Introducción

En la actualidad, el desarrollo de las competencias se está considerando como un elemento central en los procesos de aprendizaje, en el marco de los nuevos modelos pedagógicos (^{Alfantookh & Bakry, 2013}; ^{Savaneviciene et al., 2014}) enfocando la construcción del conocimiento a través de la búsqueda y análisis de la información, transformando de esta manera el papel del docente, quien se convierte en un facilitador, colaborador e instructor dentro del proceso de aprendizaje (^{Blázquez & Alonso, 2009}) más que un trasmisor de conocimiento.

De acuerdo con ^{Cruzado (2019)} las competencias blandas han adquirido gran relevancia en los últimos años, dado que estas pertenecen al grupo de las competencias trasferibles, indispensables para el funcionamiento de diversas profesiones. El tener competencias blandas permite a los estudiantes egresados una mejor adaptación al mercado laboral.

Para ^{Singer et al. (2009)} las competencias blandas son más relevantes que las competencias duras, y en su estudio realizado muestran que habilidades como el trabajo en equipo y el liderazgo son significativas para lograr aumentos en la productividad.

Para ^{Arroyo (2019)} las competencias duras son más fáciles de adquirir que las competencias blandas y el mercado laboral demandan formación en estas últimas, por esto se hace necesario que las universidades pongan en marcha nuevas pedagogías y currículos, que además de conocimientos técnicos, aporten al desarrollo de las competencias blandas.

Basados ahora en un esquema centrado en competencias, es fundamental que los procesos educativos sean complementados con el uso de nuevas herramientas educativas, tales como los métodos de aprendizaje electrónico, definidos según ^{Sun et al. (2008)} como el aprendizaje basado en las Tecnologías de la Información y la Comunicación (TIC), del cual los simuladores de negocios hacen parte. Entre las ventajas del uso de simuladores, se tiene:

En los últimos años, los simuladores de negocios han comenzado a desempeñar un papel más relevante y su uso se ha enfocado primordialmente a universidades y escuelas de negocios. Este tipo de juegos permiten una inmersión de los usuarios en un entorno empresarial, compitiendo con otros participantes que administran otras empresas virtuales dentro de un mismo sector industrial. Lo anterior, conlleva a que aprendan de manera experiencial, llevando a cabo un proceso de toma de decisiones de alta gerencia.

Diversos estudios se han centrado en las competencias genéricas que los estudiantes pueden adquirir mediante el uso de simuladores de negocios. Esta investigación se enfoca en identificar las variables que explican la variación en los resultados del ranking dentro de un juego de simulación de negocios a partir de un modelo de regresión logística y un modelo de ecuaciones no paramétricas Partial Least Squares Structural Equation Modeling (PLS-SEM) dando una mejor compresión a las personas interesadas en los procesos de construcción del conocimiento, mediadas por métodos de aprendizaje electrónico que buscan un fortalecimiento en las competencias genéricas.

Marco Teórico

Los simuladores a través de los años han venido afianzándose como una herramienta que lleva a los usuarios tener una experiencia simplificada de la realidad. En el caso de los simuladores de negocios, estos permiten que los usuarios puedan desarrollar su capacidad para observar, interpretar y analizar información, y de esta manera poder tomar “buenas decisiones” y ejecutarlas en tiempo real de acuerdo con la estrategia diseñada.

Según ^{Faria (2001)} se pueden identificar en la literatura tres tipos de estudios encaminados a evaluar la efectividad de los simuladores de negocios, así:

^{Garrick & Clegg (2000)} sugieren que los simuladores de negocios pueden ser un mecanismo que alienta a los participantes a desarrollar habilidades y competencias, que se van afianzando a medida que afrontan las situaciones derivadas de las acciones de los otros competidores, que conllevan a la toma de mejores decisiones.

De igual forma, ^{Garizurieta et al. (2018)} señalan que los simuladores de negocios son herramientas de enseñanza-aprendizaje que buscan facilitar el aprendizaje activo basado en la resolución de problemas, fomentando en los estudiantes el análisis, la toma de decisiones y la evaluación.

