La competencia digital y la CMP son conceptos complementarios y fundamentales en el contexto educativo actual (Marcelo-Martínez et al., 2025). La primera se enfoca en el uso pedagógico de herramientas tecnológicas para mejorar la enseñanza y el aprendizaje (Cabero-Almenara et al., 2020), mientras que la segunda enfatiza la alfabetización crítica sobre los medios y su impacto en la construcción del conocimiento (Ferrés y Piscitelli, 2012). Ambas son esenciales para la divulgación científica en RSD, donde los docentes actúan como creadores y mediadores del conocimiento académico (Buzón et al., 2019).

La divulgación científica en RSD se ha convertido en un elemento clave para acercar el conocimiento académico a la sociedad, ampliar el impacto de las investigaciones y fomentar la interacción con diferentes públicos (Valencia-Oliveros y Martín-Gutiérrez, 2024). La creciente digitalización y el auge de plataformas como Twitter o X (Vásquez-Rocca, 2024), Instagram (Romero Rodríguez et al., 2019), Facebook (Verstappen y Opgenhaffen, 2024) y YouTube (Marchal et al., 2025) han generado nuevas oportunidades para comunicar la ciencia más allá de los círculos académicos tradicionales. Sin embargo, su uso entre los investigadores sigue siendo limitado, lo que pone de manifiesto la necesidad de fortalecer la formación en comunicación digital (Said-Hung et al., 2024).

En un contexto de desinformación creciente, estas plataformas no solo facilitan la difusión del conocimiento, sino que también permiten la interacción con el público y la adaptación a nuevos formatos digitales (Martin-Neira et al., 2023). A pesar de su potencial en educación y ciencias sociales, el reto radica en equilibrar la accesibilidad del mensaje sin perder rigor científico, especialmente en redes como LinkedIn e Instagram, donde el contenido debe ser breve y atractivo (Gallego et al., 2023).

LinkedIn se ha consolidado como una plataforma clave para la divulgación científica, diferenciándose de otras RSD por su enfoque profesional y su capacidad de conectar a investigadores con comunidades académicas, empresariales y del sector educativo (Knight, 2019). Su algoritmo favorece la visibilidad del contenido científico, permitiendo la difusión de artículos, preprints y hallazgos de investigación, así como la interacción en comunidades especializadas (Baruffaldi et al., 2017). Estudios recientes han identificado que LinkedIn es la red social más utilizada por docentes universitarios para compartir su producción científica, superando a plataformas como ResearchGate y Academia.edu, debido a su capacidad de ampliar el impacto del conocimiento y facilitar la transferencia entre la academia y la industria (Huang et al., 2019; Knight, 2019; Ordóñez Castillo et al., 2024; Said-Hung et al., 2024; Tolbert, 2024). No obstante, persisten barreras para su adopción generalizada, como la falta de formación en comunicación digital y el escaso reconocimiento institucional de estas actividades (Argüello-Gutiérrez y Moreno-López, 2024). A pesar de estas limitaciones, LinkedIn ofrece un entorno propicio para la construcción de una identidad académica digital, la difusión del conocimiento y la generación de redes colaborativas, lo que resalta la necesidad de impulsar estrategias institucionales que promuevan su uso efectivo en la divulgación científica.

Investigaciones previas proponen modelos generales de CMP (Gümüş y Kukul, 2023; Jiang y Yu, 2024; Vergili y Kara, 2024) pero no la han estructurado en la divulgación científica en RSD. Aunque identifican habilidades mediáticas para fines educativos y científicos, no establecen un constructo específico que sirva de base para la formación del profesorado. Por lo cual, responde a esta laguna mediante una propuesta integradora que articula el MRCDD 2.2 (INTEF, 2022) y el modelo de alfabetización mediática de Ferrés y Piscitelli (2012).

La integración permite un análisis integral de la CMP en divulgación científica. En este sentido, diversas revisiones sistemáticas recientes respaldan dicha convergencia. Claro et al. (2024) subrayan la importancia de consolidar la operacionalización de la competencia digital docente dentro de marcos normativos como el MRCDD 2.2, mientras que Olaya Guerrero et al. (2025) enfatizan el papel fundamental de las estrategias institucionales en la formación docente en competencia digital. Desde el ámbito de la alfabetización mediática, Fuentes Cancell et al. (2021) destacan que un uso efectivo de las RSD en educación superior requiere no solo habilidades tecnológicas, sino también pensamiento crítico para evaluar el impacto y la credibilidad de los medios.

