Espanhol (pdf)
Artigo em XML
Referências do artigo
Tradução automática
Enviar este artigo por email
Citado por SciELO 
Similares em
SciELO 
Permalink
Introduccıón
Los avances tecnológicos son esenciales para las soluciones a problemáticas generales relacionadas a cuestiones económicas, ambientales y sociales. De ahí, que uno de los Objetivos de Desarrollo Sostenibles (ODS) incluya como una de sus metas principales aumentar el acceso a las tecnologías de la información y comunicación (TICs) y proporcionar acceso universal y asequible al internet en los países menos desarrollados (CEPAL, 2022). Cerca del 70% de la población en América Latina y el Caribe es usuaria de Internet, y el crecimiento promedio anual de Internet fue del 8% entre 2010 y 2019, sin embargo, las brechas de acceso a Internet por zona geográfica entre el área urbana y rural es significativa en la mayoría de los países. En promedio, esta diferencia alcanza los 25 puntos porcentuales, y en algunos países llega a los 40 puntos porcentuales (CEPAL, 2021).
Posterior a la Cumbre 2003 de la Sociedad de la Información en Ginebra, donde se propuso a la solidaridad digital como estrategia para reducir la brecha digital entre países, la Comisión Económica para América Latina y el Caribe (CEPAL) formuló en 2005 en Río de Janeiro, el primer Plan de Acción sobre la Sociedad de la Información de América Latina y el Caribe, buscando un enfoque común sobre el papel de las tecnologías digitales para el desarrollo de América Latina. De entonces a la fecha, realizan conferencias ministeriales anualmente para actualizar los acuerdos y analizar las propuestas de política púbica digital regional. La Agenda Digital para América Latina y el Caribe (eLAC2024) es una propuesta con cuatro ejes: impulso a la digitalización universal e inclusiva; transformación digital productiva y sostenible; transformación social para el bienestar social; y generación de nuevas alianzas (CEPAL 2021, 2022).
De la agenda eLAC2024, esta investigación se basa en el eje de transformación social para el bienestar social, meta inclusión digital para la igualdad de oportunidades, objetivo 21 de promover la accesibilidad en el entorno digital para facilitar la inclusión económica y social de las personas con discapacidad, en situaciones de vulnerabilidad y con necesidades específicas. Esta misma base, justifica realizar la investigación en un caso de estudio: en el Centro de Inteligencia Artificial - IA.Center Estado de Chihuahua donde ofertan cursos especializados en temas de Phyton, Ciencia de datos, Deep learning, Machine learning, Blockchain, DevOps, IoT, Industria 4.0, entre otros, que se presentan como una opción adicional a la educación formal de las escuelas y universidades e incluso, no es requerido estar cursando ningún nivel educativo para tener acceso a los cursos. La base principal de estos cursos, es un sentido profundo de solidaridad, pues se ofertan gratuitamente a la comunidad en general. Adicionalmente, la ayuda mutua para el aprendizaje digital entre participantes e instructores, que se logra con las sesiones de respuestas a sus dudas, fomenta la solidaridad digital en el ambiente virtual de aprendizaje de la plataforma skills.ia.center y la tecnología solidaria de accesibilidad, conectividad, colaboración y universalidad para todos, busca favorecer una mayor transformación digital en la región, por lo que, objetivo de la presente investigación, es explicar la relación entre las tecnologías solidarias (TS) y la solidaridad digital (SD) para favorecer la transformación digital basada en inteligencia artificial (TDIA), basados en la teoría de la justicia, solidaridad e innovación. Se incluye en los siguientes apartados la base y relaciones teóricas de TS, SD y TDIA, la contextualización del caso de estudio, metodología, resultados, discusión y conclusión.
Tecnología solidaria (TS) y Transformación digital (TD)
La transformación digital de acuerdo a Delgado (2020) incluye una serie de enfoques en su definición, dependiendo del autor que lo analice: está basada en principios como la colaboración, cambio cultural e hiperactividad; habilitadores como modelos de negocios, tecnología y habilidades de usuarios; mecanismos de implementación como estrategias digitales, arquitecturas empresariales, plataformas, estándares, entre otras; áreas de impacto de acuerdo al sector en que se enfoque; y mecanismos de evaluación como modelos de madurez y sistema de indicadores.
La transformación digital tiene como base de innovación disruptiva, la tecnología digital y sus herramientas como internet de las cosas, big data, plataformas en la nube, blockchain, entre otros, y siendo ampliamente aceptado que especialmente la inteligencia artificial, está modificando rápidamente los negocios y la sociedad (Holmström, 2022; Villanueva, 2024).