En ese sentido, ^{Borrajo et al. (2010)} coincide con esta afirmación al argumentar que los simuladores de negocios son herramientas valiosas para la docencia, puesto que mediante una manera amena y entretenida enseñan cómo manejar un negocio en un mercado competitivo, de tal forma que ayudan a los estudiantes a aprender a pensar, ya que el éxito o fracaso de la realidad virtual que se plantea depende de las decisiones clave que ellos tomen en torno a los precios, la inversión de capital, la mercadotecnia, entre otros.

Otros autores, complementan esta idea al afirmar que los juegos de simulación, como técnica de aprendizaje, "permiten a los estudiantes jugar en mundos virtuales que reflejan la realidad jugando, observando, creando y pensando sobre el emprendimiento" (^{Ruskovaara & Pihkala, 2013}, p. 256); no solo "conectan la acción (experiencia concreta) y conocimiento (conceptualización abstracta)" (^{Lacruz, 2017}, p. 53), sino que también aumentan la motivación de los estudiantes al despertar su curiosidad y acabar con la monotonía de materiales y métodos tradicionales de enseñanza (^{Matute & Melero, 2016}).

Para autores como ^{Pando et al. (2016)} el uso de simuladores permite a los estudiantes, abordar diferentes contenidos educativos y, a la par, adquirir competencias y habilidades de gestión necesarias en el mundo de los negocios sin asumir los cotos y riesgos de implementar las decisiones en el entorno real.

Diversos autores han hablado sobre las competencias y habilidades que pueden desarrollarse y ponerse en práctica, producto del uso de simuladores de negocios. Estas competencias se han denominado genéricas, y comprenden aspectos tales como: el aprendizaje experimental, el uso de técnicas analíticas, el trabajo en equipo, la toma de decisiones y la gestión de la información (^{Doyle & Brown, 2000}; ^{Fitó et al., 2014}).

Teniendo en cuenta los aspectos antes mencionados, la mayoría de los estudios se han encaminado a evaluar las competencias genéricas que alcanzan los estudiantes, elemento muy importante para entender el uso de los simuladores, pero el objetivo de esta investigación es ir en otra dirección, y buscar si existen también algunos factores externos relacionados con el entorno (PIB, tipo o ranking de la universidad), que pueden incidir en el buen desempeño funcional en el uso del juego de simuladores.

Al realizar un recorrido por diferente literatura académica con el fin de identificar posibles determinantes que afecten el desempeño de los estudiantes en un juego de simulación de negocios, se encontró que autores como ^{Vorontsov & Vorontsova (2015)} consideran que los simuladores de negocios son una herramienta práctica para el desarrollo de disciplinas administrativas, económicas y de gestión, lo que permite adquirir en los estudiantes de estas carreras habilidades y competencias de gestión necesarias para los negocios antes de insertarse en un escenario real. Lo anterior, deja suponer que aquellos estudiantes que pertenezcan a las disciplinas de administración y negocios tienen los conceptos y las bases que les brinda su formación y que podría darles un mejor desempeño en el uso de simuladores de negocio. Otros estudios muestran principalmente las ventajas del uso de simuladores en las diferentes escuelas de negocios (^{Mendoza, 2017}; ^{Reyes, 2020}).

De otra parte, hay un gran volumen de literatura, que habla acerca de la diferencia que existe entre la educación pública y la educación privada universitaria, acorde a los países donde se realizan dichos trabajos empíricos (^{Alvarado et al., 2015}; ^{Benalcazar, 2017}; ^{Blanco & Sauma, 2020}; ^{Canal y Rodríguez, 2020}), y adicionalmente en cada región y a nivel global hay unos rankings que miden de acuerdo con ciertos criterios el desempeño de las universidades, y dependiendo del ranking que se esté analizando se presenta mayor o menor concentración de universidades públicas o privadas en los primeros lugares. Dentro los rankings más importantes están QS Ranking, Times Higher Education y el Ranking de Shanghai. Por tal razón, se toman estas variables como posibles determinantes en el desempeño del uso de simuladores de negocios.

Existe otro aspecto a tener en cuenta y es la relación calidad de educación de un país y los recursos destinados a la educación con relación al PIB de un país. Estudios como el de ^{Alarcón et al. (2018)} señalan que aquellos países que más gastan en educación no se encuentran dentro de los mejores sistemas educativos.

