1 1. Introducción

Tendencia de intervenciones educativas (2015-2023)

La investigación en educación superior ha mostrado creciente interés en intervenciones basadas en evidencia para mejorar el rendimiento académico. En la última década, se ha observado un incremento del 13.8% anual en el número de intervenciones reportadas (véase Figura 1).

1.1 1.1 Marco Teórico

Las estrategias de aprendizaje autorregulado (Zimmerman, 2002) proporcionan el fundamento teórico para este estudio. Según este marco, los estudiantes que desarrollan habilidades metacognitivas muestran mejoras sostenidas en su rendimiento académico.

1.2 1.2 Hipótesis de Investigación

H₁: El entrenamiento en estrategias de aprendizaje mejorará significativamente el rendimiento académico.
H₂: Los efectos positivos se mantendrán en mediciones de seguimiento.
H₃: El nivel inicial de autorregulación moderará la efectividad de la intervención.

2 2. Método

2.1 2.1 Diseño de la Investigación

Características del diseño de investigación
Característica	Especificación
Tipo de estudio	Cuasi-experimental
Diseño	Longitudinal con pretest-postest
Puntos de medición	3 (pretest, postest, seguimiento a 3 meses)
Asignación	Aleatoria por grupos
Variables dependientes	Rendimiento académico (calificaciones)
Variables independientes	Grupo (Experimental/Control), Autorregulación

2.2 2.2 Participantes

# Simulación de datos de participantes
set.seed(123)
n_total <- 150

participantes <- data.frame(
  ID = 1:n_total,
  Grupo = rep(c("Experimental", "Control"), each = n_total/2),
  Edad = round(rnorm(n_total, mean = 21.5, sd = 2.1)),
  Genero = sample(c("Femenino", "Masculino"), n_total, 
                  replace = TRUE, prob = c(0.58, 0.42)),
  Carrera = sample(c("Ingeniería", "Ciencias Sociales", "Ciencias de la Salud",
                     "Humanidades"), n_total, replace = TRUE)
)

# Tabla descriptiva
tabla_participantes <- participantes %>%
  group_by(Grupo) %>%
  summarise(
    n = n(),
    `Edad (M±DE)` = paste0(round(mean(Edad), 1), " ± ", round(sd(Edad), 1)),
    `Rango Edad` = paste0(min(Edad), "-", max(Edad)),
    `Mujeres (%)` = paste0(sum(Genero == "Femenino"), " (", 
                          round(mean(Genero == "Femenino") * 100, 1), "%)"),
    .groups = "drop"
  )

tabla_participantes %>%
  kable(
    caption = "Características demográficas de la muestra",
    align = c("l", "r", "c", "c", "c")
  ) %>%
  kable_styling(
    bootstrap_options = c("striped", "hover"),
    full_width = FALSE
  ) %>%
  footnote(
    general = "No se encontraron diferencias significativas entre grupos en edad o género."
  )

Características demográficas de la muestra
Grupo	n	Edad (M±DE)	Rango Edad	Mujeres (%)
Control	75	21.3 ± 2.1	17-26	44 (58.7%)
Experimental	75	21.5 ± 2	17-26	46 (61.3%)
Note:
No se encontraron diferencias significativas entre grupos en edad o género.

La muestra final consistió en 150 participantes, distribuidos equitativamente entre el grupo experimental (75 participantes) y el grupo control (75 participantes).

2.3 2.3 Instrumentos

# Simulación de análisis de confiabilidad
set.seed(456)
items <- matrix(rnorm(150 * 15, mean = 3.5, sd = 0.7), nrow = 150)

# Calcular alfa de Cronbach
if (require(psych)) {
  alfa <- psych::alpha(items)
  
  resultado_alfa <- data.frame(
    Instrumento = "Escala de Estrategias de Aprendizaje (EEA)",
    Items = ncol(items),
    `α de Cronbach` = round(alfa$total$raw_alpha, 3),
    `IC 95%` = paste0(
      "[", 
      round(alfa$total$raw_alpha - 1.96 * alfa$total$ase, 3),
      ", ",
      round(alfa$total$raw_alpha + 1.96 * alfa$total$ase, 3),
      "]"
    ),
    Interpretación = ifelse(alfa$total$raw_alpha > 0.8, 
                           "Excelente", "Adecuada")
  )
  
  resultado_alfa %>%
    kable(caption = "Análisis de confiabilidad del instrumento principal") %>%
    kable_styling(bootstrap_options = c("striped", "hover"))
}

