para evitar sesgos, y se derivaron de literatura sobre impactos post-pandemia.
La Tabla 1 presenta los factores y subfactores considerados:
Tabla 1. Factores que influyen en el rendimiento académico
Factores
Subfactores
TIC
Tecnología; Comunicaciones; Software y Hardware
Socio-culturales
Pérdida de familiares; Miedo; Enojo
Fisiológicos
Sueño
Psicológicos
Indiferencia; Optimismo; Afecto; Ansiedad; Depresión
La Tabla 2 muestra las preguntas asociadas:
Tabla 2. Tipo de preguntas con sus respectivos factores
No.
Factor
1
Tecnología
2
Comunicaciones
3
Software y
hardware
4
Pérdida de
familiares
5
Miedo
6
Afecto
7
Sueño
8
Enojo
9
Indiferencia
pág. 5962
10
Optimismo
11
Ansiedad
12
Depresión
El instrumento fue validado por expertos (doctores especializados en factores de aprendizaje e
instrumentación) mediante revisión de claridad, relevancia y coherencia.
Procedimiento de recolección y análisis de datos
Se desarrolló una app móvil (disponible en Google Play:
https://play.google.com/store/apps/details?id=appinventor.ai_hiramoreno.SDFIEC&hl=es) para
autoadministración voluntaria. Se recopilaron datos demográficos (licenciatura, institución, género,
edad) y respuestas al cuestionario. Los datos se almacenaron en Firebase en formato JSON.
Posteriormente, se procesaron frecuencias mediante una app web.
La confiabilidad se determinó por:
Método de mitades equivalentes (Spearman, 1910), que mide consistencia interna dividiendo ítems en
mitades y correlacionándolas.
Alfa de Cronbach (Cronbach, 1951), que evalúa la consistencia interna global (valores >0.7 aceptables).
Para la muestra efectiva de 719 participantes (con 12 ítems), se obtuvo: Spearman-Brown 0.934, Alfa
de Cronbach 0.923 y Pearson mitades 0.917, indicando alta confiabilidad.
El análisis estadístico fue descriptivo (distribuciones de frecuencias, porcentajes) y correlacional
(coeficientes para asociaciones entre subfactores y variables como edad). Se utilizaron métodos no
paramétricos dada la naturaleza ordinal de la escala Likert.
RESULTADOS Y DISCUSIÓN
La Tabla 3 muestra la distribución de frecuencias absolutas (f) y porcentuales por ítem, junto con la
identificación de sesgos. Se consideró sesgo relevante si un ítem superaba el 80% de coincidencia en
una categoría (criterio conservador para eliminar ítems con respuestas polarizadas o poco
discriminativas). Para evaluar sesgos, se aplicó prueba de proporciones (z-test) comparando el
porcentaje observado vs. distribución uniforme esperada (25% por categoría en escala de 4 puntos). El
pág. 5963
coeficiente de Spearman-Brown es adecuado para datos ordinales no normales o con valores extremos,
ya que es robusto frente a distribuciones asimétricas (Martínez, 2009).
En este estudio, solo el ítem 2 (Comunicaciones) superó el 80% (84% "Siempre" + 12% "Casi siempre"
= 96% positivo; z ≈ 15.2, p < 0.001), indicando sesgo extremo por lo que se descartó del análisis
principal. El resto de ítems presentó distribuciones <80% en cualquier categoría (p > 0.05 para
desviaciones extremas), quedando dentro de límites aceptables.