Por último, autores como ^{Tamayo et al. (2017)} en su artículo, tratan acerca de la relevancia de la multidisciplinariedad, y mencionan que las habilidades para trabajar en equipo y de manera colaborativa no son intuitivas, y afirma que la adquisición de estas habilidades debería realizarse durante la formación académica.

Metodología

El enfoque utilizado en este trabajo es de tipo cuantitativo-explicativo que busca determinar por qué causa se producen ciertos fenómenos o comportamientos, y se manejan hipótesis para dar una explicación que será corroborada. La investigación es de tiempo sincrónico y se toma como fuente de información la base de datos del simulador de juegos de negocios Company Game de los años 2016 - 2018. Por ello, se tomó como objeto de estudio los estudiantes que participaron en la competición con el simulador de juego de negocios Company Game. Con este simulador los participantes-estudiantes adquieren destrezas en el mejoramiento de capacidades y competencias genéricas, relacionadas con la comunicación asertiva, gestión del tiempo y de la información, trabajo en equipo, técnicas de análisis, entre otras. Company Game reúne a estudiantes de diversas universidades de Iberoamérica para que participen durante aproximadamente un mes en un juego de simuladores de negocios. Para participar en el desafío no se requiere tener experiencia previa en el uso de simuladores, las únicas restricciones que se tienen es que los estudiantes de pregrado deben estar cursando un nivel igual o superior a quinto semestre.

Para adelantar este trabajo se tomaron 1.197 registros que corresponden al número de equipos que participaron durante el periodo de tiempo antes descrito, con participación de 127 instituciones de educación superior tanto públicas como privadas, de 19 países: Argentina, Bolivia, Brasil, Chile, Colombia, Costa Rica, Alemania, República Dominicana, Ecuador, España, Guatemala, México, Panamá, Perú, Puerto Rico, Portugal, Paraguay, Salvador y Venezuela, como se puede observar en la Tabla 1.

Para identificar los determinantes que explican la variación en los resultados del ranking al interior de un juego de simulación de negocios se sigue una metodología de tres fases.

En la primera fase se definen las hipótesis de investigación y el diseño de los constructos del modelo, basados en variables expresadas en el marco teórico. Se buscó una serie de factores que pudieran responder la pregunta ¿Si existen variables externas que incidan en el desempeño de los equipos dentro del juego de los simuladores de negocios Company Game?, para ello, se hizo un escaneo de la información que se podría obtener de la base de datos del concurso realizado por la empresa Company Game, se tomó la información correspondiente a 1.197 registros, de tres años consecutivos (2016 al 2018).

Partiendo de esta información, se hizo necesario establecer si existen otras variables que pudieran incidir de manera directa en el desempeño de los simuladores, y agruparla de acuerdo con las características que se pretendían estudiar, surgiendo cuatro hipótesis:

H1: Los estudiantes cuyas carreras son de administración y negocios tienen mayores aptitudes para ganar la competencia.

H2: Los estudiantes que pertenecen a instituciones de educación superior de carácter privado logran tener mejores resultados que aquellos de instituciones públicas.

H3: El contexto regional en el que se encuentra inmersa la universidad incide en la capacidad de los equipos para estar en los primeros lugares del simulador.

H4: El tiempo dedicado en el aprendizaje del simulador influye en lograr mejores resultados para ganar la competencia.

En este contexto, durante la fase dos se diseñaron los constructos asociados a diversas variables que permitieran buscar estadísticamente algún tipo de correlación con el desempeño de los equipos en el juego de simulación de negocios. Para ello se establecieron las siguientes denominaciones como se puede observar en la Tabla 2:

En la Tabla 3, se presenta la definición de las diferentes variables independientes y dependientes utilizadas en la construcción de los modelos:

Es importante mencionar que la mayoría de información se obtuvo de las bases de datos de Company Game, mientras que la información adicional se tomó de otras bases de datos externas, como es el caso del ranking de las universidades a nivel mundial, para la cual se utilizó la información del SIR-IBER 2018, que es el Ranking Iberoamericano de Instituciones de Educación Superior, lo relacionado con el PIB fue de la base de datos del Banco Mundial, y, por último, el número de habitantes por ciudad se extrajo de la base de datos Population City.

