Hacia una Educación Digital Sostenible: Modelo Predictivo para la Prevención de la Adicción a Plataformas Sociales en Población Universitaria.
DOI:
https://doi.org/10.55965/setp.5.10.a4Palabras clave:
adicción a redes sociales, innovación educativa, modelo predictivo, desarrollo sostenible, bienestar digital, género, estudiantes universitarios, ODS3, ODS4Resumen
Contexto. El uso desadaptativo de las redes sociales representa un problema de salud pública en aumento a escala mundial, que afecta especialmente a jóvenes y al ámbito universitario. En el caso de México, los índices de prevalencia en estudiantes de educación superior oscilan entre el 18% y el 42%, lo que evidencia la necesidad de detectar factores predictivos y desarrollar estrategias de intervención ajustadas a esta población.
Problema. Existe falta de consenso sobre el papel moderador de variables demográficas como edad y género en Uso Problemático de Redes Sociales (UPRS), cuestionando intervenciones basadas solo en reducción de tiempo de uso.
Objetivo. Este estudio busca determinar los principales factores predictivos de la adicción a redes sociales en estudiantes universitarios de México, utilizando un modelo de regresión logística y centrándose en variables como la edad, el tiempo de uso diario y el género, en consonancia con los Objetivos de Desarrollo Sostenible 3 y 4.
Metodología. Estudio transversal realizado entre enero y marzo de 2025 con 705 estudiantes de la Universidad Autónoma de Aguascalientes -UAA- , se aplicó BSMAS validada (α=0.89; r=0.76 con IAT) y regresión logística binaria controlando por género y año académico.
Hallazgos teóricos y prácticos. La Edad mostró efecto protector (OR=0.37, p=0.006), reduciendo probabilidad de adicción en 63% por año adicional. Género masculino asociado a mayor riesgo (69.6% vs 60.1%, p=0.012). Horas de uso no significativas. Hallazgos sustentan modelo I-PACE (Interaction of Person-Affect-Cognition-Execution) y sugieren intervenciones diferenciadas por género y año académico.
Originalidad. Integración de variables de desarrollo y género en modelo predictivo aplicable al contexto universitario mexicano, bajo enfoque de innovación en procesos (Manual de Oslo).
Conclusiones y limitaciones. Edad y género son predictores más robustos que tiempo de uso. Limitación transversal sugiere futuros estudios longitudinales para inferir causalidad.
Descargas
Citas
Andreassen, C. S. (2015). Online social network site addiction: A comprehensive review. Current Addiction Reports, 2 (2), 175–184. https://doi.org/10.1007/s40429-015-0056-9 DOI: https://doi.org/10.1007/s40429-015-0056-9
Andreassen, C. S., Billieux, J., Griffiths, M. D., Kuss, D. J., Demetrovics, Z., Mazzoni, E., & Pallesen, S. (2016). The relationship between addictive use of social media and video games and symptoms of psychiatric disorders: A large-scale cross-sectional study. Psychology of Addictive Behaviors, 30(2), 252–262. https://doi.org/10.1037/adb0000160 DOI: https://doi.org/10.1037/adb0000160
Bányai, F., Zsila, Á., Király, O., Maraz, A., Elekes, Z., Griffiths, M. D., ... & Demetrovics, Z. (2017). Problematic social media use: Results from a large-scale nationally representative adolescent sample. PLOS ONE, 12 (1), e0169839. https://doi.org/10.1371/journal.pone.0169839 DOI: https://doi.org/10.1371/journal.pone.0169839
Brand, M., Wegmann, E., Stark, R., Müller, A., Wölfling, K., Robbins, T. W., & Potenza, M. N. (2019). The Interaction of Person-Affect-Cognition-Execution (I-PACE) model for addictive behaviors: Update, generalization to addictive behaviors beyond internet-use disorders, and specification of the process character of addictive behaviors. Neuroscience & Biobehavioral Reviews, 104, 1–10. https://doi.org/10.1016/j.neubiorev.2019.06.032 DOI: https://doi.org/10.1016/j.neubiorev.2019.06.032
Canty, A., & Ripley, B. D. (2023). *boot: Bootstrap R (S-Plus) Functions* (Version 1.3-28.1) [Paquete de software R]. https://CRAN.R-project.org/package=boot
Elphinston, R. A., & Noller, P. (2011). Time to face it! Facebook intrusion and the implications for romantic jealousy and relationship satisfaction. Cyberpsychology, Behavior, and Social Networking, 14 (11), 631–635. https://doi.org/10.1089/cyber.2010.0318 DOI: https://doi.org/10.1089/cyber.2010.0318
Fox, J., & Weisberg, S. (2019). An R companion to applied regression (3ª ed.). Sage.