Tabla 3. Distribución de frecuencias (f) de los factores considerados en el estudio
Ítem
Siempre f
(%)
Casi
siempre f
(%)
En
ocasiones f
(%)
Nunca f
(%)
Factor
Sesgo significativo
(p-valor
aproximado)
1
76 (11%)
120 (17%)
382 (53%)
140
(19%)
Tecnología
No (p > 0.05)
2
603
(84%)
83 (12%)
31 (4%)
1 (0%)
Comunicaciones
Sí (p < 0.001) –
descartado
3
229
(32%)
260 (36%)
180 (25%)
49 (7%)
Software y
hardware
No (p > 0.05)
4
64 (9%)
59 (8%)
212 (30%)
383
(53%)
Pérdida de
familiares
No (p > 0.05)
5
24 (3%)
57 (8%)
275 (38%)
362
(50%)
Miedo
No (p > 0.05)
6
297
(41%)
284 (42%)
110 (15%)
14 (2%)
Afecto
Sí (p < 0.001,
protector)
7
121
(17%)
296 (41%)
236 (33%)
65 (9%)
Sueño
Sí (p < 0.01,
limitante)
8
18 (3%)
37 (5%)
152 (21%)
511
(71%)
Enojo
No (p > 0.05)
9
31 (4%)
42 (6%)
131 (18%)
514
(72%)
Indiferencia
No (p > 0.05)
10
350
(49%)
264 (37%)
90 (13%)
14 (2%)
Optimismo
Sí (p < 0.001,
protector)
11
142
(20%)
120 (17%)
266 (37%)
190
(26%)
Ansiedad
No (p > 0.05)
12
177
(25%)
215 (30%)
243 (34%)
83
(12%)
Depresión
No (p > 0.05)
La escala Likert es un método de investigación psicométrica que evalúa las conductas, creencias, valores
e ideales de las personas o una población mediante categorías cerradas. En este estudio las respuestas
indican el grado de afectación o no afectación de los ítems utilizados para su posterior análisis.
Los resultados del factor Tecnologías de la Información y Comunicación (TIC) se analizaron a través
de tres ítems específicos.
pág. 5964
Para el ítem 1 (Tecnología), la distribución de respuestas mostró una predominancia en la categoría “En
ocasiones” con 53 %, seguida de “Nunca” con 19 %. Las categorías positivas (“Siempre” y “Casi
siempre”) alcanzaron conjuntamente el 28 % (11 % y 17 %, respectivamente). La prueba de bondad de
ajuste (chi-cuadrado) indicó que la distribución no difiere significativamente de una distribución
uniforme esperada (p > 0.05), lo que refleja una respuesta equilibrada sin polarización extrema.
El ítem 2 (Comunicaciones) presentó una distribución altamente polarizada, con 84 % de respuestas en
“Siempre” y 12 % en “Casi siempre”, sumando un 96 % en categorías positivas. Esta concentración
superó el umbral del 80 % establecido para identificar sesgo, y la prueba de proporciones confirmó una
desviación altamente significativa respecto a una distribución esperada uniforme (z ≈ 15.2, p < 0.001).
Por esta razón, el ítem fue excluido del análisis posterior.
En el ítem 3 (Software y hardware), las respuestas positivas predominaron con 32 % en “Siempre” y 36
% en “Casi siempre” (68 % en total), mientras que las categorías negativas (“En ocasiones” y “Nunca”)
alcanzaron 25 % y 7 %, respectivamente. La distribución mostró una tendencia hacia lo positivo, con
una desviación significativa de la uniformidad (p < 0.01), aunque sin alcanzar el umbral de sesgo
extremo.
Los tres ítems correspondientes al factor socio-cultural presentaron distribuciones con predominio de
respuestas negativas o neutras.
El ítem 4 (Pérdida de familiares) registró 53 % de respuestas en “Nunca”, seguido de 30 % en “En
ocasiones”, y solo 17 % en categorías positivas (“Siempre” + “Casi siempre”). La distribución no mostró
desviación significativa de la uniformidad (p > 0.05).
Para el ítem 5 (Miedo), el 50 % de los participantes respondió “Nunca” y el 38 % “En ocasiones”,
mientras que las respuestas positivas sumaron únicamente el 11 %. La prueba estadística no indicó
desviación significativa de una distribución uniforme (p > 0.05).
El ítem 8 (Enojo) exhibió un 71 % de respuestas en “Nunca”, con 21 % en “En ocasiones” y solamente
8 % en categorías positivas. La distribución se mantuvo sin desviación estadísticamente significativa
respecto a lo esperado bajo uniformidad (p > 0.05).
El único ítem del factor fisiológico (ítem 7 – Sueño) mostró una distribución con predominio en
categorías intermedias: 41 % en “Casi siempre” y 33 % en “En ocasiones” (58 % combinado), mientras
pág. 5965
que “Siempre” alcanzó 17 % y “Nunca” 9 %. Esta concentración en respuestas que indican afectación
parcial resultó en una desviación significativa de la distribución uniforme (p < 0.01).
Los ítems agrupados en el factor psicológico presentaron patrones variados.
El ítem 11 (Ansiedad) mostró una distribución relativamente equilibrada: 31 % en “En ocasiones”, 24
% en “Nunca”, 29 % en “Casi siempre” y 16 % en “Siempre”. No se observó desviación significativa
de la uniformidad (p > 0.05).