En la tercera fase se aplicaron dos modelos multivariantes para analizar la información: uno de tipo paramétrico, regresión logística y un segundo modelo no paramétrico, Parcial Least Square (PLS SEM).

Para el caso de la regresión logística y poder hacer uso de los modelos multivariados, se procedió a realizar la estandarización de los datos de las variables independientes, convirtiéndolos en unidades tipificadas.

Para el análisis estadístico multivariante no paramétrico se utilizó Partial Least Squares Structural Equation Modeling (PLS-SEM), modelado de ecuaciones estructurales por mínimos cuadrados parciales, se trata de un método general de modelos PATH (diagramas causales o diagrama de caminos) que llevan constructos latentes medidos indirectamente por múltiples indicadores (ítems) (^{Worl, 1982}). “Esta herramienta tiene como objetivo principal en análisis causal predictivo en el cual los problemas analizados son complejos y el conocimiento teórico es escaso” (^{Barclay et al., 1995}; ^{Levy y Valera, 2006}).

En términos generales, el modelo PLS-SEM de medida se valora mediante: la fiabilidad individual del ítem, la consistencia interna y la validez discriminante. Es importante tener en cuenta, que la fiabilidad individual del ítem se analiza por medio del examen de las cargas o las correlaciones simples de las medidas con su constructo respectivo, y por regla general se aceptan ítems con cargas iguales o superiores al 0,4 (^{Hair et al., 2014}).

Resultados

Para el presente trabajo se tomó la información del juego de simuladores de negocios que se realiza a nivel de Iberoamérica, donde se enfrentan equipos de diversas universidades que compiten en diferentes tipos de simuladores de acuerdo con unas áreas y procesos empresariales específicos. La información corresponde a 1.197 registros, de tres años consecutivos (2016 al 2018).

Los estadísticos descriptivos de las variables en estudio se presentan en la Tabla 4 y Tabla 5.

En la Figura 1, se presenta la matriz de correlaciones de Pearson, la cual permite visualizar la correlación existente entre las diferentes variables independientes analizadas. Dado que existían escalas diferentes para las variables analizadas, se procedió a realizar la estandarización de los datos, convirtiéndoles en unidades tipificadas.

Lo más significativo en la matriz es la correlación existente entre P_EQUI y T_EQUI, que presenta un índice R superior a 0,7.

En la Figura 2, con base en un análisis factorial confirmatorio se presenta la gráfica de sedimentación donde se observa el número de factores que exponen la mayor parte de la variabilidad del total de datos, mostrando que tres factores tienen un eigenvalor mayor que 1, explicando el 58,15% de la variación de los datos, como está en la Tabla 6.

Al observar la matriz de cargas, Tabla 7, se procedió a asociar las variables observables a las variables latentes que se plantearon en el modelo, denominados componentes técnicos, formación y contexto.

Con el fin de establecer cuáles de las variables observables son las más relevantes para intentar explicar que un individuo pertenezca al grupo conformado por aquellos que se encuentran en los 10 primeros lugares de la clasificación, se plantearon diferentes modelos, donde el modelo final contempla todas las variables asociadas a los componentes o variables latentes. Para ello se utilizó el método de regresión logística y se obtuvieron los resultados presentados en la Tabla 8.

Modelo de regresión logística: Agrupación de los componentes técnicos, de formación y de contexto. Tomando las nueve variables que hacen parte de los diferentes componentes se obtiene la información consignada en la Tabla 9 y la Tabla 10:

Existe una relación estadísticamente significativa entre las variables porque el valor P es menor a 0.05 y el nivel de confianza es del 95,0%.

La salida muestra los resultados de ajustar un modelo de regresión logística para describir la relación entre RANK y 9 variables independientes. La ecuación del modelo ajustado se presenta en las ecuaciones 1 y 2.

Donde

El porcentaje de desviación de RANK explicado por el modelo es igual a 14,1976%. Este estadístico es similar al estadístico R-Cuadrado habitual. El porcentaje ajustado, que es más apropiado para comparar modelos con diferente número de variables independientes, es 11,9839%.

Modelos estructurales

El R cuadrado mide la cantidad de varianza explicada por los constructos, en el caso particular, los constructos Entrenamiento, Formación Académica y Contexto Externo, explican en un 12.6% la variabilidad del Ranking, como se puede ver en la Figura 3.