Esta transformación digital aplica a varios niveles: desde lo individual, organizacional, hasta lo social, de ahí que la importancia de su preparación o implementación, favorezca o dificulte su puesta en marcha. Para Holmström (2022) las cuatro dimensiones para la preparación de la transformación digital en inteligencia artificial en las empresas, incluyen la tecnología, actividades, límites y metas.
Satyakumar & Lad (2022) menciona sobre la preparación a nivel individual para la adopción de la inteligencia artificial, que incluye cuatro factores: nivel de adopción y preparación individual que incluye conocimiento de la terminología y aspectos fundamentales, metas individuales; pre-requisitos para la iniciación con conocimientos y conductas de IA; decisiones de adopción, que incluyen consideraciones e intención; finalmente, la implementación, seleccionando herramienta IA, su uso y evaluación.
En relación a la transformación digital, Delgado (2020) menciona que muchas tecnologías habilitadoras de esta transformación digital, tienden a converger como el internet de las cosas e inteligencia artificial, entre otras, facilitando para las personas, la realización de sus actividades. Valdiviezo et al., (2022) también menciona, que un mayor uso de las tecnologías digitales favorece la transformación digital. En ese sentido y con enfoque en esta investigación, por tecnología también puede considerarse a la tecnología solidaria por lo que la H1: Tecnología Solidaria impacta positiva y estadísticamente significativa a Transformación Digital de Inteligencia Artificial.
Basados en los estudios de Mourato (2011), Mourato & Chagas (2011), Souza & Thiollent (2011) y Mourato (2020) definimos las tecnologías solidarias como aquellas que favorecen la colaboración e interactividad en Ambientes Virtuales de Aprendizaje (AVA) conectados en una comunidad de práctica que utilizan softwares, plataformas, aplicaciones y herramientas sincrónicas y asíncronas como videoconferencias, chats, foros, entre otras, basados en accesibilidad, usabilidad, conectividad, colaboración y universalidad del acceso, esto es, tecnologías que representan posibles soluciones para la transformación social digital.
Tecnología solidaria (TS) y Solidaridad digital (SD)
Sobre el tema de las brechas digitales Camacho (2005) critica la propuesta de la Cumbre 2003 de la Sociedad de la Información en Ginebra en la que “se habla de la solidaridad digital como estrategia de reducción, sin embargo, la reflexión debería estar centrada en cómo las tecnologías pueden apoyar la construcción de sociedades solidarias y qué condiciones requieren los grupos sociales para utilizar las TIC para llegar a esta aspiración” (p. 68) en ese sentido, su crítica es muy pertinente, pues considerar por si misma a la solidaridad digital como una estrategia de reducción sin tener en cuanta el contexto de la tecnología a utilizar y como facilitarla a la población, descontextualiza ese buen deseo de reducción. Por lo que hace latente la importancia de la relación entre la solidaridad digital y la tecnología, que, en este estudio, se enfoca en la tecnología solidaria, por lo que la H2: La Tecnología Solidaria impacta positiva y estadísticamente significativa a Solidaridad Digital.
La solidaridad digital con énfasis en entornos educativos con acceso a las tecnologías de la información y comunicación, se enfoca en la equidad, diversidad y excelencia académica a través de programas de instrucción innovadores que fomentan la adquisición de prácticas digitales englobadas en cultura digital (Kolesinski et al., 2014). También se refiere a la cooperación y asistencia recíproca que nos brindamos unos a otros, esto es, entre profesores y estudiantes y entre estudiantes (Alexandre et al., 2022), en un contexto de aprendizaje digital.
Solidaridad digital (SD) y Transformación digital (TD)
Ramírez-Montoya et al. (2022) enumerando las recomendaciones de la UNESCO en 2019 sobre el tema de educación 4.0, específicamente de la educación abierta en relación a la transformación digital, mencionan como una de estas recomendaciones la “Solidaridad y compromiso de los diversos sectores que apoyan la transformación digital en la educación” (p. 15) en relación a la colaboración solidaria entre instituciones y países para favorecer la transformación digital. Vinculándola a nuestra investigación, la H3: La Solidaridad Digital impacta positiva y estadísticamente significativa a Transformación Digital de Inteligencia Artificial. En la figura 1 se presentan visualmente las hipótesis entre las variables
Las teorías en las que se basa el presente estudio son la teoría de la justicia, teoría de la solidaridad y teoría de la innovación.
