Español (pdf)
Articulo en XML
Referencias del artículo
Traducción automática
Enviar articulo por email
Citado por SciELO 
Similares en
SciELO 
Permalink
Introducción
El acelerado crecimiento y desarrollo de la ciencia y tecnología en los últimos años, ha permitido la globalización de la información (Salazar-Concha et al, 2022), lo que en la época post pandemia, caracterizada por la educación y el trabajo remoto o híbrido, ha institucionalizado el uso de los teléfonos inteligentes como práctica habitual que facilita la respuesta individual y funcional ante las demandas del entorno.
A nivel internacional, los usuarios de teléfonos inteligentes superaron los 3,8 miles de millones (Vujić & Szabo, 2022), siendo el 90% de los adultos poseía un teléfono inteligente (Ditrendia, 2022); para el año siguiente se estimaron más de 6 mil millones de usuarios de teléfonos inteligentes y se prevé que sean más de 7.7 mil millones para el 2028 (Statista, 2023).
En el 2019 el 82% de los peruanos accedieron a internet a través de un celular, el 87.5% del grupo etario de 18 a 24 años y el 93.1% del grupo etario de 25 a 40 años contaron con un celular con acceso a internet; además se reportó un incremento del 4.4% en la población peruana que accedió a internet desde un teléfono móvil durante los primeros trimestres del 2020 y 2021 (Instituto Nacional de Estadística e Informática [INEI], 2021), asimismo, la cifra de usuarios de teléfonos inteligentes, con edades entre los 12 y 70 años, bordeó los 2,8 mil millones (Ipsos, 2022).
El crecimiento de usuarios de teléfonos inteligentes y la actividad en internet ha continuado incrementándose, llegando a triplicarse el tráfico mensual de internet móvil entre el 2019 y 2023, alcanzando los 5 735 755 terabytes; observándose que el 75.46% de este tráfico se genera desde los usuarios de planes postpago+control, y el 24.54% en condiciones de prepago (Organismo Supervisor de Inversión Privada en Telecomunicaciones [OSIPTEL], 2023 ) empleados desde teléfonos móviles.
El teléfono inteligente (smartphone) es un dispositivo que comprende diversas funciones combinadas de la telefonía móvil y el ordenador, facilitando a los usuarios la comunicación, el almacenamiento y procesamiento de información, así como la gestión de contenidos multimedia, entre otros, generando múltiples gratificaciones (Sandín et al., 2020) como una mejora temporal del bienestar y de la salud mental (Dissing et al., 2022; Marciano et al., 2022). En el caso de los universitarios, esta herramienta es fundamental y puede llevarlos a no diferenciar si su uso frecuente corresponde o no a un síntoma de adicción (Kaviani et al., 2020; Egielewa, 2021).
El uso excesivo de smartphones se ha relacionado con la adicción a estos, el phubbing (Álvarez y Moral, 2020), problemas de salud mental (Wacks y Weinstein, 2021), el estrés y la soledad (Karsay et al., 2019 ), los problemas de rendimiento académico y laboral y la distracción con el smartphone, la mala calidad de sueño, la ansiedad, la depresión y el estrés (Yang et. al, 2021).
La evaluación de las adicciones, sean por adicciones o comportamentales, según Griffiths (2005) debe considerar seis indicadores básicos: prominencia, abstinencia, modificación del estado de ánimo, tolerancia, conflicto y recaída. Dentro de esta línea, Csibi et al. (2019) señalan que, en el contexto de la adicción a los teléfonos inteligentes, estos criterios se manifiestan como el dominio abrumador y la preocupación por el uso del smartphone (prominencia); las emociones negativas cuando no se puede utilizar el teléfono (síntomas de abstinencia); los cambios de humor experimentados directamente a través de su uso (modificación del estado de ánimo); el aumento progresivo de las horas diarias dedicadas al uso (tolerancia); los problemas intrapersonales e interpersonales derivados del uso (conflicto); y el retorno al comportamiento después de un período de abstinencia (recaída).
Los teléfonos inteligentes pueden desempeñar un papel significativo como herramienta de apoyo en el aprendizaje de los estudiantes universitarios, permitiéndoles grabar clases, tomar notas y ver videos instructivos (Reysen et al., 2020). Sin embargo, se ha señalado que los estudiantes universitarios identifican a los teléfonos inteligentes como la principal fuente de distracción digital durante las clases (Troll et al., 2021). Asimismo, se ha demostrado que está positivamente asociado con el desarrollo de síntomas de tecnoestrés (Kil et al., 2021).