García-Méndez, J. A., López-Ramírez, F., & Silva-Ortega, M. (2023). Dimensiones de la adicción a redes sociales y su variación por género en universitarios mexicanos: Un análisis de clases latentes. Scientia et PRAXIS, 3 (4), 75–94. https://doi.org/10.55965/setp.3.04.a3
Harrell, F. E. (2023). rms: Regression Modeling Strategies (Version 6.7-1) [Paquete de software R]. https://CRAN.R-project.org/package=rms
Instituto Nacional de Estadística y Geografía. (2023). Estadística de disponibilidad y uso de tecnología de información y comunicación en los hogares (ENDUTIH) 2022. https://www.inegi.org.mx/contenidos/saladeprensa/boletines/2023/ENDUTIH/ENDUTIH2022 .pdf
Kuss, D. J., & Griffiths, M. D. (2017). Social networking sites and addiction: Ten lessons learned. International Journal of Environmental Research and Public Health, 14 (3), 311. https://doi.org/10.3390/ijerph14030311 DOI: https://doi.org/10.3390/ijerph14030311
Marino, C., Gini, G., Vieno, A., & Spada, M. M. (2018). The associations between problematic Facebook use, psychological distress, and well-being among adolescents and young adults: A systematic review and meta-analysis. Journal of Affective Disorders, 226, 274–281. https://doi.org/10.1016/j.jad.2017.10.007 DOI: https://doi.org/10.1016/j.jad.2017.10.007
Organización para la Cooperación y el Desarrollo Económicos & Eurostat. (2018). Manual de Oslo 2018: Guía para la recogida e interpretación de datos sobre innovación (4ª ed.). OECD Publishing. https://doi.org/10.1787/9789264304604-es
Pérez-Díaz, L. M., & González-Ortiz, J. J. (2022). Modelos predictivos y su aplicación en la innovación educativa para el desarrollo sostenible. Scientia et PRAXIS, 2 (4), 89–112. h ttps://doi.org/10.55965/setp.2.04.c
R Core Team. (2023). R: A language and environment for statistical computing (Version 4.3.1) [Software]. R Foundation for Statistical Computing. https://www.R-project.org/
Ramírez-López, A. I., & Sánchez-Gutiérrez, C. (2023). Bienestar digital y uso problemático de redes sociales en jóvenes universitarios: una revisión sistemática. Scientia et PRAXIS, 3 (5), 45–67. https://doi.org/10.55965/setp.3.01.a
Robin, X., Turck, N., Hainard, A., Tiberti, N., Lisacek, F., Sanchez, J. C., & Müller, M. (2011). pROC: An open-source package for R and S+ to analyze and compare ROC curves. BMC Bioinformatics, 12, 77. https://doi.org/10.1186/1471-2105-12-77 DOI: https://doi.org/10.1186/1471-2105-12-77
Rosseel, Y. (2012). lavaan: An R Package for Structural Equation Modeling. Journal of Statistical Software, *48*(2), 1–36. https://doi.org/10.18637/jss.v048.i02 DOI: https://doi.org/10.18637/jss.v048.i02
Ryan, T., Chester, A., Reece, J., & Xenos, S. (2014). The uses and abuses of Facebook: A review of Facebook addiction. Journal of Behavioral Addictions, 3 (3), 133–148. https://doi.org/10.1556/JBA.3.2014.016 DOI: https://doi.org/10.1556/JBA.3.2014.016
Salazar-Fernández, C., Palet, D., Haeger, P. A., & Román Mella, F. (2021). COVID-19 perceived impact and psychological variables as predictors of unhealthy food and alcohol consumption trajectories: The role of gender and living with children as moderators. International Journal of Environmental Research and Public Health, 18 (9), 4542. https://doi.org/10.3390/ijerph18094542 DOI: https://doi.org/10.3390/ijerph18094542
Tang, J. H., Chen, M. C., Yang, C. Y., Chung, T. Y., & Lee, Y. A. (2016). Personality traits, interpersonal relationships, online social support, and Facebook addiction. Telematics and Informatics, 33 (1), 102–108. https://doi.org/10.1016/j.tele.2015.06.003 DOI: https://doi.org/10.1016/j.tele.2015.06.003
Vandenbroucke, J. P., von Elm, E., Altman, D. G., Gøtzsche, P. C., Mulrow, C. D., Pocock, S. J., Poole, C., Schlesselman, J. J., & Egger, M. (2007). Strengthening the Reporting of Observational Studies in Epidemiology (STROBE): Explanation and elaboration. PLoS Medicine, 4 (10), e297. https://doi.org/10.1371/journal.pmed.0040297 DOI: https://doi.org/10.1371/journal.pmed.0040297
Wegmann, E., Stodt, B., & Brand, M. (2015). Addictive use of social networking sites can be explained by the interaction of Internet use expectancies, Internet literacy, and psychopathological symptoms. Journal of Behavioral Addictions, 4 (3), 155–162. https://doi.org/10.1556/2006.4.2015.021 DOI: https://doi.org/10.1556/2006.4.2015.021
Young, K. S. (1998). Internet addiction: The emergence of a new clinical disorder. CyberPsychology & Behavior, 1 (3), 237–244. https://doi.org/10.1089/cpb.1998.1.237 DOI: https://doi.org/10.1089/cpb.1998.1.237
Zhang, Y., Leung, L., & Li, S. (2022). A meta-analysis of social media addiction and academic performance. Computers in Human Behavior, 12*, 107105. https://doi.org/10.1016/j.chb.2021.107105 DOI: https://doi.org/10.1016/j.chb.2021.107105
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Francisco Jacobo Murillo-L´ópez
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
