Digital Inequality, ICT Pedagogical Hindrances, and Student Computer and Information Literacy: A Plausible-Value-Based Multilevel Analysis with Design-Based Sensitivity Checks Using ICILS 2023

Resumen Técnico: Desigualdad Digital, Obstáculos Pedagógicos de las TIC y Alfabetización Informacional y Computacional de los Estudiantes

Planteamiento del Problema y Contexto de la Investigación
El estudio aborda el debate evolutivo en la transformación digital escolar, el cual ha pasado de centrarse en el acceso a la infraestructura a cuestionar la implementación, la pedagogía y la competencia digital del estudiante. Específicamente, la investigación investiga cómo las condiciones digitales a nivel de escuela —es decir, las expectativas de los directores con respecto a la IA generativa y las TIC y las barreras al uso pedagógico de las TIC— se relacionan con la Alfabetización Informacional y Computacional (AIC) evaluada en los estudiantes.

Se identifica una brecha crítica respecto a la falta de claridad sobre si las variables digitales a nivel de escuela (como las expectativas sobre la IA) están directamente asociadas con la AIC de los estudiantes tras controlar el trasfondo del estudiante, la composición socioeconómica de la escuela y las diferencias transnacionales. Investigaciones previas sugieren que los líderes escolares influyen en los resultados de manera indirecta, moldeando las condiciones escolares en lugar de actuar directamente sobre el aprendizaje del estudiante. Sin embargo, sigue siendo incierto si estas condiciones digitales predicen la AIC cuando se controlan rigurosamente factores de confusión como la estratificación socioeconómica y las diferencias de los sistemas nacionales.

Metodología
El estudio utiliza un análisis secundario de la base de datos internacional ICILS 2023, centrándose en una muestra agrupada de 12 sistemas educativos (Chile, Taipéi chino, Chipre, Dinamarca, Grecia, Corea, Noruega, Rumania, Eslovaquia, Eslovenia, Suecia y Uruguay) que administraron el módulo opcional de IA para directores. La muestra analítica consta de 24.273 estudiantes de 8.º grado anidados dentro de 1.049 escuelas.

El flujo de trabajo analítico se organiza en tres etapas vinculadas utilizando herramientas de software específicas:

1. Preparación de Datos (R): Se fusionaron los archivos y el estatus socioeconómico (SES) de los estudiantes se descompuso en desviaciones dentro de la escuela (IISBW) y componentes de composición de la media de la escuela (IISBM). Se crearon identificadores únicos de escuela y pesos normalizados por país (SENWGT).
2. Modelado Primario (Mplus 9): Se realizó un análisis multinivel de dos niveles ponderado utilizando valores plausibles (PV1–PV5) para la AIC con el fin de asegurar estadísticas inferenciales precisas. La secuencia del modelo incluyó:
   • Un modelo no condicional para estimar el Coeficiente de Correlación Intraclase (ICC).
     la de los estudiantes (sexo, SES dentro de la escuela, acceso a internet en el hogar, experiencia en computación) y el SES de la escuela.
   • Modelos que incorporan 11 efectos fijos de país (con Dinamarca como referencia) para aislar las asociaciones dentro de cada país y reducir la confusión por las diferencias de los sistemas nacionales.
   • Un modelo completo que prueba los predictores a nivel de escuela: Expectativas positivas sobre la IA (AIPOS), Expectativas negativas sobre la IA (AINEG), Obstáculos pedagógicos de las TIC (HPED), Expectativas de uso de TIC de los directores (EXPLRN) y Expectativas de colaboración en TIC de los docentes (EXPTCH).
3. Pruebas de Sensibilidad (IDB Analyzer/SPSS): Se realizaron análisis de sensibilidad basados en el diseño mediante la técnica de Replicación de Jackknife Repetida (JRR) utilizando 75 pesos de réplica de estudiantes. Estos sirvieron como regresiones de un solo nivel comparables para evaluar la robustez de la dirección y la incertidumbre estadística, en lugar de reemplazar las estimaciones multinivel primarias.

Hallazgos Clave

• Distribución de la Varianza: Aproximadamente el 33,8% de la varianza en la AIC se localizó entre las escuelas, lo que justifica el enfoque multinivel.
• Composición de Estudiantes y Escuelas: La ventaja socioeconómica dentro de la escuela, la composición socioeconómica de la escuela (IISBM), la experiencia en computación, el acceso a internet en el hogar y el sexo fueron predictores significativos de la AIC. La composición socioeconómica de la escuela fue el correlato más fuerte entre escuelas.
• Expectativas de IA y TIC: Tras controlar el trasfondo del estudiante, el SES de la escuela y los efectos fijos de país, las escalas de expectativas de IA (AIPOS, AINEG) y las variables de expectativas de TIC (EXPLRN, EXPTCH) no mostraron una asociación directa con la AIC de los estudiantes.
• Obstáculos Pedagógicos de las TIC (HPED): Esta variable exhibió el patrón negativo más claro a nivel de escuela. En el modelo primario de Mplus, la asociación fue negativa pero marginal ($p = .081$). En los análisis de sensibilidad JRR basados en el diseño, la dirección negativa persistió, con resultados que variaron de limítrofes a débiles en significancia dependiendo de la especificación del modelo.
• Robustez: Los diagnósticos de multicolinealidad indicaron que los hallazgos nulos para las expectativas de IA/TIC no se debieron a una colinealidad severa. Las pruebas de sensibilidad utilizando un compuesto de expectativas de TIC (ICTEXP) confirmaron que los climas de expectativas más amplios no estaban claramente asociados con la AIC.

Significancia y Reivindicaciones
El artículo sostiene que las diferencias en la AIC de los estudiantes en el conjunto de datos ICILS 2023 están más fuertemente vinculadas a la estratificación socioeconómica y a los obstáculos relacionados con la implementación que a los climas de expectativas de IA a nivel de escuela.

Los autores interpretan los hallazgos con cautela:

1. Implementación sobre Retórica: Los resultados sugieren que las barreras prácticas para integrar la tecnología en la instrucción (HPED) pueden ser más trascendentales para la AIC de los estudiantes que las expectativas o las orientaciones abstractas de los directores hacia la IA.
2. Contextual vs. Directo: Las expectativas de la IA a nivel de escuela deben verse como características contextuales del entorno escolar en lugar de mecanismos de instrucción directa. Su falta de asociación directa con la AIC no implica irrelevancia, sino que sugiere que pueden operar a través de mecanismos mediadores no medidos (por ejemplo, el aprendizaje profesional docente o las prácticas de instrucción).
3. Interpretación de HPED: La asociación negativa con HPED se caracteriza como un "patrón sugestivo de barreras de implementación" en lugar de un efecto directo confirmado a nivel de escuela. Los autores enfatizan que, si bien el patrón es consistente, el tamaño del efecto es modesto y la evidencia no respalda afirmaciones causales sólidas.

Conclusión
El estudio concluye que, si bien la transformación digital escolar es crítica, las variables específicas a nivel de escuela de las expectativas de IA y TIC no predicen directamente la AIC de los estudiantes una vez que se contabilizan los factores socioeconómicos y nacionales. En cambio, la eliminación de los obstáculos pedagógicos parece ser un factor más tangible, aunque modesto, asociado con la competencia digital de los estudiantes. Los hallazgos refuerzan la importancia de abordar la desigualdad socioeconómica y las barreras prácticas de implementación por encima del enfoque exclusivo en las expectativas de liderazgo respecto a las tecnologías emergentes.