Los coeficientes de regresión estandarizados beta llamados Path Coefficients, permiten analizar las hipótesis planteadas, la variable latente Entrenamiento tiene un efecto positivo de 0.337 en el Ranking parámetro superior al 0,3 por lo que se considera estadísticamente significativo (^{Hair, et al., 2017}). En el caso de las variables latentes: Formación y Contexto no se consideran estadísticamente significativas, su carga es inferior a 0,3.

En la Tabla 11 se presentan la carga de los coeficientes path, mostrando el efecto que tienen sobre el modelo.

La comunalidad (Communality) es la medida de fiabilidad (validez convergente) de los indicadores en relación con la varianza total, debe ser superior al 50% (^{Fornell & Larcker, 1981}; ^{Sharma, 1996}). La variable latente Entrenamiento presenta un valor de comunalidad de 0.91 y la variable latente Contexto de 0.47. La redundancia (Redundancy) es otra medida de predicción que expresa la varianza media de los indicadores, explicada por las variables latentes. En este caso, el porcentaje de explicación de los indicadores de las variables latentes Contexto, Entrenamiento y Formación es de 0.001969. Tanto la comunalidad como la redundancia se pueden observar en la Tabla 12.

Fiabilidad compuesta (Composite Reliability) permite medir la consistencia interna del constructo, un nivel aceptable equivale al 0.60, siendo un valor más adecuado un 0.80 (^{Bagozzi & Yi, 1988}; ^{Hair et al., 2017}; ^{Nunnally & Bernstein, 1994}). El constructo Entrenamiento es el único que presenta una fiabilidad compuesta superior a 0.8 con un 0.955.

El AVE (Varianza Extraída Media) es una medida de validez convergente la cual debe ser superior al 0,50 y se aplica a indicadores reflectivos (^{Fornell & Larcker, 1981}). En este caso, la variable latente Entrenamiento presenta validez convergente con un 0.914. Tanto la fiabilidad compuesta como el AVE se pueden observar en la Tabla 13.

Para evaluar la validez discriminante entre constructos del modelo, se sugiere que las medidas AVE sean superiores a las correlaciones entre las variables latentes (VL) (^{Fornell & Larcker, 1981}; ^{Hair et al., 2011}), para medir si existe validez discriminante entre las variables latentes y Ranking (Tabla 14).

En el caso del Componente de Contexto y Ranking se observa Validez discriminante, ya que el AVE Contexto 0.475 > -0.045 Correlación Ranking-Contexto, para el Componente Técnico y Ranking existe Validez discriminante, pues el AVE Técnico 0.914 > 0.343 Correlación Ranking-Entrenamiento y en el Componente Formación y Ranking presentan Validez discriminante, porque el AVE Formación 0.3412 > 0.101 Correlación Ranking-Formación.

Las cargas factoriales (Outer Loadings) indican los resultados de las variables observables con su respectiva variable latente. Las cargas factoriales son explicativas si superan el umbral del 70% (^{Carmines & Zeller, 1979}; ^{Cepeda y Roldán, 2004}). Para el caso de la variable latente Contexto Externo, el ítem RANK_SIR_IBER_2018 es el significativo, entre tanto, la variable COD_PUB_O_PRIV es indicadora en la construcción de Contexto Externo, en sentido inverso con -0.7389. En la variable latente Entrenamiento los ítems PAG_EQUIP y TIEMPO_EQUIP son significativas al 0.9584 y 0.9532 respectivamente. Finalmente, para la variable latente Formación Académica, el ítem explicativo es PREGOPOST con un 0.7846. Estos valores se pueden observar en la Tabla 15.

Discusión

Conforme a la revisión teórica realizada, existen diversos factores que pueden influir en el desempeño de los estudiantes y que de cierta manera podrían dejar entrever diferencias en su “calidad educativa”. Es por ello que para este estudio se decidió tomar indicadores agrupados de acuerdo con su nivel de correlación en constructos que pudieran medir la influencia de dichas variables en la clasificación de los equipos en el juego de simulación promovido por la empresa Company Game.