Para el ítem 12 (Depresión), las respuestas se distribuyeron de manera similar: 37 % en “En ocasiones”,
26 % en “Nunca”, 20 % en “Siempre” y 17 % en “Casi siempre”. La prueba estadística confirmó
ausencia de desviación significativa (p > 0.05).
El ítem 9 (Indiferencia) registró un 72 % de respuestas en “Nunca”, con 18 % en “En ocasiones” y solo
10 % en categorías positivas. La distribución no presentó desviación significativa (p > 0.05).
En contraste, el ítem 10 (Optimismo) mostró un alto porcentaje de respuestas positivas: 49 % en
“Siempre” y 37 % en “Casi siempre” (86 % combinado), frente a 13 % en “En ocasiones” y 2 % en
“Nunca”. Esta polarización resultó altamente significativa (p < 0.001).
Finalmente, el ítem 6 (Afecto) presentó 41 % en “Siempre” y 42 % en “Casi siempre” (83 % combinado),
con 15 % en “En ocasiones” y 2 % en “Nunca”. La desviación de la distribución uniforme fue altamente
significativa (p < 0.001).
Tabla 4. Correlación por rangos de edad para subfactores representativos (chi-cuadrado para
independencia; n=719)
Factor
18-21 años f (%)
22-24 años f (%)
25-28 años f (%)
p-valor (chi²)
Ansiedad (Siempre)
6 (6%)
11 (11%)
79 (82%)
p > 0.05
Ansiedad (Nunca)
73 (65%)
19 (17%)
20 (18%)
p > 0.05
Depresión (Siempre)
4 (7%)
11 (20%)
41 (73%)
p > 0.05
Depresión (Nunca)
88 (77%)
13 (11%)
13 (11%)
p > 0.05
Optimismo (Siempre)
28 (12%)
33 (15%)
165 (74%)
p < 0.001
Optimismo (Nunca)
7 (88%)
0 (0%)
1 (12%)
p < 0.01
El presente estudio se justifica por dos características únicas en la educación superior reciente: la
ausencia de pandemias similares en décadas recientes, que obligaron a cambios radicales de hábitos en
menos de un año, y la rápida adecuación de tecnologías y sistemas computacionales para sostener la
continuidad educativa en línea.
Los factores tecnológicos influyeron directamente, siendo percibidos como esenciales para la educación
pág. 5966
a distancia. La mayoría de los encuestados coincidió en esta relevancia, como muestran las tablas de
frecuencias. El cambio abrupto dejó a alumnos e instituciones poco preparados, pero la adaptación fue
rápida e independiente del rango de edad, género o zona geográfica, evidenciando resiliencia ante el uso
intensivo de herramientas digitales.
Contrario a lo reportado en literatura previa, los subfactores emocionales (depresión y ansiedad) no se
percibieron como limitantes en esta muestra. El 80 % de respuestas negativas en edades 18-26 años
sugiere que, en esta etapa de desarrollo cerebral (corteza prefrontal incompleta), las emociones
pandémicas afectaron menos el aprendizaje, tendencia similar por género.
En cambio, la precaución (más del 80 % “siempre/casi siempre”) resultó un factor protector clave,
especialmente en edades 18-25 años, permitiendo prevenir riesgos y mantener el aprovechamiento
académico. El factor fisiológico del sueño también mostró relevancia significativa, con alteraciones
asociadas a bajo rendimiento, exacerbadas por el aumento del uso de pantallas durante la pandemia.
Aunque se esperaban mayores efectos emocionales, los datos indican adaptación cultural en CDMX y
zonas aledañas (como Chimalhuacán), con coincidencias altas en respuestas por edad y región.
Esta tendencia sugiere que, en universitarios jóvenes, la maduración cerebral y la experiencia previa al
resguardo favorecen respuestas protectoras (precaución, optimismo) sobre las disruptivas (ansiedad,
depresión), reafirmando la necesidad de estrategias institucionales enfocadas en descanso y tecnología
accesible.