En síntesis, la complementariedad entre el MRCDD 2.2 y el modelo de Ferrés y Piscitelli justifica su integración para evaluar la CMP en divulgación científica en RSD, consolidando un marco robusto para la formación del profesorado en contextos digitales. Esta combinación permite consolidar un modelo sólido para la formación docente en entornos digitales, alineado con las exigencias actuales de la comunicación académica.

A partir de estos referentes, este estudio aborda la necesidad de fortalecer la participación del profesorado en la comunicación y difusión del conocimiento a través de RSD, contribuyendo a la consolidación de su impacto académico y profesional (Hidalgo y Hidalgo, 2024; Jiang y Yu, 2024). Para ello, se propone el diseño y validación de dos constructos específicos mediante un enfoque teórico y empírico. Los hallazgos permitirán estructurar un modelo de evaluación aplicable tanto a la formación docente como a investigaciones futuras sobre alfabetización mediática y divulgación científica en entornos digitales.

En este contexto, el estudio se plantea el siguiente problema: ¿Cómo se estructura la CMP para la divulgación científica en RSD, con especial atención a LinkedIn, y qué implicaciones tiene para su formación docente? Asimismo, se examina la necesidad de incorporar esta competencia en los programas de formación inicial y continua del profesorado.

Para responder esta pregunta, el estudio se propone alcanzar los siguientes objetivos específicos: (1) diseñar y validar dos constructos que definan la CMP para la divulgación científica en RSD y en LinkedIn; (2) analizar la estructura factorial de dichos constructos; (3) evaluar la fiabilidad y validez de los indicadores que los componen; y (4) identificar las implicaciones pedagógicas derivadas del modelo para la formación docente en contextos digitales.

Este estudio sigue un enfoque exploratorio basado en la adecuación conceptual y en la validación estructural de los constructos (Hernández‑Sampieri y Mendoza, 2018). El diseño se estructura en tres fases: (1) validación teórica y evaluación experta de los indicadores; (2) análisis de la estructura factorial de los constructos; y (3) evaluación de la fiabilidad y validez de los indicadores definidos.

Se diseñaron dos instrumentos para evaluar la competencia mediática del profesorado en la divulgación científica: uno enfocado en RSD y otro en LinkedIn. Ambos se fundamentan en el MRCDD 2.2 y el modelo de alfabetización mediática de Ferrés y Piscitelli (2012).

El instrumento para RSD abarca seis dimensiones (lenguaje, tecnología, interacción, producción y difusión, ideología y valores, y estética) con 34 indicadores, mientras que el de LinkedIn, con la misma estructura, incluye 28 indicadores adaptados a la divulgación en entornos profesionales. Aunque comparten una base conceptual, el instrumento para RSD evalúa la divulgación en plataformas generales, mientras que el de LinkedIn se centra en estrategias comunicativas dentro de una red profesional. Ambos instrumentos fueron validados mediante juicio de expertos y análisis factorial exploratorio. La fiabilidad fue alta en ambos casos, con coeficientes de consistencia interna superiores a α = 0.85 y ω = 0.87 (α = 0.91 y ω = 0.93 para RSD; α = 0.89 y ω = 0.90 para LinkedIn), lo que asegura su pertinencia y estabilidad.

El MRCDD 2.2 se selecciona por su alineación con el DigCompEdu y su contribución al Espacio Europeo de Educación, mientras que el modelo de Ferrés y Piscitelli (2012) es un referente en alfabetización mediática y ampliamente citado en la literatura científica. Si bien existen diversos modelos de competencias y alfabetización mediática como el de Buckingham (2003), UNESCO (Grizzle et al., 2021), Hobbs (2010) y el de Area y Guarro (2012), el planteamiento de Ferrés y Piscitelli destaca por su enfoque integral y su impacto en el ámbito académico.

El MRCDD 2.2 estructura la competencia digital docente en cinco áreas: compromiso profesional, enseñanza y aprendizaje, evaluación y retroalimentación, empoderamiento del alumnado y desarrollo de la competencia digital. Por su parte, el modelo de Ferrés y Piscitelli (2012) define la competencia mediática en seis dimensiones, permitiendo un análisis integral de la CMP en divulgación científica (Tabla 1).

Los instrumentos desarrollados –uno para la divulgación en RSD y otro específico para LinkedIn– responden a fases complementarias dentro del proceso de modelización de la competencia mediática docente. No constituyen un único instrumento consolidado, sino aproximaciones diferenciadas y adaptadas a contextos diversos de divulgación científica, orientadas a validar constructos específicos para futuros desarrollos de un modelo integral.