Contexto de estudio: caso del Centro de Inteligencia Artificial
El Centro de Inteligencia Artificial - IA.Center Estado de Chihuahua es una organización de la sociedad civil sin fines de lucro, ubicada en Ciudad Juárez, Chihuahua, México, que inició operaciones en marzo de 2021. Su misión es “desplegar programas y proyectos para el desarrollo del talento, la innovación y el emprendimiento de base tecnológica, que promuevan la mejora de la competitividad digital regional, la movilidad social y la vinculación con la industria, la academia, el gobierno y la comunidad en general” (Jiménez Terrazas et al., 2023, p. 934).
De acuerdo a IA.Center (2023) el modelo de operaciones es un modelo innovador con tres pilares estratégicos: aprendizaje continuo, innovación y desarrollo tecnológico y emprendimiento de base tecnológica. Este estudio se centra en el eje estratégico de aprendizaje continuo, donde se despliegan programas de desarrollo de talento con la submarca IA.Skills, porque “uno de los grandes retos para el desarrollo de servicios y productos con I.A. es el déficit en recursos humanos con las habilidades necesarias y la gran demanda de personal con estas capacidades” (Castillo, 2021, p. 11). En ese sentido, para resolver el problema de la falta de talento, en IA.Center se considera que “no solo es necesario formar a los profesionales actuales en temas propios de IA, sino que se tiene que permear todos los ciclos de formación de los estudiantes para que se tenga una base sólida de talento” (Rincón y Reséndez, 2021, p. 17).
Los programas de desarrollo de talento (PDT) en el Centro de Inteligencia Artificial, cumplen “no solo con la función social de democratizar el conocimiento en tecnologías disruptivas actuales y futuras, sino que además apunta a generar el capital humano con las habilidades necesarias para la consecución efectiva de los otros dos ejes estratégicos del centro de inteligencia artificial: la innovación y el emprendimiento” (IA.Center, 2023, p. 9). Como se muestra en la figura 2, los PDT en el IA.Center se enfocan a tres niveles.
Aunque el registro formal del IA.Center fue en marzo de 2021, inició operaciones en el primer cuarto de 2020, en plena pandemia. De 2020 a 2023 se han desarrollado un total de 428 cursos diferentes en los tres niveles de formación: básico (nivel 1), intermedio (nivel 2) y avanzado (nivel 3): 17 orientados a cursos de preparación para una certificación valida en la industria, 22 cursos de nivel especialidad o diplomado y 389 cursos orientados a la formación de competencias digitales (IA.Center, 2023).
En cuanto a los participantes en los diferentes cursos, el IA.Center los tipifica en tres categorías según la interacción con alguno de nuestros cursos: registrados, concurrentes y certificados. Los estudiantes registrados son los que completaron el formulario de inscripción exitosamente, obtuvieron una cuenta con dominio @train.ia.center y se inscribió efectivamente a un curso. Los estudiantes concurrentes son aquellos que además de haber superado el proceso de registro, muestran actividad en el curso que se inscribieron. El estudiante certificado es aquel que logra terminar el curso de manera satisfactoria con una nota mínima aprobatoria de 8/10. De 2020 a 2023, se contaba con 11,582 estudiantes registros, 6,824 estudiantes concurrentes y 3,705 estudiantes certificados (IA.Center, 2024).
Metodología
La metodología de esta investigación es un caso de estudio con enfoque cuantitativo, no experimental, transversal y explicativo, porque permite probar las hipótesis planteadas, realizando análisis de los datos con modelado de ecuaciones estructurales de mínimos cuadrados parciales (PLS-SEM).
Los estudios de caso de acuerdo a Hernández Sampieri y Mendoza (2023) analizan a profundidad y en su totalidad, a un objeto o sujeto de estudio que puede ser un individuo, familia, organización, país, entre otros. Para esta investigación, el caso de estudio es la organización de la sociedad civil llamada Centro de Inteligencia Artificial - IA.Center Estado de Chihuahua por considerarse una organización sui géneris, porque en su trabajo cotidiano en pro del desarrollo de la transformación digital, oferta cursos de inteligencia artificial con impacto económico y social. Los cursos con impacto económico se enfocan en apoyar la formación y capacitación especializada del personal en las empresas, con costo para éstas, y los cursos con impacto social, se ofertan al público general sin distinción de género, clase o escolaridad, con acceso gratuito denominados Programas de Desarrollo de Talento (PDT) con una edición en verano y otra en invierno. Por lo que, la muestra de este caso de estudio, son los participantes de los PDT gratuitos del 2021 al 2023.