Teniendo en cuenta el componente de formación y dado que estudios muestran la relación entre el uso de simuladores de negocio y las carreras de administración (^{Mendoza, 2017}; ^{Reyes, 2020}; ^{Vorontsov & Vorontsova, 2015}), al igual que trabajar en equipos multidisciplinarios (^{Tamayo et al., 2017}), se trazó la hipótesis H1, en la cual se afirmaba que los estudiantes cuyas carreras son de administración y negocios tienen mayores aptitudes para ganar la competencia, pero después de realizar el análisis estadístico correspondiente se logró demostrar que la relación del constructo con la variable dependiente RANK no tiene una significancia estadística.

Con relación al componente de contexto, la literatura muestra evidencias empíricas acerca de la relación existente entre el tipo de universidad, la región o el gasto en educación frente al PIB (^{Alvarado et al., 2015}; ^{Benalcazar, 2017}; ^{Blanco & Sauma, 2020}; ^{Canal y Rodríguez, 2020}) donde presentan que estos factores pueden incidir en el tipo de educación recibida por los estudiantes, lo que permitió plantear las hipótesis 2 y 3, en la cual se decía que los estudiantes que pertenecen a instituciones de educación superior de carácter privado y que el contexto regional en el que se encuentra inmersa la universidad, inciden en la capacidad de los equipos para estar en los primeros lugares del simulador. Los resultados obtenidos demostraron que tampoco la relación del constructo Contexto con la variable dependiente RANK es estadísticamente significativo.

Por último, diversos autores señalan la relevancia de los simuladores de negocios en los procesos de aprendizaje y demarcan la importancia de la dedicación y responsabilidad en el proceso de aprendizaje (^{Garizurieta et al., 2018}; ^{Lacruz, 2017}; ^{Matute & Melero, 2016}; ^{Pando et al., 2016}; ^{Ruskovaara & Pihkala, 2013}), lo anterior permitió formular la hipótesis 4, que señalaba el tiempo de aprendizaje como factor para lograr mejores resultados con el objeto de ganar la competencia. Particularmente estos últimos indicadores, agrupados en el componente técnico o de entrenamiento mostraron que su relación con RANK es estadísticamente significativa para el modelo.

Conclusiones

Basados en la técnica de regresión logística (modelo 1) y la regresión por Mínimos Cuadrados Parciales - PLS (modelo 2), se ha logrado construir dos modelos que explican la variabilidad de los datos: el modelo 1 con un 14,1976%, mostrando que la relación existente entre el componente técnico y el ranking en el simulador obtenido por los equipos (RANK) es estadísticamente significativo porque tienen un valor p menor a 0,05; por otro lado, el modelo 2 presenta un R² con un valor de 12,6%.

Estos modelos dejan entrever la importancia de las variables que hacen parte del componente técnico, dado que dentro de la ecuación son aquellas que tienen mayor peso a la hora de que un individuo clasifique o no en los primeros 10 lugares del ranking de los simuladores, permitiendo inferir que los participantes presentan un mejor desempeño si realizan un proceso técnico de aprestamiento.

Esta investigación permite un mayor entendimiento a las personas interesadas en los procesos de construcción del conocimiento mediados por métodos de aprendizaje electrónico, dado que conlleva a entender el papel y su importancia de diferentes variables en los procesos mediados por simuladores.

La investigación también ayuda a comprender que factores como son el tener una carrera en administración y/o negocios, así como la conformación de equipos de múltiples disciplinas, no son factores que inciden sobre el manejo y los resultados de los simuladores de negocios denominados Company Game, y que factores externos como el gasto en educación, el tipo de universidad, o la región donde se encuentran los estudiantes tampoco son elementos que sean significativos en dichos resultados.

Para investigaciones futuras, podrán venir otros modelos donde se tengan en cuenta más variables o se realice una combinación de variables que logren aumentar el R2 y permitan comprender la incidencia de otros factores en el uso de los simuladores de negocios.

Las Hipótesis H1, H2 y H3 se rechazan, ya que las relaciones entre las variables no fueron estadísticamente significativas, solo H4 tiene relevancia, dado que el entrenamiento mostró un peso significativo dentro del modelo.

Los modelos aplicados en esta investigación también se podrían utilizar en otros simuladores de negocios con el fin de determinar si existe una relación con los factores que resultaron estadísticamente significativos.