Tabla 1
Correspondencia entre las Dimensiones de Ferrés y Piscitelli (2012) y el MRCDD 2.2

Fuente: Elaboración propia.

La validación teórica de los constructos se realizó mediante revisión bibliográfica y juicio de expertos (septiembre de 2024 a enero de 2025), asegurando su alineación con el MRCDD 2.2 y el modelo de Ferrés y Piscitelli (2012). Para ello, se diseñó un cuestionario digital en el que 30 especialistas evaluaron claridad, pertinencia y coherencia de los indicadores. El proceso garantizó el anonimato, la confidencialidad y el cumplimiento de criterios éticos. La selección de expertos con amplia trayectoria permitió una validación sólida del contenido, cuyos resultados se detallan en el apartado de análisis de datos.

La muestra se seleccionó mediante muestreo intencional, considerando la trayectoria en alfabetización mediática, tecnología educativa o formación docente. Participaron 30 especialistas procedentes de universidades de España, Portugal y América Latina, el 70 % con más de 10 años de experiencia. Los criterios de inclusión fueron: contar con publicaciones o proyectos relevantes y experiencia en validación de instrumentos. La muestra, compuesta por un 60 % de hombres y con una edad media de 45.2 años (σ = 7.1), aportó diversidad disciplinar y geográfica, garantizando un juicio experto integral. Para la validación, se aplicó un cuestionario digital para evaluar la claridad, pertinencia y coherencia de los indicadores, siguiendo criterios éticos y de confidencialidad.

En términos de trayectoria profesional, el 70 % de los participantes contaba con más de 10 años de experiencia en docencia universitaria y formación del profesorado en entornos digitales. Además, un 20 % estaba especializado en investigación sobre alfabetización mediática, y un 10 % en el desarrollo de tecnologías aplicadas a la educación. La selección de los expertos se realizó en función de su experiencia y trayectoria en los ámbitos mencionados, garantizando la representación de distintos perfiles académicos y profesionales. Este enfoque permitió obtener una evaluación multidimensional del instrumento, asegurando su validez desde una perspectiva integral y transdisciplinar.

La muestra de 30 expertos utilizada en este estudio se considera metodológicamente adecuada para la validación de contenido, en consonancia con las recomendaciones de la literatura especializada en desarrollo de instrumentos. Autores como DiFazio et al. (2018) y Polit y Beck (2006) sostienen que entre 5 y 30 expertos son suficientes para este tipo de análisis, siempre que se garantice la especialización temática y la diversidad profesional de los participantes. En lugar de optar por muestras amplias con participantes no especializados –como ocurre en otros estudios similares–, se priorizó la calidad y pertinencia del juicio experto, seleccionando profesionales con una trayectoria consolidada en alfabetización mediática, tecnología educativa y formación docente. Esta elección responde a la necesidad de validar constructos altamente especializados con un enfoque teórico riguroso. Asimismo, se aplicaron procedimientos estadísticos robustos como el Índice de Validez de Contenido (IVC) y el coeficiente de concordancia de Fleiss Kappa (Fleiss et al., 2003), que aportan evidencia cuantitativa sobre el nivel de acuerdo entre evaluadores, incluso en muestras reducidas pero altamente cualificadas.

A partir de las observaciones de los expertos, se realizaron ajustes para mejorar la precisión del instrumento, se eliminaron redundancias fusionando indicadores con superposición conceptual y se incorporaron elementos sobre pensamiento crítico y verificación de fuentes para fortalecer la alfabetización mediática. Estos ajustes garantizan la validez teórica y metodológica de los constructos, asegurando su alineación con los modelos de referencia y su aplicabilidad en la formación del profesorado.

El Análisis Factorial Exploratorio (AFE) mediante SPSS v. 29.0 permitió evaluar la validez de constructo e identificar la estructura subyacente de los indicadores (López-Aguado y Gutiérrez-Provecho, 2019). Se utilizaron los criterios de adecuación muestral de Kaiser-Meyer-Olkin y la prueba de esfericidad de Bartlett. Mediante el método de Máxima Verosimilitud (ML) con rotación Varimax, se identificaron los factores asegurando su independencia. La confiabilidad del instrumento se evaluó mediante los coeficientes de consistencia interna Alfa de Cronbach (α) y Omega de McDonald (ω) (Viladrich et al., 2017). Dado su carácter exploratorio, el AFE se aplicó a una muestra intencional de 30 expertos. Si bien los resultados aportan indicios sobre la estructura factorial de los constructos, esta muestra no permite una validación concluyente. Por ello, será necesario replicar el análisis con muestras superiores a 200 docentes universitarios en futuros estudios.