Se realiza análisis de los datos con modelado de ecuaciones estructurales de mínimos cuadrados parciales (PLS-SEM) porque “se utiliza principalmente para desarrollar teorías en investigación exploratoria” (Hair et al., 2019, p. 28), situación que aplica a este estudio. Una de las cuestiones críticas al aplicar PLS-SEM son los datos, ya que sus características en cuanto al tamaño muestral, es que no hay problema con muestras reducidas, no hay suposiciones en la distribución de datos, es robusto con valores perdidos abajo del promedio y funciona bien con datos métricos, escalados y binarios (Hair et al., 2019).
La determinación de la muestra mínima para el PLS-SEM siguió los factores a considerar según Nitzl (2016) con un tamaño de efecto medio (0.15), con potencia estadística de 0,8, nivel de significancia de 0,01 y tres predictores, requiere un tamaño mínimo de muestra de 109, que para el presente estudio, se supera ese requisito mínimo al recolectar un total de 180 cuestionarios, aplicados mediante encuesta online utilizando Google forms, enviados en los meses de enero y febrero 2024 a través a los correos electrónicos personales que indicaron en su registro los participantes en los PDT 2021-2023. La primera página de la encuesta incluyó el consentimiento informado siguiendo los principios éticos de investigación.
El instrumento de medición utilizado para la recolección de información fue diseñado por los autores, con un total de 15 items. La definición operacional de la variable tecnología solidaria es: En entornos educativos con acceso a TIC, con equidad, diversidad y excelencia académica a través de programas de instrucción innovadores que fomentan la adquisición de prácticas digitales englobadas en cultura digital y permite la cooperación y asistencia recíproca entre profesores y estudiantes (elaborada por los autores). Sus cinco ítems e indicadores se incluyen en la tabla 1.
Tabla 1 Items e indicadores de la variable tecnología solidaria
| Items | Indicador |
|---|---|
| La plataforma skills.ia.center en que ofertan los cursos, permite interactividad en sesiones sincrónicas y asincrónicas | Colaboración e interactividad |
| La accesibilidad de la plataforma skills.ia.center permite a los participantes la navegación y aprendizajes fácilmente | Accesibilidad |
| La plataforma skills.ia.center es intuitiva, agradable y fácil de usar | Usabilidad |
| La plataforma skills.ia.center permite conectarte desde cualquier dispositivo | Conectividad |
| Cualquier usuario puede registrarse en la plataforma skills.ia.center para tomar cursos gratuitos | Universalidad de acceso |
Nota. Se consideraron las aportaciones teóricas de Mourato (2011), Souza & Thiollent (2011) y Mourato (2020)
La definición operacional de solidaridad digital: Favorecen la colaboración e interactividad en Ambientes Virtuales de Aprendizaje (AVA) que utilizan softwares, plataformas, aplicaciones y herramientas sincrónicas y asíncronas como videoconferencias, chats, foros, entre otras, basados en accesibilidad, usabilidad, conectividad, colaboración y universalidad del acceso (elaborada por los autores). Sus cinco ítems e indicadores se incluyen en la tabla 2.
Tabla 2 Items e indicadores de la variable solidaridad digital
| Items | Indicador |
|---|---|
| Los cursos que oferta IA.Center incluyen temas novedosos, útiles e innovadores | Programas de instrucción innovadores |
| Los instructores de los cursos del IA.Center están certificados en los temas que enseñan | Excelencia de programas de instrucción |
| Los cursos del IA.Center incluyen actividades, ejercicios o ejemplos que permiten practicar la parte teórica de la enseñanza | Adquisición de prácticas digitales |
| Los cursos del IA.Center fomentan la cultura digital en la región | Cultura digital |
| Las sesiones sincrónicas de los cursos del IA.Center permiten la interacción y cooperación del instructor y estudiantes | Cooperación entre instructores y estudiantes |
Nota. Se operacionalizó con base en Kolesinski et al.(2014) y Alexandre et al. (2022)
La definición operacional de la transformación digital de inteligencia artificial individual: Factores que inciden en el proceso individual o personal, de la preparación para la transformación digital basada en inteligencia artificial: (1) nivel de adopción individual, (2) pre-requisitos de iniciación, (3) decisiones de adopción, y (4) implementación (elaborada por los autores). Sus cinco ítems e indicadores se incluyen en la tabla 3.