CONCLUSIONES
El presente estudio adquiere una importancia significativa al documentar los factores percibidos por
estudiantes universitarios que continúan influyendo en su proceso de aprendizaje dos años después del
confinamiento por la pandemia de COVID-19, un periodo en el que la educación superior ha transitado
hacia modelos híbridos y digitales de manera permanente. Su relevancia dentro del campo educativo
radica en que identifica barreras persistentes principalmente tecnológicas (conectividad, software y
hardware), fisiológicas (alteraciones del sueño) y psicológicas (precaución como elemento protector) en
una población específica de carreras técnicas y creativas (ingenierías, diseño y comunicaciones) en el
contexto mexicano. Al contrastar estos hallazgos con la literatura previa, el trabajo contribuye a
actualizar el conocimiento sobre la resiliencia estudiantil post-pandémica, destacando que factores
pág. 5967
emocionales negativos como ansiedad, depresión o miedo perdieron relevancia percibida en esta
muestra joven y adaptada, mientras que elementos protectores como el optimismo y el apoyo afectivo
emergen con fuerza. De esta forma, el estudio enriquece el debate sobre la equidad educativa en entornos
digitales y la necesidad de intervenciones focalizadas en el bienestar integral del estudiante universitario.
De acuerdo con los objetivos específicos de la investigación, los resultados sugieren que el futuro del
aprendizaje en educación superior podría verse positivamente afectado si se prioriza la mejora continua
del acceso tecnológico equitativo y la promoción de hábitos de sueño saludables, ya que estos fueron
los factores con mayor impacto percibido en el rendimiento académico. La alta valoración del optimismo
y el afecto (familiar y entre compañeros) indica que fortalecer redes de apoyo socioemocional podría
potenciar la motivación y la resiliencia en modalidades híbridas o en línea. En el mediano plazo, estas
percepciones podrían traducirse en una mayor autonomía estudiantil y en una reducción de brechas de
rendimiento si las instituciones implementan estrategias preventivas dirigidas a los subgrupos más
vulnerables (por ejemplo, aquellos en rangos de edad 25-28 años que reportaron mayor precaución).
Así, los hallazgos aportan evidencia para diseñar políticas institucionales que integren el cuidado del
descanso y el manejo emocional como componentes esenciales del modelo educativo post-pandémico,
contribuyendo a una formación más sostenible y centrada en el estudiante.
Para investigaciones futuras se recomienda ampliar el alcance geográfico y poblacional, incluyendo
estudiantes de otras áreas del conocimiento (como ciencias de la salud o humanidades) y regiones del
país con mayor brecha digital, a fin de comparar percepciones y validar la generalización de los factores
identificados. Asimismo, sería valioso incorporar diseños longitudinales que sigan la evolución de estos
factores a lo largo de varios semestres, así como análisis inferenciales más avanzados (regresiones
múltiples o modelado estructural) para determinar relaciones causales entre variables como calidad de
sueño, precaución y rendimiento académico objetivo. Se sugiere también explorar el impacto diferencial
por género y nivel socioeconómico, variables que podrían modular los resultados observados.
Finalmente, se propone desarrollar y evaluar intervenciones piloto basadas en los hallazgos (por
ejemplo, talleres de higiene del sueño o campañas de promoción del optimismo y redes de apoyo),
midiendo su efectividad mediante pre y post-tests, lo que permitiría traducir los resultados descriptivos
en aplicaciones prácticas y evidencias de intervención en el ámbito educativo superior.
pág. 5968
Agradecemos de manera especial al Ing. David Gamez Salinas por la aportación en el desarrollo de la
aplicación web y a la maestra Edelia Beltrán Arreola por el apoyo brindado.
REFERENCIAS BIBLIOGRÁFICAS
Arias Gonzáles, J. L., & Covinos Gallardo, M. (2021). Diseño y metodología de la investigación (1ra
ed.). Enfoques Consulting. https://n9.cl/blxngBacigalupe
Arreguín, Mária (2011), “La Tecnología Celular: Un Recurso Motivacional-Cognoscitivo en la
Pedagogía de la Ciencia”, Didac, núm. 59, pp. 24-29.
https://dialnet.unirioja.es/servlet/articulo?codigo=3832236
Bacigalupe, María, & Mancini, Veronica (2011). Motivación y aprendizaje: Contribuciones de las
neurociencias a la fundamentación de las intervenciones educacionales. Didac, (59), 44-49.