Como complemento visual al análisis cuantitativo, se elaboraron mapas de calor que permiten representar gráficamente la intensidad de las cargas factoriales entre los indicadores y los factores extraídos en los AFE. Este recurso facilita la identificación de agrupamientos empíricos y posibles cargas cruzadas, reforzando la interpretación de los resultados. Cabe señalar que, al tratarse de un estudio basado en AFE, no se presentan ecuaciones estructurales ni diagramas de modelos latentes, ya que estos corresponden al enfoque confirmatorio (AFC), propio de fases posteriores de validación empírica.

El constructo CMP para la divulgación científica en RSD se estructura según las dimensiones propuestas por Ferrés y Piscitelli (2012), describiéndose sus indicadores y relación con el MRCDD 2.2 (Tabla 2).

Tabla 2
Dimensión e indicadores del constructo CMP para la divulgación científica en RSD

Fuente: Elaboración propia.

Una vez definidos los indicadores, se establecen sus niveles de logro según el MRCDD 2.2 presentándose ejemplos de desempeño (Tabla 3).

Tabla 3
Niveles de progresión para la CMP en RSD

Fuente: Elaboración propia.

El constructo: CMP para la divulgación científica en LinkedIn se adaptó a la especificidad de LinkedIn, definiendo 28 indicadores y niveles de progresión. En la Tabla 4 se muestran sus 28 indicadores.

Tabla 4
Dimensiones e indicadores del constructo CMP para la divulgación científica en LinkedIn

Fuente: Elaboración propia.

Definidos los indicadores, se establecieron sus niveles de logro y ejemplos de desempeño (Tabla 5).

Tabla 5
Niveles de progresión del segundo constructo

Fuente: Elaboración propia.

Se confirmó la idoneidad de los datos para el análisis factorial mediante KMO (0.85 y 0.83) y prueba de esfericidad de Bartlett. Todas las cargas factoriales superaron 0.40, asegurando una contribución significativa de los ítems a sus respectivos factores. Los factores identificados explicaron el 78.2 % para el constructo CMP en RSD (Tabla 6) y el 78.8 % de la varianza total en RSD y LinkedIn (Tabla 7), respectivamente.

Tabla 6
Análisis Factorial Exploratorio del primer constructo

Fuente: Elaboración propia.

Con el fin de facilitar la interpretación visual de la estructura factorial resultante del AFE, se elaboró un mapa de calor que representa la intensidad de las cargas factoriales de los 34 indicadores en los cinco factores identificados empíricamente. Esta representación permite observar patrones de agrupamiento, identificar ítems con cargas cruzadas y verificar la consistencia interna del modelo propuesto. La Figura 1 muestra el mapa de calor de las cargas factoriales correspondientes al constructo CMP para RSD. Esta representación permite visualizar la intensidad de las saturaciones y la coherencia interna de los factores, facilitando la identificación de agrupamientos y posibles cargas cruzadas. Su interpretación complementa los resultados del AFE y aporta evidencia gráfica de la consistencia del modelo.

Figura 1
Mapa de calor de cargas factoriales del primer constructo

Como puede observarse en el gráfico, la mayoría de los indicadores presentan cargas elevadas en un único factor, lo que refuerza la validez de la estructura empírica propuesta. No obstante, algunos ítems muestran cargas relevantes en más de una dimensión, lo que sugiere una posible interdependencia entre los componentes del modelo, especialmente entre las dimensiones de interacción, tecnología y producción y difusión. A continuación, se presenta la Tabla 7, correspondiente al AFE del segundo constructo, centrado en la competencia mediática del profesorado para la divulgación científica en LinkedIn.

Tabla 7
Análisis Factorial Exploratorio del segundo constructo

Fuente: Elaboración propia.

Aunque el modelo teórico de CMP para la divulgación científica en RSD fue diseñado con seis dimensiones (Lenguaje, Tecnología, Interacción, Producción y Difusión, Ideología y Valores, Estética), el AFE reveló una estructura empírica diferente. Esto sugiere que algunas dimensiones teóricas pudieron agruparse en un mismo factor en la práctica, reflejando la interdependencia entre ellas. En particular, dimensiones como Interacción, Tecnología y Producción y Difusión se agruparon, lo que indica que el uso tecnológico influye directamente en la manera en que se interactúa y se difunde el conocimiento.