Tabla 3 Items e indicadores de la variable transformación digital de IA individual
| Items | Indicador |
|---|---|
| Mi meta personal, es aprender y manejar mejor la tecnología que me enseñan en los cursos del IA.Center | (1) Metas individuales de TD basado IA |
| Los cursos del IA.Center aumentan mi conocimiento en esos temas específicos | (2) Alfabetismo TD basado IA |
| Algunos aprendizajes en los cursos son de nivel principiante y se requieren tomar otros cursos para ser experto | (3) Consideraciones TD basado IA |
| Tomar cursos en IA.Center me ha permitido mejorar mi desempeño en el trabajo | (4) Uso de la IA aprendida |
| Con lo aprendido en el curso del IA.Center me va mejor en el trabajo | (4) Evaluación de la IA aprendida |
Nota. Se basó en los aportes teóricos de Holmström (2022), Villanueva (2024) y Satyakumar & Lad (2022)
Las opciones de respuesta para los 15 items fue en escala de Likert con valor mínimo de 1 (nunca) y máximo de 5 (siempre). Como parte de la construcción de un instrumento de medición nuevo, se realizó la validación de contenido de expertos con la participación de 5 valuadores, cuyo biograma se describe a continuación: todos con la experiencia en elaboración de diseños instruccionales innovadores, docencia y tecnologías solidarias; tres con nivel educativo de licenciatura / ingeniería, uno maestría y uno doctorado; tres con ocupación como desarrolladores de software, dos docentes universitarios y los 5 con experiencia en desarrollo de proyectos de inteligencia artificial. En la tabla 4 se incluyen los valores estadísticos obtenidos de Lawshe (CVR) y Tristán (CVR´) para la validación de contenido de expertos.
Tabla 4 Validación de contenido usando Lawshe (CVR) y Tristán (CVR´)
| Variable | Total respuestas esenciales | CVR | CVR´ | |
|---|---|---|---|---|
| Tecnologías solidarias | Suma | 21 | 3.4 | 4.2 |
| CVI Global | 0.68 | 0.84 | ||
| Solidaridad digital | Suma | 22 | 3.8 | 4.4 |
| CVI Global | 0.76 | 0.88 | ||
| Transformación digital IA individual | Suma | 18 | 2.2 | 3.6 |
| CVI Global | 0.44 | 0.72 | ||
Nota. Resultados de fórmulas en programa Excell
De acuerdo a Tristán el resultado mínimo aceptable de CVR´ es de 0.5823, por lo que la validación de contenido de expertos de las tres variables es aceptable por contar con resultados superiores al mínimo aceptable: en tecnologías solidarias 0.84, solidaridad digital 0.88 y transformación digital IA individual de 0.72.
Para el análisis de los datos primarios recabados en el cuestionario online, se descargó la base de Excell que genera Google forms, el cual se codificó de manera manual (utilizando la herramienta de reemplazos de excell) y posteriormente se utilizó el software SPSS versión 29 (IBM SPSS Statistics, 2023) y el software SmartPLS v.4.1.0.0 (Ringle, Wende y Becker, 2024).
Resultados
Para la recolección de datos mediante el cuestionario online se envió un total de 4,898 cuestionarios siendo contestados solo 180. En la tabla 5 se incluyen los indicadores sociodemográficos de los participantes.
Tabla 5 Características sociodemográficas de los participantes
| Variable | Características | Frecuencia | Porcentaje |
|---|---|---|---|
| Género | Hombre | 132 | 73.3 |
| Mujer | 48 | 26.7 | |
| Año nacimiento | 1950 - 1980 | 56 | 31.1 |
| 1981 - 2000 | 108 | 60 | |
| 2000 - 2006 | 16 | 8.9 | |
| Estudios | Preparatoria | 12 | 6.7 |
| Licenciatura / Ingeniería | 114 | 63.3 | |
| Posgrado | 54 | 30 | |
| Cursos tomados | Uno | 63 | 35 |
| Dos a cinco | 104 | 57.7 | |
| Seis o más | 13 | 7.2 | |
| PDT | 2020 | 23 | 12.8 |
| 2021 | 62 | 34.4 | |
| 2022 | 71 | 39.4 | |
| 2023 | 24 | 13.3 |
Nota. Resultados del software SPSS versión 29 (IBM SPSS Statistics, 2023)
De acuerdo a las características de los participantes, 73.3% son hombres; el 60% nacieron entre los años 1981 al 2000; 63.3% con nivel educativo de licenciatura / ingeniería; 57.7% han tomado de dos a cinco cursos en Centro de Inteligencia Artificial y el 39.4% de ellos, en el programa de desarrollo de talento de 2022.
Modelización de ecuaciones estructurales por mínimos cuadrados parciales
El análisis de datos para las pruebas de hipótesis se realizó con PLS-SEM, evaluando los modelos de medida, modelo estructural y modelo global. Para la evaluación del modelo de medida reflexivo de este estudio, se corrió el algoritmo PLS consistente. En la tabla 6 se incluyen los resultados de la fiabilidad de consistencia interna medida con el coeficiente alfa de Cronbach (A) y con rho de Dijkstra-Henseler (ρA); fiabilidad compuesta (FC); fiabilidad interna del indicador con las cartas externas; validez convergente (AVE) y con las cargas externas; validez discriminante con Heterotrait-monotrait ratio (HTMT).