Otros estudios han reportado la relación entre el uso de los teléfonos inteligentes, la intención de mitigar el aburrimiento (Fullwood et al., 2017; Lapointe et al., 2013) y el deseo de gratificación instantánea (Rozgonjuk et al., 2018 ). La distracción con el teléfono inteligente puede explicarse a partir del concepto de multitarea, dado que el rendimiento de las personas tiende a disminuir cuando se realizan varias tareas a la vez (Junco, 2012).
Además se ha encontrado evidencia de la relación entre la distracción por teléfonos inteligentes con la adicción a estos (Oraison, et al., 2020; Swar y Hameed, 2017 ), así como, el rol mediador del tecnoestrés en la relación entre la distracción y la adicción a internet (Brooks et al., 2017) también se halló que el uso problemático de teléfonos inteligentes media de manera parcial entre la distracción y el estrés (Yang et al., 2022)
Tarafdar et al. (2007) sostienen que el tecnoestrés es el estrés que experimentan las personas debido al uso de las tecnologías de la información (TI), las mismas que se han analizado tanto en contextos organizativos como no organizativos. Los primeros estudios se centraron en el uso organizativo de las TI, de ello se han desprendido pruebas teóricas y empíricas de que las condiciones que crean tecnoestrés, o tecno-estresores, constituyen demandas relacionadas con el uso de la tecnología.
Asimismo, Quiroz-Gonzáles et al. (2023) realizaron un estudio sobre el efecto de la tecnodependencia en el tecnoestrés y la tecnoadicción. En el cual participaron 1137 trabajadores colombianos y mexicanos. Como resultados, encontraron que las dimensiones de la Tecnodependencia, como la generación muda, el uso compulsivo del celular, la vida en redes sociales, el phubbing y el uso del celular al conducir, son predictores significativos de la tecnoadicción, donde explicaron el 56% de la varianza para sus factores de Uso compulsivo y el 46% en el Uso excesivo de las tecnologías; así como del tecnoestrés, donde predicen el 16% de la varianza en los factores el Displacer derivado del uso de las TIC y el 7% del Rechazo a las mismas.
Sin embargo, los hallazgos no son concluyentes puesto que también se ha sostenido que el uso académico de dispositivos móviles no genera tecnoestrés y ayuda a mejorar el rendimiento académico en universitarios (Qi, 2019).
Es importante considerar que las responsabilidades, roles asumidos y las relaciones interpersonales construidas en los contextos educativo, personal, familiar, y laboral, exigen a los universitarios que respondan de manera funcional a cada una de las demandas generando presión y pudiendo desencadenarse depresión, ansiedad y estrés lo que aunado al déficit de autocontrol y a la accesibilidad del smartphone, supone un escenario conveniente para el uso inadecuado de este último, entre los que podría considerarse el efecto de la distracción por el smartphone, dado que la capacidad de las personas pueden verse ralentizadas y reducidas hasta en un 50% (Leynes et al. 2018).
Método
Diseño
La investigación es de diseño no experimental y transversal ya que no se manipulan variables y la información se recolecta en un solo momento de tiempo (Kerlinger y Lee, 2002). A su vez es de tipo correlacional ya que tiene el objetivo de conocer la relación o asociación entre dos o más variables (Hernandez et al., 2014). De acuerdo con la naturaleza relacional entre las variables, es una investigación multivariante (Hair et al., 2008) correspondiente a la metodología del modelamiento de ecuaciones estructurales (Byrne, 2010).
Participantes
En el estudio participaron 550 estudiantes de universidades estatales y privadas que cursaron el año académico 2023, de ambos sexos, con edades entre 18 y 35 años. La selección de las unidades muestrales se realizó con procedimiento no probabilístico, por conveniencia, considerándose como criterios de inclusión: ser estudiantes vigentes durante el año académico 2023, con edades entre 18 y 35 años y haber firmado su consentimiento informado.
Instrumentos
Para la obtención de los datos del estudio, se empleó una ficha sociodemográfica para recabar datos como edad, sexo, estado civil y ciclo de estudios.
Asimismo, se emplearon: a) Escala de adicción basada en aplicaciones para teléfonos inteligentes (SABAS) elaborada por Csibi et al. (2018) y adaptada para la población peruana por Vallejos et al. (2023) , consta de 6 ítems y una escala de respuesta tipo Likert que va desde Muy en desacuerdo (1) a Totalmente de acuerdo (6) ; b) Escala de Tecnoestrés para Universitarios adaptada por Penado et al. (2020) , consta 20 ítems distribuidos en 5 dimensiones: habilidades-demanda organización (ADO), habilidades-demanda tecnología (ADT), necesidades-suministros organización (NSO), necesidades-suministros tecnología (NST) y persona-personas (PPF), posee una escala de respuesta Likert que van desde Totalmente en desacuerdo (1) hasta Totalmente de acuerdo (5); c) la Escala de distracción por Smartphone (C-SDS), desarrollada en el 2021 por Throuvala y colaboradores, cuenta con 16 ítems distribuidos en 4 dimensiones que evalúan atención impulsiva, vigilancia en línea, multitarea y regulación emocional, utiliza una escala tipo Likert que va de 1 (casi nunca) a 5 puntos (casi siempre).