Para complementar la matriz de cargas factoriales obtenida en el AFE del segundo constructo, se elaboró un mapa de calor (Figura 2) que muestra la concentración de cargas elevadas en factores específicos. Este análisis visual refuerza la validez preliminar del modelo y permite observar la coherencia empírica de los indicadores.

Figura 2
Mapa de calor de cargas factoriales del segundo constructo

El mapa de calor correspondiente al segundo constructo revela, al igual que en el caso anterior, una concentración clara de cargas elevadas en torno a factores específicos, lo que indica una buena definición empírica de las dimensiones propuestas. La consistencia de los resultados obtenidos en ambos análisis factoriales exploratorios respalda la validez estructural preliminar de los instrumentos desarrollados. Estas evidencias empíricas fortalecen la aplicabilidad del modelo en contextos formativos y ofrecen una base sólida para futuras investigaciones que profundicen en la evaluación de la competencia mediática docente en RSD.

El análisis de fiabilidad confirmó la coherencia interna del instrumento, con coeficientes de α ≥ 0.70 y ω ≥ 0.70 en todas las dimensiones.

En el primer constructo (CMP para la divulgación científica en RSD), los valores de α oscilaron entre 0.84 y 0.89, con un coeficiente global de 0.91, mientras que ω varió entre 0.86 y 0.91, alcanzando un valor global de 0.93. En el segundo constructo (CMP para la divulgación científica en LinkedIn), los coeficientes por dimensión mostraron una tendencia similar, con un α global de 0.89 y un ω global de 0.90. Estos valores indican una alta coherencia interna en las dimensiones, lo que refuerza la estabilidad del modelo (Tabla 8).

El análisis de correlación ítem-total mostró coeficientes superiores a 0.30 en todos los indicadores, lo que garantiza su adecuada discriminación dentro de cada dimensión. No se identificaron ítems con valores críticos que sugirieran su eliminación o modificación. Esto confirma que cada ítem contribuye significativamente a la medición del constructo al que pertenece.

Tabla 8
Resultados del análisis de Alfa de Cronbach y Omega de McDonald

Fuente: Elaboración propia.

Los resultados del AFE mostraron una reducción de las seis dimensiones teóricas iniciales a cinco factores en RSD y cuatro en LinkedIn. Esta agrupación sugiere integraciones conceptuales, particularmente entre las dimensiones de interacción, tecnología y producción/difusión, las cuales tienden a confluir empíricamente. Este patrón podría explicarse por la convergencia funcional que caracteriza a la práctica docente en entornos digitales, donde la interacción en redes, el uso estratégico de la tecnología y la creación de contenidos se desarrollan de forma interrelacionada. Además, la naturaleza profesional y académica de plataformas como LinkedIn parece potenciar esta integración, diluyendo las fronteras entre dimensiones previstas teóricamente. Estos hallazgos permiten avanzar en la comprensión empírica de la competencia mediática docente, ofreciendo una base para su interpretación crítica y su posible aplicación en la formación docente y la divulgación científica. A continuación, se discuten sus implicaciones teóricas y prácticas.

Entre las principales limitaciones del estudio destaca el tamaño muestral reducido (n = 30), que obliga a considerar el análisis factorial exploratorio (AFE) como una aproximación preliminar. Aunque se trata de una muestra intencional de expertos con especialización en alfabetización mediática, tecnología educativa y formación docente, la validez factorial del instrumento requiere ser contrastada con muestras amplias y heterogéneas.

Como línea futura, se plantea realizar un AFC para comprobar la estructura propuesta de la CMP, bajo un modelo jerárquico de segundo orden con seis dimensiones agrupadas en un factor general. El AFC se aplicará a una muestra superior a 300 docentes universitarios, empleando máxima verosimilitud robusta (MLR) con AMOS y evaluando la bondad de ajuste mediante χ²/df, CFI, TLI, RMSEA y SRMR. Asimismo, se propone la aplicación empírica de los instrumentos en contextos formativos reales para contrastar su utilidad diagnóstica, realizar validación cruzada y desarrollar estudios de fiabilidad test-retest. También se plantea ampliar su aplicación a muestras internacionales y comparar resultados entre diferentes plataformas sociales, lo que permitirá reforzar su validez predictiva y su utilidad comparativa.