Tabla 6 Evaluación de modelo de medida
| Constructo | item | carga | A | pA | FC | AVE | HTMT | ||
|---|---|---|---|---|---|---|---|---|---|
| 1 | 2 | 3 | |||||||
| SD | SD1 | 0.780 | 0.798 | 0.808 | 0.800 | 0.503 | |||
| SD2 | 0.632 | ||||||||
| SD3 | 0.773 | ||||||||
| SD5 | 0.638 | ||||||||
| TS | TS1 | 0.866 | 0.843 | 0.877 | 0.848 | 0.596 | 0.688 | ||
| TS2 | 0.827 | ||||||||
| TS3 | 0.842 | ||||||||
| TS5 | 0.481 | ||||||||
| TDIA | TDIA1 | 0.624 | 0.835 | 0.847 | 0.838 | 0.566 | 0.738 | 0.512 | |
| TDIA2 | 0.841 | ||||||||
| TDIA4 | 0.785 | ||||||||
| TDIA5 | 0.742 | ||||||||
Nota. Resultados del software SmartPLS v.4.1.0.0 (Ringle et al., 2024)
SD = 1 = solidaridad digital; TS = 2 = tecnología solidaria; TDIA = 3 = transformación digital IA
La fiabilidad de consistencia interna (A y pA) y la fiabilidad compuesta (FC) de acuerdo a los criterios de la evaluación del modelo de medida, deben ser superiores a 0.7 (Hair et al., 2019), que de acuerdo a los resultados de la tabla 3, todos son superiores a ese valor. Los valores entre 0.7 y 0.9 pueden considerarse como satisfactorios. Los criterios para la fiabilidad interna del indicador con las cartas externas indican que si es mayor a 0.7 se mantiene el ítem y en los casos de valores entre 0.4 y 0.7, se analiza el impacto que tenga el eliminarlo en la fiabilidad de consistencia interna y en caso de que no la incremente, se mantiene, por lo que, de acuerdo a los resultados de la tabla 3, se mantienen los ítems con cargas mayores a 0.4 (Hair et al., 2019). La validez convergente (AVE) con valores superiores a 0.5 para un nivel significativo Benitez et al. (2020) y los resultados revelan significancia. De acuerdo a Hair et al (2022) el mejor criterio para evaluar la validez discriminante en PLS-SEM es el Heterotrait-monotrait ratio (HTMT) con valores menores a 0.85. Los valores de la tabla 3 evidencian que los constructos son empíricamente únicos (Galván, 2023).
Para la evaluación del modelo estructural de este estudio, se corrió el procedimiento Bootstrapping de 5,000 muestras para 180 casos. En la tabla 7 se incluyen los resultados de los tres primeros pasos del procedimiento de valoración del modelo estructural: coeficientes path (β) y sus niveles de significancia (valor t y valor p); tamaño de efecto (f²); colinealidad (VIF) y coeficiente de determinación R².
Tabla 7 Evaluación de los tres primeros pasos de valoración del modelo estructural
| Relaciones | β | t | p | f² | VIF | R² |
|---|---|---|---|---|---|---|
| H1: TS impacta positiva y estadísticamente significativa a TDIA | 0.149 | 1.842 | 0.065 | 0.002 | 1.858 | TDIA = 0.393 |
| H2: TS impacta positiva y estadísticamente significativa a SD | 0.572 | 11.297 | 0.000 | 0.858 | 1.000 | SD = 0.333 |
| H3: SD impacta positiva y estadísticamente significativa a TDIA | 0.527 | 5.199 | 0.000 | 0.610 | 1.858 |
Nota. Resultados del software SmartPLS v.4.1.0.0 (Ringle et al., 2024)
SD = solidaridad digital; TS = tecnología solidaria; TDIA = transformación digital IA
En los criterios de evaluación de modelo estructural, la colinealidad VIF para considerarse adecuada, debe encontrarse entre los valores 3 a 3.3 o menos, pero mayor a 0.2 (Galván-Mendoza et al, 2022) que de acuerdo a los resultados de la tabla 4, sus valores son adecuados. El tamaño del efecto (f²) de acuerdo a los resultados de la tabla 4, revela que para la relación H1 que es menor a 0.02, no hay efecto, y las relaciones H2 y H3 con valores mayores a 0.35 tienen un valor de efecto grande. En cuanto a los valores R² por ser mayores a 0.25 pero menores a 0.5, se consideran débiles. Los coeficientes path (β) a un nivel de significación del 5% revelan que los valores de las relaciones H2 y H3 son significativos, no así la relación H1. (Hair et al., 2019). Estos resultados revelan los efectos directos entre las variables, pero se busca incluir los valores de los efectos indirectos y los efectos totales en las relaciones como parte del análisis de los coeficientes path (β). En la tabla 8 se exponen los resultados del test de significación para efectos totales con el valor de efecto total, valor t, valor p y los intervalos de confianza del 95%.