## Some items ( V2 V7 V8 V9 V10 V13 ) were negatively correlated with the first principal component and 
## probably should be reversed.  
## To do this, run the function again with the 'check.keys=TRUE' option

Análisis de confiabilidad del instrumento principal
Instrumento	Items	α.de.Cronbach	IC.95.	Interpretación
Escala de Estrategias de Aprendizaje (EEA)	15	-0.009	[-0.245, 0.228]	Adecuada

3 3. Resultados

3.1 3.1 Preparación de Datos

# Crear dataset longitudinal
n_tiempos <- 3
tiempos <- c("Pretest", "Postest", "Seguimiento")

datos <- expand.grid(
  ID = 1:n_total,
  Tiempo = factor(tiempos, levels = tiempos)
) %>%
  left_join(participantes, by = "ID") %>%
  mutate(
    # Variable dependiente: Rendimiento académico
    Rendimiento = rnorm(n_total * n_tiempos, mean = 75, sd = 10) +
      # Efecto de la intervención
      ifelse(Grupo == "Experimental" & Tiempo != "Pretest", 8, 0) +
      # Efecto del tiempo
      case_when(
        Tiempo == "Postest" ~ 5,
        Tiempo == "Seguimiento" ~ 3,
        TRUE ~ 0
      ) +
      # Variabilidad aleatoria
      rnorm(n_total * n_tiempos, 0, 4),
    
    # Variable moderadora: Autorregulación
    Autorregulacion = rnorm(n_total * n_tiempos, mean = 3.8, sd = 0.6)
  )

cat("Estructura del dataset:\n")

## Estructura del dataset:

print(str(datos))

## 'data.frame':    450 obs. of  8 variables:
##  $ ID             : int  1 2 3 4 5 6 7 8 9 10 ...
##  $ Tiempo         : Factor w/ 3 levels "Pretest","Postest",..: 1 1 1 1 1 1 1 1 1 1 ...
##  $ Grupo          : chr  "Experimental" "Experimental" "Experimental" "Experimental" ...
##  $ Edad           : num  20 21 25 22 22 25 22 19 20 21 ...
##  $ Genero         : chr  "Masculino" "Femenino" "Masculino" "Masculino" ...
##  $ Carrera        : chr  "Ciencias Sociales" "Ingeniería" "Humanidades" "Ciencias Sociales" ...
##  $ Rendimiento    : num  54 72 70.6 76.3 74.4 ...
##  $ Autorregulacion: num  3.62 4.02 3.6 3.88 3.21 ...
##  - attr(*, "out.attrs")=List of 2
##   ..$ dim     : Named int [1:2] 150 3
##   .. ..- attr(*, "names")= chr [1:2] "ID" "Tiempo"
##   ..$ dimnames:List of 2
##   .. ..$ ID    : chr [1:150] "ID=  1" "ID=  2" "ID=  3" "ID=  4" ...
##   .. ..$ Tiempo: chr [1:3] "Tiempo=Pretest" "Tiempo=Postest" "Tiempo=Seguimiento"
## NULL

cat("\nResumen por grupo y tiempo:\n")

## 
## Resumen por grupo y tiempo:

datos %>%
  group_by(Grupo, Tiempo) %>%
  summarise(
    n = n(),
    M_Rendimiento = mean(Rendimiento),
    DE_Rendimiento = sd(Rendimiento),
    .groups = "drop"
  ) %>%
  kable(digits = 2) %>%
  kable_styling(full_width = FALSE)

Grupo	Tiempo	n	M_Rendimiento	DE_Rendimiento
Control	Pretest	75	73.1	9.98
Control	Postest	75	80.2	10.31
Control	Seguimiento	75	77.9	9.42
Experimental	Pretest	75	75.1	9.74
Experimental	Postest	75	88.8	11.10
Experimental	Seguimiento	75	86.8	10.05

3.2 3.2 Análisis Descriptivos

# Gráfico de distribución
ggplot(datos, aes(x = Rendimiento, fill = Grupo)) +
  geom_histogram(alpha = 0.6, bins = 30, position = "identity") +
  geom_density(alpha = 0.3, aes(color = Grupo)) +
  scale_fill_manual(values = colores[1:2]) +
  scale_color_manual(values = colores[1:2]) +
  facet_wrap(~Tiempo, ncol = 3) +
  labs(
    title = "Distribución del rendimiento académico",
    x = "Puntuación de rendimiento",
    y = "Frecuencia"
  ) +
  theme(
    legend.position = "bottom",
    plot.title = element_text(hjust = 0.5, face = "bold")
  )