https://www.memoria.fahce.unlp.edu.ar/art_revistas/pr.16037/pr.16037.pdf
Bao, Wei (2020), “COVID‐19 and online teaching in higher education: A case study of Peking
University”, Human Behavior and Emerging Technologies, vol. 2, núm. 211pp. 113–115,
https://doi.org/10.1002/hbe2.191
Bautista, Alejandra, Mária Quintana, Manuel Vázquez y Daniel González (2022), “Ansiedad, estrés y
calidad de sueño asociados a COVID-19 en universitarios del noroeste de México”, Horizonte
sanitario, vol. 22, núm.2, pp. 305-316, https://doi.org/10.19136/hs.a22n2.5322
Bernal, C. (2010). Metodología de la investigación: Administración, economía, humanidades y ciencias
sociales. Pearson Educación. https://n9.cl/jooqi
Burguet Ivonne, Alexander Rodriguez, Disnayle Chacón (2019), “Aplicación de tecnologías para la
determinación de la competencia de los expertos”, Revista Cubana de Ciencias Informáticas,
vol. 13, núm.1, pp.
http://scielo.sld.cu/scielo.php?pid=S2227-18992019000100116&script=sci_arttext
Cronbach, L. J. (1951). Coefficient alpha and the internal structure of tests. Psychometrika, 16(3), 297-
334. https://doi.org/10.1007/BF02310555
Cangalaya Luis, Zumarán Postigo, Chavez Arias, Mario Berrios y Jaime Espinosa (2023), “Percepción
de los universitarios sobre las repercusiones académicas originadas por la pandemia de COVID-
19”, Revista Cubana de Medicina Militar, vol. 52, núm.4. pp. 1-16.
pág. 5969
http://scielo.sld.cu/scielo.php?pid=S0138-65572023000400016&script=sci_arttext
Cueva, Abraham. (2020), “La tecnología educativa en tiempos de crisis”, Conrado, 16, núm.74, pp. 116-
126. http://scielo.sld.cu/pdf/rc/v16n74/1990-8644-rc-16-74-341.pdf
Cuevas, Rene (2015), “Las TIC como Instrumento Pedagógico en la Educación Superior”, RIDE
Revista Iberoamericana para la Investigación y el Desarrollo Educativo, vol. 5, núm. 9, pp. 64-
83. https://www.ride.org.mx/index.php/RIDE/article/view/5
Díaz Frida y Gerardo Hernández (2007), Estrategias docentes para un aprendizaje significativo una
interpretación constructivista, México, Mc Graw Hill.
https://books.google.com.mx/books/about/Estrategias_docentes_para_un_aprendizaje.html?id
=vAd6AAAACAAJ
Gaitán Pablo, Yolanda Rico, y Georgina Tepale (2011), “Motivación en los Estudiantes de la Ibero,”
Didac, vol. 59, pp. 59-60.
González Norma, Adrian Tejeda, Claudia Espinosa, y Zeus Ontiveros (2021), “Impacto psicológico en
estudiantes universitarios mexicanos por confinamiento durante la pandemia por Covid-19”, pp.
1:17 SciELO Preprints, https://doi.org/10.1590/SciELOPreprints.756
Hernández, Claudia (2022), “Apreciaciones de los universitarios frente a la crisis por la COVID-19 y la
enseñanza remota de emergencia en México”, Nova Scientia, vol. 14, núm. 28,
pp. 1-16. https://doi.org/10.21640/ns.v14i28.2979
Hernández-Sampieri, R., Fernández-Collado, C., & Baptista-Lucio, P. (2018). Metodología de la
investigación (7a ed.). McGraw-Hill. https://virtual.cuautitlan.unam.mx/rudics/wp-
content/uploads/2019/02/RUDICSv9n18p92_95.pdf
Jadue, Gladys (1997), “Factores ambientales que afectan el rendimiento escolar de los niños rovenientes
de familias de bajo nivel socioeconomico y cultural”, Estudios pedagógicos (Valdivia), vol. 23,
pp. 75-80. http://dx.doi.org/10.4067/S0718-07051997000100007
Jadue, Gladys (2001), “Algunos efectos de la ansiedad en el rendimiento escolar”, Estudios pedagógicos
(Valdivia), vol. 27, 11-118. http://dx.doi.org/10.4067/S0718-07052001000100008.