Tabla 8 Resultados del test de significación para efectos totales
| Relaciones | Efecto total | t | p | Intervalos de confianza del 95% |
|---|---|---|---|---|
| H1: TS impacta positiva y estadísticamente significativa a TDIA | 0.523 | 7.707 | 0.000 | [0.340; 0.571] |
| H2: TS impacta positiva y estadísticamente significativa a SD | 0.680 | 11.297 | 0.000 | [0.476; 0.673] |
| H3: SD impacta positiva y estadísticamente significativa a TDIA | 0.715 | 5.199 | 0.000 | [0.309; 0.701] |
Nota. Resultados del software SmartPLS v.4.1.0.0 (Ringle et al., 2024)
SD = solidaridad digital; TS = tecnología solidaria; TDIA = transformación digital IA
Los resultados de la tabla 5 revelan, que los valores de las relaciones H1, H2 y H3 de efectos totales, son significativos. Esto es, anteriormente los valores del coeficiente path (β) de H1 no era significativo, pero al añadirle los efectos indirectos sumados a los efectos directos se encontró, que si es significativa. En otras palabras, el efecto mediador de la solidaridad digital entre las tecnologías solidarias y la transformación digital IA, hace que, al identificarse esto, establezcamos como H4 que la solidaridad digital media de manera estadísticamente significativa el impacto que tienen las tecnologías solidarias en la transformación digital IA.
Como cuarto paso del procedimiento de valoración del modelo estructural, en la tabla 9 se incluyen los resultados del reporte PLSpredict que analiza el modelo de poder predictivo (Q²predict) utilizando el algoritmo LSpredict/CVPAT (Hair et al., 2022).
Tabla 9 Reporte de resultados PLSpredict
| Indicador | Q²predict | RMSEPLS | RMSELM | RMSEPLS - RMSELM |
|---|---|---|---|---|
| SD1 | 0.237 | 0.482 | 0.489 | -0.007 |
| SD2 | 0.139 | 0.533 | 0.538 | -0.005 |
| SD3 | 0.153 | 0.600 | 0.614 | -0.014 |
| SD5 | 0.215 | 0.566 | 0.567 | -0.001 |
| TDIA1 | 0.012 | 0.543 | 0.535 | 0.008 |
| TDIA2 | 0.082 | 0.498 | 0.508 | -0.010 |
| TDIA4 | 0.209 | 0.876 | 0.877 | -0.002 |
| TDIA5 | 0.173 | 0.916 | 0.919 | -0.003 |
Nota. Resultados del software SmartPLS v.4.1.0.0 (Ringle et al., 2024)
SD = solidaridad digital; TDIA = transformación digital IA
Los resultados de la tabla 9 presenta, que los valores Q²predict de todos los indicadores son mayores a cero, sugiriendo que el modelo de ruta PLS supera el punto de referencia más ingenuo. El análisis de la relación RMSEPLS - RMSELM revela para la mayoría de los indicadores, que RMSEPLS produce errores de predicción más pequeños, lo que sugieren que el modelo tiene un alto poder predictivo ya que el análisis PLS-SEM supera al modelo de referencia LM ingenuo. Sin embargo, los valores RMSE generados por el PLSpredict son muy sensibles, por lo que se analiza en la tabla 10, el reporte CVPAT que analiza PLS-SEM versus promedio del indicador (IA) y PLS-SEM versus modelo lineal (LM), obtenemos una diferencia de valor de pérdida promedio negativa para el modelo general (Hair et al., 2022).
Tabla 10 Reporte de resultados CVPAT
| Variable | pérdida PLS | pérdida IA | valor de pérdida promedio | t | p |
|---|---|---|---|---|---|
| Solidaridad Digital | 0.299 | 0.367 | -0.068 | 3.197 | 0.002 |
| Transformación Digital IA | 0.537 | 0.639 | -0.101 | 3.048 | 0.003 |
| Modelo general | 0.418 | 0.503 | -0.085 | 3.654 | 0.000 |
Nota. Resultados del software SmartPLS v.4.1.0.0 (Ringle et al., 2024)
Los resultados de la tabla 10 exponen que, PLS tiene un menor promedio que IA y LM, aunado a que su valor p es menor a 0.05, concluimos que las capacidades predictivas de PLS-SEM son significativamente mejores que las dos anteriormente mencionadas como puntos de referencia de predicción (Hair et al., 2022). Por tanto, los resultados del CVPAT respaldan el alto poder predictivo de los resultados del PLS-SEM para el modelo Tecnología Solidaria (TS)-Solidaridad Digital (SD)- transformación digital IA (TDIA). Finalmente, en la figura 3, se esquematiza el modelo estructural con sus coeficientes path (β), valores p y R² obtenidos.