ara obtener la evidencia de validez de constructo de las escalas se realizó el análisis factorial confirmatorio utilizando método de estimación robusta MLR (máxima verosimilitud robusto) acorde a ítems con cinco o más categorías (Rhemtulla et al., 2012 ; Maydeou-Olivares et al, 2011 ). En todos los instrumentos, los índices de bondad de ajuste absoluto (SABAS: SRMR=.0028, RMSEA=.052, CFI = 0.982, GFI=0.985, TLI=0.97; C-SDS: SRMR=.05, RMSEA= .07; CFI = 0.91, GFI=0.90, TLI=0.90; Tecnoestrés: SRMR=.053, RMSEA= .043; CFI = 0.94, GFI=0.90, TLI=0.90) representaron niveles adecuados.
Dada la naturaleza ordinal de las escalas utilizadas, el análisis de confiabilidad se examinó con el omega de McDonalds (ω). Observándose estimaciones de la confiabilidad por consistencia interna que evidencian la presencia de alta confiabilidad (SABAS: α=.84, ω=.82; C-SDS: α=.85, ω=.82; Tecnoestrés: α=.84, ω=.82) dado que son mayores al valor de corte de .70 recomendado para asumir una buena confiabilidad.
Procedimiento
Para el recojo de datos se diseñó un formulario en línea, empleando la herramienta
Google forms, que incluía además de los instrumentos de evaluación y la ficha de datos, el consentimiento informado. Se difundió el enlace URL a la lista de contactos mediante el correo electrónico y redes sociales como Facebook y WhatsApp. Luego de ser descargados los datos de Google forms en Excel y evaluada la calidad de estos, se procedió a exportarlos a softwares especializados para los análisis estadísticos pertinentes.
Los instrumentos fueron aplicados respetando los principios éticos de investigación establecidos en la declaración de Helsinki, por lo cual los participantes que conforman la muestra de estudio no fueron forzados a participar, se obtuvo el consentimiento informado y los datos recabados fueron tratados de manera confidencial.
Análisis de datos
En la primera fase de la investigación, se realizó la revisión psicométrica de los instrumentos de medición y el avance en la aplicación a 185 universitarios, con los cuales se obtuvieron las estimaciones de validez basada en el constructo y confiabilidad ordinal. Los programas estadísticos utilizados fueron SPSS versión 25 para Windows y el programa R versión 4.0.2 utilizando los paquetes lavaan 0.6-7 y semTools 0.5-3; para el análisis factorial confirmatorio se utilizó el estimador robusto MLR recomendado cuando los ítems tienen cinco o más categorías (Maydeou-Olivares et al., 2011; Rhemtulla et al., 2012; Shi, D., y Maydeu-Olivares, 2020); en cuanto a la confiabilidad se estimaron los coeficientes utilizando omega de McDonald y alfa ordinal recomendada cuanto los ítems son categóricos y corresponden a modelo de medición congenérico (Elosua y Zumbo, 2008; Hayes & Coutts, 2020).
En la segunda fase, se alcanzó la muestra final de 550 estudiantes y luego de ser descargados los datos de Google forms en Excel y evaluada la calidad de estos, se procedió a exportarlos a softwares especializados para los análisis estadísticos pertinentes para evaluar el modelo de mediación.
Resultados
Análisis descriptivos
SABAS
La Escala de Adicción basadas en aplicaciones para teléfonos inteligentes (SABAS) fue desarrollada por Csibi et al. (2018). A continuación, se presenta la estadística descriptiva de las variables del SABAS (Tabla 1).
Luego, se prosiguió planteándose un modelo unidimensional con los seis ítems haciendo uso del estimador MLR. Los hallazgos identifican una estructura con seis ítems y bondad de ajuste aceptable (RMSEA=0.052, SRMR=0.028, CFI=0.982, GFI=0.983). Asimismo, la consistencia interna del modelo fue favorable (α=0.82, Ω=0.82).
Escala de Tecnoestrés
Luego, se planteó un modelo de dos dimensiones con los 22 ítems haciendo uso del estimador MLR. Los hallazgos identifican una estructura bidimensional y bondad de ajuste aceptable (RMSEA = 0.043, SRMR = 0.053, CFI = 0.94, GFI = 0.909). Asimismo, la consistencia del modelo fue favorable en la primera dimensión en la que cae la mayor cantidad de ítems (Demandas) (α =0.92, Ω= 0.92). De igual manera, en su gran mayoría los ítems de Suministros caen en la segunda dimensión la cual también cuenta con favorable consistencia interna (α =0.86, Ω= 0.86). Se señala que la correlación entre las dos dimensiones latentes es moderada, pero aún aceptable para mantener el modelo bidimensional (r = 0.75). (Tabla 2).