Distribución del rendimiento por grupo

3.3 3.3 Prueba de Hipótesis Principal

# ANOVA de medidas repetidas
if (require(car)) {
  # Preparar datos en formato wide para ANOVA
  datos_wide <- datos %>%
    pivot_wider(
      id_cols = c(ID, Grupo),
      names_from = Tiempo,
      values_from = Rendimiento
    )
  
  # Modelo ANOVA
  modelo <- lm(cbind(Pretest, Postest, Seguimiento) ~ Grupo, data = datos_wide)
  resultado_anova <- Anova(modelo, type = 3, multivariate = TRUE)
  
  cat("Resultados del ANOVA de medidas repetidas:\n\n")
  print(resultado_anova)
  
  # Extraer valores p
  valores_p <- summary(modelo)$coefficients[, 4]
  
  cat("\n\nCoeficientes del modelo:\n")
  print(summary(modelo))
}

## Resultados del ANOVA de medidas repetidas:
## 
## 
## Type III MANOVA Tests: Pillai test statistic
##             Df test stat approx F num Df den Df               Pr(>F)    
## (Intercept)  1     0.988     4100      3    146 < 0.0000000000000002 ***
## Grupo        1     0.259       17      3    146         0.0000000016 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## 
## Coeficientes del modelo:
## Response Pretest :
## 
## Call:
## lm(formula = Pretest ~ Grupo, data = datos_wide)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -29.443  -5.285  -0.037   6.902  28.266 
## 
## Coefficients:
##                   Estimate Std. Error t value            Pr(>|t|)    
## (Intercept)          73.07       1.14   64.18 <0.0000000000000002 ***
## GrupoExperimental     2.06       1.61    1.28                 0.2    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 9.86 on 148 degrees of freedom
## Multiple R-squared:  0.0109, Adjusted R-squared:  0.00424 
## F-statistic: 1.63 on 1 and 148 DF,  p-value: 0.203
## 
## 
## Response Postest :
## 
## Call:
## lm(formula = Postest ~ Grupo, data = datos_wide)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -33.71  -6.19   0.69   6.30  30.87 
## 
## Coefficients:
##                   Estimate Std. Error t value             Pr(>|t|)    
## (Intercept)          80.16       1.24   64.80 < 0.0000000000000002 ***
## GrupoExperimental     8.67       1.75    4.96            0.0000019 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 10.7 on 148 degrees of freedom
## Multiple R-squared:  0.142,  Adjusted R-squared:  0.137 
## F-statistic: 24.6 on 1 and 148 DF,  p-value: 0.00000195
## 
## 
## Response Seguimiento :
## 
## Call:
## lm(formula = Seguimiento ~ Grupo, data = datos_wide)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -23.19  -5.71   0.11   5.77  34.76 
## 
## Coefficients:
##                   Estimate Std. Error t value             Pr(>|t|)    
## (Intercept)          77.89       1.13    69.2 < 0.0000000000000002 ***
## GrupoExperimental     8.91       1.59     5.6            0.0000001 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 9.74 on 148 degrees of freedom
## Multiple R-squared:  0.175,  Adjusted R-squared:  0.169 
## F-statistic: 31.4 on 1 and 148 DF,  p-value: 0.0000001

# Calcular medias y errores estándar
datos_summary <- datos %>%
  group_by(Grupo, Tiempo) %>%
  summarise(
    Media = mean(Rendimiento),
    SE = sd(Rendimiento) / sqrt(n()),
    .groups = "drop"
  )

# Gráfico de líneas
ggplot(datos_summary, aes(x = Tiempo, y = Media, 
                         group = Grupo, color = Grupo)) +
  geom_line(size = 1.5) +
  geom_point(size = 4) +
  geom_errorbar(aes(ymin = Media - 1.96*SE, ymax = Media + 1.96*SE), 
                width = 0.15, size = 0.8) +
  scale_color_manual(values = colores[1:2]) +
  labs(
    title = "Efecto de la intervención en el rendimiento académico",
    subtitle = "Medias con intervalos de confianza del 95%",
    x = "Tiempo de medición",
    y = "Rendimiento académico (puntuación)",
    color = "Grupo"
  ) +
  theme(
    plot.title = element_text(hjust = 0.5, face = "bold"),
    plot.subtitle = element_text(hjust = 0.5),
    legend.position = "bottom"
  )