Discusión
Los hallazgos revelan que la tecnología solidaria impacta positiva y significativamente la solidaridad digital. El estudio de Mantilla (2022) aunque no es específicamente de tecnología solidaria, encuentra cualitativamente relación entre las tecnologías digitales y la solidaridad digital, ya que éstas juegan un papel importante en las prácticas de solidaridad digital al “generar nuevas expectativas de colaboración, cohesión y obligaciones entre migrantes y sus redes en el país de origen” (p. 8). En nuestro caso, la solidaridad digital se centra en esas nuevas expectativas de colaboración, apoyo, interactividad e innovación en Ambientes Virtuales de Aprendizaje (AVA) mediados en la plataforma iacenter.skills de los cursos gratuitos que se ofertan. Ortega (2011) en ese sentido, menciona que “la educación encierra el tesoro de poner las tecnologías digitales al servicio de la solidaridad” (p. II).
Como segundo hallazgo se encontró que la solidaridad digital impacta positiva y significativamente la transformación digital IA, que se relaciona directamente con una de las recomendaciones de la UNESCO en 2019 sobre el tema de educación 4.0, “Solidaridad y compromiso de los diversos sectores que apoyan la transformación digital en la educación” (Ramírez-Montoya et al., 2022, p. 15), esto es, a nivel nacional e internacional la solidaridad apoya o es elemento necesario para la transformación digital, situación similar a los Ambientes Virtuales de Aprendizaje (AVA), donde la solidaridad digital, de acuerdo a otro de los hallazgos de nuestra investigación, es una variable mediadora entre la relación positiva y significativa entre la tecnología solidaria y la transformación digital IA. Este hallazgo en particular es significativo, ya que confirma el hecho de que contar con tecnología per se, o en nuestro caso, con tecnología solidaria, no es suficiente para incidir en la transformación digital, porque requiere el arropo de la solidaridad digital.
Conclusiones y recomendaciones
Basados en los resultados, discusión y objetivo de la investigación, se concluye que el modelo de relación entre las tecnologías solidarias (TS) y la solidaridad digital (SD) inciden en la transformación digital basada en inteligencia artificial (TDIA), basados en los datos del modelo global que afirman es significativo y tiene alto poder predictivo. Esto es, la transformación digital se ve favorecida con la solidaridad digital y el uso de tecnologías solidarias.
Aunque existen estudios previos que relacionan la transformación digital con solidaridad y tecnologías, uno de los aportes más significativos del estudio, es la inclusión de conceptos de solidaridad digital y tecnologías solidarias, escasamente abordados en relación a la transformación digital, lo que amplía el bagaje de conocimiento en estos contextos digitales de aprendizaje y da las bases para nuevos estudios. Una de las limitaciones de nuestra investigación, es que es un caso de estudio en un contexto de aprendizaje / educativo. Por lo que, se deben realizar más investigaciones para ampliar el estudio de la solidaridad digital y el uso de tecnologías solidarias a contextos más allá de Ambientes Virtuales de Aprendizaje (AVA), como los del ámbito laboral con trabajadores online y remotos. Otras investigaciones en el ámbito de mercadotecnia que usan plataformas virtuales de compra - venta o en ámbito de las organizaciones de la sociedad civil (OSC) con ecosistemas digitales de trabajo y promoción.
Se ofrecen además algunas recomendaciones. De acuerdo a nuestro estudio, la solidaridad digital es mediadora entre el uso de las tecnologías y la transformación digital basada en inteligencia artificial, por lo que, si se fomentan estas solidaridades digitales desde edades tempranas, la transformación digital podría verse favorecida más allá de contextos educativos, laborales, sociales y personales. “Debemos empezar a desarrollar pensamiento computacional y habilidades STEM desde edades tempranas, y continuar con el desarrollo de habilidades de programación y atraer a nuestros jóvenes a otras áreas como la electrónica, robótica y las matemáticas. Sólo así lograremos que más jóvenes, y principalmente mujeres, se interesen por áreas de la ingeniería en sus estudios de educación superior” (Castillo, 2021, p. 13).