Escala de distracción por smartphone
Continuando con la propuesta de los autores de la escala, se propuso un modelo tetradimensional con estimador MLR. El modelo mantiene la misma estructura original con cargas factoriales mayores a 0.60 en su mayoría y un ajuste aceptable(RMSEA = 0.07, SRMR = 0.05, CFI = 0.91, GFI = 0.90). Se mantiene una consistencia aceptable de las cuatro dimensiones (F1, F2, F3, F4) (α=0.83, α=0.81, α=0.70, α=0.81, respectivamente). (Tabla 3).
Modelo de mediación
Luego de establecer el modelo de medida a partir de la identificación de las propiedades psicométricas del modelo planteado, se propuso el modelo mediador. En este caso el mediador es distracción por smartphones que media la relación explicativa del tecnoestrés sobre la adicción a los celulares.
En la tabla 4 se observa los coeficientes beta de regresión que señalan que el efecto significativo de tecnoestrés sobre la distracción por smartphone de igual manera que el efecto de la distracción sobre la adicción al smartphone (SABAS). No obstante, el efecto de tecnoestrés sobre la adicción al smartphone no es significativo. Se señala que la bondad de ajuste del modelo es aceptable ((RMSEA = 0.071, SRMR = 0.038, CFI = 0.94, GFI = 0.93) y un R2 moderado (0.71).
Tabla 4 Coeficiente beta, p-valor e índices de ajuste de los modelos de mediación planteados
Nota. Y ~ X, es la regresión de la variable X sobre Y; Std.all, coeficientes beta. D, distracción por smartphone; T, tecnoestrés; S, SABAS.
En la tabla 5 se observa que existe un efecto indirecto del tecnoestrés sobre la adicción al smartphone, el cual es mediado por la distracción por smartphone. De igual manera, existe un efecto total significativo de este sobre la conducta adictiva al móvil.
Discusión
En el presente estudio se muestra el rol mediador de la distracción por smartphone entre el tecnoestrés y la adicción a los móviles. Según lo observado, se identificó un efecto completo por parte del mediador; es decir, el efecto del tecnoestrés sobre la adicción a los teléfonos celulares se da únicamente a través de la distracción como mediador. Lo anterior tiene sentido ya que ante situaciones estresantes derivadas del uso de la tecnología, las personas tienden a distraerse a partir del uso de estos aparatos, lo cual lleva a consecuencias asociadas a la conducta adictiva. En el caso de la muestra universitaria estudiada, al hallarse en situaciones académicas estresantes, suelen reaccionar distrayéndose con estímulos también ligados al uso de las redes sociales en sus teléfonos inteligentes como estrategia de afrontamiento disfuncional ante el estrés producido por la saturación del uso de la tecnologías (Mascia et al., 2023)
Anteriores estudios ya han señalado la existencia de la asociación entre el tecnoestrés y la adicción a la tecnología variables (Brooks et al., 2020; Quiroz-Gonzáles et al., 2023). Asimismo, otros autores han logrado explicar la asociación positiva entre la distracción por las redes sociales y el tecnoestrés provocado por el uso de las redes sociales, del mismo modo por la adicción a internet (Brooks et al., 2017; Tarafdar et al., 2019). De ahí que se puede concluir que existe un nexo entre estas variables. No obstante, en el presente estudio, esta relación se encuentra mediada por la distracción por los teléfonos móviles ya que el efecto directo del tecnoestrés sobre la adicción a los smartphones no es significativo. Lo anterior, da mayor sustento a considerar en el modelo propuesto que el tecnoestrés ejerce un efecto o influencia siempre y cuando esté presente la distracción como elemento mediador.
Respecto al mediador, se ha hallado asociación entre la nomofobia y la distracción por el uso de los móviles (Aguilera-Manrique et al., 2018, Yang et al. 2022). En la misma línea Orainson et al. (2020) encontraron que la distracción por el uso de los smartphones influye en mayor uso de los teléfonos inteligentes, lo cual tiene sentido ya que los sujetos más propensos a distraerse con los móviles muestran un patrón más repetitivo de comportamiento perjudicial asociado al uso de los celulares.
Del estudio se concluye que existe una mediación completa por parte del mediador distracción por smartphone entre el tecnoestrés y la adicción a los teléfonos móviles. Además, la distracción por smartphone influye de manera significativa sobre la adicción a los teléfonos móviles, finalmente, el tecnoestrés no influye de manera significativa sobre la adicción a los teléfonos móviles; de ahí la mediación completa.