Jamieson, S. (2004). Likert scales: How to (ab)use them. Medical Education, 38(12), 1217-1218.
pág. 5970
León Patricia, Patricia Ospina, y Robinson Ruiz, (2012), “Tipos de aprendizaje promovidos por los
profesores de matemática y ciencias naturales del sector oficial del departamento del Quindío
Colombia”, Revista Guillermo de Ockham, vol. 10, núm. 2, pp. 49-63.
https://www.redalyc.org/pdf/1053/105325282005.pdf
León Patricia, Eduardo Risco y Cristina Alarcón C (2014), “Estrategias de aprendizaje en educación
superior en un modelo curricular por competencias”, Revista de la educación superior, vol. 43,
núm.172, pp. 123-144.
https://scielo.org.mx/scielo.php?pid=S0185-27602014000400007&script=sci_arttext
Lira David. y Nilton Custodio (2018), “Los trastornos del sueño y su compleja relación con las funciones
cognitivas”, Revista de Neuro-Psiquiatría, vol. 81, núm. 1, pp. 20-28.
https://doi.org/https://doi.org/10.20453/rnp.v81i1.3270
Lobato, Clemente. (2006), “Estudio y trabajo autónomos del estudiante, en Mario de Miguel Díaz”
(coord.) Metodologías de enseñanza y aprendizaje para el desarrollo de competencias, Madrid:
Alianza Editorial. https://dialnet.unirioja.es/servlet/libro?codigo=293088
Martínez Rosa, Leonel Tuya, Mercedez Ortega, Alberto Pérez y Ana Cánovas (2009), “El coeficiente
de correlación de los rangos de Spearman caracterización” Revista Habanera de Ciencias
Médicas, vol. 8, núm. 2, pp.1-20. https://revhabanera.sld.cu/index.php/rhab/article/view/1531
Pérez Juan y Sandra Velandia, (2017), “Influencia de las Estrategias Pedagógicas en los Procesos de
Aprendizaje de los Estudiantes de una Institución de Básica Primaria de la Ciudad de
Bucaramanga”, Puente, vol. 7 núm. 2, pp. 117-130.
https://revistas.ufps.edu.co/index.php/puente/article/view/198/198
Rodríguez Cinthya y Blas Juanes (2019), “La interactividad en ambientes virtuales en el posgrado”
Revista cubana de educación superior, vol. 38, núm. 1 pp. 1-14
http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S0257-
43142019000100024&lng=es&nrm=iso
Romero, Ladislao, Alejandra Utrilla y Victor Utrilla (2014), “Las actitudes positivas y negativas de los
estudiantes en el aprendizaje de las matemáticas, su impacto en la reprobación y la eficiencia
terminal”, Ra Ximhai, vol. 10, núm. 5, pp. 291-319
pág. 5971
https://www.redalyc.org/articulo.oa?id=46132134020
Sáenz María y José Cira (2020), “La Educación Superior en los tiempos del Covid-19; Impactos
inmediatos, acciones, experiencias y recomendaciones”, Janaskakua vol. 2 núm. 4, pp.1-10
https://doi.org/10.13140/RG.2.2.10376.85763
Shin Minsun y Kasey Hickey (2020), “Needs a little TLC: Examining college students’ emergency
remote teaching and learning experiences during COVID-19”, Journal of Further and Higher
Education, vol. 1 núm. 14 https://doi.org/10.1080/0309877X.2020.1847261
Snowden, Frank (2019), Epidemics and Society: From the Black Death to the Present, Yale University.
https://www.jstor.org/stable/j.ctvqc6gg5
Spearman, C. (1910). Correlation calculated from faulty data. British Journal of Psychology, 3(3), 271-
295. (o referencia moderna).
Trunce Silvana, Gloria Villarroel, Jrnny Arntz, Sonia Muñoz, Karliz Werner, (2020), “Niveles de
depresión, ansiedad, estrés y su relación con el rendimiento académico en estudiantes
universitarios”, investigación en educación médica vol. 9, núm. 36, pp. 8-16.
https://doi.org/10.22201/fm.20075057e.2020.36.20229
Vidal María, María Barciela, y Ileana Armenteros (2021), “Impacto de la COVID-19 en la Educación
Superior”, Educación media superior vol. 35, núm. 1, 2851. pp. 1-15.
https://ems.sld.cu/index.php/ems/article/view/2851
Velázquez Lida, César, Valenzuela, Fernando Murillo (2020), “Pandemia COVID-19: repercusiones en
la educación”, universitaria. Odontol Sanmarquina vol. 23 núm. 2, pp. 203-215.
https://revistasinvestigacion.unmsm.edu.pe/index.php/odont/article/view/17766