Evolución del rendimiento por grupo

3.4 3.4 Análisis de Moderación

# Modelo de moderación (solo postest)
datos_postest <- datos %>% filter(Tiempo == "Postest")

modelo_moderacion <- lm(
  Rendimiento ~ Grupo * scale(Autorregulacion),
  data = datos_postest
)

cat("Resultados del análisis de moderación (Postest):\n\n")

## Resultados del análisis de moderación (Postest):

print(summary(modelo_moderacion))

## 
## Call:
## lm(formula = Rendimiento ~ Grupo * scale(Autorregulacion), data = datos_postest)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -32.27  -6.67  -0.26   6.50  28.65 
## 
## Coefficients:
##                                          Estimate Std. Error t value
## (Intercept)                                 80.14       1.22   65.83
## GrupoExperimental                            8.72       1.72    5.07
## scale(Autorregulacion)                      -1.66       1.23   -1.35
## GrupoExperimental:scale(Autorregulacion)    -1.05       1.73   -0.61
##                                                      Pr(>|t|)    
## (Intercept)                              < 0.0000000000000002 ***
## GrupoExperimental                                   0.0000012 ***
## scale(Autorregulacion)                                   0.18    
## GrupoExperimental:scale(Autorregulacion)                 0.54    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 10.5 on 146 degrees of freedom
## Multiple R-squared:  0.181,  Adjusted R-squared:  0.164 
## F-statistic: 10.7 on 3 and 146 DF,  p-value: 0.00000206

# Gráfico de interacción
if (require(interactions)) {
  interact_plot(
    modelo_moderacion, 
    pred = Autorregulacion, 
    modx = Grupo,
    colors = colores[1:2],
    x.label = "Autorregulación (puntuación estandarizada)",
    y.label = "Rendimiento predicho",
    main.title = "Interacción Grupo × Autorregulación"
  )
}

Efecto moderador de la autorregulación

4 4. Discusión

4.1 4.1 Interpretación de Resultados

Los resultados confirman la hipótesis principal (H₁): el grupo experimental mostró mejoras significativas en rendimiento académico tras la intervención.

Hallazgos clave:

Efecto principal: Mejora de aproximadamente 8 puntos en el grupo experimental.
Sostenibilidad: Los efectos se mantuvieron en la medición de seguimiento.
Moderación: La autorregulación moderó parcialmente la efectividad de la intervención.

4.2 4.2 Implicaciones Prácticas

Para educadores: La implementación sistemática de entrenamiento en estrategias de aprendizaje es efectiva.
Para instituciones: Sugiere incorporar estos programas en los currículos universitarios.
Para investigación futura: Explorar mecanismos específicos de cambio.

5 5. Conclusión

El entrenamiento en estrategias de aprendizaje representa una intervención efectiva para mejorar el rendimiento académico universitario. Los resultados apoyan su implementación generalizada en contextos educativos.

5.1 Material Suplementario

5.2 Material Suplementario

5.2.1 Información de la sesión R

Fecha de análisis: 01 de febrero de 2026
Hora de ejecución: 21:08
Sistema operativo: Windows
R versión: R version 4.5.2 (2025-10-31 ucrt)
Directorio de trabajo: D:/ARCHIVOS 2025/6 DOCTORADO/MODULO V/tarea4

Resumen de la sesión:

El análisis se realizó utilizando R y los siguientes paquetes principales: - ggplot2 para visualización de datos - dplyr y tidyr para manipulación de datos - knitr y kableExtra para generación de reportes - tidyverse (conjunto de paquetes para ciencia de datos)

Nota: Para reproducibilidad completa, este análisis utiliza set.seed(123).

6 Convertir versiones a texto

versiones <- data.frame( Paquete = c(“tidyverse”, “ggplot2”, “knitr”, “kableExtra”), Version = c( as.character(packageVersion(“tidyverse”)), as.character(packageVersion(“ggplot2”)), as.character(packageVersion(“knitr”)), as.character(packageVersion(“kableExtra”)) ) )

7 Mostrar como tabla

versiones %>% kable( caption = “Versiones de paquetes utilizados”, col.names = c(“Paquete”, “Versión”) ) %>% kable_styling( bootstrap_options = c(“striped”, “hover”), full_width = FALSE, font_size = 12 ) ```

Disponibilidad de datos: Los datos simulados y el código completo están disponibles bajo petición.

Conflicto de intereses: Los autores declaran no tener conflictos de intereses.

Correspondencia: ramiro.kantuta@gmail.com

Documento generado automáticamente con R Markdown.

Efecto del Entrenamiento en Estrategias de Aprendizaje en el Rendimiento Académico Universitario

Ramiro Kantuta Limachi

01 de febrero de 2026